當沒有參考訊號時
迴歸與 SSP 都需要某個你能指出的東西——參考通道或已知的地形圖。但許多假影兩者都不提供：獨立的肌群、單通道彈跳，以及假影地形圖未知的混合。盲源分離提出更大膽的問題——我們能否僅從混合中還原出各源？獨立成分分析（ICA） 的答案是能，前提是若干值得精確陳述的假設。
- 混合是線性且瞬時的——對體積傳導是良好模型，但當各源相對於感測器移動時便不成立。
- 各源在統計上獨立，且至多只有一個是高斯的——這種非高斯性正是可辨識性的引擎。
- 在所分析的區段內混合是平穩的——整段資料共用一個固定的 A。
- 源的數目至多等於通道數——你無法解出比感測器更多的源。
模型與求解方式
ICA 尋找一個解混矩陣 \mathbf{W}，從資料中還原出獨立成分，即混合 \mathbf{A} 的逆：
\mathbf{s} = \mathbf{W}\mathbf{x}, \qquad \mathbf{W} \approx \mathbf{A}^{-1}解混矩陣 W 從觀測通道 x 還原出成分時間序列 s。
由於高斯混合具旋轉對稱性且不可辨識，ICA 的作法是最大化非高斯性（等價於最小化各成分間的互資訊）。Infomax、FastICA 與 AMICA 在對比函數與最佳化器上有別，卻共享此邏輯。有兩種不可消除的模糊性：你無法還原成分的尺度或正負號（它與其在 \mathbf{A} 中的那一行互換）也無法還原其次序——這正是為何成分輸出時沒有標籤，必須事後辨識。
辨識假影成分
一旦分解完成，每個成分便在第一篇提過的同樣三個域中顯露其來源：眨眼成分具有額區地形圖、階梯／尖峰的時間序列與低頻功率；心臟 成分約 1 Hz 且與 ECG 相關；線路成分在 50／60 Hz 出現尖峰；一個好的神經成分通常是偶極的（能以低殘差擬合一個 等效偶極）。ICLabel 家族的自動分類器，正是從這些特徵為每個成分打上屬於腦、眼、肌肉、心臟、線路或通道雜訊的機率分數。
以反投影進行清理
要清理，就把假影成分歸零再重建。保留混合矩陣 \mathbf{A}=\mathbf{W}^{-1}，以對角選取矩陣 \mathbf{D} 將成分矩陣中假影的那些列歸零，再反投影回感測器空間：
\mathbf{X}_{\text{clean}} = \mathbf{A}\,\mathbf{D}\,\mathbf{W}\,\mathbf{X}, \qquad D_{ii} = \begin{cases} 1 & i \in \text{brain} \\ 0 & i \in \text{artifact} \end{cases}以歸零其列（D）移除選定成分並映射回感測器空間；腦成分連同其原始地形圖一併保留。
拆成成分，把你判定為假影的那些保留開關撥到 0，再把存活的成分重新混回通道——如此一來腦成分回來時和先前一模一樣。
- \mathbf{W}\mathbf{X}
- 把通道解混成成分時間序列。
- \mathbf{D}
- 對角開關矩陣：1 保留成分，0 刪除成分。
- \mathbf{A}
- 重新混回感測器空間，還原原始地形圖。
- D_{ii}
- 成分 i 的個別開關。
若成分 3 是明顯的眨眼，就設 D_{33}=0，其餘對角元皆維持 1。
S = W @ X # unmix into independent components
S[artifact_idx] = 0 # zero the flagged artifact components
X_clean = Ainv @ S # Ainv = W^{-1}: back-project to channelsICA 的失效之處與補救方式
ICA 強大，卻在研究所使用者必須尊重的地方脆弱。它吃資料——經驗法則對 C 個通道要求約 k \times C^2 的樣本數——因此短的或高密度的紀錄會過度擬合，把一個源拆散到許多成分中。它假設混合是平穩的，因此當電極移位或受試者移動時便退化。而且由於移除是全有全無，它會把與假影共用一個成分的神經訊號一併丟掉。小波強化 ICA 緩解最後這個問題：它不刪除假影成分，而是對它做小波閾值化，只相減大的假影暫態，並把殘餘的神經活動送回重建中。