La estimulación cerebral profunda (DBS) se utiliza ampliamente como opción de tratamiento para pacientes con trastornos del movimiento. Además de su impacto clínico, la DBS se ha utilizado en el campo de la neurociencia cognitiva, donde las respuestas a varias preguntas fundamentales que sustentan los mecanismos de neuromodulación en la toma de decisiones dependen de la forma en que una ráfaga de pulsos de DBS, generalmente entregados a una frecuencia clínica, es decir, 130 Hz, perturba las elecciones de los participantes. Se observó que las actividades neuronales registradas durante la DBS estaban contaminadas con artefactos grandes, que duran unos pocos milisegundos, así como una señal de baja frecuencia (lenta) (~1-2 Hz) que puede persistir durante cientos de milisegundos. Si bien el enfoque de la mayoría de los métodos para eliminar artefactos de DBS se centraba en el primero, las capacidades de eliminación de artefactos de la señal lenta no se han abordado. En este trabajo, proponemos un nuevo método basado en la combinación de descomposición de valores singulares (SVD) y filtrado adaptativo normalizado para eliminar tanto artefactos grandes (rápidos) como lentos en los potenciales de campo local, registrados durante una tarea cognitiva en la que se utilizaban ráfagas de DBS. Utilizando datos sintéticos, mostramos que nuestro algoritmo propuesto supera a cuatro técnicas comúnmente utilizadas en la literatura, a saber, (1) filtrado adaptativo de mínimos cuadrados normalizado, (2) filtrado óptimo FIR de Wiener, (3) coincidencia de modelo gaussiano y (4) promedio móvil. Las capacidades del algoritmo se demuestran aún más por su capacidad para eliminar eficazmente artefactos de DBS en potenciales de campo local registrados en el núcleo subtalámico durante una tarea verbal de Stroop, destacando su utilidad en aplicaciones del mundo real.