BCI 科研雷达

基于摘要分析。该研究关注复杂听觉环境中移动声源的连续轨迹追踪，而不只是选择性听觉注意解码。作者提出 Adaptive Temporal Graph Network（ATGnet），利用 EEG 的时空表征追踪声源运动，面向包含多个移动说话者的动态鸡尾酒会场景。 核心机制包括自适应图拓扑和 graph-convolutional long short-term memory（GC-LSTM）：前者用于提取空间特征，后者用于捕捉时空依赖。其方法重点是将空间关系建模与时间动态建模结合，用于连续轨迹估计。图节点与边的定义、拓扑更新方式、输入时间窗、轨迹输出形式、损失函数及训练细节在摘要中未明确，尚待全文核对。 作者在 10 名参与者的 EEG 上进行了 Within-subject（被试内）留一试次交叉验证。作者报告，ATGnet 能稳健追踪被注意和未被注意的声源，并显著优于传统方法；但摘要未给出具体对照方法、指标数值或统计检验细节。作者还称模型能够克服试次间及被试间的信号变化，但所列评估协议是被试内验证，因此不能据此将结果解释为已验证的 Cross-subject（跨被试）泛化。 复现时需核对声源轨迹及注意状态的标注方式、EEG 预处理与通道设置、试次划分、轨迹误差指标，以及自适应图拓扑和 GC-LSTM 各自的贡献；这些实验协议、消融及统计信息尚未验证。摘要将神经控制助听设备列为潜在应用，尚不能据此确认在线追踪性能、系统延迟或真实设备中的有效性。

作者：

Saurav Pahuja; Gabriel Ivucic; Siqi Cai; Dashanka De Silva; Tanja Schultz; Haizhou Li

机构：

尚未验证

发表平台：

ICASSP 2025

标识：

Az0LRPpbcK

学术质量 70 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-11-13 · 状态未知

基于摘要分析，现有材料仅包含论文亮点摘录，未取得全文。该研究面向广义图像外推，提出 Mamba-GIE，将视觉状态空间模型与双层自适应特征融合结合，用于生成更精细的外推图像；其主要研究对象是图像，而非 EEG 或 BCI。 机制方面，标题与亮点表明方法包含两种自适应、动态的特征融合机制，但未说明各层级对应的特征、融合规则、状态空间建模方式、损失函数或训练与推理流程。作者声称这是首个基于视觉状态空间模型的广义图像外推方法，该优先性尚未独立核实。 结果方面，作者报告广泛实验验证了 Mamba-GIE 的性能与效率优势，但材料未提供数据集、数据划分、对照方法、评估指标、具体数值或计算开销，因此尚不能判断优势适用的实验条件与幅度。实验协议、消融及统计信息尚未验证，代码、权重与复现条件亦尚未验证。 现有材料没有给出图像外推机制与 EEG 信号建模之间的具体对应关系，暂不提出跨领域复现实验，也不将其视觉任务结果视为 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

作者：

Ruoyi Zhang; Guotao Li; Shuyi Qu; Jun Wang; Jinye Peng

机构：

尚未验证

发表平台：

Expert Syst. Appl. 2025

标识：

CVlPklh31I

学术质量 55 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-11-21 · 状态未知

基于摘要分析。本文研究实时图像目标检测中全局依赖建模与计算开销的矛盾，提出 Mamba YOLO，以状态空间模型（SSM）构建 ODMamba 骨干，并通过宏观结构设计和 RG Block 补偿局部图像依赖建模能力。其主要研究对象是视觉目标检测，而非 EEG 解码或 BCI。 核心机制方面，作者以线性复杂度的 SSM 替代自注意力的二次复杂度建模，并称 ODMamba 可无需预训练直接训练。面向实时需求，作者设计了骨干的阶段比例与缩放规模；RG Block 则采用多分支结构建模通道维度，以缓解 SSM 可能存在的感受野不足与图像定位能力较弱的问题。具体状态更新、分支运算、损失函数和训练配置尚未验证。 结果方面，作者报告在公开 COCO benchmark 上，相较既有方法达到最先进性能；其中 tiny 版本的 mAP 提升为原文所述“7.5%”，在单张 4090 GPU 上推理时间为 1.5 ms。摘要未明确该增益的对照模型、相对百分比或百分点口径，也未说明 mAP 定义、数据划分、输入分辨率、批大小及计时范围，因此不能据此直接比较其他检测器的精度或速度。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，SSM 的序列建模与局部依赖补偿可能用于 EEG 长时序解码，但原方法依赖图像空间结构、目标检测监督及 COCO 训练规模，原领域有效不等于 BCI 有效。可探索复用序列建模模块，需重做 EEG 时序输入、空间通道组织和任务输出；视觉特征通道与电极通道不能直接等同。低信噪比、跨被试变化、通道缺失及小数据训练都可能削弱收益。一个可证伪的小实验是在固定跨被试划分的 EEG 任务上，以相同训练预算比较基础 SSM 与加入局部依赖模块的版本，核对解码指标及同一硬件、同一批大小下的延迟。已有 EEG 相关工作尚未检索确认。

作者：

Zeyu Wang; Chen Li; Huiying Xu; Xinzhong Zhu; Hongbo Li

机构：

尚未验证

发表平台：

AAAI 2025

标识：

CxOm9IlJvu

学术质量 72 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-01-14 · 状态未知

基于摘要分析。该论文研究利用 EEG 与机器学习模型进行 VR 晕动症（cybersickness）分类，聚焦开放数据可得性、数据分布不平衡、泛化测试有限及个性化 EEG 数据探索不足四项挑战。所提供摘要片段主要说明研究动机，尚不足以确认具体方法贡献或分类效果。 技术层面，标题表明研究涉及人类前庭网络相关的开放 EEG 数据集，但材料未给出数据集名称、前庭网络的操作性定义、EEG 特征、预处理流程、模型类型或训练方式。摘要将数据不平衡列为关键问题，但其具体分布及处理策略尚未验证；同样，个性化建模如何实现，以及泛化测试采用跨被试、跨会话还是跨数据集协议，均无法从现有材料确认。 评估层面，材料未提供被试数量、标签来源、数据划分、对照基线或指标，因此不能判断作者是否解决了所列挑战，也不能比较个性化模型与通用模型的表现。阅读全文时应重点核对类别不平衡与评估指标的对应关系、训练与测试的被试及会话边界，以及个性化模型所需的校准数据。实验协议、消融及统计信息尚未验证。该工作直接涉及 EEG 状态分类，但现有材料不足以支持其在线 BCI 应用有效性的结论。

