線上限制改變了一切
目前為止的方法大多是離線的：ICA 需要一批資料、剔除試次要跨試次來看、SSP 在校正資料上擬合。閉迴路 BCI 等不了——它必須因果地清理每一個取樣，在毫秒等級的延遲預算內，沒有未來的資料、也沒有人在迴路中。這個限制排除了任何非因果的方法，並偏好非監督、增量且成本有界的方法。因此 線上解碼 使用一套不同、更精簡的工具。
假影子空間重建（ASR）
ASR 是即時 EEG 清理的主力。它學習乾淨資料的統計，接著持續移除暫態的高變異侵入。在一個滑動視窗內，它取通道共變異數的 PCA，並標記任何變異超過由校正設定之閾值的主方向：
\text{reject } c \ \text{ if }\ \operatorname{Var}(y_c) > \big(k\,\sigma_c^{\text{clean}}\big)^2當某成分方向在視窗內的變異超過乾淨校正統計的 k 個標準差時，該方向被剔除。
在乾淨的校正期間，先學會每個訊號方向平常有多吵。上線時，若某方向忽然吵得遠超過此標準，就把它標為假影，並用好的方向重建它。
- \operatorname{Var}(y_c)
- 成分方向 c 目前在視窗內的變異（功率）。
- \sigma_c^{\text{clean}}
- 該方向在乾淨資料上量得的正常標準差。
- k
- 剔除前你能容忍幾個標準差的響度。
- c
- 本視窗中被檢驗的成分方向。
當 k 約為 3，攜帶約 9 倍平常功率的方向就會被移除。這就是假影子空間重建。
被剔除的方向不會被抹平；它們是用校正的混合矩陣、從保留的（乾淨）子空間重建而來，因此輸出保有完整的通道數與維度。截斷值 k 是唯一重要的旋鈕：太小，ASR 會吃掉真正的神經爆發；太大，它就讓假影通過。典型值落在一個中間範圍，最好在保留資料上調校，絕不可在你將報告的資料上調校。
壞通道與線路雜訊
在任何空間方法執行之前，單一個死掉或觸頂的通道就能毒害 共同平均參考 或 ICA。自動壞通道偵測 依與鄰近通道的低相關、極端偏離、過量高頻雜訊，或以 RANSAC 式從其餘導程的預測來標記通道，再由鄰近通道內插補回。對 市電干擾，粗糙的陷波濾波器會在頻譜上鑿出永久的洞——若你研究的正是被鑿掉的那個頻帶就成了問題。頻譜迴歸法（CleanLine／Zapline）則改為估計並相減正弦線路成分，保全其周圍的 頻譜。
刺激假影：讀寫衝突
雙向 與神經調控系統製造出最棘手的假影。一次 DBS 或 ICMS 脈衝比任何神經訊號都大上好幾個數量級，可能使放大器飽和，讓前端有數毫秒的失明。從觸頂的訊號中，任何下游演算法都救不回資訊。分層防禦如下：
- 硬體：快速穩定、高動態範圍的前端，並在可能時使用 DC 伺服／AC 耦合 讓放大器遠離飽和。
- 遮蔽：在脈衝期間斷開或忽略輸入——讀寫交錯 把記錄排程在刺激脈衝之間。
- 相減：利用其定型化的形狀，從殘餘中擬合並移除一個與刺激鎖定的 假影範本。
同樣的範本邏輯也拯救在 MRI 掃描儀內記錄的 EEG：梯度切換誘發一個巨大但高度可重複的假影，因此 平均假影相減 從眾多影像體積估計一個範本並相減，留下底下的 EEG。
流程、可追溯性與過度清理的陷阱
真正的清理是一條流程——壞通道修復、濾波、線路移除、ASR／ICA、重新參考、剔除試次——每一階段都帶著超參數。有兩項紀律讓它保持誠實。其一，可追溯性：記錄每個參數以及被移除的資料／通道比例，因為一條悄悄丟掉 40% 試次的流程，所報告的資料集與它宣稱的並不相同。其二，在校正上擬合、套用到測試：任何在事後會進入評估之資料上估得的統計量（乾淨共變異數、ICA 權重、壞通道清單）都是 洩漏。PREP 精神下的自動化、版本化流程之所以存在，正是為了讓這些選擇明確且可重現。