Der Gesundheitszustand (SOH) einer Li-Ionen-Batterie ist ein kritischer Parameter, der die verbleibende Kapazität und den verbleibenden Lebenszyklus der Batterie bestimmt. In dieser Arbeit schlagen wir SambaMixer vor, ein neues strukturiertes Zustandsraummodell (SSM) zur Vorhersage des Gesundheitszustands von Li-Ionen-Batterien. Das vorgeschlagene SSM basiert auf der MambaMixer-Architektur, die entwickelt wurde, um multivariate Zeitreihensignale zu verarbeiten. Wir evaluieren unser Modell anhand des NASA-Batteriedischarge-Datensatzes und zeigen, dass unser Modell den aktuellen Stand der Technik auf diesem Datensatz übertrifft. Des Weiteren führen wir eine neue, ankerbasierte Resampling-Methode ein, die sicherstellt, dass Zeitreihensignale die erwartete Länge haben und gleichzeitig als Augmentierungstechnik dient. Schließlich konditionieren wir die Vorhersage durch die Verwendung positioneller Codierungen auf der Probenahmezeit und dem Zykluszeitenunterschied, um die Leistungsfähigkeit unseres Modells zu verbessern und Rekuperationseffekte zu lernen. Unsere Ergebnisse belegen, dass unser Modell in der Lage ist, den SOH von Li-Ionen-Batterien mit hoher Genauigkeit und Robustheit vorherzusagen.