從監督式到盲式
CSP 與 xDAWN 需要類別標籤。獨立成分分析（ICA）則不需要：它僅憑對源的一個統計假設，就把混合 \mathbf{x}=\mathbf{A}\mathbf{s} 反轉。這就是盲源分離——在不知道誰在說話的情況下，從麥克風還原出說話者。
\mathbf{x} = \mathbf{A}\mathbf{s}, \qquad \hat{\mathbf{s}} = \mathbf{W}\mathbf{x}, \qquad \mathbf{W}\approx\mathbf{A}^{-1}ICA 估計一個解混矩陣 W，其各列都是能還原獨立成分的空間濾波器。
獨立成分分析（ICA）在沒有標籤的情況下解混通道，方法是假設真實源在統計上互相獨立。它學出一個解混矩陣 \mathbf{W}，其各列是能還原獨立成分的空間濾波器——很適合隔離眨眼之類的假影。
- \mathbf{x}=\mathbf{A}\mathbf{s}
- 正向混合模型。
- \mathbf{W}
- ICA 估計出的解混矩陣。
- \hat{\mathbf{s}}=\mathbf{W}\mathbf{x}
- 所還原的獨立成分。
- \mathbf{W}\approx\mathbf{A}^{-1}
- 它近似地反轉混合。
ICA 為何可行：非高斯性
PCA 只讓成分不相關（二階性質），且無法選出唯一的旋轉。ICA 要求更強的統計獨立性質，而開啟它的鑰匙是非高斯性。根據中央極限定理，獨立源的混合會比任一單一源更接近高斯；因此若你旋轉白化後的資料，使每個輸出最大程度地非高斯，就找到了源。
J_{\mathrm{neg}}(y) = H(y_{\mathrm{Gauss}}) - H(y) \;\ge\; 0負熵：等變異數高斯分布與 y 之間的熵差。Infomax 與 FastICA 最大化它的代理量（峰度、log-cosh）。
ICA 為何有效？獨立訊號的混合看起來比原始訊號更像高斯，所以讓輸出盡量非高斯就能把它們解混。負熵衡量這種非高斯性——與等變異數高斯之間的熵差。
- J_{\mathrm{neg}}(y)
- 輸出 y 的負熵——它的非高斯性。
- H(y_{\mathrm{Gauss}})
- 等變異數高斯的熵——所能達到的最大值。
- H(y)
- y 的實際熵。
- \ge 0
- 永遠非負，且僅當 y 為高斯時為零。
ICA 在 BCI 管線中的角色
ICA 扮演兩種角色。作為清理器時，你辨識出捕捉眨眼、心電或肌電的成分，將其對應的列歸零，再把其餘成分反投影以重建無假影的通道——這種以 ICA 為基礎的假影移除是本領域的預設做法。作為特徵前端時，解混的各列本身就是空間濾波器，可在解碼前銳化源訊號。
- 對連續資料作高通濾波與再參考，再擬合 ICA 以取得 W 與成分激活。
- 依特徵標記假影成分——前額眨眼地形圖、與 QRS 鎖定的心跳、寬頻的額顳肌電。
- 把被標記的列歸零，再把其餘成分透過 A 反投影，重建清理後的通道。
假設與失效模式
實務上的意涵是：ICA 偏好高通道數與長而乾淨的紀錄。在八通道的廉價乾式頭戴裝置上，可預期它表現不佳——這個限制值得誠實說明，而非粉飾。
超越 ICA：頻譜鎖定的濾波器
當你已知關切的節律（例如 10 Hz 的 mu 頻帶）時，可以用一個以頻譜為監督的濾波器勝過盲式 ICA。空間頻譜分解（SSD）最大化訊號頻帶相對於其兩側鄰帶的功率，產生一個乾淨、免標籤的前端，在 CSP、連結分析或深度模型之前提升訊雜比。
\mathbf{w}_{\mathrm{SSD}} = \arg\max_{\mathbf{w}} \frac{\mathbf{w}^{\top}\Sigma_{\mathrm{signal}}\,\mathbf{w}}{\mathbf{w}^{\top}\Sigma_{\mathrm{flank}}\,\mathbf{w}}SSD 又是一個廣義特徵值問題——訊號頻帶共變異數相對於鄰帶共變異數。
時空頻分解（SSD）尋找能相對於相鄰頻帶最大化目標頻帶功率的濾波器——藉此萃取出乾淨的振盪。與 CSP 一樣，它是廣義特徵值問題，只是換成訊號頻帶對鄰帶的共變異數。
- \mathbf{w}_{\mathrm{SSD}}
- SSD 空間濾波器。
- \Sigma_{\mathrm{signal}}
- 目標頻帶內的共變異數。
- \Sigma_{\mathrm{flank}}
- 鄰帶（旁側）的共變異數。
- \arg\max
- 挑出使該比值最大、以增強目標節律的濾波器。