試段與試次剔除

最簡單的假影策略：辨識污染到不可信任的片段（試段或試次）並將其排除於分析之外。準則從固定的峰對峰或振幅閾值，到更穩健、資料驅動的方案（例如 Autoreject，透過交叉驗證學習各通道的剔除閾值，並決定每個通道–試段是剔除還是內插）。剔除不做任何建模假設，也不會像校正那樣扭曲存活下來的資料，這正是 ERP 慣例仍倚重它的原因。

代價是資料損失與偏差。丟棄試次會縮小樣本並拉長工作階段——對病患與 BCI 校準都很昂貴——且若假影與條件相關（目標後的眨眼、某一類別中的移動），剔除會使比較產生偏差。因此剔除與校正互補：對系統性、鎖時的假影（如眨眼）做校正，對罕見、無法建模的假影（如一次大的移動爆發）做剔除。