維度問題
游標要求兩個速度；一支伸取—抓握的機械手臂則要求七個以上——三維端點平移、腕部方向與手部開合。你的神經預算（固定的陣列）不會隨自由度增加而成長，因此每增加一個輸出，每自由度的可解碼訊噪比就下降。同時對眾多自由度做動作學解碼，因而是一門明智花用稀缺資訊預算的功夫。
兩個實務手法能挽回可用性。解碼一個低維指令（端點速度加一個抓握純量），而非每一個關節角度；並沿用第二章整套速度卡爾曼機制，只是換成更高維的狀態。
共享與輔助控制
當神經訊號無法乾淨地指定所有自由度時，就讓機器幫忙。共享（輔助）控制把解碼意圖與自主性混合：電腦視覺辨識出馬克杯、伸取—抓握規劃器提供平滑軌跡，而使用者的神經指令主要負責挑選目標與時機。這以犧牲部分直接控制換取可靠度的大幅提升——手臂仍做使用者想做的事，卻用少得多的即時神經頻寬。
抓握與手部狀態
抓握解碼可用兩種方式處理：作為折入動作學狀態的連續開合訊號，或作為由分類器選定、再由效應器執行的離散握型（力握、捏取、鑰匙握）。離散握型模式穩健且易於觸發；連續開合更具表達力但更嘈雜。實際系統常將兩者結合——先分類握型，再連續調節其開合度。
溝通 BCI：手寫勝過點選
就溝通而言，靠指向來拼字的游標受限於費茲定律吞吐量。突破在於放棄游標：直接解碼嘗試的手寫。一個RNN把神經時間序列映射為筆尖動作學參數，或直接映射為字母機率串流；CTC損失把棘波對齊到字元，而無須逐字母的邊界。由於每個意圖字母是一個豐富且具時間結構的手勢、而非緩慢瞄準的移動，字元速率遠超過點選。
\mathrm{ID} = \log_2\!\left(\frac{D}{W} + 1\right), \qquad \mathrm{TP} = \frac{\mathrm{ID}}{\mathrm{MT}}\ \ (\mathrm{bits/s})費茲難度指數與吞吐量限制了指向式拼字器；手寫把每個符號變成快速手勢，從而繞過此上限。
目標越遠或越小，指向它就越難；費茲難度指數以位元捕捉這一點，除以移動時間便得到每秒位元的吞吐量。手寫把每個字母變成一個快速手勢，藉此繞過這個速度上限。
- \mathrm{ID}
- 難度指數，以位元計。
- D,\ W
- 到目標的距離與目標的寬度。
- \frac{D}{W}
- 任務越難，這個比值越大。
- \mathrm{TP} = \frac{\mathrm{ID}}{\mathrm{MT}}
- 吞吐量：每單位移動時間所完成的難度。
又遠又小的目標（D/W 很大）有高 ID；而你的動作速度有限，因而限制了吞吐量——這就是費茲定律。
把神經解碼器與迴路中的語言模型搭配，錯誤率會再度下降：解碼器提出帶雜訊的字元機率，語言模型再把它們重塑為可能的詞。誠實地說：目前展示過的最快溝通速率確實可觀，但都是由少數植入受試者在專家校準下達成——尚非現成即用的能力。
高自由度控制的限制
靈巧度的上限由訊噪比、自由度之間的耦合、隨輸出維度成長的校準負擔，以及——關鍵地——本體感覺的缺席所決定。在沒有肢體位置感的情況下伸取，迫使使用者僅透過視覺閉合迴路，既緩慢又耗費注意力。恢復這份缺失的回饋，正是雙向 BCI 的故事，將在姊妹軌中展開。