Time-SSM：简化并统一用于时间序列预测的状态空间模型

基于摘要分析。本文研究状态空间模型（SSMs）在时间序列预测中的应用，提出名为 Dynamic Spectral Operator 的理论框架，旨在避免仅将 SSM 视为捕捉时间或通道依赖的黑箱，并据此构建用于时间序列预测的基础模型 Time-SSM。 机制与贡献：摘要将 SSM 描述为通过一组基函数近似连续系统，再经离散化处理采样数据的方法；这一建模方式与按特定频率采集的时间序列相契合。作者希望通过 Dynamic Spectral Operator，为 SSM 如何作用于时间序列提供更直观、通用的理论指导。但摘要未给出该算子的数学定义、动态性来源、离散化方式，以及 Time-SSM 的具体结构、训练目标和预训练设置，尚不能判断理论与实现之间的完整对应关系。 结果与证据边界：作者报告 Time-SSM 的参数量仅为所比较 Mamba 的七分之一，并称多项实验支持理论框架及模型的性能优势。摘要未说明所比较 Mamba 的配置、预测任务、数据集、划分协议、基线或评价指标，因此这一参数比例只能保留在作者所述比较背景下，不能推出同等训练预算下的性能或效率优势。实验协议、消融及统计信息尚未验证；复现还需核对全文中的模型配置、训练流程与实现可用性。 平台推测（待验证）：其连续系统近似与离散采样建模机制，可能与 EEG 时序预测中的长程动态建模需求对应，但原论文的主要研究对象是通用时间序列预测，并非 EEG/BCI。可考虑复用状态演化与离散化模块，同时改造 EEG 多通道输入和预测输出；该假设依赖等间隔采样及足量时序训练数据。低信噪比、伪迹、跨被试动态差异、通道变化和小数据条件均可能削弱效果。一个可证伪的小实验是在固定被试内时序划分与相同预测窗口下，比较 Time-SSM、Mamba 和简单时序基线的 EEG 预测误差，并核对参数量及训练预算；该实验不能替代 BCI 解码验证。相关 EEG 工作尚未检索确认。