作者：

Gang Li; Hae-Rin Byeon; Sung-Bae Cho; Frank E. Pollick

机构：

尚未验证

发表平台：

AIxVR 2025

标识：

ktvbPONAs8

学术质量 46 / 100 · 兴趣权重 1 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-11-05 · 状态未知

基于摘要分析。该研究针对 EEG 情绪识别中融合特征冗余可能引发维度灾难与过拟合的问题，提出 manifold of multiscale information fusion（MMIF），通过学习局部与全局脑激活模式的多尺度融合流形，获得情绪 EEG 的有效表示。 机制上，MMIF 将多尺度 EEG 特征融合与表示学习结合，目标是在融合局部和全局信息的同时减少冗余、保留情绪判别信息。摘要使用“多模态特征”表述，但未明确其具体构成，不能据此认定研究融合了 EEG 以外的传感模态。流形学习的目标函数、优化方式、特征提取方法及表示维度尚未验证，也不能将其直接等同于黎曼几何方法。 作者报告，离线与在线 EEG 情绪识别实验均支持 MMIF 的有效性及其用于实时情绪解码系统的可行性；分析实验还支持其判别能力与认知可解释性。摘要未提供数据集、被试数、情绪任务、被试内或跨被试划分、对照方法及定量指标，因此无法判断提升幅度、跨被试泛化能力，或在线系统的延迟与稳定性。“实时可行”不应被扩展为已验证的实际部署效果。 全文核对的重点是：多尺度与局部／全局脑激活模式如何定义，流形表示是否确实减少冗余，以及认知可解释性结论由何种分析支撑。复现还需确认特征处理流程、训练与测试划分、在线评估协议及实现资源；实验协议、消融及统计信息尚未验证。该工作直接面向 EEG 情绪识别与在线情感脑机交互，但现有材料不足以推断其对其他 BCI 任务的有效性。

作者：

Cunbo Li; Shuhan Zhang; Yufeng Mu; Lei Yang; Yueheng Peng; Fali Li; Yangsong Zhang; Zhen Liang; Zehong Cao; Feng Wan; Dezhong Yao; Peiyang Li; Peng Xu

机构：

尚未验证

发表平台：

IEEE Trans. Affect. Comput. 2025

标识：

H3Q8gHDRbI

学术质量 64 / 100 · 兴趣权重 2 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-08-21 · 状态未知

基于摘要分析；当前材料仅提供 Highlights，未取得论文全文。研究围绕内部与外部注意状态的平衡，设计并评估一个利用 EEG 频率进行自适应调整的 VR 系统，旨在兼顾任务表现与参与度。 方法方面，标题表明系统利用 EEG 频率信息，Highlights 则提到使用 LDA 模型分类注意状态，并通过细微、自然的环境因素调整实现自适应。具体频段、特征提取方式、注意状态定义，以及分类输出如何触发环境调整，均尚未验证。 结果方面，作者报告 LDA 注意状态分类的 Accuracy 为 79.4%，但材料未说明被试数量、类别构成、数据划分，以及采用 Within-subject、Cross-subject 还是 Cross-session 评估，因此该数值不能直接用于比较跨被试泛化或在线系统性能。作者还报告环境自适应改善了任务表现，但未提供任务类型、对照条件、收益幅度或统计信息；参与度是否得到改善也无法据现有材料确认。 阅读全文时应重点核对分类评估与在线自适应评估是否分别开展、注意状态标签如何获得，以及环境调整是否影响 EEG 测量或任务难度。实验协议、消融及统计信息尚未验证，现有证据不足以判断该系统在不同被试、会话和 VR 任务中的稳健性。

作者：

Francesco Chiossi; Changkun Ou; Carolina Gerhardt; Felix Putze; Sven Mayer

机构：

尚未验证

发表平台：

Int. J. Hum. Comput. Stud. 2025

标识：

7fvaQJv9xd

学术质量 54 / 100 · 兴趣权重 1 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-07-15 · 状态未知

基于摘要分析。本文研究部分 MRI 模态不可用时的脑肿瘤分割，提出 Learnable Sorting State Space Model（LS3M），通过可学习的序列重排与状态空间建模，充分利用可用模态。主要研究对象是三维脑 MRI 分割，而非 EEG 解码或 BCI。 核心机制：LS3M 基于 Mamba 设计建模长程依赖，并引入可微分置换矩阵，依据模态特定特征重排输入序列。作者认为，这种动态排序有助于保留三维 MRI 的空间归纳偏置及长程语义关联。重排后的序列交由 Series State Space Model（S3M）模块处理，以捕获局部和长程依赖，并表征模态内及模态间关系。摘要未说明置换矩阵的生成方式、优化约束、损失函数或缺失模态的具体处理流程，这些内容尚未验证。 结果与证据边界：作者报告，在 BraTS2018 和 BraTS2020 的模态缺失脑肿瘤分割实验中，LS3M 优于现有方法；摘要未提供具体指标、数值、缺失模态组合、数据划分或对照方法，因此不能量化优势，也不能判断不同缺失条件下的稳定性。实验协议、消融及统计信息尚未验证。复现时需核对排序模块的独立增益、空间结构保留方式，以及训练和测试阶段的模态缺失设置；代码与训练配置是否公开尚未验证。 平台推测（待验证）：可学习排序与状态空间建模可能启发 EEG 多通道序列的关系建模，但这是迁移假设，依赖通道拓扑和时间结构可被合理编码，三维 MRI 上的作者报告不构成 BCI 有效性证据。状态空间模块可能复用，排序依据及位置约束则需改造，避免破坏 EEG 时间顺序与通道关系；低信噪比、跨被试差异、通道缺失和小数据均可能使排序不稳定。一个可检验的小实验是在同一 EEG 数据划分与训练预算下，对比固定排序和可学习排序，并施加通道缺失，观察性能及排序稳定性。相关 EEG 工作尚未检索确认。

