部署落差
深度 BCI 在真實世界的主要失敗，並非紙上的準確率——而是非平穩性。訊號在單一場次內漂移、並跨場次與跨日重塑，因此一個在校準時凍結的解碼器會穩定地退化。形式上這就是共變量偏移：輸入分佈移動，而輸入到意圖的映射大致固定。
p_{\mathrm{tr}}(x) \neq p_{\mathrm{te}}(x), \quad p(y \mid x)\ \text{fixed} \;\Longrightarrow\; R = \mathbb{E}_{p_{\mathrm{tr}}}\!\big[\,w(x)\,L(f(x), y)\,\big], \quad w(x) = \frac{p_{\mathrm{te}}(x)}{p_{\mathrm{tr}}(x)}重要度權重 w 可校正偏移，但在高維中直接估計它並不容易——因此實務方法轉而對齊特徵。
和先前一樣的故事：原則上重要度權重 w 可校正輸入偏移，但在高維中直接估計 w 並不實際，因此實務方法轉而把兩個分布的特徵對齊。
- p_{\mathrm{tr}}(x) \neq p_{\mathrm{te}}(x)
- 訓練與測試的輸入不再來自同一分布。
- w(x) = \frac{p_{\mathrm{te}}(x)}{p_{\mathrm{tr}}(x)}
- 若你估得出來，就能校正偏移的重要度權重。
- R
- 你真正希望在測試時很小的風險。
與其計算 w，一個領域適應方法可能只是旋轉今天的特徵，讓其均值與共變異數對上校準當天。
領域自適應與對齊
領域自適應重新對齊來源與目標，使在其一上訓練的解碼器能遷移到另一個上。最廉價、也往往最有效的一招，是對每個場次重新置中並白化特徵。在共變異數特徵的黎曼觀點下，你把每個場次的平均共變異數映射到單位矩陣，在任何分類器看到資料之前，就消去大部分的跨場次偏移。
\tilde\Sigma_i = \bar\Sigma^{-1/2}\, \Sigma_i\, \bar\Sigma^{-1/2}, \qquad \bar\Sigma = \text{Riemannian mean of the session's } \Sigma_i黎曼重新置中：每個場次的參考共變異數變為單位矩陣，使類別幾何在各場次間對齊。
每個記錄場次都會漂移，於是昨天代表某意義的類別，今天卻落在別處。重新置中用各場次自己的平均共變異數對它做白化，使參考變成單位矩陣，讓類別幾何在各場次間對齊。
- \Sigma_i
- 第 i 個試次或片段的共變異數矩陣。
- \bar\Sigma
- 該場次的平均（黎曼均值）共變異數。
- \bar\Sigma^{-1/2}
- 把 \bar\Sigma 映為單位矩陣的白化變換。
- \tilde\Sigma_i
- 重新置中後的共變異數，可跨場次比較。
經過黎曼重新置中後，靜息狀態每天都落在相同的位置。
對深度網路而言，領域對抗訓練促使編碼器產生連領域分類器都無法區分的特徵——場次或受試者身分被從表徵中洗去，而任務標籤得以保留。一個梯度反轉層在單次反向傳播中實現這個極小–極大。
\min_{f, c}\ \max_{d}\ \mathbb{E}\big[L_{\text{task}}(c(f(x)), y)\big] \;-\; \lambda\,\mathbb{E}\big[L_{\text{dom}}(d(f(x)), s)\big]領域對抗目標：學習對任務有利、卻無助於猜測領域 s（場次／受試者）的特徵。
訓練特徵抽取器既擅長任務、又刻意無法透露資料來自哪個場次或受試者。一個「領域偵探」試圖猜出領域；特徵被訓練去騙過它，只留下與任務相關、對領域不變的資訊。
- f,\ c,\ d
- 特徵抽取器、任務分類器與領域判別器。
- L_{\text{task}}
- 任務損失，我們要將它最小化。
- L_{\text{dom}}
- 領域損失：特徵想最大化它，判別器想最小化它。
- \lambda
- 我們多強力地追求領域不變性。
無論資料來自週一或週五，都能同樣良好地解碼動作的特徵。
穩定化潛在解碼器
來自動力學脈絡的一個有力想法：低維神經流形跨日的穩定性，遠高於定義它的個別單元。一個穩定化潛在空間解碼器利用這種流形穩定性——把今日的潛在空間對齊到一個固定的參考流形，因此即便特定通道時來時去，解碼器仍持續運作，且往往只需極少甚至無需重新標註的資料。
這把整條軌道串在一起：第三份指南的深度潛在模型提供流形，而此處的對齊機制讓它跨時間保持固定——這是本領域最接近「安裝一次便持續運作」的解碼器，也是自我重新校準的近親。
可解釋性與信任
對一個朝臨床應用邁進的解碼器而言，準確率並不足夠——你必須知道它為何正確。可解釋性工具包含遮擋與顯著圖、學到的濾波器視覺化（要看樣式、而非濾波器），以及移除某個可疑特徵、以確認模型確實倚賴神經訊號的消融實驗。
在不自欺下評估
深度模型有更多旋鈕、也有更多洩漏途徑，因此評估紀律更重要、而非更不重要。任何超參數或架構搜尋都要用巢狀交叉驗證；讓每個切分嚴格分離，使正規化、資料增強或受試者重疊都不跨越切分（資料洩漏）；並在反映實際部署的切分上與真實基線比較。
- 只在訓練切分內擬合所有前處理（正規化、ICA、濾波、特徵選擇）。
- 使用巢狀交叉驗證：內圈做模型選擇，外圈給出無偏的效能估計。
- 回報受試者獨立與場次獨立的切分，而不只是同場次內的數字。
- 以排列檢定與隨機水準比較，而非 1/K 的直覺，並同時列出古典基線（FBCSP／黎曼）。