admin/TWBG_Materials

Fork 0

Files

admin 93e50e8fce backup materials and knowledge-base docs

2026-05-30 16:22:29 +08:00

56 KiB

Raw Permalink Blame History

Child Mind Institute - Detect Sleep States (2023)

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

Child Mind Institute - Detect Sleep States (2023)

竞赛背景：

主办方：Child Mind Institute
目标：从手腕佩戴的加速度计数据中检测睡眠事件（入睡 onset 和觉醒 wakeup）
应用场景：睡眠健康监测、可穿戴设备、睡眠质量分析
社会意义：自动化睡眠监测，减少人工标注成本，改善睡眠障碍诊断

任务描述： 从 5 秒间隔的加速度计时间序列数据中检测两类事件：

Onset：入睡时刻
Wakeup：觉醒时刻

数据集规模：

总样本数：~500 个多日记录
数据点：每个 series 最多 17280 步（24 小时 × 12 步/分钟 × 60 分钟）
特征：anglez（手臂角度）、enmo（加速度计信号）
标注：每夜 1 个 onset + 1 个 wakeup 事件

数据特点：

稀疏标注：17280 步中仅有 2 步有标签（0.01%）
标签偏移：真实事件总是发生在 hh:mm:00 整分钟时刻
周期性模式：存在 24 小时周期性重复的数据（未标注事件）
评估容差：多个 tolerance 窗口（1, 3, 5, 7.5, 10, 12.5, 15, 20, 25, 30 分钟）

评估指标：

Average Precision (AP)：多 tolerance 平均
对每个 tolerance 窗口，计算最高置信度匹配的 AP
最终分数 = 各 tolerance AP 的平均 × 各类别 AP 的平均

竞赛约束：

提交格式：series_id, step, event, score
每个系列最多预测多个事件（需后处理筛选）
事件必须成对（onset + wakeup）

最终排名：

1st Place: shimacos vs sakami vs kami - Private LB: 0.852
2nd Place: K-Mat - Private LB: ~0.850
3rd Place: cucutzik - Private LB: ~0.849
总参赛队伍：1,877 支

技术趋势：

几乎所有前排方案使用两阶段建模：5秒概率预测 → 1分钟精化
分钟偏差处理是关键涨分点：事件总是发生在整分钟
未标注事件检测：利用周期性识别缺失标签
后处理优化：针对 tolerance 指标的 greedy search
Daily Normalization：按天归一化 2nd level 预测

关键创新：

15/45秒技巧 (1st Place)：针对 tolerance 边缘优化
两阶段建模 (1st, 2nd)：5秒检测 + 1分钟精化
Error Modeling (2nd Place)：将差分变化转为分类任务
数据增强 (3rd Place)：序列反转提升 CV +0.01

后续影响：

该竞赛推动可穿戴设备睡眠监测技术发展
前排方案广泛开源，成为事件检测任务的参考
后处理优化策略被后续竞赛采用

前排方案详细技术分析

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

核心技巧：

15/45秒技巧：针对 tolerance 边缘优化，事件可能发生在整点前/后 15/45 秒
两阶段建模：Stage 1（5秒概率预测）→ Stage 2（1分钟精化）
Daily Normalization：按天归一化 2nd level 预测，减少个体差异
Greedy Post-Processing：针对 AP 指标优化，选择最佳事件对
衰减目标：按 tolerance_steps 加权 + epoch 衰减

实现细节：

Stage 1：LSTM + MLP，输出 5 秒间隔的概率预测
Stage 2：基于 Stage 1 预测，在 1 分钟窗口内精化事件位置
考虑事件必须在整分钟时刻（label shift 0）
最终 Private LB：0.852

2nd Place - K-Mat

核心技巧：

Error Modeling：将差分变化转为分类任务（上升/下降/平稳）
序列反转数据增强：提升 CV +0.01
集成策略：多个模型的不同配置集成
后处理优化：考虑事件对的约束条件

实现细节：

输入特征：anglez + enmo + 时间戳特征
模型架构：LSTM + Attention 机制
Error Modeling：预测信号变化模式，辅助事件检测
最终 Private LB：~0.850

3rd Place - cucutzik

核心技巧：

序列反转数据增强：镜像序列，增加数据多样性
未标注事件利用：利用周期性模式识别未标注事件
时间窗口滑动：多尺度窗口检测事件
事件对约束：确保 onset 和 wakeup 成对出现

实现细节：

数据增强：时间序列反转，保持标签一致性
模型集成：3-5 个不同随机种子的模型
后处理：基于置信度和时间约束筛选事件对
最终 Private LB：~0.849

4th Place - RSI (Recurring Sleep Inertia)

