切換狀態空間模型

切換狀態空間模型將一個離散型態變數與連續狀態動力學結合：一條隱馬可夫鏈在每一刻選擇哪一組動力學與觀測參數為作用中，連續狀態則在當前型態下演化。如此便能以單一模型表達性質迥異的模式——例如運動 BCI 中的移動、保持與靜止，或不同的動作類型——同時仍在每一模式內解碼連續運動學。

由於可能的離散歷史數目呈指數成長，精確推論不可行，故切換解碼器依賴近似：一組平行卡爾曼濾波器並將其後驗合併（假設密度或交互多模型濾波），或對離散–連續聯合狀態的粒子方法。在 BCI 中，這些模型可提升穩健性，例如在意圖保持時乾淨地凍結游標而非漂移，或將神經活動導向正確的子解碼器。其好處必須與增加的參數、更多校準資料，以及切換誤偵所致突兀、刺耳控制誤差的風險相權衡。