從第一冊的特徵到共變異數矩陣
在第一冊裡，你解碼動作想像的做法是：對感覺運動節律做帶通濾波、學習CSP空間濾波器、取濾波後各通道的對數變異數，再送進 LDA。這條流程可行，但它是一連串經過調校、依賴類別的選擇：選哪個頻帶、哪些濾波器、幾個、如何正則化。本路徑改以一個「幾何優先」的單一物件重建動作想像解碼，而這個物件其實默默地包含了上述一切。
這個物件就是一段試次的空間共變異數矩陣。給定一段帶通濾波後的資料片段 X \in \mathbb{R}^{n \times N}（n 個通道、N 個時間取樣點），它的樣本共變異數摘要了整段試次中每一對電極如何共同變動。
C = \frac{1}{N-1} X X^{\top}, \qquad C \in \mathbb{R}^{n \times n}, \; C = C^{\top}, \; C \succ 0一段帶通濾波試次的樣本空間共變異數——對稱，且（在取樣點足夠時）正定。
陷阱：把共變異數當成向量
最直覺的做法是把 C 攤平成一個 n^2 維向量（或它 n(n+1)/2 個上三角元素），再像對待任何其他特徵一樣用歐氏距離與算術平均。距離與平均正是每個分類器所需的兩項運算——最近平均、LDA、k-NN 全都要用。於是問題來了：兩個共變異數矩陣之間，直線的歐氏距離真的是那個「對」的距離嗎？
\delta_E(C_1, C_2) = \lVert C_1 - C_2 \rVert_F = \Big( \sum_{i,j} (C_1 - C_2)_{ij}^2 \Big)^{1/2}歐氏（Frobenius）距離把矩陣看成一袋攤平的數字——它完全無視正定這項約束。
比較兩個共變異數矩陣最天真的方法，就是逐元素相減、量剩下多少。但這把矩陣當成一袋攤平的數字，忽略了共變異數其實住在一個彎曲的曲面上。
- \delta_E(C_1, C_2)
- 兩矩陣之間的歐氏（Frobenius）距離。
- C_1, C_2
- 被比較的兩個共變異數矩陣。
- \lVert \cdot \rVert_F
- Frobenius 範數：各元素平方和的平方根。
它快速又熟悉，但如下一個區塊所示，它會扭曲平均並使變異數向上偏。
答案是否定的，有兩個具體理由。其一，對稱正定（SPD）矩陣構成一個開放的凸錐，而非完整的向量空間：把兩個相減，你可能落到錐體之外（得到一個不定矩陣，根本不是合法的共變異數）。其二，歐氏平均會出現膨脹效應（swelling）——它的行列式（可視為總變異數／訊號功率的代理量）會被抬高到超過真正的幾何平均，於是歐氏平均後的共變異數看起來會比任何產生它的試次都「更響亮」，這是人為的假象。
\det\!\Big( \tfrac{1}{2}(C_1 + C_2) \Big) \; \ge \; \sqrt{\det C_1 \, \det C_2} \; = \; \det(G)膨脹效應：歐氏中點的行列式超過幾何平均 G 的行列式——這是表觀變異數上一種系統性的向上偏差。
用攤平的方式平均兩個共變異數矩陣會膨脹表觀的分散度：直線中點的行列式（體積）總是大於真正的幾何平均。這種內建的偏差稱為膨脹效應。
- \det(\cdot)
- 行列式——總變異數或體積的度量。
- \tfrac{1}{2}(C_1 + C_2)
- 兩矩陣攤平的歐氏平均。
- G
- 幾何平均——正確、不膨脹的中點。
在兩個拉長的橢圓之間內插，除非改用幾何平均，否則歐氏中點會鼓成比任一端點都胖。
流形的觀點
解法是別再假裝空間是平的。所有 n \times n 的 SPD 矩陣構成一個光滑、彎曲的黎曼流形：在這個曲面上，距離是沿著停留在曲面上的最短曲線（測地線）來量測，而不是沿著會穿越禁區的直線弦。在這個流形上，平均會順著曲率走，膨脹效應也隨之消失——幾何平均正是最自然的中心。
讓這番工夫值得的唯一關鍵性質，是仿射不變性——下一篇會完整推展：若所有共變異數都被同一個可逆的感測器線性變換所映射，這個自然的流形距離不會改變。重新參考 EEG、重新縮放通道增益、讓電極通過某個未知的導程場（lead field）混合——幾何都渾然不覺。而這種不變性，正是一個埋在「場次之間、受試者之間」擾動變異底下的訊號所迫切需要的，也正是黎曼方法能遷移的原因。
本路徑將建立的內容
接下來四篇要開展的收穫是：一個幾乎沒有超參數的解碼器（第三篇的 MDM）、一條在流形特徵上釋放完整機器學習工具箱的途徑（切空間技巧），以及藉由重新置中流形而幾乎免費的跨場次、跨受試者遷移（第四篇）。第五篇則帶你走到研究前沿——具幾何意識的神經網路、其他度量，以及這套典範誠實的極限。