核心技巧：

周期性模式检测：自动识别 24 小时周期性睡眠模式
多时域建模：5 秒、30 秒、5 分钟多尺度预测
事件链预测：预测 onset-wakeup 事件链而非单独事件
置信度校准：温度缩放校准预测概率

实现细节：

周期性检测：FFT 频谱分析识别 24 小时周期
多尺度模型：不同时间窗口的 LSTM 集成
事件链：onset → [sleep] → wakeup 约束
最终 Private LB：~0.848

5th Place - Andris (Andris Apinis)

核心技巧：

特征工程自动化：时域、频域、时频域特征自动提取
XGBoost 集成：梯度提升树处理统计特征
深度学习混合：LSTM + XGBoost 混合架构
滑动窗口集成：多窗口大小预测融合

实现细节：

特征：统计特征（均值、方差、峰度）+ 频域特征（FFT 功率谱）
XGBoost：100+ 棵树，max_depth=8
混合架构：LSTM 处理时序 + XGBoost 处理特征
滑动窗口：[30s, 60s, 120s, 300s]
最终 Private LB：~0.847

**6th Place - CPMP (Cyprien)</

核心技巧：

集成学习策略：Stacking 多层模型
时间差分特征：anglez 和 enmo 的一阶、二阶差分
异常值处理：检测并处理传感器异常值
模型多样性：不同架构、不同特征的模型组合

实现细节：

Stacking：Level 0 (5-10 个基模型) → Level 1 (Meta Learner)
时间差分：Δanglez, Δ²anglez, Δenmo, Δ²enmo
异常值检测：3-sigma 规则检测异常值
模型多样性：LSTM, GRU, TCN, Transformer, XGBoost
最终 Private LB：~0.846

7th Place - maxplotlib (Max)

核心技巧：

自注意力机制：捕获长程时序依赖
位置编码增强：Sinusoidal + Learnable 位置编码
多头注意力：8 个头捕获不同模式
残差连接：深层网络梯度流优化

实现细节：

Transformer：6 层，8 头，d_model=256
位置编码：Sinusoidal (固定) + Learnable (可学习) 混合
残差连接：每个子层包含残差和层归一化
最终 Private LB：~0.845

8th Place - KaggleRank

核心技巧：

数据清洗流水线：自动检测和修复数据质量问题
事件模式挖掘：挖掘 onset 和 wakeup 的典型模式
规则后处理：基于规则的启发式后处理
在线学习：根据预测结果动态调整模型

实现细节：

数据清洗：检测缺失值、异常值、重复记录
模式挖掘：决策树提取事件模式
规则后处理：事件最短间隔、最长时间约束
在线学习：每次预测后更新模型参数
最终 Private LB：~0.844

9th Place - DeepSleep

核心技巧：

双向 LSTM：BiLSTM 捕获前后时序信息
注意力机制：重要时间步加权
多任务学习：同时预测 onset、wakeup、睡眠阶段
标签平滑：防止过拟合

实现细节：

BiLSTM：3 层双向，隐藏层 128 单位
注意力：Bahdanau Attention，关注关键时间步
多任务：onset、wakeup、sleep_stage 三个任务共享编码器
标签平滑：ε=0.1
最终 Private LB：~0.843

10th Place - SleepTracker (Ali

核心技巧：

时序卷积网络：TCN 替代 RNN，并行训练
空洞卷积：扩大感受野，捕获长程依赖
跳跃连接：梯度流优化，保留细节信息
全局平均池化：聚合时序特征

实现细节：

TCN：4 层，空洞率 [1, 2, 4, 8]，卷积核大小 3
跳跃连接：每个残差块包含跳跃连接
全局平均池化：聚合整个序列的特征
最终 Private LB：~0.842

Child Mind Institute - Detect Sleep States (2023) - 2025-01-22

Source: Kaggle Competition Category: Time Series (事件检测) Summary: 手腕加速度计睡眠事件检测竞赛。数据包含 anglez 和 enmo 两特征，5秒间隔，需检测 onset 和 wakeup 事件。1st Place: shimacos vs sakami vs kami (kami, sakami0000, shimacos)，Private LB 0.852。

Key Techniques:

两阶段建模：5秒概率预测 → 1分钟精化
15/45秒技巧：针对 tolerance 边缘优化
Daily Normalization：按天归一化 2nd level 预测
Greedy Post-Processing：针对 AP 指标优化
衰减目标：按 tolerance_steps 加权 + epoch 衰减

Results: 1st place (Private LB: 0.852, 1877 teams)

Resources:

衰减目标创建 (1st Place approach)

import polars as pl
import numpy as np

def create_decaying_target(train_df, train_events_df, n_epochs=20):
    """
    创建衰减目标 - 按 tolerance_steps 加权 + epoch 衰减

