基於 ICA 的假影去除

獨立成分分析把多通道記錄解混成統計上盡可能獨立的成分，每個成分都有固定的頭皮分布與各自的時間歷程。由於眼睛、肌肉、心臟與單通道假影是由在空間與統計上都與腦節律不同的源所產生，它們往往集中到少數可辨識的成分；將這些成分歸零再反投影其餘成分，即可重建乾淨資料而不丟棄整個試段——這正是相較於剔除的關鍵優勢。

此方法假設線性、平穩的混合，且通道數至少與源數一樣多且條件良好，並需足夠資料才能收斂；結果取決於對訓練資料的高通濾波（約 1 Hz）與演算法（Infomax、FastICA、AMICA）。成分挑選過去以人工進行且主觀；如今自動分類器（ICLabel、ADJUST、MARA）能以合理準確度將成分標記為腦、眼、肌、心、市電或通道。ICA 無法分離非線性混合的源，或在平均參考後不足秩的源，而過度移除會扭曲它所留下的腦訊號。