分類器丟棄了時間
在第一冊中，你學會用靜態分類器把一段神經特徵視窗對應到一個標籤或伸手方向。對於離散選擇——挑一個字母、選一個目標——這完全正確。但要流暢、連續地控制游標或機械臂就不同了：你在時刻 k 所解碼的狀態，與 k-1 的狀態緊密相連。速度是平順的、肢體具有慣性、意圖也不會瞬間跳躍。逐視窗的分類器把每個瞬間都當成獨立的猜測，因而丟棄了這種結構，這正是為何天真的連續解碼器看起來抖動且遲滯。
狀態空間模型的兩條方程式
一個狀態空間模型由兩條方程式寫成。狀態（過程）方程式描述隱藏的動作學狀態 x_k（比如位置與速度）如何演化；觀測方程式則描述神經量測 y_k（放電率或頻帶功率特徵）如何反映該狀態。
x_k = A\,x_{k-1} + w_k, \qquad y_k = C\,x_k + v_kA 為動力學（轉移）矩陣，C 為觀測（調諧）矩陣；雜訊為高斯分布，w_k ~ N(0, W) 與 v_k ~ N(0, Q)。
兩條規則描述整個系統：隱藏狀態（比方說想要的游標速度）如何一步步演變，以及該狀態如何顯現在神經紀錄裡。之後的一切都是從含噪觀測推回隱藏狀態。
- x_k
- 時間 k 的隱藏狀態，例如想要的速度。
- A
- 動力學（轉移）矩陣——狀態如何向前延續。
- C
- 觀測（調諧）矩陣——狀態如何映射到神經訊號 y_k。
- w_k,\ v_k
- 高斯的過程雜訊與量測雜訊。
這就是游標控制 BCI 背後的狀態空間模型。
把這兩條方程式讀成兩種信念。A 與 W 編碼了關於狀態如何運動的先驗——一個意圖的物理模型。C 與 Q 則編碼了一個似然，即編碼模型，描述神經元對特定動作如何反應。狀態空間解碼所做的一切，都是有紀律地結合這兩種信念。
遞迴貝葉斯估計
我們真正想要的量，是在至今每一筆量測之下、對於狀態的後驗 p(x_k \mid y_{1:k})。遞迴貝葉斯估計以兩個交替步驟計算它：預測（把前一刻的後驗推過動力學，使之擴散）與更新（乘上新量測的似然並重新歸一化，使之收斂變窄）。
\begin{aligned} \text{predict:}\quad & p(x_k \mid y_{1:k-1}) = \int p(x_k \mid x_{k-1})\,p(x_{k-1} \mid y_{1:k-1})\,dx_{k-1} \\ \text{update:}\quad & p(x_k \mid y_{1:k}) \propto p(y_k \mid x_k)\,p(x_k \mid y_{1:k-1}) \end{aligned}貝葉斯濾波：先做預測積分（Chapman–Kolmogorov），再做貝葉斯法則的修正。
以兩步驟追蹤對隱藏狀態的信念（一個機率）：先預測它下一步移到哪，再用新的量測修正這個猜測。每個時間步都重複。
- p(x_k \mid y_{1:k-1})
- 看到 y_k 之前的預測信念。
- p(x_k \mid y_{1:k})
- 看到 y_k 之後的更新信念。
- p(x_k \mid x_{k-1})
- 驅動預測積分的動力學模型。
- p(y_k \mid x_k)
- 似然——某狀態把資料解釋得多好。
這就是遞迴貝葉斯估計；卡爾曼濾波是它在線性高斯下的特例。
此遞迴是精確的，但一般而言那個積分難以計算。本軌道中形形色色的解碼器，都是讓它變得可計算的不同手段：在線性高斯假設下，後驗永遠保持高斯，遞迴便收斂為卡爾曼濾波器；若狀態是離散的，你得到隱馬可夫模型；若它是非線性或非高斯的，你就會用上粒子濾波器。
即時運行的預測–更新迴圈
- 預測：讓狀態估計經過動力學 A 傳播；不確定性（共變異數）隨之增大。
- 取得：從放大器讀入最新的神經特徵向量 y_k。
- 更新：將預測與 y_k 比較，按你對證據的信任程度，把估計拉向證據。
- 輸出：把修正後的狀態（速度指令）送給效應器，然後回圈。
為何這種重構值得
把解碼視為狀態估計，一次帶來四項好處：免費的平順性（動力學先驗濾掉抖動）、對先驗與證據的有原則融合而非臨時湊合的平均、一個你可以據以行動的明確不確定性，以及兩個可解讀的旋鈕——要多信任動力學、還是多信任神經元。本軌道其餘部分便逐一兌現這些：驅動真實皮質內游標的速度卡爾曼濾波器、把神經科學放進 C 的編碼模型、線性失效時的非線性濾波器，以及像 ReFIT 這樣讓一切在真人身上真正奏效的閉迴路技巧。