MoBI：當身體成為實驗的一部分
傳統實驗室之所以把受試者固定不動，正是為了把身體排除在記錄之外。行動腦體造影（MoBI）反其道而行：它在人們走動、伸取與互動時，同時記錄腦、身體與行為，因為認知真正發生之處正在此。代價是每個動作都注入假影，於是 MoBI 迫使你把假影處理視為量測的核心，而非只是前處理的衛生工作。
假影動物園與如何清理
真實世界的 EEG 承載一整群非腦訊號：來自眨眼與掃視的眼動電位、來自下顎與頸部肌肉的肌電、心臟與脈搏假影，以及電極在頭皮上位移產生的寬頻運動假影。有些比神經訊號還大。清理主要靠兩員大將。獨立成分分析把記錄解混成各個成分，讓你減去被判定為眼或肌的那些。假影子空間重建（ASR）學習乾淨校準資料的共變異，並逐一取樣地偵測、重建超出範圍的爆發——很適合運動所產生的短暫、高振幅假影。
非平穩性是另一個問題
即使清理過後，訊號的統計量仍會改變。神經非平穩性與日常漂移意味著解碼器在週二看到的特徵分布，並非它在週一受訓時的那個。以形式化的說法，這就是協變量偏移：輸入分布改變，而輸入與意圖之間的關係卻假定不變。對訓練分布最佳的解碼器如今產生偏差，準確率在沒有任何東西「壞掉」的情況下下滑。
協變量偏移，日常非平穩性的形式骨架：只有輸入分布 p(x) 漂移。這正是那個容許「輸入端修正」——重新對齊特徵——而非重新標註資料的假設。
對齊：讓各時段看起來相似
最穩健的真實世界修正，是對齊各分布，而非從頭重訓。黎曼方法把每一次試驗視為對稱正定矩陣彎曲流形上的一個共變異矩陣；黎曼再置中以各時段自身的參考均值做白化，使不同日子在解碼前先被移到共同原點。這一步簡單、無監督，卻吸收了大部分跨時段偏移，也是黎曼對齊與遷移學習如今成為跨時段 BCI 標準做法的重要原因。
左式：再置中以各時段的參考均值 C̄ 對該時段的共變異 C_i 做白化，抵消共同偏移。右式：用來比較共變異的仿射不變黎曼距離；它對線性混合的不變性，正是使對齊對感測條件變化保持穩健的原因。
當漂移在單一時段內持續發生，測試時適應會用未標註的即時資料在線上更新解碼器（或其正規化統計量），而考慮協變量偏移的訓練則刻意讓模型見識多樣條件以利泛化。主旋律是與世界共同適應：假設訊號會移動，並把「移動標的」的假設內建進方法裡，而非以每日重新校準與之對抗。