重新校準之稅
經典的狀態空間解碼器假設今日擬合的參數 C, Q 明日仍然成立。並非如此。電極位移、調諧漂移，神經元也會在數日間出現與消失——神經非平穩性與訊號漂移。實務上這迫使多數時段一開始都要重做一段校準：每天耗費使用者數分鐘，裝置才可用。減少或消除這道重新校準之稅，是當前許多運動 BCI 研究的核心目標。
潛在動力學：學習出來的狀態空間模型
與其手工指定餘弦調諧與線性動力學，不如讓資料來指定它們。像 LFADS 這類模型擬合一個低維的潛在狀態，配上非線性、學習而得的動力學與卜瓦松讀出，推論出一條能解釋整群放電的平滑神經軌跡。這是把運動皮質的動力系統觀點做成了解碼器。
穩定化的潛在空間解碼器
對抗重新校準之稅的關鍵實證洞見：雖然個別神經元會漂移，但整群所處的低維流形在時間上穩定得多。穩定化的潛在空間解碼器會把每天的活動對齊到一個固定的參考潛在空間（一種無監督、僅數秒的對齊），使單一凍結的解碼器能跨越數月持續運作，而無需重做有監督校準。
離散與切換狀態
並非所有意圖都是連續的。點擊對閒置、休息對伸手、一個音素對下一個——這些是離散模式。隱馬可夫模型解碼這類類別狀態，而切換狀態空間模型則同時做兩件事：一個離散模式變數選擇哪套連續動力學正在作用，使解碼器能夠、比方說、乾脆地保持靜止，再平順地伸手。這種混合在高效能系統中日益普遍。
離線黃金標準：平滑
濾波器只用過去。對於離線分析——標註訓練資料、進行基準測試，或為 ReFIT 建立意圖目標——你也可以動用未來。RTS 平滑器先讓卡爾曼濾波器向前運行，再做一次向後傳遞，把每個估計與其後發生的事融合，得到變異數更低的估計。它並非即時（需要未來的樣本），但對於任何不在控制迴路中的用途，它是黃金標準的狀態估計。
\hat{x}_{k \mid N} = \hat{x}_{k \mid k} + J_k\big(\hat{x}_{k+1 \mid N} - \hat{x}_{k+1 \mid k}\big), \qquad J_k = P_{k \mid k}\,A^{\top} P_{k+1 \mid k}^{-1}RTS 向後遞迴以領先一步的平滑估計，修正每一個濾波估計。
離線時你能看到整段紀錄，所以可以用未來的資訊來精修每一刻的估計。向後掃描，用領先一步的平滑估計修正每個濾波估計。這能給出最佳的重建。
- \hat{x}_{k \mid k}
- 向前濾波的估計，只用過去與現在。
- \hat{x}_{k \mid N}
- 平滑估計，使用整段紀錄。
- J_k
- 把現在與未來估計連起來的平滑增益。
- \hat{x}_{k+1 \mid N} - \hat{x}_{k+1 \mid k}
- 回饋一步的未來修正量。
RTS 平滑器是離線的黃金標準——即時情境無法使用，因為它需要未來的資料。
誠實的未解問題
這個領域有真正困難、尚未解決的問題。重新校準能否歸零——跨越數月與硬體失效、對每位使用者都穩健地做到？不確定性該如何用於安全——當解碼器沒把握時，何時該拒絕移動手臂？我們如何統一連續動作學、離散意圖與語言模型先驗於單一估計器之中（語音 BCI 軌道極度倚賴這一點）？以及在不對每位受試者重訓練的前提下，這一切能推廣到多遠——跨越不同的人、任務與日子？狀態空間思維給了提出這些問題的語彙；回答它們，正是當前的研究前沿。