La escritura imaginaria es un importante paradigma de investigación en el campo de la escritura controlada por el cerebro. Las señales neuronales exhiben alta complejidad, bajo ratio señal-ruido y fuerte variabilidad temporal y ambiental, lo que lleva a diferencias significativas entre ensayos en la dinámica temporal de las señales relacionadas con los caracteres. Estos factores plantean desafíos significativos para segmentar las señales relacionadas con los caracteres y decodificar con precisión la escritura imaginaria. Para abordar estos problemas, este estudio propone un marco de Análisis de Componentes Independientes de Deformación Temporal Dinámica (DTWICA). Este marco emplea FastDTW para construir funciones de deformación individualizadas para cada ensayo, seguido de una descomposición basada en FastICA para separar la señal en factores temporales y neuronales distintos. Los factores temporales descompuestos se mapean y transforman utilizando la función de deformación y luego se fusionan con los factores neuronales para reconstruir la señal. Se aplica una ventana de tiempo deslizante para el procesamiento adaptativo, lo que produce la señal transformada. Finalmente, las señales transformadas de múltiples ensayos se promedian para generar una plantilla para cada carácter. Los resultados basados en un conjunto de datos de señales neuronales disponible públicamente para la escritura imaginaria indican que, en comparación con modelos de deformación temporal convencionales como Shift, Linear, Piecewise y TWPCA, el modelo propuesto mejora la precisión de decodificación de caracteres para 31 caracteres en un 14%, 13%, 7% y 2%, respectivamente. Este estudio no solo construye plantillas efectivas de señales de caracteres, sino que también facilita la segmentación precisa de caracteres durante la escritura imaginada no etiquetada en un entorno fuera de línea, proporcionando una base metodológica prometedora para futuros sistemas de decodificación de escritura imaginada en tiempo real.