頻譜不全是節律
幾乎每個神經頻譜最大的特徵都不是峰，而是斜率：大致以 1/f^{\chi} 衰減的寬頻功率。這個非週期性分量長期被當成「背景雜訊」，但其指數 \chi 追蹤有意義的生理——一般認為它反映興奮與抑制電流的平衡，並隨年齡、清醒程度、麻醉與任務而變。
L(f) = b - \log_{10}\!\big(k + f^{\chi}\big)對數–對數空間中的非週期性模型：偏移 b、拐點 k、指數 χ（頻譜斜率）。
腦電圖頻譜並非全是振盪——還有一段以類似 1/f 的方式隨頻率下降的背景。在對數–對數座標下它變成一條簡單曲線，帶有偏移、彎折（拐點）與斜率。把它單獨建模，能避免你把背景誤認為真正的節律。
- L(f)
- 頻率 f 處非週期性背景的對數功率。
- b
- 偏移——背景的整體高度。
- k
- 拐點——斜率轉折之處。
- \chi
- 指數——頻譜斜率。
把頻譜參數化
頻譜參數化（specparam，舊稱 FOOOF）把頻譜擬合成一個非週期性分量加上少數幾個高斯「峰」。每個峰——中心頻率、頻寬，以及高於非週期性地板的功率——就是你站得住腳的節律測度。非週期性指數本身則成為一個獨立的應變量。
\hat{L}(f) = \underbrace{b - \log_{10}(k+f^{\chi})}_{\text{aperiodic}} \;+\; \sum_{j} \underbrace{a_j\,\exp\!\Big(\!-\frac{(f-\mu_j)^2}{2\sigma_j^2}\Big)}_{\text{oscillatory peaks}}specparam：非週期性項加上代表真正振盪的高斯峰。
完整的頻譜模型：帶斜率的非週期性背景，加上幾個代表真正振盪峰的高斯凸起。把兩者一起擬合，能讓你分辨「這是真節律嗎？」與「這只是背景嗎？」。
- \hat{L}(f)
- 所建模的對數頻譜。
- b-\log_{10}(k+f^{\chi})
- 非週期性背景項。
- a_j
- 振盪峰 j 的高度。
- \mu_j,\,\sigma_j
- 該峰的中心頻率與寬度。
- 先估一張乾淨的頻譜（多錐或 Welch）——參數化會繼承你估計器的偏誤。
- 擬合並扣除非週期性分量；報告 \chi 與偏移。
- 報告每個剩餘峰的中心、頻寬與相對功率——絕不要只報絕對頻帶功率。
節律是叢發，不是節拍器
第二個觀念轉變：試驗平均後的頻譜暗示平滑、持續的節律，但單試驗資料常顯示 beta 與 gamma 是以短暫、高功率的叢發形式出現。把功率跨試驗平均，會把間歇的叢發變成一個幻影般的連續節律。「beta 功率」究竟指叢發發生率、振幅還是持續時間，會同時改變生理與最佳 BCI 特徵。
應用：SSVEP 頻率標記
現在來到回報。穩態視覺誘發電位是從頻譜讀出注意力最乾淨的方式：讓數個目標以不同頻率閃爍，枕葉頻譜就會在使用者所注視的那個頻率上長出一個銳利的峰（伴隨諧波）。解碼本質上就是「此刻哪個被標記的頻率功率最大」——把本學習線所有的估計機器化為一個快速、幾乎免校準的 BCI。
SSVEP 拼字器是現存資訊傳輸率最高的 BCI 之一，在條件良好的受試者身上可達每分鐘一百多位元——遠高於P300或運動想像拼字器——因為每次選擇攜帶許多位元，而且只需一兩秒估得好的頻譜。
CCA、TRCA 與前沿去向
最先進的 SSVEP 解碼器不是原始頻譜，而是空間–頻譜濾波器。典型相關分析（CCA）在每個候選頻率及其諧波上，找出與一組正弦–餘弦參考訊號最相關的通道線性組合；而任務相關成分分析（TRCA）則從校準資料中學出使跨試驗可重現性最大化的空間濾波器，捕捉受試者特有的 SSVEP 拓撲與相位。
\rho_k = \max_{w_x,\,w_y} \frac{w_x^{\top} S_{XY}\, w_y}{\sqrt{w_x^{\top} S_{XX}\, w_x}\;\sqrt{w_y^{\top} S_{YY}\, w_y}}, \qquad \hat{k} = \arg\max_k \rho_k各候選頻率 f_k 的 CCA：取與 EEG 相關最大者為判定。
對於閃爍式 BCI，典型相關問的是：哪個閃爍頻率的參考訊號最能與所量測的腦電圖相符。它找出使兩者相關最大的空間與參考權重，勝出的頻率就是你解碼出的選擇。
- \rho_k
- 在候選頻率 f_k，腦電圖與參考之間的最佳相關。
- w_x,\,w_y
- 為最大化相關而選取的權重向量。
- S_{XY},\,S_{XX},\,S_{YY}
- 腦電圖與參考的交叉及自共變異數。
- \hat{k}
- 被選定的頻率——具最大 \rho_k 者。
開放的前沿正是我們一路仰賴的那些假設。真實頻譜是非定態的，因此更快的拼字器需要追蹤式估計器與更短的視窗；非週期性分量是有前景但仍在成熟中的生物標記，其估計高度依賴底層的頻譜估計器；而跨頻與連結性測度說實話仍是算起來容易、詮釋起來難。整條學習線的主軸是：一個頻譜數字的可信度，頂多等於其背後的估計器與替代檢定的可信度。