SPMamba：利用状态空间模型的长序列建模能力进行语音分离

基于摘要分析。该研究针对语音分离中 CNN 局部感受野受限、LSTM 与 Transformer 处理长音频时计算资源和推理效率压力较大的问题，提出 SPMamba：在 TF-GridNet 架构中以双向 Mamba 替换传统 BLSTM 模块，旨在兼顾长程依赖建模与计算效率。主要研究对象是混合语音的分离，并非 EEG 或 BCI。 核心机制是在时间与频率维度建模关联，利用双向处理同时获取过去与未来上下文。作者称该设计能够以线性计算复杂度捕获长程依赖；这一复杂度表述不能直接等同于完整系统的实测速度或内存优势，仍需核对序列长度、硬件、实现和端到端测量。双向机制依赖未来上下文，因此其直接用于严格在线、低延迟处理的条件也需单独评估。 作者报告在 WSJ0-2Mix、WHAM!、Libri2Mix 及新构建的 Echo2Mix 上开展实验，相较此前 SOTA 模型取得更好的分离结果并降低计算复杂度。摘要未提供具体指标、数值、划分、对照配置或 Echo2Mix 的构建细节，不能量化增益或判断不同协议下的可比性；实验协议、消融及统计信息尚未验证。作者提供了公开代码地址，但代码完整性、依赖与训练复现条件尚未核验。 平台推测（待验证）：假设双向状态空间建模可缓解离线 EEG 长序列分析的计算瓶颈，可考虑复用 Mamba 序列模块；但语音的时频结构与分离监督不能直接照搬到 EEG，输入表示、通道处理和任务输出均需改造。低信噪比、跨被试差异、通道变化及小数据训练可能使收益消失。一个可证伪的小实验是在固定 EEG 任务与跨被试划分下，仅替换基线序列模块，对照 BLSTM 与双向 Mamba，保持其他模块及训练设置一致，同时测量任务指标、运行时间与峰值内存。该实验仅检验离线建模假设，不构成实时 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。