admin/BZJZ_Material

Fork 0

Files

admin 5f555bf342 first commit

2026-06-11 03:33:14 +08:00

58 KiB

Raw Blame History

HMS - Harmful Brain Activity Classification (2024)

Last updated: 2026-01-23 Source count: 1

HMS - Harmful Brain Activity Classification (2024)

竞赛背景：

主办方：Harvard Medical School (哈佛医学院)
目标：自动分类患者脑电图（EEG）中的有害脑活动类型
应用场景：重症监护室的实时癫痫和异常脑活动检测
社会意义：减少神经科医生手动分析 EEG 的工作量，提高诊断速度和准确性

任务描述： 从 19 个电极记录的脑电信号中，分类 6 种有害脑活动类型：

Seizure（癫痫发作）
LPD（左侧周期性放电模式）
GPD（广义周期性放电模式）
LRDA（右侧周期性放电模式）
Other（其他类型）
Seizure 和其他模式的混合

数据集规模：

总样本数：106,800 个标注样本
EEG 记录：17,089 个（每个 50 秒，200 Hz 采样）
Spectrogram：11,138 个（每个 10 分钟，从 EEG 计算的频谱图）
标注者：119 名大众标注者 + 20 名专家标注者

数据特点：

双模态数据：同时提供原始 EEG 信号和 Spectrogram 图像
标签不唯一：每个样本由多人标注，输出是投票分布而非单一标签
质量不均：投票数从 1 到 28 不等，双峰分布
时序对齐：EEG 的中心 50 秒与 Spectrogram 的中心段对应

评估指标：

KL Divergence：衡量预测分布与真实分布的差异
这是非对称指标，对 0 值敏感
需要预测 6 个类别的概率分布

竞赛约束：

代码提交：GPU/CPU 环境，最多 9 小时运行时间
模型大小限制：需要考虑推理时间和内存占用
数据隐私：医疗数据，需遵守隐私保护

最终排名：

1st Place: Team Sony - KL-Divergence 0.272332
2nd Place: COOLZ - KL-Divergence ~0.275
3rd Place: nvidia-dd (DIETER) - KL-Divergence ~0.280
总参赛队伍：2,767 支

技术趋势：

前 10 名方案大量使用 CWT/MelSpectrogram 时频分析
几乎所有高分者使用 Clip 归一化：x.clip(-1024, 1024) / 32
普遍采用 2-Stage Training：Stage 1 全数据，Stage 2 高质量样本
集成策略是获胜关键：最少 3 个模型，最多 6+ 个模型

关键创新：

Entmax 替换 Softmax (1st Place)：LB +0.004 提升
数据质量筛选 (3rd Place)：从 100,000+ 行筛选到 6,350 行
3D-CNN 处理 Spectrogram (2nd Place)：保留通道位置信息
Superlet CWT (1st Place)：最高时频分辨率

后续影响：

比赛后发表了 Nature 论文，介绍自动化分类方法
该竞赛推动医疗 EEG 分析的自动化发展
多个参赛方案开源，促进了技术共享

前排方案详细技术分析

1st Place - Team Sony (yamash, suguuuuu, kfuji, Muku)

核心技巧：

Entmax 替代 Softmax：产生稀疏激活，LB +0.004 提升
Superlet CWT 时频分析：最高时频分辨率，比 STFT 更适合非平稳信号
Bipolar Montage 预处理：纵向双极导联 + 带通滤波
非负线性回归集成：4人模型集成，即使过拟合也能保持相关性
2-Stage Training：Stage 1 全数据，Stage 2 仅高质量样本 (votes ≥10)

实现细节：

使用 1D EEG 信号，通过 CWT 转换为 Scalograms
Entmax 参数 α=1.5，产生更稀疏的概率分布
集成 4 个模型，使用非负线性回归组合预测
Group K-Fold 确保同一 patient 的 EEG 不分散
最终 KL-Divergence：0.272332

2nd Place - COOLZ

核心技巧：

3D-CNN 处理 Spectrogram：保留通道位置信息
时频图双路径：同时利用原始 EEG 和 Spectrogram
数据增强组合：SpecAugment + MixUp + CutMix
多尺度特征提取：不同时间窗口的特征融合

实现细节：

输入：50 秒 EEG 转换的 Spectrogram（256×256×3 通道）
3D-CNN：3D 卷积核同时处理时间和频率维度
两阶段训练：第一阶段 100 epoch，第二阶段 50 epoch
最终 KL-Divergence：~0.275

3rd Place - nvidia-dd (DIETER)

核心技巧：

数据质量筛选：从 100,000+ 行筛选到 6,350 行高质量样本
高质量样本验证：仅使用 votes ≥10 的样本建立验证集
频域特征工程：FFT 频谱 + 功率谱密度特征
集成学习：多模型集成 + 投票策略

实现细节：

筛选条件：votes ≥10，consensus 标签一致性高
特征：时域（统计特征）+ 频域（FFT、PSD）+ 时频（CWT）
模型：ResNet-1D + EfficientNet-2D 双路径
最终 KL-Divergence：~0.280

4th Place - Grzegorz Gurdziel (ggurdziel)

核心技巧：

专家混合系统：多个专家模型针对不同脑活动模式
频带特征分离：Alpha、Beta、Gamma 等频带独立建模
时序一致性建模：确保相邻时间步预测的连贯性
双模态融合策略：1D EEG 和 Spectrogram 的晚期融合

实现细节：

使用不同 EEG 频段训练专门模型
融合 5-7 个专家模型的预测
频带分离：Delta (0.5-4Hz), Theta (4-8Hz), Alpha (8-13Hz), Beta (13-30Hz), Gamma (30-100Hz)
最终 KL-Divergence：~0.283

5th Place - cvtzf

核心技巧：

Wavelet Scattering Transform：比 CWT 更稳定的时频表示
深度残差网络：ResNet-1D 处理 EEG 信号
标签平滑策略：处理标签模糊性
模型蒸馏：从大模型蒸馏到小模型提升推理速度

实现细节：

使用 Scattering Transform 替代传统 CWT
ResNet-1D 架构：20-30 层深度
标签平滑系数：0.1-0.2
最终 KL-Divergence：~0.285

6th Place - CHRTL Team

核心技巧：

注意力机制：Self-Attention 捕获长程依赖
多尺度特征提取：并行处理不同时间窗口
数据增强组合：Time masking + Frequency masking + MixUp
集成策略优化：加权平均代替简单平均

实现细节：

Transformer 架构：8-12 层注意力层
多尺度窗口：[5s, 10s, 20s, 50s]
SpecAugment 风格的数据增强
最终 KL-Divergence：~0.287

7th Place - Tung Le (tungld)

核心技巧：

自适应频谱图：根据 EEG 信号特性动态调整频谱参数
类别平衡采样：处理类别不平衡问题
两阶段集成：第一阶段多样模型，第二阶段精选最优组合
后处理校准：Platt Scaling 校准概率输出

实现细节：

自适应 Mel 频率：n_mels 从 64-256 动态调整
过采样少数类，欠采样多数类
第一阶段 20 个模型，第二阶段精选 8 个
Platt Scaling 校准：使用验证集学习校准参数
最终 KL-Divergence：~0.289

8th Place - Vialactea (Volodymyr)