作者：

Zheyu Zhang; Yayuan Lu; Feipeng Ma; Yueyi Zhang; Huanjing Yue; Xiaoyan Sun

机构：

尚未验证

发表平台：

CVPR 2025

标识：

K9k7XmFA9A

学术质量 74 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-09-22 · 状态未知

基于摘要分析：当前仅提供 Highlights，未取得论文全文。该研究关注基于 EEG 的 BCI 在对抗扰动下的安全性，提出注意力引导的通用对抗扰动方法，核心设计是通过时空机制选择 EEG 通道和时间步。 机制方面，材料明确说明了通道与时间步选择，但未披露注意力如何计算、选择结果如何参与扰动生成，以及扰动的优化目标、幅度约束和训练流程。通用扰动适用的样本范围、攻击者可获得的信息，以及白盒或黑盒攻击条件尚未验证，不能据此推断其跨被试或跨模型迁移能力。 作者报告，实验中的攻击表现优于现有方法，并称所提方法与已有脑科学发现一致；但材料未提供具体任务、数据集、被试数、数据划分、对照方法、评价指标或数值，也未说明脑科学一致性的检验依据。因此，目前只能确认作者提出了这些结论，无法核对优势幅度或适用范围。 复现与技术核查应关注时空选择机制的具体实现、通用扰动的构建与测试样本划分、扰动约束及基线比较条件，并核对攻击效果是否在不同被试、会话或模型条件下保持。实验协议、消融及统计信息尚未验证；代码和其他复现资源的可用性也尚未验证。

作者：

Sheng-hua Zhong; Sijia Zhao; Zhijiao Xiao; Zhi Zhang; Yan Liu

机构：

尚未验证

发表平台：

Expert Syst. Appl. 2025

标识：

NreTrwEHcj

学术质量 58 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-08-03 · 状态未知

基于摘要分析。研究针对基于模型的强化学习（MBRL）中世界模型训练带来的计算瓶颈，提出利用状态空间模型（SSMs）并行化动力学模型训练，并在训练期间向世界模型提供特权信息，以支持部分可观测环境。 核心机制与贡献：MBRL 通过学习环境动力学与奖励的世界模型提高交互样本效率，但世界模型与策略同时训练会增加计算开销。本文将加速重点放在动力学模型训练，并设计训练期特权信息架构。摘要未说明所用 SSM 的具体形式、特权信息内容、损失函数，以及推理时如何处理不可观测信息，这些细节尚未验证。 结果与证据边界：作者报告，在若干涉及复杂动力学的真实世界敏捷四旋翼飞行任务中，覆盖完全可观测与部分可观测环境，世界模型训练时间最多缩短至原来的约十分之一，整体 MBRL 训练时间最多缩短至原来的约四分之一；相较所比较的先进 MBRL 方法，样本效率与任务奖励相近。具体任务、基线、硬件、计时范围、数据划分、消融及统计信息尚未验证，不能据此推广为任意任务下的固定加速比。 平台推测（待验证）：迁移假设是，训练并行化与部分可观测建模可能适用于闭环 EEG/BCI 控制中的时序状态估计，但机器人控制中的有效性不等于 EEG 解码有效性。该路径需要带动作及奖励的连续交互数据，而非仅有离线分类标签；SSM 时序建模模块可作为候选组件，观测编码、奖励定义及特权信息来源则需改造。EEG 的低信噪比、跨被试差异、通道变化与小数据条件可能导致状态估计不稳或世界模型误差累积。一个可证伪的小实验是在固定被试内划分、相同交互预算与硬件下，对比 SSM 与原动力学模型的训练耗时、预测误差和闭环任务奖励，再检查收益能否延伸至跨会话评估。已有 EEG 相关工作尚未检索确认。

作者：

Maria Krinner; Elie Aljalbout; Angel Romero; Davide Scaramuzza

机构：

尚未验证

发表平台：

CoRR 2025

标识：

lGoYIzn0BP

学术质量 76 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-11-06 · 状态未知

基于摘要分析，当前材料仅包含 Highlights，未取得论文全文。该研究面向 EEG 情绪识别，尝试缓解不同皮层区域间的时间尺度异质性，并以神经科学先验指导模型设计，结合局部多尺度与全局时序特征建模。 机制方面，材料说明作者修改了 DWSC，以提取 EEG 的多尺度局部时序特征；采用 Coordinate attention，旨在降低不同皮层区域的时序异质性；引入 Retention Transformer，以捕获全局时序特征。材料未展开 DWSC 的具体定义、修改方式、注意力作用维度，以及局部与全局特征的融合流程，因此尚不能判断模型如何具体对齐不同区域的时间尺度，或先验知识如何落实到模型结构与训练中。 结果方面，作者报告该模型在二分类和四分类情绪识别任务中优于 SOTA 模型，但当前材料未给出数据集、被试数量、被试内或跨被试等评估协议、对照模型、指标及具体数值，无法据此核对优势幅度或跨被试泛化能力。 阅读与复现时，应重点核对皮层区域与 EEG 通道的对应方式、多尺度时间窗口设置、Coordinate attention 对异质性的实际作用，以及 Retention Transformer 相对其他时序建模方法的贡献。数据划分、预处理、训练细节、消融及统计信息尚未验证，代码与复现条件亦尚未验证；情绪分类任务上的作者报告不能直接视为在线 BCI 有效性的证据。