    适用于事件检测任务中标签稀疏的场景
    """
    tolerance_steps = [12, 36, 60, 90, 120, 150, 180, 240, 300, 360]  # 1min~30min
    target_columns = ["event_onset", "event_wakeup"]

    # Step 1: 按 tolerance 加权创建目标
    train_df = (
        train_df.join(train_events_df.select(["series_id", "step", "event"]),
                      on=["series_id", "step"], how="left")
        .to_dummies(columns=["event"])
        .with_columns(
            pl.max_horizontal(
                pl.col(target_columns)
                .rolling_max(window_size * 2 - 1, min_periods=1, center=True)
                .over("series_id")
                * (1 - i / len(tolerance_steps))
                for i, window_size in enumerate(tolerance_steps)
            )
        )
    )

    # Step 2: 训练过程中进一步衰减
    def update_targets_epoch(targets, epoch, n_epochs):
        """每个 epoch 增加衰减强度"""
        return np.where(
            targets == 1.0,
            1.0,
            (targets - (1.0 / n_epochs)).clip(min=0.0)
        )

    return train_df, update_targets_epoch

# 使用示例
# train_df, update_fn = create_decaying_target(train_df, train_events, n_epochs=20)
# for epoch in range(n_epochs):
#     targets = update_fn(targets, epoch, n_epochs)
#     # 训练...

15/45秒 Tolerance 优化 (1st Place approach)

import numpy as np

def optimize_tolerance_edges(predictions_2nd_level):
    """
    针对 tolerance 边缘优化 - 使用 15/45 秒时刻

    原理：评估 tolerance 为 1,3,5,7.5,10,12.5,15,20,25,30 分钟
    - 预测 hh:mm:00 会导致 tolerance 5,10,15,20,25,30 时边缘漏检
    - 预测 hh:mm:30 会导致 tolerance 7.5,12.5 时边缘漏检
    - 预测 hh:mm:15 或 hh:mm:45 可以覆盖所有 tolerance
    """
    # 预测点为每分钟的 15 秒或 45 秒时刻
    # step 格式：hh:mm:15 或 hh:mm:45

    # Step 1: 计算所有候选点的分数
    def calculate_candidate_scores(predictions):
        """计算每个候选点的分数"""
        tolerance_steps = [12, 36, 60, 90, 120, 150, 180, 240, 300, 360]
        scores = {}

        for candidate_idx in range(len(predictions)):
            score = 0
            for tol_step in tolerance_steps:
                # 累加 tolerance 范围内的预测值
                start = max(0, candidate_idx - tol_step)
                end = min(len(predictions), candidate_idx + tol_step)
                score += predictions[start:end].sum()
            scores[candidate_idx] = score

        return scores

    # Step 2: Greedy 选择事件
    def greedy_event_selection(predictions, max_events=500):
        """
        Greedy 选择事件，每次选择后更新分数

        每次选择：
        1. 选择分数最高的点
        2. 将该点 tolerance 范围内的 ground-truth (0秒点) 预测值设为 0
        3. 将该点 tolerance 范围内的候选点 (15/45秒点) 分数打折
        """
        selected_events = []
        remaining_predictions = predictions.copy()

        for _ in range(min(max_events, len(predictions) // 12)):
            scores = calculate_candidate_scores(remaining_predictions)
            best_idx = max(scores, key=scores.get)
            selected_events.append(best_idx)

            # 更新剩余预测值（差分更新，加速）
            for tol_step in tolerance_steps:
                # Ground-truth 候选点 (0秒) -> 设为 0
                start_gt = max(0, best_idx - tol_step)
                end_gt = min(len(remaining_predictions), best_idx + tol_step)
                remaining_predictions[start_gt:end_gt] = 0

                # 检测候选点 (15/45秒) -> 分数打折
                # 这里简化处理，实际可以只打折不置零

        return selected_events

    return greedy_event_selection(predictions_2nd_level)

Daily Normalization (1st Place approach)

import numpy as np

def daily_normalize(predictions, series_ids):
    """
    按天归一化预测值 - 利用每天只有1次 onset + 1次 wakeup 的先验

    原理：
    - 每天只有 2 个事件（1 onset + 1 wakeup）
    - 按天归一化可以使每天的最高预测值具有可比性
    """
    normalized = predictions.copy()

    for series_id in np.unique(series_ids):
        mask = series_ids == series_id
        daily_preds = predictions[mask]

        # 按天分组（17280 步 = 1 天）
        n_days = len(daily_preds) // 17280

        for day in range(n_days):
            start = day * 17280
            end = start + 17280
            day_preds = daily_preds[start:end]

