從第一冊直覺到控制問題
在第一冊你已學到運動皮質活動可以驅動游標。研究所版本的這句話則精確而無情：肢體或游標的運動神經解碼，本質上是動作學參數的連續、即時迴歸，並在一個閉合回饋迴路中執行——使用者持續注視效應器並每秒多次加以修正。這與P300 拼字器那種離散、單次的分類截然不同：這裡沒有可供平均的「試次」，而且你每送出一個估計，都會立刻改變下一刻看到的輸入分布。
基底：我們記錄什麼，它又編碼什麼
當今高效能運動 BCI 建立在對初級運動皮質的皮質內記錄之上，通常使用一個或多個猶他陣列（約 96–192 通道）——這正是BrainGate試驗的基底。實務上，特徵並非費心棘波分類後的單一神經元；閾值穿越計數（未分類的多單元「雜訊」）與多單元頻帶功率通常以低得多的脆弱性，攜帶了幾乎全部可解碼的資訊。
M1 究竟編碼什麼？這段歷史脈絡很重要。早期研究發現神經元具有廣泛的方向調諧——放電率隨伸取方向呈餘弦調諧曲線——這啟發了群體向量解碼器。之後的閉迴路研究發現，對游標控制而言速度是最可靠可解碼的相關量。現代的動力系統觀點則把單一神經元調諧重新詮釋為低維群體動力學的投影——這條線索我們會在前沿章節接續。
f_i = b_{0,i} + \mathbf{b}_i^\top\mathbf{v} = b_{0,i} + m_i\,\lVert\mathbf{v}\rVert\cos\!\left(\theta - \theta_i^{\mathrm{pref}}\right)把餘弦調諧寫成從運動速度到期望放電率的線性映射——這是每一個線性運動解碼器的種子。
把餘弦調諧寫成「基線加上與速度的點積」，就把「神經元對其偏好方向放電」變成一條乾淨的線性方程式——這是每個線性運動解碼器的起點。
- f_i
- 單元 i 的期望放電率。
- \mathbf{v},\ \lVert\mathbf{v}\rVert
- 運動速度與它的大小（速率）。
- \mathbf{b}_i,\ \theta_i^{\mathrm{pref}}
- 單元的方向調諧權重與偏好方向。
- b_{0,i},\ m_i
- 基線放電率與調諧深度。
把這條線性關係在許多單元上反解，你就能從放電率讀回速度——這是餘弦調諧解碼的種子。
把管線看成一個迴路
把整個系統畫一次並牢記於心。每一階段都增加延遲，而回饋迴路中的延遲會犧牲穩定性與吞吐量——一個 20–50 毫秒的時間窗，加上解碼與畫面渲染的延遲，就是使用者必須穿越操控的閉迴路「反應時間」。
- 擷取：從微電極陣列放大並數位化棘波與 LFP。
- 分箱與特徵化：在約 20–50 毫秒的時間窗內計數閾值穿越（或取頻帶功率）。
- 解碼：以解碼器（下一章的卡爾曼濾波器）把特徵映射為意圖動作學參數。
- 驅動：移動游標／手臂；使用者看見結果。
- 修正：使用者調整意圖以消除可見誤差——迴路隨即重複。
為何用速度，為何迴路致勝
兩項設計選擇定義了經典游標 BCI。其一，解碼速度而非位置：速度指令在 M1 中被更直接且穩定地表徵，將其積分為位置也能寬容瞬間誤差。其二，善用迴路：使用者持續提供誤差修正回饋，因此解碼器不必完美——它必須是可操控的。一個略有偏差但可預測的解碼器可被使用者掌握；一個無偏但抖動的解碼器則不能。