作者：

Zhangyong Xu; Ning Chen; Guangqiang Li; Jing Li; Hongqing Zhu; Zhiying Zhu

机构：

尚未验证

发表平台：

Knowl. Based Syst. 2025

标识：

woWYfwercL

学术质量 62 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-04-11 · 状态未知

基于摘要分析。该研究针对 EEG 分类模型的可解释性问题，提出知识驱动的机器学习方法 KnowEEG，将可理解的单电极统计特征与电极间连接统计量结合，用于兼顾分类性能和特征层面的解释。其主要研究对象是多类 EEG 分类任务，而非单一 BCI 控制范式。 核心机制：KnowEEG 首先提取一组单电极特征，通过统计检验筛选特征，再整合电极间连接统计量。这些特征输入改造后的 Random Forest 模型 Fusion Forest，在树的生长过程中平衡单电极统计信息与电极间连接信息。方法融合通用时间序列知识与 EEG 领域知识；具体特征定义、统计检验及多重比较处理、连接度量和平衡机制尚未验证，不能据摘要推定其实现形式。 结果与解释：作者报告，在情绪检测、心理工作负荷分类、睁眼/闭眼检测、异常 EEG 分类和事件检测五类任务上，KnowEEG 的性能与最先进深度学习模型相当或更优。摘要未提供数据集、被试数量、被试内或跨被试划分、指标数值及对照模型细节，因此这一结论目前不能用于定量比较。作者通过睁眼/闭眼分类示例展示特征重要性如何用于发现类别相关知识，并称其发现得到现有神经科学文献支持；这属于作者报告，尚不能据此将特征重要性等同于因果解释或临床有效性。 复现重点：需核对特征筛选是否严格限定在训练数据中、两类特征如何参与树构建，以及特征重要性在相关特征、不同被试和通道配置下的稳定性。上述均是待核对事项，不代表已发现方法缺陷。完整实验协议、消融及统计信息尚未验证；摘要也未提供可确认的实现获取方式。其对医疗场景的价值仍需独立验证，不能由分类表现直接推导临床适用性。

作者：

Amarpal Sahota; Navid Mohammadi Foumani; Raúl Santos-Rodríguez; Zahraa S. Abdallah

机构：

尚未验证

发表平台：

CoRR 2025

标识：

o0AVyWfiYr

学术质量 70 / 100 · 兴趣权重 2 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-10-07 · 状态未知

基于摘要分析。该研究探讨能否从 EEG 预测人在虚拟现实（VR）中的时间知觉误差幅度，以连续回归替代将知觉误差视为离散类别的建模方式。其主要研究对象是 VR 间隔计时任务中的主观时间估计偏差，而非通用 BCI 指令解码。 方法与数据：作者使用 33 名参与者在 VR 间隔计时任务中产生的 1,386 个 EEG 样本，以归一化估计误差为标签训练深度回归网络。摘要未提供网络结构、EEG 预处理、输入时间窗、损失函数及归一化公式，这些细节尚未验证。 结果：作者报告，在未见样本上预测知觉误差百分比时，平均绝对误差（MAE）为 0.25，均方误差（MSE）为 0.11；作者将其表述为相对于中心范围 [–0.75, 1] 的平均误差约 14%。该百分比应保留其范围参照，不能解释为预测准确率。摘要未说明未见样本属于被试内、跨被试还是跨会话划分，因此这些结果不能直接视为对新用户的泛化证据。 贡献与证据边界：连续误差预测为研究 EEG 与时间知觉偏差之间的关系提供了具体建模目标。作者据此提出实时估计用户时间知觉误差及时间自适应界面的应用可能性；但在线评估、推理延迟和界面适配收益尚未从摘要验证。实验协议、对照基线、消融及统计信息也尚未验证。复现需进一步核对任务时长与标签定义、EEG 采集及样本构造方式、训练测试划分，以及代码和数据的可获得性。

作者：

Sahar Niknam; Saravanakumar Duraisamy; Jean Botev; Luis A. Leiva

机构：

尚未验证

发表平台：

ISMAR-Adjunct 2025

标识：

wcbMmPzx14

学术质量 65 / 100 · 兴趣权重 1 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2026-07-28 · 状态未知

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。

作者：

Haijun Xiong; Bin Feng; Bang Wang; Xinggang Wang; Wenyu Liu

机构：

尚未验证

发表平台：

Image Vis. Comput. 2025

标识：

iTWTpIkf7m

学术质量 71 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-02-20 · 状态未知

基于摘要分析。本文研究关节式三维网格的生成与重建，提出使用 Mamba State Space Models（Mamba-SSMs）的 MeshMamba，通过结构感知的顶点序列化处理大量网格顶点，并分别构建生成模型 MambaDiff3D 与单图人体网格恢复模型 Mamba-HMR。 核心机制是将网格顶点排列为适合 Mamba 处理的序列：依据身体部位标注，或模板网格的三维顶点位置排序，使序列顺序反映关节式形状的结构。该方法依赖网格的部位信息或模板几何，而不是直接将无序顶点输入序列模型。摘要未提供排序细节、模型结构、训练损失及计算复杂度测量，相关信息尚未验证。 MambaDiff3D 是用于关节式三维网格生成的去噪扩散模型。作者报告，MeshMamba 能处理超过 10,000 个顶点的身体网格，表达衣物及手部几何；MambaDiff3D 能生成穿衣人体和具有抓握手势的稠密网格，并在三维人体形状生成任务上优于此前方法，但摘要未给出数据集、对照名称或具体指标。 Mamba-HMR 从单张图像恢复人体形状与姿态。作者报告，相较此前约使用 500 个顶点 token、主要处理身体姿态的非参数人体网格恢复方法，其可扩展至包含面部和双手的全身设置，并在接近实时的条件下取得有竞争力的表现。运行硬件、延迟、数据划分及精度指标尚未验证，不能据此进行量化性能比较。 平台推测（待验证）：结构感知序列化可能为 EEG 多通道输入的空间组织提供方法启发，但网格模板与关节结构并不等同于电极拓扑。假设检验可固定同一 Mamba 主干，在一致的跨被试划分下比较电极空间排序与随机排序；需将顶点排序改造为电极空间映射，并核对通道变化、低信噪比及小数据条件下的稳定性。这不构成已验证的 BCI 效果，已有 EEG 相关工作尚未检索确认。全文实验协议、消融及统计信息尚未验证。

