MambaTAD：状态空间模型用于长时间跨度时序动作检测

基于摘要分析。该研究面向未裁剪视频中的 Temporal Action Detection（TAD），目标是识别动作并定位其起止帧；提出 MambaTAD，通过状态空间建模与全局特征检测增强长时间跨度动作的定位能力，原研究对象并非 EEG 或 BCI。 作者指出，Mamba 等结构化状态空间模型具有长程建模能力与线性计算复杂度，但递归处理可能导致时间上下文衰减，全局视觉上下文建模还存在 self-element conflict（自身元素冲突）；这些问题在长时间跨度动作中更突出。MambaTAD 引入 Diagonal-Masked Bidirectional State-Space（DMBSS）模块促进全局特征融合，并使用全局特征融合检测头，结合多粒度特征与全局信息逐步细化检测。另一个组件 state-space temporal adapter（SSTA）用于端到端单阶段 TAD，作者称其可减少网络参数与计算成本，并具有线性复杂度。摘要未说明对角掩码的具体作用方式、冲突的数学定义、损失函数及各组件的实现细节。 作者报告，MambaTAD 在多个公开基准上持续取得优于对照的 TAD 性能，但摘要未提供基准名称、划分协议、对照方法或指标数值，因此无法判断提升幅度及其是否主要来自长时间跨度动作。实验协议、消融及统计信息尚未验证；复现还需核对视频特征输入、训练设置、检测与后处理流程及实现可得性。 平台推测（待验证）：若 EEG 任务需要从连续记录中定位持续时间较长的事件，长程上下文融合与多粒度边界细化可能具有机制上的对应关系。可考虑复用时序建模与检测头思路，但需将视频特征输入改造为 EEG 时序与通道表征，并适配事件起止标注。EEG 的低信噪比、跨被试差异、通道配置变化及小数据条件可能削弱全局融合的收益，双向建模也需核对在线使用时的因果约束。一个可检验的小实验是：在相同 EEG 特征输入与被试隔离划分下，对比基础时序检测器及加入上述模块的版本，按事件持续时间分组评估定位效果。已有 EEG 相关工作尚未检索确认。