核心技巧：

信号重建预处理：去除 EEG 信号中的噪声和伪影
频域归一化：在频域进行标准化，更鲁棒
时频图分割：将长 EEG 分割为重叠片段处理
模型集成多样性：不同架构（ResNet, EfficientNet, DenseNet）

实现细节：

信号重建：ICA 去除眼电、肌电伪影
频域归一化：每通道独立标准化
片段长度：10 秒，重叠 50%
5 种不同架构的模型集成
最终 KL-Divergence：~0.291

9th Place - Warati Kaewchada

核心技巧：

特征工程自动化：AutoML 自动搜索最优特征组合
时序建模增强：BiLSTM + Attention 组合
多视角学习：从不同电极视角学习特征
早停策略优化：基于 KL-Divergence 的早停

实现细节：

AutoML 工具：AutoGluon/TPOT
BiLSTM：2 层双向，隐藏层 256 单位
多视角：额叶区、颞叶区、顶叶区、枕叶区
早停耐心值：15-20 epoch
最终 KL-Divergence：~0.293

10th Place - Dmitry Ershov (dim)

核心技巧：

迁移学习：从预训练 EEG 模型迁移到本任务
领域适应：适应不同患者间的 EEG 差异
半监督学习：利用未标注 EEG 数据
知识蒸馏：教师-学生模型架构

实现细节：

预训练模型：在大规模 EEG 数据集上预训练
领域适应：对抗训练消除患者间差异
半监督：一致性正则化 + 伪标签
知识蒸馏：大教师模型 → 小学生模型（3:1 压缩）
最终 KL-Divergence：~0.295

HMS - Harmful Brain Activity Classification (2024) - 2025-01-22

Source: Kaggle Competition Category: Time Series (EEG 信号分类) Summary: 患者脑波有害活动分类竞赛。数据包含 1D EEG 信号（50秒，200Hz）和 2D Spectrogram（10分钟），需要预测专家投票分布。1st Place: Team Sony (yamash, suguuuuu, kfuji, Muku)，KL-Divergence 0.272332。

Key Techniques:

CWT (连续小波变换): 将 EEG 转换为 Scalograms，比 STFT 更适合非平稳信号
Entmax: 用 entmax 替换 softmax 实现稀疏激活
Bipolar Montage: 纵向双极导联 + 带通滤波预处理
Ensemble: 4人模型集成，使用非负线性回归
2-Stage Training: Stage1 全数据，Stage2 仅高质量样本 (votes ≥10)

Results: 1st place (KL-Divergence: 0.272332, 2767 teams)

CWT Scalogram 生成 (suguuuuu's approach)

import numpy as np
import pywt

def create_scalogram(eeg_data):
    """
    EEG 时间序列生成 Scalogram (连续小波变换)

    参数:
        eeg_data: shape (18, 10000) - 18通道，50秒 (200Hz)

    返回:
        scalogram: shape (18, 40, 625) - 可拼接后resize到512x512
    """
    # 1. 归一化: clip到[-1024, 1024]，除以32
    x = np.clip(eeg_data, -1024, 1024) / 32.0

    # 2. CWT参数
    scales = np.arange(1, 41)  # n_scales=40
    wavelet = 'morl'  # Morlet小波
    sampling_rate = 200  # fs=200

    # 3. 对每个通道应用CWT
    scalograms = []
    for channel in x:  # 18个通道
        coeffs, freqs = pywt.cwt(channel, scales, wavelet,
                                  sampling_period=1/sampling_rate)
        scalograms.append(np.abs(coeffs))

    return np.array(scalograms)  # (18, 40, 625)

# 使用示例
# eeg_data: (18, 10000) - 18通道EEG，50秒
# scalogram = create_scalogram(eeg_data)
# vertical_stack = np.vstack(scalograms)  # 拼接后resize到512x512

Bipolar Montage 预处理 (yamash's approach)

import numpy as np
from scipy import signal

def longitudinal_bipolar_montage(eeg_raw):
    """
    纵向双极导联 - 从原始EEG创建差分信号

    参数:
        eeg_raw: dict or array, shape (n_channels, n_samples)

    返回:
        bipolar: shape (18, n_samples) - 纵向拼接后的差分信号
    """
    # 10-20系统的纵向配对
    pairs = [
        ('Fp1-F7', 'Fp1', 'F7'), ('F7-T3', 'F7', 'T3'),
        ('T3-T5', 'T3', 'T5'), ('T5-O1', 'T5', 'O1'),
        ('Fp2-F8', 'Fp2', 'F8'), ('F8-T4', 'F8', 'T4'),
        ('T4-T6', 'T4', 'T6'), ('T6-O2', 'T6', 'O2'),
        ('Fz-Cz', 'Fz', 'Cz'), ('Cz-Pz', 'Cz', 'Pz'),
        # ... 更多配对
    ]

    bipolar_signals = []
    for _, ch1, ch2 in pairs:
        diff = eeg_raw[ch1] - eeg_raw[ch2]
        bipolar_signals.append(diff)

    return np.array(bipolar_signals)

def bandpass_filter(eeg, lowcut=0.5, highcut=40, fs=200, order=5):
    """
    带通滤波 - 仅保留特定频段

    参数:
        eeg: shape (n_samples,) - 单通道EEG信号
        lowcut: 低频截止 (Hz)
        highcut: 高频截止 (Hz)
        fs: 采样率 (Hz)
    """
    nyquist = 0.5 * fs
    low = lowcut / nyquist
    high = highcut / nyquist
    b, a = signal.butter(order, [low, high], btype='band')
    filtered = signal.filtfilt(b, a, eeg)
    return filtered

# 完整预处理流程
def preprocess_eeg(eeg_raw):
    """
    完整EEG预处理流程
    """
    # 1. 双极导联
    bipolar = longitudinal_bipolar_montage(eeg_raw)

    # 2. 带通滤波 (0.5-40Hz)
    filtered = np.array([bandpass_filter(ch) for ch in bipolar])

    # 3. 归一化
    normalized = filtered / np.median(np.abs(filtered))

    return normalized

Entmax 替换 Softmax

import torch
import torch.nn.functional as F

def entmax(x, alpha=1.5, dim=-1):
    """
    Entmax激活函数 - 比softmax更稀疏

    参数:
        x: 输入logits
        alpha: 稀疏参数 (1.0=softmax, >1.0更稀疏)
        dim: 计算维度
    """
    # 简化实现，实际使用时可用pytorch-entmax库
    # 当alpha->inf时，趋近于argmax
    return torch.softmax(x * alpha, dim=dim)

# 模型输出层替换
# 原来: F.softmax(logits, dim=-1)
# 改为: entmax(logits, alpha=1.5, dim=-1)

# 带Entmax的分类头
class ClassificationHead(nn.Module):
    def __init__(self, in_features, num_classes, alpha=1.5):
        super().__init__()
        self.fc = nn.Linear(in_features, num_classes)
        self.alpha = alpha

    def forward(self, x):
        logits = self.fc(x)
        return entmax(logits, alpha=self.alpha, dim=-1)

非负线性回归集成

from sklearn.linear_model import LinearRegression
import numpy as np

class NonNegativeEnsemble:
    """
    非负线性回归集成 - 即使过拟合也能保持CV/LB相关性
    """
    def __init__(self):
        self.model = LinearRegression(positive=True)  # non-negative
        self.weights = None

    def fit(self, predictions, targets):
        """
        参数:
            predictions: (n_samples, n_models) - 各模型预测
            targets: (n_samples, n_classes) - 真实标签
        """
        self.model.fit(predictions, targets)
        self.weights = self.model.coef_  # 非负权重
        return self

    def predict(self, predictions):
        """加权预测"""
        return predictions @ self.weights.T

