MambaGait：结合显式表征与隐式状态空间模型的步态识别方法

基于摘要分析，未取得论文全文。MambaGait 的主要研究对象是基于二值轮廓的步态识别，而非 EEG 或 BCI；其核心贡献是将显式空间表征与 Mamba 状态空间建模结合，以表征局部时空变化并捕获长程依赖。 方法包含两个关键模块：ESF（Explicit Spatial Representation Field）增强二值轮廓的表征并引入空间位置感知，旨在提高不同区域对时空动态的敏感性；TWSM（Temporal Window Switch Mamba Block）通过双向时间窗口切换建立跨窗口通信，在提取代表性局部时空特征的同时隐式捕获长程依赖。材料未提供模块的具体计算形式、损失函数、训练或推理流程。 作者报告在 GREW、Gait3D、CCPG 和 SUSTech1K 四个步态数据集上达到最先进性能，并声称这是首次探索 Mamba 用于步态识别的方法。当前材料没有给出具体指标、数值、数据划分及对照基线，因此尚不能核对性能优势的幅度与适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：跨窗口通信机制可能对应 EEG 长序列建模中局部事件与长程上下文难以兼顾的问题，但原方法依赖轮廓图像的空间结构，不能直接等同于电极拓扑。可考虑复用时间窗口切换思路，而空间位置表征需改造成适配通道位置或拓扑的形式。低信噪比、跨被试差异、通道配置变化及小数据训练可能削弱效果。一个可检验的小实验是在同一 EEG 任务和固定 Cross-subject 划分下，对比启用与关闭双向窗口切换的匹配模型，控制其他训练条件并观察性能及计算开销；这只是迁移假设，不是论文已验证结果。相关 EEG 工作尚未检索确认。