循環神經網路解碼器

循環神經網路解碼器——最常見的是長短期記憶（LSTM）或閘控循環單元（GRU）網路——把神經訊號視為序列處理，維持一個隱藏狀態，跨時間步攜帶時間脈絡。在皮質內運動與語音 BCI 中，它們以可學習的非線性時間模型取代線性卡爾曼濾波器的固定一階動力學，捕捉線性狀態空間模型無法掌握的較長程依賴（一次伸手的緩慢演變，或音素間的協同發音）。

RNN 在約 2019 至 2021 年間主導了語音與手寫 BCI 的成果，並在延遲預算不允許 transformer 偏好的大脈絡窗時仍具競爭力。其弱點是典型的幾項：序列式運算限制平行化、長序列上的梯度脆弱，而對 BCI 尤為關鍵的是，當輸入分布跨日漂移時它們可能悄然失準，因此通常搭配再校準或線上正規化。