作者：

Yusuke Yoshiyasu; Leyuan Sun; Ryusuke Sagawa

机构：

尚未验证

发表平台：

CoRR 2025

标识：

gWdwI33yWM

学术质量 73 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-11-09 · 状态未知

基于摘要分析。该研究面向文本生成，提出 Text Encoding Diffusion Model（TEncDM），在预训练语言模型的编码空间中进行扩散建模，而非使用传统 embeddings；其核心思路是利用包含上下文信息的 encodings，并通过引入上下文的 Transformer 解码器完成 token 预测。 技术上，论文考察编码器、解码器、噪声调度器与 self-conditioning 对 zero-shot generation 的影响，研究重点不仅是生成模型本身，也包括表示空间与解码过程如何影响生成效果。摘要未提供编码器型号、扩散目标、噪声调度形式、self-conditioning 实现及训练与推理配置，相关机制细节尚未验证。 作者在 QQP、XSum 和 Wiki-Auto 三项条件文本生成任务上与既有方法比较，并报告 TEncDM 优于已有非自回归扩散模型。摘要未给出具体指标、分数、数据划分或基线名单，因此无法判断优势幅度，也不能扩大为优于所有文本生成模型。实验协议、消融及统计信息尚未验证；复现所需的模型配置、计算预算与实现可用性同样尚未验证。 平台推测（待验证）：其可供 EEG 方法研究参考的是“先构建上下文表征，再在表征空间进行扩散建模”的思路，而非已验证的 BCI 解码方案。迁移假设依赖可获得的 EEG 上下文编码及与目标任务匹配的监督，需要重新设计信号编码器和输出解码器；语言 token 解码不能直接替代神经信号任务。低信噪比、跨被试及通道差异可能使表征空间不稳定，小数据也可能不足以训练扩散模型。现有材料不足以支持具体迁移效果，相关 EEG 工作尚未检索确认。

作者：

Alexander Shabalin; Viacheslav Meshchaninov; Egor Chimbulatov; Vladislav Lapikov; Roman Kim; Grigory Bartosh; Dmitry Molchanov; Sergey Markov; Dmitry P. Vetrov

机构：

尚未验证

发表平台：

AAAI 2025

标识：

kMfaZavOSN

学术质量 72 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-05-16 · 状态未知

基于摘要分析。该研究针对 EEG 辅助抑郁症识别系统在实际场景中的可穿戴性与可及性问题，提出面向自研可穿戴三导联 EEG 传感器的可板载执行多特征迁移增强融合模型。主要贡献是将抑郁症与健康对照分类及传感器端计算、存储和功耗评估结合起来；研究对象是辅助抑郁症诊断，而非 BCI 控制任务。 方法方面，摘要明确提出多特征、迁移增强与融合的总体思路，但未说明特征类型、迁移源与目标、融合机制、网络结构、损失函数或训练流程，因此尚不能判断各模块如何改善低通道 EEG 的识别能力。 数据来自 73 名抑郁症患者和 108 名健康对照。作者报告，在独立测试条件下，分类 Accuracy 为 95.2%，specificity 为 94.0%，sensitivity 为 96.9%。摘要未明确独立测试是否按被试隔离，也未提供训练与测试样本构成、记录分段方式或置信区间；这些结果不能直接解释为已验证的跨被试、跨会话或跨设备泛化性能。 部署方面，作者报告模型具有 65.0 K 参数、25.6 M FLOPs；部署于 EEG 传感器时，单次执行耗时 1.5 s，功耗为 320.8 mW，RAM 和 ROM 占用分别为 202.0 KB 与 279.6 KB。作者据此认为该模型具有可穿戴辅助诊断潜力。具体处理器、输入窗口长度、采样率、计时与功耗测量条件尚未验证，因此不能仅凭单次执行耗时确认端到端实时能力。 复现时应优先核对导联位置、采集与预处理协议、独立测试划分、迁移数据来源、对照基线及硬件部署设置。实验协议、消融及统计信息尚未验证，代码与模型获取条件亦尚未验证。现有摘要支持进一步评估其低通道端侧部署可行性，但不足以确认临床泛化能力或替代临床诊断。

作者：

Fuze Tian; Haojie Zhang; Yang Tan; Lixian Zhu; Lin Shen; Kun Qian; Bin Hu; Björn W. Schuller; Yoshiharu Yamamoto

机构：

尚未验证

发表平台：

IEEE J. Biomed. Health Informatics 2025

标识：

qXW1r2x5fL

学术质量 74 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-05-13 · 状态未知

基于摘要分析。该研究面向红外与可见光图像融合，旨在减少融合结果偏向单一模态、无法同时保留各来源显著目标的问题。作者提出 S4Fusion，通过显著性感知选择性状态空间机制、跨模态空间交互模块及感知增强损失，促进互补特征的保留。 核心机制：Cross-Modal Spatial Awareness Module（CMSA）旨在同时捕获各输入模态的全局空间信息，并促进跨模态交互。感知增强损失利用预训练模型决策层对融合图像的歧义或不确定性度量，引导模型保留显著对象。摘要未说明状态空间的具体构造、空间扫描方式、预训练模型身份、不确定性定义及损失公式，这些实现细节尚未验证。 创新与证据边界：作者将局部感受野及模态交互时空间信息利用不充分视为既有方法的局限，提出全局跨模态感知与决策层约束相结合的方案。摘要没有提供数据集、训练划分、对照方法、融合质量或下游任务指标，因此不能据此确认相对优势，也不能把作者对既有方法的概括视为普遍结论。实验协议、消融及统计信息尚未验证。作者提供了代码地址，但代码完整性、依赖、权重及复现条件尚未核验。 平台推测（待验证）：可迁移的假设是，全局跨模态交互与决策不确定性约束可能帮助 EEG 与 fNIRS 等联合解码保留互补信息。原方法依赖图像空间结构和预训练模型的决策输出；迁移时需将空间交互改造为适配通道、时间与模态时延的交互，并重新定义融合表征上的任务约束，不能直接沿用图像显著性损失。EEG 的低信噪比、跨被试差异、通道变化及小样本条件可能使决策不确定性与真实有效信息脱节。可在配对 EEG–fNIRS 数据上固定跨被试划分，对比基础融合、加入交互模块及再加入不确定性约束，检验任务指标与单模态受扰时的稳定性；这只是可证伪的迁移实验建议，不是已有 BCI 结果。相关 EEG 工作尚未检索确认。

