Dual-path Mamba：用于语音分离的短期与长期双向选择性结构化状态空间模型

基于摘要分析。本文研究语音分离中 Transformer 自注意力计算与内存开销较高的问题，提出 Dual-path Mamba，以选择性状态空间模型替代 Transformer，同时建模语音信号的短期、长期及前向、后向依赖。主要贡献属于语音分离架构设计，而非已验证的 EEG 或 BCI 方法。 机制方面，作者以自注意力的二次复杂度为研究动机，通过双路径组织不同时间尺度的依赖，并引入双向建模。摘要未说明具体分段方式、路径间交互、网络层数、损失函数或训练配置，不能据此确定实现细节；也未给出该实现的实测计算量、内存占用或推理延迟。后向依赖对实时因果推理的影响需要结合全文和代码核对。 作者报告，在 WSJ0-2mix 语音分离实验中，模型规模相对更小的 Dual-path Mamba 优于 RNN 模型 DPRNN、CNN 模型 WaveSplit 和 Transformer 模型 Sepformer。摘要未提供具体指标、分数、参数量、数据划分及基线训练条件，因此尚不能量化性能增益或判断不同基线的比较条件。材料提供 Mamba-TasNet 代码入口，但代码与论文配置的一致性、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，双路径时间建模可能适用于同时包含局部变化与较长时程依赖的 EEG 序列任务。原研究面向混合语音分离，其信号结构、监督目标与 EEG 分类或解码不同；可尝试复用时间建模模块，但需改造多通道输入、任务输出和训练目标。低信噪比、跨被试差异及小数据可能削弱其收益，双向结构也不宜直接视为实时 BCI 方案。一个可检验的小实验是在固定跨被试划分、预处理和训练预算下，仅替换既有 EEG 模型的时间编码模块，对照单路径或单向版本，同时记录任务指标、参数量与推理开销。相关 EEG 工作尚未检索确认。