資訊傳輸率
光看準確率無法比較「快而易錯」與「慢而精準」的拼字器。資訊傳輸率（ITR）把 BCI 建模為一個含噪通訊通道，將準確率、選項數與每次選擇的時間，摺合成單一的位元／分鐘數值。
B=\log_2 N+P\log_2 P+(1-P)\log_2\!\frac{1-P}{N-1}Wolpaw 每次選擇位元數，對 N 個等機率目標、準確率 P。當 P=1 為 \log_2 N；當 P→1/N 降至 0。
一次選擇能攜帶多少資訊，取決於選項有幾個、以及你答對的頻率。完美準確率給出完整的 \log_2 N 位元；純瞎猜則給出 0。
- N
- 可能的目標數。
- P
- 準確率——選擇正確的機率。
- B
- 每次選擇傳遞的資訊位元數。
4 個目標、100% 準確率時 B 為 2 位元；當準確率降到 25% 就掉到 0。它接著餵入資訊傳輸率。
\mathrm{ITR}=B\cdot\frac{60}{T_{\text{sel}}}\quad[\text{bits/min}]每次選擇位元數乘以選擇速率，得到位元／分鐘的吞吐量——比較系統時該引用的數字。
把每次選擇的位元數乘以每分鐘的選擇次數，就得到系統真正的通訊速度——比較各 BCI 時該用的公平數字。
- B
- 每次選擇的資訊位元數。
- T_{\text{sel}}
- 完成一次選擇所需的秒數。
- \mathrm{ITR}
- 以位元／分鐘計的吞吐量。
每 4 秒 2 位元，即每分鐘 30 位元。
ITR 的但書
ITR 是一個模型，而其假設經常被打破。它假設一個無記憶通道、準確率平穩、目標等機率且獨立、且無法從脈絡獲益。真實拼字器四者皆違反——語言模型會利用字母統計、錯誤會叢集、使用者會停頓。兩個 Wolpaw ITR 相同的系統，用起來的感受可能完全不同。
讀懂解碼器：表徵分析
高 ITR 只告訴你解碼器能運作，卻不說它學到了什麼。表徵相似性分析（RSA）不動分類器就能打開黑盒子：建立一個表徵相異矩陣（RDM）——每對條件之神經反應樣式間的兩兩距離——再把它與某個關於底層編碼之候選模型所預測的 RDM 相關聯。
d_{ij}=1-\operatorname{corr}\big(\mathbf r_i,\mathbf r_j\big),\qquad r_{\mathrm{RSA}}=\operatorname{corr}\big(\mathrm{RDM}_{\text{neural}},\ \mathrm{RDM}_{\text{model}}\big)RDM 元素為樣式相異度；RSA 分數為神經與模型相異結構之間的相關。它比較的是幾何而非原始活動，故能跨實驗與跨受試者存活。
與其比較原始腦活動，不如比較哪些情境彼此相似、哪些不同的樣式。若腦與某模型把相同的情境歸在一起，它們就共享一種表徵——比的是幾何，而非原始訊號。
- \mathbf r_i
- 情境 i 所誘發的活動樣式。
- d_{ij}
- 情境 i 與 j 之間的相異度（1 減去它們的相關）。
- \mathrm{RDM}
- 所有配對相異度構成的完整表格。
- r_{\mathrm{RSA}}
- 神經與模型相異度表格之間的相關。
因為比的是幾何，RSA 能跨實驗場次、甚至跨受試者存活。
RSA 把解碼重新框定為關於幾何的問題：解碼器所利用的結構，是任務相關模型所預測的那個，還是假影驅動的捷徑？它把深度解碼器的可解釋性接上古典的模型比較邏輯，也是通往鄰軌群體動力學觀點的橋樑。
開放問題
統計解碼的前沿，不是在固定資料集上做出更好的分類器——那問題大致已解決。它是跨時間的穩定性。神經非平穩性與共變量偏移意味著週一凍結的解碼器到週五就退化，因此真正的研究標的是無需每日監督設定、就能追蹤漂移的重新校準與自適應解碼。
第二個前沿是資料稀缺。由於校準昂貴又非平穩，致勝策略是跨實驗、跨受試者、跨資料集借力：遷移學習、領域適應，以及近期朝神經基礎模型的推進——在大量無標籤語料上預訓練、再對每位使用者微調。這類模型是真的泛化、還是只記住了資料集的怪癖，正是第 3、4 篇的驗證紀律所要——誠實地——裁定的問題。