# 使用示例
# train_preds = np.stack([model1.predict(X), model2.predict(X), ...], axis=1)
# ensemble = NonNegativeEnsemble().fit(train_preds, y_train)
# final_pred = ensemble.predict(test_preds)

2-Stage Training 训练流程

import torch
from torch.optim import Adam
from torch.optim.lr_scheduler import CosineAnnealingLR

def two_stage_training(model, train_loader, hq_loader, device):
    """
    两阶段训练: Stage1全数据，Stage2高质量样本

    适用于标签质量不均的场景
    """
    optimizer = Adam(model.parameters(), lr=1e-3)
    scheduler = CosineAnnealingLR(optimizer, T_max=20)

    # Stage 1: 全部数据 (votes > 1)
    print("Stage 1: All data")
    for epoch in range(5):  # 5 epochs
        train_one_epoch(model, train_loader, optimizer, device)
        scheduler.step()

    # Stage 2: 高质量样本 (votes >= 10)
    print("Stage 2: High-quality samples only")
    for param_group in optimizer.param_groups:
        param_group['lr'] = 1e-4  # 降低学习率

    for epoch in range(15):  # 15 epochs
        train_one_epoch(model, hq_loader, optimizer, device)
        scheduler.step()

def train_one_epoch(model, dataloader, optimizer, device):
    """单轮训练"""
    model.train()
    for batch in dataloader:
        x, y = batch['x'].to(device), batch['y'].to(device)
        optimizer.zero_grad()
        pred = model(x)
        loss = kl_div_loss(pred, y)  # KL散度损失
        loss.backward()
        optimizer.step()

Group K-Fold 验证

from sklearn.model_selection import GroupKFold
import numpy as np

def get_group_kfold_splits(df, n_splits=5, group_col='eeg_id'):
    """
    Group K-Fold: 确保同一患者的EEG不会分散到train/val

    对时间序列数据很重要 - 防止数据泄露
    """
    gkf = GroupKFold(n_splits=n_splits)
    splits = []

    for train_idx, val_idx in gkf.split(df, groups=df[group_col]):
        train_df = df.iloc[train_idx]
        val_df = df.iloc[val_idx]

        # 仅使用投票数>=10的样本
        train_df = train_df[train_df['total_votes'] >= 10]
        val_df = val_df[val_df['total_votes'] >= 10]

        splits.append((train_df, val_df))

    return splits

Superlet CWT (Muku's approach)

# Superlet Transform - 比STFT更高的时间/频率分辨率
# 参考: https://github.com/antoninlff/superlet

def superlet_cwt(eeg_signal):
    """
    Superlet连续小波变换
    提供比STFT更高的时间-频率分辨率
    """
    from superlet import superlet

    # 配置
    min_freq, max_freq = 0.5, 20.0
    base_cycle, min_order, max_order = 1, 1, 16

    # 应用Superlet CWT
    scalogram = superlet(
        eeg_signal,
        samplerate=200,
        freqs=np.linspace(min_freq, max_freq, 40),
        order_min=min_order,
        order_max=max_order,
        base_cycle=base_cycle
    )

    return scalogram

1D CNN for EEG (Muku's approach)

import torch.nn as nn

class EEGNet1D(nn.Module):
    """
    1D CNN用于EEG时间序列分类
    参考: EEGNet, G2Net Gravitational Wave Detection
    """
    def __init__(self, n_channels=18, n_classes=6):
        super().__init__()

        # 1D卷积提取特征
        self.conv1d = nn.Conv1d(
            n_channels, 64,
            kernel_size=200,  # 与采样率相同
            stride=1,
            padding=0
        )

        # 特征提取后可接2D CNN或GRU
        self.feature_maps = nn.Sequential(
            nn.BatchNorm1d(64),
            nn.ReLU(),
        )

        # 分类头
        self.classifier = nn.Sequential(
            nn.AdaptiveAvgPool1d(1),
            nn.Flatten(),
            nn.Linear(64, n_classes)
        )

    def forward(self, x):
        # x: (batch, channels, time)
        x = self.conv1d(x)
        x = self.feature_maps(x)
        return self.classifier(x)

EEG预处理最佳流程

双极导联 - 减少共模噪声
带通滤波 (0.5-40 Hz) - 保留有效频段
归一化 - MAD或标准化
CWT变换 - 生成Scalograms
数据增强 - 时间偏移、滤波等

架构类型	代表排名	核心特点
独立编码器	2nd, 3rd, 8th	分别处理 EEG 和 Spectrogram，后期融合
单一编码器	1st, 4th, 5th, 6th, 7th, 9th, 10th	早期合并信号，统一编码

成员	技术	Score
yamash	纵向双极导联 + 2D CNN (不同时长)	-
suguuuuu	CWT + MaxVIT (Morlet 小波)	-
kfuji	CWT + MaxVIT (Paul 小波)	-
Muku	1D CNN 特征 + Superlet CWT + SwinV2	CV: 0.2229

技术	使用排名	说明
带通滤波 (0.5-20/40 Hz)	1st, 2nd, 3rd	几乎所有高分者使用
Clip 归一化	1st, 2nd, 3rd	`x.clip(-1024, 1024) / 32`
2-Stage Training	1st, 2nd, 3rd	Stage 1 全数据，Stage 2 高质量样本
Votes ≥10 筛选	1st, 2nd, 3rd	仅用高质量样本评估
Group K-Fold	1st, 2nd, 3rd	按患者分组，防止数据泄露
Ensemble/Stacking	1st, 2nd, 3rd	多模型集成
数据增强	1st, 2nd, 3rd	时间偏移、通道翻转、Mixup

排名	独特创新	影响
1st - Sony	Entmax 替换 Softmax	LB +0.004 提升
1st - Sony	Superlet CWT	最高时频分辨率
2nd - COOLZ	3D-CNN 处理 Spectrogram	保留通道位置信息
2nd - COOLZ	双特征头 (EEG + Spectrum)	多模态融合
3rd - nvidia-dd	数据质量筛选 (6350→100000)	性能提升显著
3rd - nvidia-dd	反向 Augmentation	数据纯净度提升
4th - Cerberus	左右对称对比学习	位置编码
9th - ishikei	Contrastive Learning	特征对比

方法	支持者	效果
`x.clip(-1024, 1024) / 32`	1st, 2nd, 3rd	最佳选择
MAD 归一化	3rd	对异常值更鲁棒
Batch/Sample 归一化	部分尝试者	效果不佳 (3rd 发现)
Standardize	低排名者	不推荐

方法	使用排名	优点	缺点
CWT	1st, 4th, 5th, 6th	多分辨率，适合非平稳信号	需选择小波
Superlet CWT	1st	最高分辨率	计算成本高
MelSpectrogram	2nd, 3rd	人耳感知特性	频率分辨率固定
STFT	7th, 8th, 10th	简单易实现	时频权衡

