卡爾曼濾波器成為當(dāng)前主流解碼方法。以運(yùn)動控制為例，早期的 植入式腦機(jī)接口解碼大都使用維納濾波器線性解碼系統(tǒng)。此類解碼系 統(tǒng)不包含運(yùn)動學(xué)過程模型，而是將群體神經(jīng)元的反應(yīng)作為輸入，將空 間坐標(biāo)內(nèi)的運(yùn)動速率作為輸出，通過最優(yōu)線性估計的方法進(jìn)行解碼。 早期很多腦機(jī)接口實驗室都用該方法進(jìn)行解碼。

后來，為滿足控制過 程中的解碼連續(xù)性需求，需要有運(yùn)動模型作參考以修正和優(yōu)化解碼器 輸出，卡爾曼濾波器成為當(dāng)前的主流解碼方法，其在離線、實時以及 臨床試驗中都得到了廣泛的應(yīng)用。卡爾曼濾波的優(yōu)點(diǎn)是算法簡單，而 且可以不需考慮神經(jīng)元具體編碼內(nèi)容即可解碼，因此可以實時快速解 碼。其缺點(diǎn)在于解碼效果一般，且每次實驗之前都需較長的校準(zhǔn)時間， 另外，卡爾曼濾波解碼的系統(tǒng)魯棒性相對較差。為解決這些問題，國 際上提出了很多方法，其中最具前景的方法主要包括類腦解碼器設(shè)計 和神經(jīng)學(xué)習(xí)。

類腦解碼器成為新一代解碼方法。最近一些皮層神經(jīng)元群體編碼 特性研究結(jié)果表明，雖然大量的神經(jīng)元被記錄并用于腦機(jī)接口的解碼， 但因大腦神經(jīng)元的信息編碼相對于運(yùn)動是冗余的，用于控制的神經(jīng)元 群體反應(yīng)維度要低于神經(jīng)元數(shù)量。因此在理論上可以找到一個隱藏或 潛在的低維狀態(tài)空間來描述在該控制條件下的有效神經(jīng)元群體反應(yīng)， 并將這個狀態(tài)空間中的潛變量映射到相關(guān)行為或運(yùn)動控制變量用于運(yùn)動控制。將這些編碼特性應(yīng)用于解碼器設(shè)計，得到類腦的解碼器可 用于腦機(jī)接口控制。

目前學(xué)術(shù)研究結(jié)果表明，此類穩(wěn)定子空間是存在 的。此方法的優(yōu)勢是雖然記錄到的神經(jīng)元群體信號有高噪聲且會發(fā)生 變化，但其在子空間上的動力學(xué)過程一直穩(wěn)定，因此可以有效去除不 穩(wěn)定記錄以及神經(jīng)元發(fā)放變化帶來的干擾，從而獲得更為魯棒的腦機(jī) 接口系統(tǒng)。

神經(jīng)學(xué)習(xí)提供新的解碼思路。當(dāng)前還有一種前沿的腦機(jī)接口解碼 方法是通過訓(xùn)練大腦進(jìn)行學(xué)習(xí)來使用腦機(jī)接口，即神經(jīng)學(xué)習(xí)（也稱腦 機(jī)學(xué)習(xí)）。腦機(jī)接口系統(tǒng)中存在兩個學(xué)習(xí)系統(tǒng)，一個是解碼器的機(jī)器 學(xué)習(xí)，另外一個就是具有強(qiáng)大學(xué)習(xí)能力的神經(jīng)系統(tǒng)。腦機(jī)接口初期的 實驗都體現(xiàn)了大腦學(xué)習(xí)本身的重要意義，但如何讓大腦學(xué)會使用腦機(jī) 接口的解決方案尚不完善。腦機(jī)接口系統(tǒng)在使用過程中，閉環(huán)控制的 練習(xí)可以導(dǎo)致神經(jīng)元為適應(yīng)用戶的運(yùn)動系統(tǒng)而發(fā)生變化。

因此，閉環(huán) 過程中的解碼器與開環(huán)時的解碼器可能完全不同，結(jié)果表明提供快速 的反饋比過濾錯誤更為重要，因此誕生了改進(jìn)閉環(huán)性能的技術(shù)，一般 被稱為閉環(huán)解碼器適應(yīng)（Closed-Loop decoder Adaptation，CLDA）。 此類方法根據(jù)閉環(huán)腦機(jī)接口使用期間記錄的數(shù)據(jù)實時改進(jìn)解碼器，讓 解碼器根據(jù)用戶當(dāng)前神經(jīng)信號的性質(zhì)來決定解碼器的結(jié)構(gòu)。