獨立成分分析（ICA）

ICA 是一種盲源分離方法，透過利用非高斯性或高階統計量（而非僅去相關）將多通道資料分解為一組在統計上最大程度獨立的成分。它假設感測器觀測到的是各底層源的線性、瞬時混合，此假設在物理上與 EEG 十分吻合，因為體積傳導基本上以瞬時且線性的方式將每個源擴散到頭皮。常用估計法包括 Infomax、FastICA，以及更為徹底的 AMICA。

在 BCI 中它有兩種用途：藉由剔除定型假影（眨眼、側向眼動、心電、肌電）的對應成分來分離並移除之；以及分離出生理上不同的皮質源以獲得更乾淨的特徵擷取。其內在的不確定性在於：成分的尺度與正負號是任意的、其排序也不具意義，因此成分需以其頭皮拓樸圖、頻譜與時間歷程來標定，且日益仰賴如 ICLabel 的自動分類器。