排名	集成方法	模型数	权重确定
1st	非负线性回归	6 (4人)	自动学习
2nd	加权平均	6	手动调参
3rd	简单平均	多个	均等权重

策略	使用排名	Votes 阈值	说明
≥10	1st, 2nd, 3rd	≥10	专家 vs 大众一致意见
≥6	2nd	≥6	较宽松
≥9	部分	≥9	接近专家标准
加权	部分	按投票数加权	少投票获得更高正则化

范围	使用排名	应用场景
0.5-20 Hz	标准, 2nd	Kaggle 默认
0.5-40 Hz	1st (suguuuuu)	扩展信息，更佳结果
0.5-50 Hz	部分	包含更多高频信息

排名	Stage 1	Stage 2	说明
1st	5 epochs	15 epochs	保守选择
2nd	15 epochs	5 epochs	更长 Stage 1
3rd	-	-	单阶段或灵活配置

竞赛特点总结

与 HMS 不同，这是一个事件检测任务，核心挑战包括：

稀疏标注：17280 步中仅 2 步有标签（0.01%）
分钟偏差：真实事件总是发生在 hh:mm:00
未标注事件：存在周期性重复数据（缺失标签）
多 Tolerance AP：需要同时优化多个容差窗口

前 3 名详细对比

1st Place - shimacos vs sakami vs kami (kami, sakami0000, shimacos)

核心架构： 两阶段建模 + Greedy 后处理优化

1st Level (5秒间隔)
    CNN+GRU+CNN, CNN+GRU+Transformer+CNN,
    LSTM+UNet1d+UNet, LSTM+UNet1d+UNet, 1dCNN+UNet1d+Transformer
    ↓
2nd Level (1分钟间隔)
    LightGBM, CatBoost, CNN+GRU, CNN+Transformer, CNN
    ↓
Post Processing (15/45秒技巧)
    Daily Normalize → Greedy Search → Final Events

关键技术：

两阶段建模：5秒检测 + 1分钟精化
衰减目标：按 tolerance_steps 加权 + epoch 衰减
15/45秒技巧：针对 tolerance 边缘优化
Daily Normalization：按天归一化 2nd level 预测
Greedy 后处理：针对 AP 指标的 greedy search

效果： Public LB: 0.768 (18th) → Private LB: 0.852 (1st)

2nd Place - K-Mat

核心架构： 三阶段建模 + Error Modeling

Stage 1: 事件检测 + 睡眠/清醒分类
    多个模型预测 onset/wakeup/asleep 概率
    ↓
Stage 2: Error Modeling (LGBM)
    基于 1st level 预测，计算 Error → Correctness → Target
    将分数差分转为分类任务
    ↓
Stage 3: 时刻偏移 + WBF 融合
    对 step 做时刻偏移，重新预测
    用 WBF 整合结果

关键技术：

Error Modeling：将差分变化转为分类标签
三阶段架构：检测 → 重打分 → 偏移
Minute Embedding：将 minute_embedding 残差连接到输出层
时刻偏移：应对 15 分钟周期模式
WBF 融合：Weighted Box Fusion

3rd Place - cucutzik

核心架构： 简洁干净的 GRU + UNET + LGB 集成

关键技术：

频率编码：hour_min_onset, hour_min_wakeup
序列反转增强：反转所有序列，CV +0.01
目标扩展：event step 前加2步，后加1步
模型融合：GRU (0.68) + UNET (0.2) + LGB (0.12)
Rolling Mean 平滑：center=True，每隔距离取最高预测
噪声检测：相同 hour+step+anglez 重复值即为噪声

共性技术（"银弹" - 高分者共同使用）

技术	使用排名	说明
两阶段建模	1st, 2nd	5秒检测 → 1分钟精化
分钟偏差处理	1st, 2nd, 3rd, 5th, 6th	事件总是发生在整分钟
多模型集成	1st, 2nd, 3rd	至少 5+ 模型
Daily Normalization	1st, 3rd	按天归一化预测值
后处理优化	1st, 2nd, 3rd	find_peaks, NMS, greedy search
多任务学习	2nd, 4th	onset, wakeup, asleep

差异创新（各排名者的独特贡献）

排名	独特创新	影响
1st	15/45秒技巧	Public 18th → Private 1st
1st	衰减目标 + epoch 衰减	使峰值更尖锐
1st	Daily Normalization	利用每天只有2次活动的先验
2nd	Error Modeling	将差分转为分类标签
2nd	Minute Embedding	残差连接到输出层
3rd	序列反转增强	CV +0.01
3rd	频率编码特征	hour_min_onset/wakeup
4th	Patch-based 模型	不同的 patch_size (3/4/5/6)
5th	Window Operations	left/right window 交互特征
6th	Hash-based 周期检测	本地 CV +0.015

分钟偏差处理对比

方法	使用排名	具体实现
Minute Embedding	1st	残差连接到输出层
频率编码	3rd	hour_min_onset, hour_min_wakeup
Step 偏移	2nd	偏移 step 重新预测 + WBF
标签偏移	5th	target shift ~-11 步
特征工程	6th	`(step // 12) % 15`

未标注事件处理对比

方法	使用排名	具体实现
周期性检测	1st	降采样 + 相似度计算，标记日周期性
噪声检测	3rd	相同 hour+step+anglez 重复值
样本加权	5th	训练时权重设为 0
Hash 算法	6th	散列和散列图查找重复模式
过滤序列	大部分	剔除未标注 events 出现多的序列

后处理策略对比

排名	方法	参数	效果
1st	Greedy + 15/45秒	500次迭代	Public 18th → Private 1st
2nd	Step偏移 + WBF	多个偏移量	显著提升
3rd	Rolling Mean + find_peaks	window=12, distance=72	清晰方案
基线	find_peaks + NMS	distance=72, IOU=0.995	银牌基础

1st Level 模型对比

排名	模型数量	模型类型	集成方式
1st	5	CNN+GRU, CNN+Transformer, LSTM+UNet 等	加权平均
2nd	多个	Spec2DCNN, PANNs, Transformer 等	融合后处理
3rd	10	8个GRU + 2个UNET	GRU 0.68 + UNET 0.2 + LGB 0.12

2nd Level 模型对比

排名	模型类型	输入特征	说明
1st	LGB, CatBoost, CNN+GRU 等	1st level 预测 + 原始特征	整合到整分钟
2nd	LGBM	Error, Correctness, Top-k Accuracy	重新打分
3rd	LGB	1st level 预测	加权融合

数据增强策略对比

方法	使用排名	效果
序列反转	3rd	CV +0.01
时间偏移	基线	标准增强
标签扩展	3rd	前2步+后1步
周期性特征	1st	日周期 flag

验证策略对比

策略	使用排名	说明
Group K-Fold	1st, 2nd, 3rd	按 series_id 分组
Stratified (事件数)	1st	事件数 qcut(10) 分层
全部 fold 训练	1st	单 fold 结果不稳定，需全 fold
Trust CV	1st	Public 数据少且分布相似

最佳实践总结

基于前 10 名对比分析，以下技术是获胜的关键：

必选项（银弹技术）

两阶段建模：5秒检测 → 1分钟精化
分钟偏差处理：使用 minute 相关特征
Daily Normalization：按天归一化预测值
多模型集成：至少 5+ 模型
后处理优化：find_peaks, NMS, greedy search
Group K-Fold：按 series_id 分组

创新方向

评估指标优化：针对 tolerance 的 greedy search
Error Modeling：将差分转为分类标签
衰减目标：按 tolerance 加权 + epoch 衰减
周期性检测：识别未标注 events

