解码器是一次受过训练的猜测
解码器其实就是一个准备得非常充分的猜测者。你给它看大脑特征——比如某人想象左手或右手运动时，特定节律里的能量——并为每个样本附上正确的标签。它由此学到一条规则：面对新的特征，哪个选择最有可能？这就是一句话版的神经解码。
这些带标签的样本来自一段简短的校准环节：受试者按照提示完成指令，同时你进行记录。这就是监督式机器学习——从带标签的数据中学习一个映射。这个映射的好坏，更多取决于干净的特征和诚实的评估，而非模型有多花哨。
从简单开始：LDA
线性判别分析（LDA）会画出一条笔直的分界——在二维里是一条线，在更高维里是一个平面——把两个类别分开。直觉上，它会找到一个方向，让两团样本沿这个方向被推得最开，然后在那里把它们分开。在特征又少又干净时，它是一个极好的基线：快、稳，而且不容易被骗。
from sklearn.discriminant_analysis import LinearDiscriminantAnalysis # X_train: features (trials x features), y_train: labels (e.g. left/right) clf = LinearDiscriminantAnalysis() clf.fit(X_train, y_train) # learn the boundary from calibration data y_pred = clf.predict(X_test) # guess the class for new trials
SVM 及其同伴
支持向量机（SVM）同样会画一条分界，但它在意的是间隔。在所有能分开两个类别的分界中，它会挑出两侧空白间隔最宽的那一条——也就是离每个类别最近样本都尽量远的那条边界。这点额外的余地，往往让它在数据有限时更稳健。
当类别无法用直线分开时，SVM 还能借助一种叫核函数的技巧，把边界弯成曲线。和 LDA 一样，它在又小又精选的特征集上表现出色——所以它理应和 LDA 并肩放进你的基线工具箱。两个都试试，让诚实的验证来决出胜者。
神经网络与深度学习
神经网络押的是另一种赌注。它们不需要你手工设计特征，而是逐层自己学习特征。一个卷积神经网络（CNN）可以接收相当原始的 脑电（EEG），并自行发现有用的模式——空间滤波器与频段——无需别人告诉它。
诚实的代价是：这种灵活性很「饿」。深度网络有大量参数要拟合，所以需要海量带标签数据，才能胜过一个简单基线。而一次典型的脑机接口校准，大概只能给你几十到几百个试次——通常远远不够。在小数据集上，LDA 或 SVM 往往能与深度网络打平甚至更胜一筹。当你拥有大型、汇集起来的数据集时再动用深度学习，不要提前。
过拟合的陷阱
下面这个坑会绊倒所有人。在小数据集上，灵活的模型可能把噪声背了下来，而不是学到信号。它在自己训练过的那些样本上得分漂亮——然后一遇到真实、实时的大脑就崩盘。高高的离线准确率，是会骗人的。