经典解码算法
在深度学习主导 BCI 之前，经典线性 / 概率方法已经建立了一整套工作良好的管线。这些方法至今仍是临床 BCI 的基准：它们计算廉价、训练数据需求低、易于实时运行。理解它们是理解现代解码器的前提。
为什么仍然要学。 2018 年之后，第 05 章的深度学习解码器在论文 benchmark 上几乎全面胜出，但实际植入患者的临床 BCI（Pitt arm、BrainGate、Walk Again）几乎都还在用 Kalman + ReFIT 的变体。原因有三：第一，临床场景每天只能采几十分钟训练数据，深度模型容易过拟合；第二，FDA 审批要求"可解释、可验证、可现场调"，线性高斯模型恰好满足；第三，闭环延迟要 < 50 ms，神经基础模型推理成本太高。第 05 章的方法是在这个底座上往上叠的，不是替代。
学习路径。 按"读 → 校 → 算"三步看：先用「群体向量算法」吸收 Georgopoulos 1984 的根本洞察（单个神经元粗粒度调谐 + 群体投票 = 精确意图），然后是「维纳与卡尔曼滤波」的线性高斯解码范式；接着用「ReFIT 与在线校准」理解 Gilja 2012 为什么是闭环 BCI 的奠基性工作；最后通过「线性判别与特征选择」在 EEG BCI 侧延伸到 CSP / FBCSP / Riemannian 几何——这条线是非侵入 BCI 至今的算法主流。
本章内容：
- 群体向量算法 — Georgopoulos 1984；population vector coding
- 维纳与卡尔曼滤波 — 线性高斯解码的经典范式
- ReFIT 与在线校准 — Gilja 2012 eLife；闭环校准的奠基性工作
- 线性判别与特征选择 — CSP、FBCSP、Riemannian 几何在 EEG BCI 中的应用