<div dir="ltr"><div style="color:rgb(51,51,153)" class="gmail_default">​Great Ghislain, Happy it helped to gain a little sanity. I often try to play with/fool eeglab when I get weird errors, at least to figure out what is going on. STUDY is a bit complex, and as I mentioned is getting updated to be smarter. <br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">Yes, I recommend using clustering and visual analysis/comparison of IC properties, and looking for those that share substansial similarities. This can also include statistical/quantitative comparison of IC properties. This step should include closely looking at IC properties, and/or results with some ICA classification tools (though you have some limitations such as sparse channel montage).<br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">Yes, if I saw that ICA solutions from within-sessions but different conditions were similar, producing a near-common subset of neural ICs, then I would merge the conditions for that subject (but not sessions). Another reason for merging within a session is because ICA is hungry for "more time samples" to do better source separation. Note that I would merge from within one session to begin with, unless I had specific hypotheses about substantially different nerual activity across the (within-session) conditions (for example, jumping-rope vs. lying down, or pain stimulation versus a working memory task). Overall, I have seen good results with ICA for many conditions within-one-session, with ICA pulling out expected neural sources that are related to the "different" and "multiple conditions". <br><br><br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">******EXTRA NOTES FOR Ghislain:<br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">I also recommend trying it both ways (one ICA per condition and one ICA for all conditions) and comparing closely for several subjects, and then moving forward.<br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">Note that some researchers run different ICA solutions for resting versus ERP data. <br></div><div style="color:rgb(51,51,153)" class="gmail_default"><br></div><div style="color:rgb(51,51,153)" class="gmail_default">Note that usually researchers also cutoff some of the ICs by limiting the IC clustering to only ICs with a certain level of residual variance. This is done in the Edit Study, and usually requires dipoles I think. However in your case, you could manually mark what are clearly artifactual or low-value ICs before clustering/and/or/visual-review. These would also be the ones you want to remove eventually. <br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">Note that that not all subjects have great represenative neural ICs, and that some decisions have to be made about which to keep (and consider real across subjects).<br><br></div><div style="color:rgb(51,51,153)" class="gmail_default">Note that though it is not recommended, some researchers merge sessions (different recordings) of the same subject. This sometimes lead to double or triple ICs that are quite similar, but related only to each recording sessions. These can then be merged if the researcher chooses to.<br></div><div style="color:rgb(51,51,153)" class="gmail_default"><br>Note that the errors you got can also be investigated by examining the 
STUDY data structure variables, and taking a close look at the complex 
but important STUDY function details and code.​<br><br></div><div style="color:rgb(51,51,153)" class="gmail_default"><br><br><br><br><br><br><br><br><br><br><br><br><br><br></div><br></div>