從微伏到數字
想像你要在嘈雜的體育場裡聽清一個人的輕聲細語。這大致就是腦機介面面對的挑戰。你的神經元產生的電訊號非常微弱——以微伏（百萬分之一伏特）來衡量——而周遭的世界卻充滿了電雜訊。電腦要利用這些訊號，它們必須先走過一段叫做擷取鏈的旅程。
這條鏈有三項大任務。第一是放大：把微弱的訊號提升到高於雜訊底線。然後是取樣：每秒測量許多次，就像電影畫面把運動的場景定格。最後是數位化：把每次測量轉換成一個離散的數字。到最後，一道平滑起伏的電壓就變成了一串數字——這是腦機介面後續一切工作的原料。
放大
頭皮 EEG 訊號往往只有幾十微伏——小到無法直接測量。所以鏈條上的第一個元件就是放大器：一種專門用來把訊號放大的電子元件。它放大的倍數叫做增益。比如增益為 10000，就能把 20 微伏的輕聲變成 0.2 伏的訊號，系統其餘部分就能輕鬆處理了。
但放大器忠實得有點過頭：它放大雜訊的勁頭和放大你的腦訊號一樣足。這時阻抗——電極與皮膚的連接對電流流動的阻礙程度——就在悄悄起作用。高阻抗、貼合不良的電極會讓雜散干擾滲入，與真實訊號一起被放大，產生訊號偽影。把阻抗保持在低位（清潔皮膚、用好導電膏或導電膠、接觸緊密）是獲得更乾淨記錄最簡單的辦法之一。
取樣與奈奎斯特法則
放大之後，訊號仍然是一道平滑、連續變化的電壓。電腦無法儲存無限平滑的東西，於是它會採集樣本——在等間隔的時刻給電壓拍快照。每秒的快照數量就是取樣率，以赫茲（Hz）為單位。可以把它想像成給旋轉的車輪拍攝：每秒幀數夠多，運動看起來就正常；幀數太少，車輪就可能看起來緩慢爬行、靜止不動，甚至倒轉。
車輪倒轉的錯覺，在訊號記錄中有一個嚴肅的近親，叫做混疊：如果取樣太慢，腦訊號裡的一段快速擺動就會偽裝成一段緩慢的，事後你再也無法把它們區分開。解決辦法是工程師哈里·奈奎斯特和克勞德·夏農發現的一條簡單法則：你的取樣速度必須至少是你所關心的最高頻率的兩倍。
f_s >= 2 x f_max # f_s = sampling rate (samples per second, Hz) # f_max = highest frequency in the signal you want to keep # Sample at least twice the fastest frequency, or it aliases.
量化與解析度
取樣決定你*何時*測量；量化決定你把每次測量記錄得*多精細*。電腦以離散的台階儲存數字，所以每個快照處那道平滑的電壓會被四捨五入到最接近的台階——就像讀溫度只讀到最接近的整數度。台階的數量由轉換器使用多少位元決定：每多一個位元，台階數就翻一倍。8 位元轉換器提供 256 個等級；16 位元轉換器提供 65536 個。
位元越多意味著解析度越細——四捨五入的誤差更小，於是腦訊號中那些微妙的細節得以保留，而不會被抹平。由於 EEG 的特徵可能極其微小，腦機介面系統通常使用 16 到 24 位元，能捕捉遠小於一微伏的電壓差異。當放大、取樣和量化全部完成，大腦那微弱的電學低語終於變成了一串乾淨的數字，為接下來的解碼步驟做好了準備。