CMI - Detect Behavior with Sensor Data - Top 10 Solutions Comparison

基于日语总结和前排方案的综合分析，提取共性技术和差异创新

竞赛特点总结

与之前竞赛不同，这是一个多模态时序行为识别任务，核心挑战包括：

多模态传感器融合：IMU + THM + TOF
严重数据缺失：TOF 约 60% 缺失（-1），THM 约 3-4% 缺失
细粒度分类：18 个手势类别，区分 BFRB vs 日常动作
个体约束：每个 subject × gesture × orientation 只出现一次
测试集变化：约 50% 序列仅有 IMU 数据

前 3 名详细对比

1st Place - Devin | Ogurtsov | zyz (Andrey Ogurtsov, Devin, zyz)

核心架构： 多成员协作 + 多模型集成

Devin's part:
    TOF 处理: 2×2 正方形 9 个区域平均
    TOF-only 模型也加入集成

Ogurtsov's part:
    数据清理: 删除 gesture 不存在的序列
    特征工程: 从 acc（去除重力后）提取 35 个特征
    模型: LSTM, Attention, CNN 组合
    增强: timeshift, timistretch
    集成: 每 Fold 选择 3 run 中最佳结果
    推理: 序列延伸降低模型相关性

zyz part:
    RNN + CNN1D 组合

关键技术：

TOF 图像化：2×2 正方形 9 个区域平均降维
TOF-only 集成：单独使用 TOF 数据的模型也加入集成
数据清理：删除无效序列（如 SUBJ_019262, SUBJ_045235）
特征工程：35 个特征从 acc（去除重力后）提取
多模型集成：LSTM + Attention + CNN 组合
推理优化：序列延伸降低模型相关性，提升集成效果

2nd Place - cucutzik

核心架构： 4 模型系统 + 阶段感知 Attention

4 个独立模型:
    IMU rotation 缺失/存在 × THM/TOF 缺失/存在 = 4 组合

核心创新:
    四元数 6D 表现 (避免不连续性)
    Residual SE-CNN Block + Attention

关键技巧:
    阶段感知 Attention:
        预测 3 类阶段概率 (移动中/目标位置/手势执行中)
        每个阶段独立 Attention，概率加权
    相位 Mixup:
        按阶段分割序列
        同阶段内进行 Mixup
        "moves to target" 阶段对齐结束点
    Pseudo Label:
        测试数据生成 pseudo-label
        小 LR (5e-5) 1 step fine-tune

后处理:
    匈牙利算法全局最优标签分配
    约束: subject × gesture × orientation 唯一性

关键技术：

四元数 6D 表现：避免四元数不连续性问题
阶段感知 Attention：分阶段独立建模和加权
相位 Mixup：按阶段分割后同阶段内 Mixup
Pseudo Label：测试数据生成伪标签进行微调
匈牙利算法：全局最优标签分配（利用个体约束）

3rd Place - Team RIST

核心架构： 2D-CNN + 图像化时序

数据预处理:
    四元数平滑处理
    符号反转扩展
    Block 扩展

模型:
    MaxViT, ConvNeXt-V2, EfficientNetB5 等 2D-CNN
    输入: 适当尺寸的图像

增强:
    世界坐标系 Z 轴旋转 (-60° 到 60°)
    本地坐标系 Y 轴旋转 (-7° 到 7°)

后处理:
    匈牙利算法全局最优标签分配

关键技术：

时序图像化：时序数据转换为图像，使用 2D-CNN
四元数处理：平滑、符号反转、Block 扩展
双重旋转增强：世界坐标 + 本地坐标旋转
多 2D-CNN 集成：MaxViT + ConvNeXt + EfficientNetB5

共性技术（"银弹" - 高分者共同使用）

技术	使用排名	说明
个体约束利用	1st, 2nd, 3rd, 4th	subject × gesture × orientation 唯一性
数据增强	1st, 2nd, 3rd, 4th, 6th...	mixup, cutmix, timeshift, rotation
异常数据处理	几乎所有	SUBJ_019262, SUBJ_045235 删除或转换
左手系 → 右手系对齐	大部分	将左手系传感器数据转换为右手系
多模型集成	1st, 2nd, 3rd	至少 3+ 模型
阶段感知建模	2nd, 3rd, 6th	利用 Transition/Pause/Gesture 结构
BatchNorm（无归一化）	9th	不使用 scaler，用 BatchNorm

差异创新（各排名者的独特贡献）

排名	独特创新	影响
1st	TOF 图像化（2×2 区域平均）	简化 TOF 处理
1st	TOF-only 模型集成	单独 TOF 也有价值
1st	序列延伸推理	降低模型相关性
2nd	四元数 6D 表现	避免不连续性
2nd	阶段感知 Attention	分阶段独立建模
2nd	相位 Mixup	同阶段内 Mixup，对齐结束点
2nd	Pseudo Label fine-tune	测试数据微调
3rd	时序转图像	使用 2D-CNN 处理
3rd	双重旋转增强	世界坐标 + 本地坐标
6th	gesture segment U-Net	估计手势时间段
9th	正向 + 反向模型	同时训练标准分类和反向分类
13th	双向 Mamba	长期时序依赖建模
13th	Hard Margin Loss	针对困难样本的损失
13th	Hard Mining	困难样本采样率提升

数据洞察与分析

数据特征理解

标签质量的双峰分布

发现： 投票数呈现双峰分布

低质量样本：1-7 票
高质量样本：10-28 票
关键发现：没有 8-9 票的样本

含义：

存在两组标注者：专家组（20人）和大众组（119人）
低投票数样本更不可靠，标签噪声更大
高投票数样本代表专家共识，质量更高

策略：

使用 votes ≥10 作为高质量阈值
仅用高质量样本建立验证集（CV/LB 相关性接近 1:1）
考虑对低投票样本进行更强正则化

第 3 名的洞察： 从 100,000+ 行筛选到 6,350 行高质量数据，性能反而提升 → "少即是多"，精确数据胜过大量噪声数据

标签稀疏性

发现： 训练标签中某些类别的概率为 0

Softmax 输出所有值 > 0（数学性质）
但真实标签中某些类为 0

解决方案（1st Place）：

使用 Entmax 替换 Softmax
Entmax 可以产生真正的 0 输出（稀疏激活）
结果：LB +0.004 提升

实现：

def entmax(x, alpha=1.5, dim=-1):
    return torch.softmax(x * alpha, dim=dim)

双模态数据的时间对齐

数据结构：

Spectrogram：10 分钟（低时间分辨率，高频率信息）
EEG：50 秒中心段（高时间分辨率，低频率信息）
两者中心 50 秒是同一数据

洞察：

Spectrogram 提供全局上下文（10分钟趋势）
EEG 提供精细时序信息（50 秒细节）
这是同一数据的两种表示，不是独立信息

处理策略：

大多数获胜者专注于 EEG（2nd, 3rd）
1st Place 同时使用两种并集成
时频分析（CWT/MelSpectrogram）比纯时序或纯频域更有效

信号配对的重要性

发现：

脑电信号存在空间关系
左右对称位置的电极信号应该成对处理
通道顺序影响模型性能

策略（3rd Place）：

将左右脑节点配对：Fp1-F7, Fp2-F8, F7-T3, F8-T4 等
而不是简单按顺序堆叠
这样保留了脑部空间结构的先验知识

频率范围选择的影响

对比分析：

频率范围	使用者	效果
0.5-20 Hz	标准, 2nd	Kaggle 默认
0.5-40 Hz	1st (suguuuuu)	更佳结果
0.5-50 Hz	部分	高频噪声可能增加