作者：

Haolong Ma; Hui Li; Chunyang Cheng; Gaoang Wang; Xiaoning Song; Xiaojun Wu

机构：

尚未验证

发表平台：

IEEE Trans. Image Process. 2025

标识：

yBJvjEWAa5

学术质量 70 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2026-07-26 · 状态未知

基于摘要分析。本文研究图神经网络表征能力受限的问题，提出基于 persistent homology（持久同调）提取图连通信息的方法，并将拓扑特征用于增强图表征学习。主要研究对象是通用图上的节点分类与链接预测，而非 EEG 或 BCI。 机制与贡献：方法显式引入高阶拓扑与几何信息，以补充图神经网络的表征。作者还探索将拓扑计算作为可微算子，使拓扑特征能够参与端到端学习，并通过理论分析和实证研究讨论这些特征在图学习中的作用。摘要未说明局部区域的构造、持久同调所用的过滤方式、特征编码与融合机制，以及可微计算的具体实现，这些内容尚待全文核对。 结果与证据边界：作者报告在多个节点分类和链接预测基准上达到最先进性能，但摘要未提供基准名称、划分协议、对照模型、评价指标或具体数值，因此无法核对收益大小及适用范围。实验协议、消融及统计信息尚未验证；复现所需的实现、超参数和计算成本也尚未验证。 平台推测（待验证）：若将 EEG 通道及其功能连接表示为图，局部拓扑特征可能补充连接关系中不易由常规邻域聚合捕获的结构信息。这一假设依赖可靠的图构建与任务监督，不代表原论文已验证 EEG 效果。可复用的是拓扑特征提取与图表征融合思路；需改造的是 EEG 连接估计、局部图定义及跨被试通道对齐。低信噪比、连接估计不稳定、通道差异和小样本条件可能使拓扑特征不稳定或导致过拟合。 一个可检验的小实验是在固定 EEG 图构建和相同跨被试划分下，比较同一图神经网络加入与不加入拓扑特征的表现，并检验连接扰动后的稳定性，以区分拓扑信息收益与额外模型容量的影响。已有 EEG 相关工作尚未检索确认。

作者：

Zuoyu Yan; Qi Zhao; Ze Ye; Tengfei Ma; Liangcai Gao; Zhi Tang; Yusu Wang; Chao Chen

机构：

尚未验证

发表平台：

CoRR 2025

标识：

nABpK7E7ty

学术质量 74 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-05-12 · 状态未知

基于摘要分析。本文研究图像 mini-batch 内的样本依赖建模与上下文增强表征，提出 Dynamic Batch-Graph Representation（DyBGR）：将批内图像构成动态图，通过学习样本关系并传播信息来更新各样本表征。主要研究对象是图像深度度量学习，而非 EEG 或 BCI。 核心机制是以图像样本为节点、样本间依赖为边构建 batch-graph，在相似性、稀疏性和语义相关性约束下动态学习图结构，再沿图交换节点信息。图学习与信息传播联合优化，作者将其实现为可插拔的 DyBGR block，提出可集成至基于 mini-batch 的深度表征学习方案。摘要未给出约束的数学形式、语义信息来源、传播算子或训练与推理时的具体批次构造。 作者认为现有 self-attention 或 patch 维度的局部 self-attention 未充分利用批内样本关系，且对噪声和离群样本敏感；这些是论文的问题定位，仍需全文中的对照实验核实。作者报告深度度量学习实验支持 DyBGR 的有效性，但摘要未提供数据集、划分、基线、指标或数值。实验协议、消融及统计信息尚未验证。作者表示将发布代码，当前材料不能确认代码已公开。 平台推测（待验证）：若 EEG 试次间存在可利用的任务相关关系，批次图学习可能用于增强试次表征，但图像领域有效不等于 BCI 有效。可复用模块是批内建图与消息传播；需要改造 EEG 特征编码、相似性度量及批次采样，并核对语义约束是否依赖标签。低信噪比、跨被试差异、通道配置差异和小数据条件可能使图边反映伪迹或被试身份，造成错误信息传播；预测也可能受同批样本组成影响。 一个可检验的小实验是在固定 EEG 编码器与数据划分下，对比独立试次表征、固定相似图和 DyBGR，分别考察被试内与跨被试表现，并改变测试批次组成检查预测稳定性；不得使用测试标签建图。已有 EEG 相关工作尚未检索确认。

作者：

Xixi Wang; Bo Jiang; Xiao Wang; Bin Luo

机构：

尚未验证

发表平台：

Int. J. Comput. Vis. 2025

标识：

wAQv89WEhc

学术质量 72 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-07-25 · 状态未知

基于摘要分析。该研究针对 Mamba 图像复原骨干中每个 token 只能依赖扫描序列前序 token 的限制，提出 MambaIRv2，通过注意力状态空间机制引入非因果建模能力，并利用语义引导的邻近机制促进远距离相似像素交互。主要研究对象是图像复原，而非 EEG 或 BCI。 核心机制：作者提出的 attentive state-space equation 允许模型关注扫描序列之外的信息，旨在通过单次扫描完成图像展开与信息交互；semantic-guided neighboring mechanism 则使空间距离较远但语义相似的像素建立联系。摘要将其非因果建模能力类比于 ViTs，但未提供具体方程、邻近关系构造方法、训练损失及计算复杂度，不能据此认定其等同于标准自注意力或已解决全部扫描方向问题。 作者报告：在轻量级超分辨率（lightweight SR）任务中，相较 SRFormer，MambaIRv2 的 PSNR 提高 0.35 dB，参数量减少 9.3%；在经典超分辨率（classic SR）任务中，相较 HAT，PSNR 最多提高 0.29 dB。摘要未给出这些结果对应的数据集、放大倍率、训练与测试划分或具体模型配置，两类任务的收益不能直接合并比较。实验协议、消融及统计信息尚未验证，也无法仅据摘要判断参数减少是否对应运行时间或显存收益。 平台推测（待验证）：若 EEG 离线去噪中存在可利用的跨时间或跨通道相似结构，非因果状态空间交互和相似性引导邻近机制可能具有复用价值。其原始依赖是图像像素及语义相似关系；迁移时需重新设计 EEG token 表示、通道位置编码与相似性定义，而不能直接将像素语义对应为神经活动。低信噪比可能使邻近机制连接伪迹，被试差异、通道布局变化和小数据也可能降低稳定性；非因果信息使用不适合直接视为在线 BCI 能力。 可检验的小实验是假设性地在固定 Cross-subject 划分与相同去噪监督下，对比因果状态空间基线、非因果变体及加入相似性邻近机制的变体，检验去噪误差与下游解码性能是否同时改善，并核对推理成本。该建议并非论文已验证结果；相关 EEG 工作尚未检索确认。

