<div dir="ltr"><div class="gmail_default" style="color:rgb(51,51,153)">Thanks for your question Raquel, and great idea to get a better idea of the mechanics and assumptions. Hands-on playing with different options and rerunning ICAs can be quite useful. What I meant is that usually researchers, as far as I understand, usually apply the ICA decomposition to files (from processing steps before ICA) that are very similar to the files that went "into" ICA. But there are various ways the files could be the "same"....</div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)">In other words, the usual thing is to apply the ICA weights to a file that has at least</div><div class="gmail_default" style="color:rgb(51,51,153)">***A. the <b>same</b> channels as the file(s) that went into ICA<br></div><div class="gmail_default" style="color:rgb(51,51,153)">***B. the <b>same</b> subject and same recording session as the file(s) that went into ICA</div><div class="gmail_default" style="color:rgb(51,51,153)">I think this is due the basic expectations of ICA and the data structures in eeglab.  Also, each person/session of course has their own decomposition.</div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)">FURTHER<br></div><div class="gmail_default" style="color:rgb(51,51,153)">***C. Usually,the file which is getting the ICA weights will be the <b>same </b>as the file(s) that went into the ICA (e.g, in terms of filtering or bandpassing or re-referencing). Relatedly, I don't believe it's appropriate to apply ICA weights from 1hz-highpass files to unfiltered files, but I might be wrong. </div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)">HOWEVER<br></div><div class="gmail_default" style="color:rgb(51,51,153)"><div class="gmail_default">***D. The file which is getting the ICA weights does not need to have the <b>same </b>exact time points as the file(s) that went into the ICA, and it can be epoched or continuous. As long as it has the correct features matching the file that went into ICA. So it's in terms of time points to apply the ICA weights to that you have the most freedom, relative to other feature of the data.<br></div><div class="gmail_default">Thus.... one can re-apply to the continuous or near-continous epoched data, and then do artifact rejection with ICA info, re-do epoching after doing ICA cleaning, and other similar strategies. Some of the strategies are laidout in the eeglab tutorials and articles.</div><div><br></div></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)">ps. when things are setup wrong with ICA, the solutions will look weird, the eeg data will look weird, and/or eeglab will break. If you get a chance to, please consider sharing some examples of your next tests, or some summary of your understanding that could benefit new users later on.<br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div><div class="gmail_default" style="color:rgb(51,51,153)"><br></div></div>