為何單一通道會說謊
在第一冊你已學到：頭皮電極並不會只記錄「它底下那塊」皮質。由於體積傳導，每一個 EEG 通道上的電位，都是許多遠近源被抹散、衰減後的加總。用形式化的語言說，感測器向量是一組數目較少的源時間序列的線性瞬時混合。
\mathbf{x}(t) = \mathbf{A}\,\mathbf{s}(t) + \mathbf{n}(t)正向混合模型：C 個量測通道 x(t) 等於混合矩陣 A 乘上源活動 s(t)，再加上雜訊。
每個電極接收到的是多個腦源經體積傳導抹開後的混合——所以單一通道並不等於「某一腦區」。記錄等於混合矩陣乘上真實源再加上雜訊；空間濾波的存在正是為了還原這種混合。
- \mathbf{x}(t)
- 時間 t 的量測通道。
- \mathbf{A}
- 混合矩陣——源如何擴散到感測器上。
- \mathbf{s}(t)
- 底層真實的源活動。
- \mathbf{n}(t)
- 加成性雜訊。
\mathbf{A} 的每一行是某一個源在頭皮上的印記。由於這些印記彼此重疊，沒有任何單一通道能分離出一個源；而參考電極的選擇又進一步把訊號抹散，這正是再參考問題。解方不是更好的電極，而是更好的電極組合。
空間濾波器就是一個列向量
y(t) = \mathbf{w}^{\top}\mathbf{x}(t) = \sum_{i=1}^{C} w_i\, x_i(t)空間濾波器 w 以每一瞬間的加權和，把 C 個通道壓成一條虛擬通道 y(t)。
空間濾波器不過是一組通道權重：把每個通道乘上它的權重再相加，就得到一條強調你所在意型樣的「虛擬通道」。這裡幾乎每個方法本質上都在講如何把這些權重選好。
- \mathbf{w}
- 濾波器權重——每通道一個。
- \mathbf{x}(t)
- 瞬間 t 的通道向量。
- y(t)
- 所得的虛擬通道輸出。
- \sum_i w_i x_i(t)
- 跨通道的加權和。
這個單一的內積，就是整條軌道的核心思想。一個空間濾波器 \mathbf{w} 以通道的加權和建構出一條虛擬感測器；一整個矩陣 \mathbf{W} 則建構出一組濾波器。後面所有方法——CSP、ICA、波束成形器——不過是用不同原則來選擇 \mathbf{W}：最大化類別差異、最大化獨立性，或在某個約束下最小化輸出功率。
型樣與濾波器：詮釋的陷阱
文獻中最常見的單一錯誤，就是把濾波器的權重當成腦圖來讀。\mathbf{W} 中的一列濾波器告訴你如何萃取一個成分；\mathbf{A} 中的一行型樣則告訴你該成分如何反投影回頭皮。只有型樣具有神經生理上的可詮釋性。這就是型樣與濾波器之分；混淆兩者甚至會使一個源的表觀位置反轉。
\mathbf{a} = \frac{\Sigma_{x}\,\mathbf{w}}{\mathbf{w}^{\top}\Sigma_{x}\,\mathbf{w}}Haufe 轉換由濾波器 w 與資料共變異數還原出可詮釋的激活型樣 a——要畫的是它，而不是 w。
濾波器的權重並不是腦圖——大權重可能只是在抵消雜訊。要看出訊號實際來自何處，就用資料共變異數把濾波器轉成它的激活型樣。要畫的永遠是型樣，而不是原始濾波器。
- \mathbf{a}
- 可詮釋的激活型樣。
- \mathbf{w}
- 空間濾波器。
- \Sigma_x
- 資料共變異數矩陣。
- \mathbf{w}^{\top}\Sigma_x\mathbf{w}
- 濾波器輸出的變異數——一個純量正規化因子。
你早已在用的固定空間濾波器
第一冊的兩個主力其實都是權重固定、與資料無關的空間濾波器。共平均參考（CAR）減去所有通道的平均；表面拉普拉斯減去局部鄰域的平均，近似電流源密度，並作為一個強調表淺、聚焦源的空間高通濾波器。
x_i^{\mathrm{CAR}}(t) = x_i(t) - \frac{1}{C}\sum_{j=1}^{C} x_j(t) \qquad x_i^{\mathrm{Lap}}(t) = x_i(t) - \sum_{j\in\mathcal{N}_i} h_{ij}\,x_j(t)CAR（左）與最近鄰表面拉普拉斯（右），其鄰域權重 h 總和為一。
兩者都只是你從不必去學的某個 \mathbf{W} 的特定列。這條軌道接下來要做的，就是把這些手選的權重換成由資料本身估計的權重——這更強大，也更危險。
共變異數是共通貨幣
幾乎每一種資料驅動的空間方法，最終都化約為對 C\times C 的空間共變異數矩陣的運算——它精簡地摘要了通道如何一起變動。CSP 對兩個共變異數作對角化；ICA 對一個作白化；波束成形器則對一個求逆。掌握它的估計，就掌握了這條軌道。