Motivado por mapear eventos artificiales adversos causados por movimientos corporales en señales electroencefalográficas (EEG), presentamos un análisis de componentes independientes funcionales basado en la descomposición espectral del operador de curtosis de una expansión de componentes principales suavizados. Se introduce una penalización de rugosidad discreta en la restricción de ortonormalidad de las eigenfunciones de la covarianza para obtener la base suavizada para el modelo de componentes independientes propuesto. Para seleccionar los parámetros de ajuste, se utiliza un método de validación cruzada que incorpora contracción para mejorar el rendimiento en representaciones funcionales con una gran dimensión de base. Este método proporciona una estrategia de estimación para determinar el parámetro de penalización y el número óptimo de componentes. Nuestro enfoque de componentes independientes se aplica a datos reales de EEG para estimar potenciales cerebrales genuinos a partir de una señal contaminada. Como resultado, es posible controlar los restos de alta frecuencia de origen neural que se superponen a fuentes artificiales para optimizar su eliminación de la señal. Un paquete que implementa nuestros métodos está disponible en CRAN.