作者：

Hang Guo; Yong Guo; Yaohua Zha; Yulun Zhang; Wenbo Li; Tao Dai; Shu-Tao Xia; Yawei Li

机构：

尚未验证

发表平台：

CVPR 2025

标识：

Ao6McKgD7H

学术质量 78 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2025-07-31 · 状态未知

基于摘要分析。该研究面向基于人体骨架的动作理解，处理不同来源骨架在关节维度与拓扑结构上的异构性，提出由异构骨架处理和统一表征学习组成的框架。其主要贡献是将不同骨架映射为可由共享骨干处理的表示，而非针对单一同构骨架分别建模。 技术上，异构骨架处理模块先通过辅助网络将二维骨架转换为三维骨架，再利用 skeleton-specific prompts 构造带提示的统一骨架；此外，引入 semantic motion encoding 这一额外模态，以利用骨架中的语义信息。统一表征学习模块使用共享骨干网络处理不同异构骨架并学习动作表示。摘要未说明提示的具体形式、统一拓扑的构造方式、语义编码规则、损失函数及训练监督。 作者报告，在 NTU-60、NTU-120 和 PKU-MMD II 上开展的多种动作理解任务实验支持方法有效性，但摘要未提供任务明细、数据划分、对照基线和指标数值，不能据此比较具体性能。作者提出该方法可用于具有不同类人结构的机器人动作识别；其实际部署验证范围尚未明确。实验协议、消融及统计信息尚未验证，代码与复现条件亦尚未验证。 平台推测（待验证）：其“结构特定提示＋统一表示＋共享骨干”的机制可作为处理 EEG 跨设备通道布局差异的候选思路，但这是迁移假设，并非已证实的 BCI 效果。原方法依赖关节坐标、骨架拓扑及动作语义，迁移时需要用电极位置和信号特征替代骨架表示，重新设计统一映射与提示；二维转三维骨架模块和 semantic motion encoding 不能直接照搬。EEG 低信噪比、通道缺失、跨被试差异及小数据可能使共享表示失效。一个可证伪的小实验是在同一 EEG 数据集上构造不同通道子集，固定被试划分与训练数据量，对比带通道布局提示的共享模型和无提示共享模型，检验未见通道配置上的表现。已有相关 EEG 工作尚未检索确认。

作者：

Hongsong Wang; Xiaoyan Ma; Jidong Kuang; Jie Gui

机构：

尚未验证

发表平台：

CoRR 2025

标识：

Nx66lTHlVK

学术质量 73 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-12-16 · 状态未知

基于摘要分析。本文研究如何从持续到来的图像中进行在线三维感知，提出 CUT3R（Continuous Updating Transformer for 3D Reconstruction），以有状态的循环模型逐次更新场景表示，并为新输入生成具有度量尺度的逐像素三维点图。其主要研究对象是视觉场景的三维重建，而非 EEG 或 BCI。 核心机制是保留并更新跨观测的状态，使不同图像生成的点图处于共同坐标系，进而累积为随输入更新的稠密场景重建。模型还可通过虚拟、未观测视角查询场景表示，推断未见区域。摘要说明其可接收长度可变的视频流或无序照片集合，并处理静态与动态内容；但状态结构、更新规则、训练损失、度量尺度监督来源及推理资源需求尚未验证，不能仅凭来源分类将其认定为特定状态空间模型架构。 作者报告，该方法在多种 3D/4D 任务上取得具有竞争力或最先进的表现；摘要未提供具体数据集、划分、基线或指标数值，因此无法核对各任务的优势及适用边界。实验协议、消融及统计信息尚未验证。材料提供了项目页面，但代码、权重及完整复现条件尚未验证。 平台推测（待验证）：可迁移的候选机制是跨输入维护持久状态，而不是三维点图输出或场景补全任务。假设该机制能帮助 EEG 在线解码整合跨时间窗上下文，则需将图像输入与空间重建输出改为 EEG 时间窗编码与解码任务，并重新设计监督目标及状态重置策略；原方法依赖的多视角几何结构和场景先验不能直接沿用。低信噪比、被试差异、通道变化及小数据训练可能导致状态累积噪声或保留过时信息。一个可证伪的小实验是在固定数据划分与计算预算下，对比连续保留状态和每窗重置状态的 EEG 解码表现，并观察跨会话变化时的稳定性。已有 EEG 相关工作尚未检索确认，这一假设不构成已验证的 BCI 效果。

作者：

Qianqian Wang; Yifei Zhang; Aleksander Holynski; Alexei A. Efros; Angjoo Kanazawa

