從開迴路解碼到控制迴路
在第一冊，你把解碼流程當成一條前饋鏈：擷取訊號、濾波、抽取特徵、解出意圖、驅動效應器。閉迴路控制加上了那唯一一條改變一切的箭頭——使用者看著效應器移動，立刻調整接下來要做的事。這條回饋箭頭正是它成為閉迴路 BCI的關鍵：一個靜態分類器變成一個內含真人的動態系統；這條學習路徑後面的一切，都源自認真看待這個迴路，而非把它當成線上解碼的附帶想法。
控制理論給了我們正確的名詞。把受控體（plant）當成使用者必須駕馭的一切——解碼器、效應器及其動力學、以及呈現它的顯示。控制器（controller）是使用者的大腦，產生神經活動以將受控體導向目標。感測器（sensor）是電極陣列，加上把電壓轉成估計命令的解碼器；回饋路徑則是使用者所感知到的一切。這個控制理論式 BCI 模型不只是比喻：它告訴我們，決定行為的是迴路增益、延遲與雜訊，而不只是解碼器準確率。
p_{k+1} = p_k + \Delta t\,\hat v_k, \qquad \hat v_k = D\big(y_k\big), \qquad y_k = g\big(n_k\big)最小的閉迴路：效應器狀態 p_k（例如游標位置）由解碼命令 \hat v_k = D(y_k) 積分而來；使用者在看到 p_k 後選擇神經活動 n_k（編碼為特徵 y_k），於是閉合了迴路。
這是最小的閉迴路：游標藉由在目前位置上加一小步（解碼速度乘以時間步）而移動；該速度由神經特徵解碼而來，而使用者是在看到游標位置之後才選擇這些活動的。這個「看到之後」正是閉合迴路的關鍵。
- p_k
- 第 k 步的效應器狀態——例如游標位置。
- \Delta t\,\hat v_k
- 一小步：解碼速度 \hat v_k 乘以時間步 \Delta t。
- D(\cdot)
- 把神經特徵 y_k 轉成命令的解碼器。
- n_k
- 使用者所選的神經活動，經 g 編碼為特徵 y_k。
每一拍游標更新為：新位置＝舊位置＋一小段解碼出的步長。
為什麼離線準確率會騙人
這是整條路徑最重要、也最違反直覺的一課：離線準確率無法預測線上表現。一個在交叉驗證留存資料上勝出的解碼器，在閉迴路裡可能一敗塗地；而一個離線表現平庸的解碼器，用起來卻可能非常順手。造成落差的機制有二。其一，回饋讓使用者能即時修正一個有偏差或遲鈍的解碼器，所以重點不在原始準確率，而在錯誤有多容易被修正。其二，閉迴路使用本身會改變神經資料的分布——使用者會適應，於是你離線模型所依據的統計性質不再成立。
這種分布偏移有個名字——共變量偏移——而它不是該被濾掉的干擾，而是閉迴路 BCI 的結構性特徵。這也是為什麼解碼器穩定性是第一級的設計目標：一個準確但在自身回饋下不穩定的解碼器，比沒用還糟，因為使用者的修正與解碼器的錯誤可能互相放大。
兩個學習者
由於使用者也會適應，BCI 不只有一個自適應系統，而是兩個同時在學。這就是雙學習者問題，也是閉迴路控制的核心組織概念。解碼器調整參數以貼合使用者的神經編碼；使用者的大腦則調整神經編碼以貼合解碼器。編排得當，兩者會收斂成一個流暢的聯合控制器；編排失當，兩者就會互相追逐而失穩。下一篇將專講這支共適應之舞。
回饋型態塑造迴路
迴路的好壞不會超過它的回饋通道。回饋型態決定了迴路的頻寬與延遲。視覺是預設，但很慢（視覺動作延遲約 100–200 毫秒），還會爭奪注意力。本體感覺或體感回饋——在閉迴路感覺運動 BCI中透過皮質內微刺激傳遞——能閉合一條更快、更自然的迴路；這正是為什麼雙向介面對於「控制」而不只是「恢復感覺」如此重要。聽覺回饋則適合拼字器。你選的型態會重塑其下游的一切。