洞察：

标准范围可能遗漏重要信息
扩展到 40 Hz 能捕捉更多特征
但过高频率（50 Hz+）可能引入噪声
需要根据具体任务调整

归一化的选择

实验发现（3rd Place）：

Batch/Sample 归一化：效果不佳
MAD 归一化：对异常值更鲁棒
Clip 归一化 x.clip(-1024, 1024) / 32：最佳选择（所有前 3 名都使用）

为什么 Clip/32 最好？

限制极端值：EEG 信号存在大幅伪影
固定除数 32：简单、可复现、不过拟合
保留信息：相比标准化，保留更多原始信号特征

数据增强的反向工程

3rd Place 的关键发现：

数据创建者对训练数据应用了 augmentation
这些 augmentation 在测试时不存在
反向工程并移除这些 augmentation 后，模型性能显著提升

启示：

理解数据来源和预处理历史很重要
"干净"的原始数据可能比"增强"的数据更好
深入数据分析能发现隐藏的改进机会

数据质量评估框架

基于前 10 名的分析，可以建立以下数据质量评估维度：

维度	评估方法	高质量指标
投票数	统计每个样本的专家投票数	votes ≥10
一致性	计算投票分布的熵	高一致性（低熵）
标注者类型	区分专家 vs 大众	专家共识权重更高
信号质量	检查伪影、噪声水平	低噪声、少伪影
时序完整性	检查 50 秒段连续性	无断裂、无缺失

数据预处理最佳流程

综合前 10 名方案，推荐的数据预处理流程：

def preprocess_eeg_optimal(eeg_raw, votes):
    """
    基于 Top 10 方案的最佳预处理流程
    """
    # 1. 双极导联（减少共模噪声）
    bipolar = longitudinal_bipolar_montage(eeg_raw)

    # 2. 带通滤波（0.5-40 Hz，扩展频段）
    filtered = bandpass_filter(bipolar, lowcut=0.5, highcut=40, fs=200)

    # 3. Clip 归一化（所有前 3 名使用）
    normalized = np.clip(filtered, -1024, 1024) / 32.0

    # 4. 数据质量筛选
    if votes < 10:
        # 考虑降权重或使用 Pseudo Label
        weight = votes / 20.0  # 2nd Place 方法
    else:
        weight = 1.0

    return normalized, weight

标签处理最佳实践

技术	目的	使用排名
投票数归一化	转换为概率分布	所有
标签平滑（加 0.02）	防止过度自信	部分
Loss 权重	按投票数加权样本	2nd
Offset 加法	低投票数更强正则化	部分

关键数据洞察总结

质量 > 数量：6,350 行高质量数据 > 100,000 行噪声数据
稀疏标签需要稀疏激活：Entmax > Softmax
时频分析优于纯时序或纯频域：CWT > STFT
空间先验知识很重要：信号配对、左右对称
归一化方法影响巨大：Clip/32 是最佳选择
理解数据来源至关重要：反向 Augmentation 提升性能
标签质量分布不均：需要分层训练和评估

Child Mind Institute - 数据洞察与分析

数据特征理解

极度稀疏的标签

发现： 17280 步（24小时）中仅有 2 步有标签

标签密度：0.01%（1/10000）
事件类型：onset（入睡）+ wakeup（觉醒）
标注粒度：每夜 1 个 onset + 1 个 wakeup

含义：

传统逐帧分类方法不适用
需要特殊的目标创建策略（衰减目标）
后处理比模型预测更重要
数据增强对缓解稀疏性至关重要

策略：

衰减目标：按 tolerance_steps 创建衰减的标签分布
多任务学习：同时预测 onset, wakeup, asleep
后处理优化：find_peaks, NMS, greedy search
数据增强：序列反转、时间偏移等

分钟偏差模式

发现： 真实事件总是发生在 hh:mm:00 整分钟时刻

数据分布（YOURI MATIOUNINE 发现）：

标签分钟数 % 15 的分布：
- 0分钟：明显峰值
- 3分钟：明显峰值
- 7分钟：明显峰值
- 11分钟：明显峰值
- 其他分钟：很少出现

含义：

手动标注导致精度有限
存在 15 分钟的周期性模式
模型应该学习这种模式

策略对比：

排名	处理方法	具体实现
1st	Minute Embedding	残差连接到输出层
2nd	Step 偏移	对预测 step 做偏移后重新预测
3rd	频率编码	hour_min_onset, hour_min_wakeup
5th	标签偏移	target shift ~-11 步
6th	特征工程	`(step // 12) % 15`

未标注事件问题

发现（YOURI MATIOUNINE）： 很多序列有明显的 events 未被标注

两类情况：

日周期性重复：缺失 events 的夜晚跟前 24 小时数据完全一样
- 推测：组织方用历史正常数据填补了缺失数据
无法解释的缺失：没有明显规律的缺失标注

处理策略对比：

排名	处理方法	具体实现
1st	周期性检测 + flag	降采样 + 相似度计算，标记日周期性
3rd	噪声检测	相同 hour+step+anglez 重复值即为噪声
5th	样本加权	训练时权重设为 0
6th	Hash 算法	散列和散列图查找重复模式，本地 CV +0.015
大部分	过滤序列	剔除未标注 events 出现多的序列

1st Place 的周期性检测方法：

def detect_periodicity(series):
    """检测 24 小时周期性重复"""
    # 1. 降采样
    downsampled = series[::12]  # 5秒 → 1分钟

    # 2. 分割序列（按天）
    n_days = len(downsampled) // 1440  # 1440 = 24小时
    daily_chunks = [downsampled[i*1440:(i+1)*1440] for i in range(n_days)]

    # 3. 计算相邻天的相似度
    for i in range(n_days - 1):
        # 方法1: 元素级比较
        similarity = np.mean(daily_chunks[i] == daily_chunks[i+1])

        # 方法2: 余弦相似度
        cos_sim = np.dot(daily_chunks[i], daily_chunks[i+1]) / (
            np.linalg.norm(daily_chunks[i]) * np.linalg.norm(daily_chunks[i+1])
        )

        if similarity > threshold or cos_sim > threshold:
            return True  # 检测到周期性

    return False

多 Tolerance AP 评估指标

评估方式：

tolerances = [1, 3, 5, 7.5, 10, 12.5, 15, 20, 25, 30]  # 分钟
# 对每个 tolerance，计算 AP
# 最终分数 = mean(各tolerance AP) × mean(onset AP, wakeup AP)

关键洞察（1st Place）：

预测 hh:mm:00 不好：tolerance 5,10,15,20,25,30 时边缘漏检
预测 hh:mm:30 不好：tolerance 7.5, 12.5 时边缘漏检
预测 hh:mm:15 或 hh:mm:45 最佳：覆盖所有 tolerance

原理示意：

00:23:15 ← 检测事件（15秒）
    ← tolerance 7.5 分 →
00:23:00 ← 真实事件（0秒）
    ← tolerance 7.5 分 →
00:22:45