机构：

尚未验证

发表平台：

CoRR 2025

标识：

5elZWjybsS

学术质量 79 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-09-15 · 状态未知

基于摘要分析。该研究针对 EEG 运动想象分类中的被试间差异，提出无监督多源域适应框架，通过对比学习处理各源域与目标域之间以及源域彼此之间的差异，以学习被试不变表征。 核心思路不是仅对齐单一源域和目标域，而是在多源域适应过程中同时考虑源域—目标域与源域—源域的变异。作者将对比学习作为促进被试无关表征学习的机制；但所给材料未说明对比样本如何构造、正负样本如何定义、是否使用伪标签，以及对比目标与分类目标如何组合，这些具体实现尚未验证。 作者报告在四个运动想象数据集上验证了方法，并报告性能优于对照方法。材料未提供数据集名称、被试数量、目标域数据使用范围、被试或会话划分、对照基线及具体指标，因此尚不能判断优势对应何种评估协议，也不能量化提升幅度。 阅读与复现时应重点核对：多源数据的组织方式、源域间差异的建模贡献、目标域适应阶段可使用的数据，以及对比学习在不同被试上的稳定性。实验协议、消融及统计信息尚未验证；方法对新被试的迁移效果仍需结合全文中的数据划分和目标域使用条件评估。

作者：

Chengjian Xu; Yonghao Song; Qingqing Zheng; Qiong Wang; Pheng-Ann Heng

机构：

尚未验证

发表平台：

Expert Syst. Appl. 2025

标识：

voalYJlRBa

学术质量 63 / 100 · 兴趣权重 3 · 按原研究证据理解，不推断适用范围

• openreview · 元数据快照 · 2025-03-04 · 状态未知

基于摘要分析。本文研究多模态大语言模型（MLLMs）因二次计算复杂度、不断增长的 Key-Value 缓存及独立视觉编码器依赖而面临的部署问题，提出 mmMamba，通过渐进蒸馏将已训练的仅解码器 MLLM 转换为线性复杂度的原生多模态状态空间模型。 核心方法包括从已训练 Transformer 构造 Mamba 的初始化策略，以及将 Transformer 知识迁移到 Mamba、同时保留多模态能力的三阶段蒸馏流程。作者称该转换不需要预训练的 RNN-based LLM 或视觉编码器，并可使用适度的学术计算资源完成；具体资源规模尚未验证。框架还支持混合 Transformer 与 Mamba 层，以调整效率和性能的权衡。初始化映射、各阶段训练目标、损失形式及层替换配置均需全文核对。 模型以 Transformer-based、仅解码器的 HoVLE 为蒸馏来源。作者报告，mmMamba-linear 相对已有线性及二次复杂度 VLMs 具有竞争力，mmMamba-hybrid 则进一步改善性能并接近 HoVLE，但摘要未给出任务、数据集和性能指标。在 103K tokens 条件下，相对 HoVLE，作者报告 mmMamba-linear 加速 20.6 倍、GPU 显存减少 75.8%；mmMamba-hybrid 加速 13.5 倍、显存减少 60.2%。硬件、精度、批量大小、计时范围及输入构成尚未验证，不能将这些结果直接推广到其他序列长度或部署条件。摘要提供了代码与模型发布链接，但可复现配置及权重内容尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其可迁移机制是用已训练教师的知识初始化并蒸馏线性复杂度学生，可能对应长时程 EEG 建模的计算与存储瓶颈，而非已证实的 BCI 解码改进。迁移依赖具备相关能力的教师、合适的 EEG 序列表示及足够的蒸馏数据；可考察初始化和分阶段蒸馏流程，但信号输入适配、通道表示与任务监督需要改造。低信噪比、跨被试差异、通道变化及小数据可能使教师误差传递或局部判别信息丢失。一个可检验的小实验是在固定跨被试划分与相同输入长度下，对比 EEG Transformer 教师、蒸馏 Mamba 与直接训练 Mamba 的同一解码指标、延迟和显存，再检查序列变长后的变化。相关 EEG 工作尚未检索确认。

作者：

Bencheng Liao; Hongyuan Tao; Qian Zhang; Tianheng Cheng; Yingyue Li; Haoran Yin; Wenyu Liu; Xinggang Wang

机构：

尚未验证

发表平台：

CoRR 2025

标识：

5OahRbhJG6

学术质量 77 / 100 · 兴趣权重 3 · 机制对应，EEG/BCI 效果尚未验证

• openreview · 元数据快照 · 2026-07-20 · 状态未知

基于摘要分析。本文研究任意图像风格迁移中全局有效感受野与计算成本之间的矛盾，提出基于 Mamba 的 SaMam 框架，以长程依赖建模支持内容与风格信息提取及风格化生成；主要研究对象是图像，而非 EEG 或 BCI。 机制方面，作者采用 Mamba 编码器提取内容和风格信息，并设计风格感知 Mamba 解码器以适应不同风格。针对现有 SSM 的局部像素遗忘、通道冗余和空间不连续问题，框架引入局部增强与 zigzag scan。摘要以 Mamba 的线性复杂度长程建模为设计动机，但未提供这些模块的具体运算、风格条件注入方式、损失函数或训练流程，相关细节尚未验证。 作者报告，定性与定量结果显示 SaMam 在准确性和效率方面优于当前先进方法；摘要未给出数据集、划分、对照方法、指标定义、数值及计算资源条件，因此无法判断优势幅度或比较协议。实验协议、消融及统计信息尚未验证，复现所需实现与训练配置也尚未确认。 平台推测（待验证）：若将长程建模与局部增强用于 EEG，可能对应长时依赖与短暂局部波形需要同时保留的建模问题，但这只是假设，并不意味着图像风格迁移效果可直接转化为 BCI 性能。Mamba 长程建模模块可作为考察对象；图像二维 zigzag scan 则需依据 EEG 的时间顺序与通道拓扑重新设计，不能直接套用。低信噪比、跨被试差异、通道布局变化及小数据训练可能削弱收益。可在固定 EEG 任务和一致的跨被试划分下，对比基础 Mamba 与加入局部增强的版本，以任务指标和计算成本检验收益；zigzag scan 的迁移宜另行验证。已有 EEG 相关工作尚未检索确认。

作者：

Hongda Liu; Longguang Wang; Ye Zhang; Ziru Yu; Yulan Guo

机构：

尚未验证

发表平台：

CoRR 2025

标识：

anwI4vPSLp

学术质量 68 / 100 · 兴趣权重 3 · 前沿观察，迁移价值待评估

• openreview · 元数据快照 · 2025-04-17 · 状态未知