MSF-Mamba：用于高效微手势识别的运动感知状态融合 Mamba

基于摘要分析。本文研究微手势识别（Micro-Gesture Recognition，MGR），目标是同时捕捉细微人体运动中的局部时空线索与长程依赖。作者提出 MSF-Mamba，通过运动感知的局部邻域状态融合增强 Mamba，并提出多尺度版本 MSF-Mamba+；研究对象是人体微手势，而非 EEG 或 BCI。 核心机制：作者认为，直接采用 vanilla Mamba 的一维序列处理方式不足以建模 MGR 所需的局部时空关系。MSF-Mamba 融合局部上下文中的相邻状态，并以中心帧差分（central frame difference，CFD）构建运动感知状态融合模块。多尺度版本进一步引入不同尺度的状态融合及自适应尺度加权，动态组合各尺度的融合状态。摘要未提供状态融合公式、输入表示、训练目标与具体计算复杂度，这些细节尚未验证。 结果与证据边界：作者报告，在两个公开 MGR 数据集上，轻量版本 MSF-Mamba 达到 SoTA 表现，优于所比较的 CNN、Transformer 和 SSM 模型，同时保持较高效率。摘要未列出数据集名称、划分方式、指标数值、基线配置或效率测量条件，因此不能量化优势，也不能直接与其他协议下的结果比较；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，用局部邻域状态融合补充长程序列建模，可能适用于 EEG 的局部时间变化与通道关联建模；但 CFD 在原任务中针对帧间运动，不能直接视为 EEG 的有效特征。可复用的是状态融合与尺度加权思路，需改造的是通道邻域定义及差分引导信号。低信噪比下差分可能放大噪声，跨被试差异、通道布局变化及小数据也可能削弱收益。一个可证伪的小实验是在固定 EEG 数据划分与训练预算下，对比 vanilla Mamba、局部状态融合及差分引导融合，检查识别指标和计算开销，并核对噪声扰动下的稳定性。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。