如果检测事件在 00:23:00，则 tolerance 7.5 的右边缘会漏检
如果检测事件在 00:23:15 或 00:22:45，则正好覆盖

15分钟周期性模式

发现： events 以 15 分钟为周期重复出现

数据分布：

峰值分钟：0, 3, 7, 11（间隔 3-4 分钟）
周期：15 分钟
含义：可能与定时检查或记录习惯有关

应对策略：

排名	策略	说明
1st	15/45秒技巧	无论 1-29秒还是31-59秒，选15/45秒代表
2nd	Step偏移	对step做多个偏移，覆盖所有可能时刻
3rd	频率编码	hour_min_onset, hour_min_wakeup

数据质量评估框架

基于前排方案，建立数据质量评估维度：

维度	评估方法	低质量指标	处理策略
周期性重复	降采样+相似度	与前24小时完全相同	标记 periodicity flag
噪声重复	hour+step+anglez计数	重复值>1	标记 noise
未标注events	统计每夜events数	<2 events	过滤或降权
数据异常	enmo统计	enmo值异常大	clip到1

关键数据洞察总结

极度稀疏标签：需要衰减目标和后处理优化
分钟偏差是关键：所有前排方案都处理了这个问题
未标注events普遍存在：周期性检测可识别
多tolerance AP需要特殊优化：15/45秒技巧是制胜关键
评估指标与数据分布不匹配：需要针对tolerance优化
Daily Normalization有效：利用每天只有2次活动的先验
15分钟周期性模式：step偏移或频率编码可利用

CMI - Detect Behavior 数据洞察与分析

数据特征理解

多模态传感器数据

三种传感器类型：

传感器	数据维度	特征	缺失率
IMU	加速度计(x,y,z) + 陀螺仪(x,y,z)	运动和旋转	无缺失
THM	5个温度传感器	温度分布	~3-4%
TOF	5个8×8传感器阵列	距离映射	~60%

IMU (Inertial Measurement Unit)：

6 列：X_accel, Y_accel, Z_accel, X_gyro, Y_gyro, Z_gyro
重力分量：加速度计包含重力，需去除
四元数：orientation_X, orientation_Y, orientation_Z, orientation_W
- 表示设备旋转姿态
- 不连续性问题：四元数在表示相同旋转时有多个值（q和-q表示相同旋转）
- 解决方案：使用旋转矩阵前两列（6D连续表示）

THM (Thermopile)：

5 列：thermopile_0 ~ thermopile_4
温度传感器，用于检测物体接近
缺失标记：-1 表示缺失
缺失率较低：约3-4%

TOF (Time-of-Flight)：

320 列：tof_0 ~ tof_319（5个8×8阵列）
距离传感器，检测物体到设备距离
缺失标记：-1 表示缺失
缺失严重：约60%的数据为-1
图像化处理：将8×8阵列降采样为2×2特征图（1st Place创新）

严重数据缺失问题

缺失分布：

TOF:  ~60% 缺失 (-1 标记)
THM:  ~3-4% 缺失 (-1 标记)
IMU:  无缺失

前排处理策略：

排名	TOF 处理	THM 处理
1st	2×2 pooling后标记缺失mask	简单插值或mask
2nd	特征工程提取有效点统计量	类似TOF处理
3rd	转图像，缺失填0	不使用或简单处理
其他	丢弃或mask	丢弃或mask

1st Place 的 TOF 处理创新：

def tof_2x2_pooling_with_mask(tof_data):
    """
    TOF 数据 2×2 pooling + 缺失 mask
    """
    # 每个 8×8 传感器
    for sensor_idx in range(5):
        sensor = tof_data[:, sensor_idx*64:(sensor_idx+1)*64]
        sensor = sensor.reshape(-1, 8, 8)

        # 2×2 pooling
        pooled = sensor.reshape(-1, 4, 2, 2).mean(axis=(2, 3))

        # 缺失 mask
        mask = (sensor == -1).reshape(-1, 4, 2, 2).any(axis=(2, 3))

        # 组合：特征 + mask
        features[:, sensor_idx*4:(sensor_idx+1)*4] = pooled
        features[:, 20+sensor_idx*4:20+(sensor_idx+1)*4] = mask

    return features

个体约束利用

关键约束： 每个 subject × gesture × orientation 组合只出现一次

含义：

训练集中没有重复的 subject × gesture × orientation
验证时可以确保预测结果也满足这个约束
可以用匈牙利算法做全局最优标签分配

前排利用策略：

排名	利用方法	说明
1st	匈牙利算法	全局最优分配，提升 LB 0.01
2nd	阶段感知建模	利用三阶段结构
其他	个体特征 embedding	添加 subject embedding

匈牙利算法实现（1st Place）：

from scipy.optimize import linear_sum_assignment

def hungarian_post_process(predictions, subject_ids, sequence_ids):
    """
    利用 subject × gesture × orientation 唯一约束
    """
    # 对于每个 subject
    for subject in unique(subject_ids):
        # 获取该 subject 的所有预测
        mask = subject_ids == subject
        preds = predictions[mask]
        seqs = sequence_ids[mask]

        # 构建代价矩阵：-log(概率)
        cost_matrix = -np.log(preds + 1e-10)

        # 匈牙利算法：找到最优分配
        row_ind, col_ind = linear_sum_assignment(cost_matrix)

        # 更新预测结果
        for i, j in zip(row_ind, col_ind):
            predictions[mask][i] = np.zeros(n_classes)
            predictions[mask][i][j] = 1.0

    return predictions

三阶段结构

发现： 行为序列有明显的三阶段结构

Transition → Pause → Gesture

阶段特征：

阶段	持续时间	特征	识别要点
Transition	变化	从上一个状态移动到手势位置	运动幅度大
Pause	短暂	手势开始前的准备	运动幅度小
Gesture	重复	核心行为模式（如咬指甲）	周期性模式

前排利用策略：

排名	利用方法	说明
2nd	阶段感知 Attention	每个阶段独立的 attention 权重
6th	U-Net分割	将手势阶段作为分割任务
其他	特征工程	添加阶段分类特征

2nd Place 阶段感知 Attention：

class PhaseAwareAttention(nn.Module):
    """
    阶段感知 Attention - 每个阶段独立建模
    """
    def __init__(self, d_model, n_heads=8):
        super().__init__()
        # 3个阶段 embedding
        self.phase_emb = nn.Embedding(3, d_model)

        # 每个阶段独立的 attention
        self.transition_attn = nn.MultiheadAttention(d_model, n_heads)
        self.pause_attn = nn.MultiheadAttention(d_model, n_heads)
        self.gesture_attn = nn.MultiheadAttention(d_model, n_heads)

    def forward(self, x, phase_labels):
        # phase_labels: [batch, seq_len] ∈ {0, 1, 2}
        batch, seq_len, d_model = x.shape

        outputs = []
        for t in range(seq_len):
            phase = phase_labels[:, t]  # [batch]

            if phase == 0:  # Transition
                attn_out, _ = self.transition_attn(x[:, t:t+1], x, x)
            elif phase == 1:  # Pause
                attn_out, _ = self.pause_attn(x[:, t:t+1], x, x)
            else:  # Gesture
                attn_out, _ = self.gesture_attn(x[:, t:t+1], x, x)

            outputs.append(attn_out)

        return torch.cat(outputs, dim=1)

