CWIMamba：用于高光谱异常检测的跨尺度窗口集成状态空间模型

基于摘要分析。CWIMamba 面向高光谱异常检测（HAD），目标是识别高光谱图像背景中的潜在异常目标，而非 EEG 或 BCI 信号。研究以 Mamba 为基础，将跨尺度窗口扫描、自适应空间–光谱特征融合和 Haar 小波局部表征结合，用于改善背景重建与异常辨别。 核心机制：作者以卷积网络长程依赖建模受限、ViT 计算复杂度呈平方增长为出发点，引入具有非局部表征能力和线性复杂度特征的 Mamba。跨尺度窗口 SSM（CSWSSM）基于不同尺度的窗口瓶颈 SSM（WBSSM），扫描空间–光谱特征；多尺度空间–光谱特征自适应集成方法（M S³ FAI）通过自适应空间–光谱加权促进多尺度交互与融合；Haar 离散小波变换卷积模块（HDWTCM）补充局部信息，并增强异常与背景之间的频率判别特征。摘要未提供扫描顺序、权重计算、损失函数及训练监督方式，不能据此还原完整实现。 结果与证据边界：作者报告在五个 HAD 数据集、七项指标上开展实验，并称取得最先进的检测性能。摘要未列出数据集名称、具体指标与数值、划分协议或对照方法，因此尚不能独立核对该结论，也不能直接比较不同协议下的效果。实验协议、消融及统计信息尚未验证；摘要所述线性复杂度也不等同于完整模型的实测速度或资源优势。 平台推测（待验证）：跨尺度扫描与小波局部表征可能为 EEG 异常片段检测提供方法假设，但原任务依赖高光谱图像的空间–光谱结构，这不等同于 EEG 的通道–时间结构。可考虑复用多尺度融合思路，将窗口和扫描路径改为时间窗口与电极布局，并重新定义异常目标及训练监督。低信噪比可能使伪迹主导异常分数，通道顺序、跨被试差异与小数据也可能削弱表征稳定性。一个可证伪的小实验是在固定跨被试划分及同一异常标注协议下，比较单尺度 SSM、加入多尺度融合、再加入小波模块的结果，核对收益是否来自目标异常而非伪迹识别。已有 EEG 相关工作尚未检索确认。