LWSpace：用于增强时间序列预测的多尺度状态空间框架

基于摘要分析。LWSpace 面向通用时间序列的多尺度特征建模与长时域预测，将小波分解与选择性状态空间机制结合；原论文的主要研究对象不是 EEG 或 BCI。 方法包含四个组件：小波分解模块提取多个尺度的频率成分；尺度特定选择性状态空间机制（摘要记为 S4）以专门的递归动态处理不同频带；跨尺度注意力模块实现尺度间信息交换；自适应预测时域框架支持高效的多预测时域预测。具体状态更新、注意力实现、损失函数及训练方式尚未验证，摘要中的 S4 命名也需结合全文确认。 作者报告在六个常用基准数据集上进行了实验，并声称优于其他常用方法。不过，摘要原文称，在实验选定的预测时域范围内，MSE 平均“增加”8.5%、MAE 平均“增加”7.2%。由于这两项通常是越低越好的误差指标，不能将上述表述直接改写为误差下降或性能提升；具体比较基线、汇总方式及变化方向需核对全文。数据集名称、划分、预测时域、消融及统计信息尚未验证。作者还声称理论上论证了对时间畸变和噪声扰动的鲁棒性，并在真实时间序列上观察到良好表现，但证明条件与扰动协议尚未验证。 平台推测（待验证）：其可迁移假设是，小波分尺度处理与跨尺度交互可能有助于 EEG 的多频带时序预测，但不等于已验证的 BCI 解码效果。可复用分解与尺度建模模块，需适配 EEG 通道结构、采样率及任务监督；低信噪比、跨被试频谱差异和小数据条件可能使尺度分支学习不稳定。一个可证伪的小实验是在相同被试内划分与预测时域下，对比完整框架、去除小波分解和去除跨尺度交互的版本，以 MSE、MAE 评估 EEG 信号预测，而不据此推断分类或 ITR 收益。相关 EEG 工作尚未检索确认。