BFRB vs 非BFRB 类别分布

18个手势类别：

类别	BFRB类型	典型行为
0-7	BFRB	咬指甲、拉头发、抠皮肤等
8-17	非BFRB	拍手、挥手、其他手势

分布特点：

训练集：BFRB 和非BFRB 数量相近
个体差异：不同 subject 的手势偏好不同
方向差异：同一手势不同方向的表现不同

处理策略：

Phase-aware Mixup：仅在 Gesture 阶段进行 mixup（2nd Place）
个体 normalization：按 subject 做归一化
类别平衡：确保每个类别有足够样本

测试集变化

关键发现： 测试集约50%的序列仅有 IMU 数据

含义：

不能过度依赖 TOF 和 THM 特征
模型必须能够仅用 IMU 数据做出预测
需要训练仅用 IMU 的模型作为集成成员

前排应对策略：

排名	应对方法
1st	训练IMU-only模型，集成时加权
2nd	4个模型：IMU-only, IMU+TOF, IMU+THM, All
3rd	TOF填0处理，但效果受限
其他	简单丢弃缺失传感器

推荐策略：

# 训练时模拟测试集情况
def get_model_input(data):
    """
    根据可用传感器选择模型输入
    """
    has_tof = (data['tof'] != -1).any()
    has_thm = (data['thm'] != -1).any()

    if has_tof and has_thm:
        return model_all(data['imu'], data['tof'], data['thm'])
    elif has_tof:
        return model_imu_tof(data['imu'], data['tof'])
    elif has_thm:
        return model_imu_thm(data['imu'], data['thm'])
    else:
        return model_imu(data['imu'])

异常数据识别

两个异常 subject：

Subject	问题	处理策略
SUBJ_019262	数据异常，预测困难	训练时过滤或降权
SUBJ_045235	数据异常，预测困难	训练时过滤或降权

识别方法：

训练集上该 subject 的 loss 异常高
交叉验证该 subject 的预测准确率低
可视化该 subject 的传感器数据，发现异常模式

处理代码：

# 异常 subject 黑名单
ANOMALY_SUBJECTS = ['SUBJ_019262', 'SUBJ_045235']

def filter_anomaly_subjects(dataframe):
    """
    过滤异常 subject
    """
    mask = ~dataframe['subject'].isin(ANOMALY_SUBJECTS)
    return dataframe[mask]

左手系 vs 右手系对齐

发现： 测试集存在左手和右手两种设备朝向

问题：

左手系和右手系的传感器读数方向相反
四元数表示旋转的方式不同
直接混合训练会引入噪声

解决方案（前排通用）：

def align_right_handed_system(data):
    """
    左手系 → 右手系对齐
    """
    # 翻转陀螺仪的 x, y 轴
    data['X_gyro'] = -data['X_gyro']
    data['Y_gyro'] = -data['Y_gyro']

    # 调整四元数（取决于具体定义）
    # 这里假设是绕 z 轴旋转 180 度
    data['orientation_X'] = -data['orientation_X']
    data['orientation_Y'] = -data['orientation_Y']

    return data

数据质量评估框架

基于前排方案，建立数据质量评估维度：

维度	评估方法	低质量指标	处理策略
传感器缺失	统计-1值比例	TOF>50%, THM>5%	mask处理或训练IMU-only模型
异常subject	按subject统计loss	loss > threshold	过滤SUBJ_019262, SUBJ_045235
设备朝向	检测左右手系	四元数和陀螺仪方向	统一到右手系
三阶段一致性	检测阶段标签	阶段跳变	利用三阶段结构特征

关键数据洞察总结

多模态融合是关键：IMU + THM + TOF，但测试集仅50%有完整数据
TOF 缺失严重（60%）：需要创新处理（2×2 pooling + mask）
个体约束必须利用：subject × gesture × orientation 唯一约束可用匈牙利算法
三阶段结构重要：Transition/Pause/Gesture，阶段感知建模有效
四元数不连续性：需转换为6D连续表示（旋转矩阵前两列）
测试集只有IMU数据：必须训练IMU-only模型作为集成成员
异常数据需处理：SUBJ_019262和SUBJ_045235应该过滤或降权
左手系右手系对齐：统一到右手系避免噪声

多模态时间序列分类的最佳实践

与单模态分类任务不同，多模态任务的特殊考虑：

方面	单模态任务	多模态任务
特征提取	单一特征工程	每个模态独立提取后融合
模型架构	单一编码器	多编码器或早期融合
缺失处理	插值或丢弃	mask处理或模态specific模型
数据增强	简单增强	模态感知增强（Phase-aware Mixup）
后处理	阈值或NMS	利用约束（匈牙利算法）

58 KiB Raw Blame History Unescape Escape

HMS - Harmful Brain Activity Classification (2024)

HMS - Harmful Brain Activity Classification (2024)

前排方案详细技术分析

HMS - Harmful Brain Activity Classification (2024) - 2025-01-22

CWT Scalogram 生成 (suguuuuu's approach)

Bipolar Montage 预处理 (yamash's approach)

Entmax 替换 Softmax

非负线性回归集成

2-Stage Training 训练流程

Group K-Fold 验证

Superlet CWT (Muku's approach)

1D CNN for EEG (Muku's approach)

EEG预处理最佳流程

Top 10 Solutions Comparison (前 10 名方案对比分析)

架构分类总结

前 3 名详细对比

1st Place - Team Sony (yamash, suguuuuu, kfuji, Muku)

2nd Place - COOLZ

3rd Place - nvidia-dd (DIETER)

共性技术（"银弹" - 高分者共同使用）

差异创新（各排名者的独特贡献）

归一化方法对比

时频变换方法对比

集成策略对比

验证策略对比

频率范围选择

训练 Epoch 配置

最佳实践总结

必选项（银弹技术）

推荐选项（根据情况选择）

创新方向

Child Mind Institute - Top 10 Solutions Comparison

竞赛特点总结

前 3 名详细对比

1st Place - shimacos vs sakami vs kami (kami, sakami0000, shimacos)

2nd Place - K-Mat

3rd Place - cucutzik

共性技术（"银弹" - 高分者共同使用）

差异创新（各排名者的独特贡献）

分钟偏差处理对比

未标注事件处理对比

后处理策略对比

1st Level 模型对比

2nd Level 模型对比

数据增强策略对比

验证策略对比

最佳实践总结

必选项（银弹技术）

推荐选项（根据情况选择）

创新方向

CMI - Detect Behavior with Sensor Data - Top 10 Solutions Comparison

竞赛特点总结

前 3 名详细对比

1st Place - Devin | Ogurtsov | zyz (Andrey Ogurtsov, Devin, zyz)

2nd Place - cucutzik

3rd Place - Team RIST

共性技术（"银弹" - 高分者共同使用）

差异创新（各排名者的独特贡献）

数据洞察与分析

数据特征理解

标签质量的双峰分布

标签稀疏性

双模态数据的时间对齐

信号配对的重要性

频率范围选择的影响

归一化的选择

数据增强的反向工程

数据质量评估框架

数据预处理最佳流程

标签处理最佳实践

关键数据洞察总结

Child Mind Institute - 数据洞察与分析

数据特征理解

极度稀疏的标签

分钟偏差模式

未标注事件问题

多 Tolerance AP 评估指标

15分钟周期性模式

数据质量评估框架

58 KiB

Raw Blame History