用于窃电检测的基于多模态选择性状态空间模型的时间序列分类

基于摘要分析（仅提供研究亮点，未取得论文全文）。该研究以窃电检测中的时间序列分类为主要对象，提出基于 Mamba 的多模态选择性状态空间模型架构，旨在通过多模态特征缓解非平稳序列的局部波动，并结合通道注意力与多尺度融合学习长程依赖。 机制方面，材料提到面向参数效率的子通道拆分，以及通道级注意力和多尺度融合，但未说明“模态”的具体定义、特征来源、拆分方式或模块连接关系。因此，不能据此将其理解为已验证的多传感器融合方案，也无法确定其损失函数、训练策略和推理成本。 作者报告在 128 个 UCR 数据集上的评估支持模型优势，但材料未提供具体指标、数据划分、对照基线、统计结果或计算开销。窃电检测任务所用数据及其评估协议也尚未验证；UCR 分类评估不能直接替代真实窃电场景中的有效性证据。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若其子通道拆分与多尺度融合确能在受控参数预算下处理非平稳信号，可假设这些模块对 EEG 的局部波动和多时间尺度特征具有研究价值。可考虑复用状态空间序列编码与融合机制，但需重新定义 EEG 通道与特征分组，并适配采样率、窗口长度及监督标签；低信噪比、跨被试差异、通道配置变化和小样本可能使这一假设失效。一个可证伪的小实验是固定 EEG 数据划分与参数预算，对照基础 Mamba 和加入拆分、注意力、融合模块的版本，分别评估被试内与跨被试表现，不混合比较两种协议。已有 EEG 相关工作尚未检索确认，此建议不构成已证实的 BCI 效果。