MambaTrack：基于状态空间模型的多目标跟踪简洁基线

基于摘要分析。该研究面向多目标跟踪（MOT）中非线性、多样化运动及遮挡导致的轨迹中断问题，提出基于 Mamba 的运动预测器 Mamba moTion Predictor（MTP），并构建跟踪器 MambaTrack；主要研究对象是视频中的目标轨迹，而非 EEG 或 BCI。 机制上，作者指出，常见的 tracking by detection 方法依赖 Kalman Filter 预测目标位置，其线性运动假设难以适应舞蹈、体育等复杂运动。MTP 以目标位置的时空动态为输入，通过 bi-Mamba 编码层捕捉运动模式并预测下一步运动。针对遮挡或运动模糊造成的漏检，MTP 将自身预测作为后续输入，以自回归方式补偿缺失观测，旨在维持轨迹连续性。摘要以 SSM 的长序列建模能力和近线性复杂度作为方法动机，但未提供实际计算开销。 作者报告，MambaTrack 在具有复杂运动和严重遮挡的 Dancetrack、SportsMOT 基准上取得较好表现；摘要未给出具体指标、分数、数据划分及对照结果，无法据此量化其相对 Kalman Filter 或其他学习式预测器的优势。训练监督、损失函数、历史窗口、检测与关联配置、实验协议、消融及统计信息尚未验证，复现所需代码和配置也需进一步核对。 平台推测（待验证）：可迁移的假设是，学习式时序预测结合自回归补偿，可能用于 EEG 短时缺失片段的建模；原方法依赖目标位置序列和运动预测任务，迁移时需将输入、监督目标及输出改为 EEG 信号或特征，并处理通道结构与缺失掩码。可考察其时序编码与递推补偿机制，但不能直接沿用目标运动假设。低信噪比、跨被试差异、通道变化及小数据训练可能使自回归误差累积或生成失真的神经信号。一个可检验的小实验是在固定被试内划分下，对完整 EEG 的测试片段人工遮蔽短窗口，比较该机制与线性插值的重建误差及下游任务表现，并观察误差随缺失长度的变化。已有 EEG 相关工作尚未检索确认。