從雜訊到結構化干擾
在第一冊你學會了帶通與陷波濾波。當敵人是寬頻熱雜訊時這已足夠。但打開一份真實的 EEG 或 ECoG 檔案，情勢便逆轉：單一次 眨眼 可達 100–200 µV，而你想要的皮質節律只有 5–20 µV。非腦部的內容不會乖乖待在獨立的頻帶裡——一次 肌電 爆發是寬頻的，一個 動作 暫態會與每一種節律重疊。研究所層級的重新框定是：假影 不是要濾掉的「雜訊」，而是要建模並分離的結構化干擾。
以操作型定義來說：假影是任何不源自你所欲量測之神經歷程的紀錄變異。這個定義刻意是相對的——對動作想像解碼器而言，一次掃視是假影，但對眼動研究卻是關注的訊號。什麼算是假影，由你的問題所決定，這也是為何不存在普世的「乾淨」紀錄，只有對某目的而言足夠乾淨的紀錄。
生成式線性混合觀點
幾乎每一種移除方法——迴歸、SSP、ICA、ASR、波束成形——都是單一模型的特例。體積傳導在良好近似下是線性且瞬時的，因此「通道乘以時間」的資料矩陣 \mathbf{X} 是源時間序列 \mathbf{S} 透過由幾何與導電度決定的混合矩陣 \mathbf{A} 所形成的混合。
\mathbf{X} = \mathbf{A}_{\text{brain}}\mathbf{S}_{\text{brain}} + \mathbf{A}_{\text{art}}\mathbf{S}_{\text{art}}每個通道都是神經源與假影源的加權和；清理意味著在不擾動第一項的前提下，估計並移除第二項。
你錄到的其實是一份混合物：每個電極都撿到真實腦訊號與眼動、肌肉、心跳等雜訊的加權混合。清理就是把這兩份混合物拆開，丟掉假影那一半，卻不動到腦訊號那一半。
- \mathbf{X}
- 你實際量到的原始紀錄（通道 × 時間）。
- \mathbf{S}_{\text{brain}},\ \mathbf{S}_{\text{art}}
- 隱藏的神經源與隱藏的假影源（眼、肌肉、心臟）——你真正想直接看到的東西。
- \mathbf{A}_{\text{brain}},\ \mathbf{A}_{\text{art}}
- 混合權重：每個源以多強的程度散布到各個電極。
一次眨眼是一個假影源；它在前額通道很大、在後腦很小——這個空間散布就是 \mathbf{A}_{\text{art}} 的一個行。
這一條方程式整理了整個領域。各方法的差別只在於它們如何掌握 \mathbf{A}_{\text{art}} 或 \mathbf{S}_{\text{art}}：迴歸使用量測到的參考（EOG／ECG）；SSP 與 ICA 從資料估計假影的地形圖（\mathbf{A} 的各行）；ASR 估計一個乾淨的共變異數並剔除違反它的方向。牢記這幅圖像，每種方法就成了同一主題的變奏，而非各自獨立的把戲。
一套實用的分類
依來源分類假影，因為來源預示了你可利用的特徵。生理性：眼動（眨眼、掃視；大、額區、低頻）、肌電（寬頻 >20 Hz，顳肌／頸部）、心臟／脈搏（約 1 Hz，與 ECG 鎖定）、以及 動作（低頻、機械耦合）。環境性：50／60 Hz 及其諧波的 市電線路雜訊，以及電磁干擾。儀器性：電極彈跳、漂移與直流偏移，以及壞通道。介面特有：對閉迴路與 雙向 系統而言，遠大於神經訊號的 刺激假影。
訊號品質是數字，不是感覺
既然假影可量化，殘存的訊號也可量化。主力工具是 訊雜比 及其最重要的槓桿——相干平均：把一個事件重複 N 次並平均，時間鎖定的訊號會強化，而雜訊則部分抵消。
\mathrm{SNR}_{\bar{x}} = \sqrt{N}\;\mathrm{SNR}_{x}平均 N 次重複可使振幅 SNR 提升 √N 倍——這是誘發式 BCI 中最常用的品質槓桿。
把同一個刺激重複很多次再平均：隨機雜訊會部分抵消，而真正的誘發訊號留著不變，因此品質隨重複次數的平方根成長。
- N
- 你拿來平均的重複試次數。
- \mathrm{SNR}_{x}
- 單一試次的訊雜比。
- \mathrm{SNR}_{\bar{x}}
- 平均之後的訊雜比。
- \sqrt{N}
- 增益倍率——平均換來的回報。
平均 100 個試次，訊雜比提升 10 倍；想再翻一倍，得多蒐集 4 倍的試次。
為何解碼器讓賭注更高
在傳統 ERP 研究中，假影多半只是增加變異、耗損統計檢定力。在 BCI 中它能做出更糟的事：若假影與作業相關，特徵 就會帶著它，而 解碼器 會欣然學到它。一個其實在讀額區 肌電 或眼球位置的「腦」拼字器，可以繳出優異的準確率，卻在使用者一停止用力或注視的瞬間崩解。這是穿著實驗衣的 資料洩漏，也是為何假影處理不是最後才做的清潔工作——它是你所提出主張的一部分。