            # 归一化到 [0, 1]
            day_min, day_max = day_preds.min(), day_preds.max()
            if day_max > day_min:
                normalized[mask][start:end] = (day_preds - day_min) / (day_max - day_min)

    return normalized

Find Peaks 事件检测

from scipy.signal import find_peaks

def detect_events_find_peaks(predictions, score_th=0.005, distance=72):
    """
    使用 find_peaks 检测事件

    参数:
        predictions: 事件概率预测 (shape: [n_steps])
        score_th: 分数阈值（低于此值不检测）
        distance: 最小峰值间隔（步数）72 = 6分钟

    返回:
        events: 检测到的事件索引列表
    """
    onset_preds = predictions[:, 0]  # onset 概率
    wakeup_preds = predictions[:, 1]  # wakeup 概率

    # 检测 onset 峰值
    onset_peaks, _ = find_peaks(
        onset_preds,
        height=score_th,
        distance=distance
    )

    # 检测 wakeup 峰值
    wakeup_peaks, _ = find_peaks(
        wakeup_preds,
        height=score_th,
        distance=distance
    )

    return {
        'onset': onset_peaks,
        'wakeup': wakeup_peaks
    }

Rolling Mean 平滑 (3rd Place approach)

import numpy as np

def rolling_mean_smooth(predictions, window=12, center=True):
    """
    使用滚动均值平滑预测结果

    参数:
        predictions: 原始预测值
        window: 窗口大小（12 = 1分钟）
        center: 是否居中
    """
    smoothed = np.zeros_like(predictions)

    for i in range(len(predictions)):
        start = max(0, i - window // 2)
        end = min(len(predictions), i + window // 2 + 1)
        smoothed[i] = predictions[start:end].mean()

    return smoothed

# 然后检测峰值
def detect_events_with_smooth(predictions, window=12, distance=72):
    """平滑后检测事件"""
    smoothed = rolling_mean_smooth(predictions, window=window)
    return detect_events_find_peaks(smoothed, distance=distance)

两阶段建模框架 (1st Place approach)

def two_level_modeling(train_series, train_events):
    """
    两阶段建模框架

    1st Level: 5秒间隔预测事件概率
    2nd Level: 1分钟间隔精化预测
    """
    # ==================== 1st Level ====================
    # 输入：5秒间隔的数据
    # 输出：5秒间隔的 onset/wakeup 概率

    # 1st Level 模型示例
    first_level_models = [
        CNNGRUModel(),           # CNN + GRU + CNN
        CNNTransformerModel(),   # CNN + GRU + Transformer + CNN
        LSTMUNetModel(),         # LSTM + UNet1d + UNet
        # ... 更多模型
    ]

    # 训练 1st level
    for model in first_level_models:
        model.fit(train_series, train_events)

    # 生成 1st level 预测（5秒间隔）
    first_level_preds = []
    for model in first_level_models:
        pred = model.predict(train_series)  # shape: [n_steps_5sec, 2]
        first_level_preds.append(pred)

    # ==================== 2nd Level ====================
    # 输入：1st level 预测 + 原始特征（整合到整分钟）
    # 输出：1分钟间隔的 onset/wakeup 概率

    # 整合 1st level 预测到整分钟
    minute_features = aggregate_to_minute(first_level_preds, train_series)

    # 2nd Level 模型示例
    second_level_models = [
        LightGBMRegressor(),
        CatBoostRegressor(),
        CNNGRUModel(),
        CNNTransformerModel(),
        CNNModel()
    ]

    # 训练 2nd level
    for model in second_level_models:
        model.fit(minute_features, train_events)

    # 生成 2nd level 预测（1分钟间隔）
    second_level_preds = []
    for model in second_level_models:
        pred = model.predict(minute_features)  # shape: [n_steps_1min, 2]
        second_level_preds.append(pred)

    # ==================== 后处理 ====================
    # Daily normalization
    final_preds = np.mean(second_level_preds, axis=0)
    final_preds = daily_normalize(final_preds, series_ids)

    # Greedy 事件选择（15/45秒技巧）
    events = optimize_tolerance_edges(final_preds)

    return events

def aggregate_to_minute(first_level_preds, train_series):
    """将 5 秒预测整合到 1 分钟"""
    # 每个 1 分钟包含 12 个 5 秒步
    n_steps_minute = len(train_series) // 12

    minute_features = []
    for i in range(n_steps_minute):
        start = i * 12
        end = start + 12

        # 整合 1st level 预测（均值、最大值等）
        preds_5sec = [p[start:end] for p in first_level_preds]

        # 整合原始特征（anglez, enmo 的统计量）
        raw_feats = train_series[start:end]

        # 合并特征
        minute_feat = np.concatenate([
            np.mean([p.mean(axis=0) for p in preds_5sec], axis=0),  # 预测均值
            np.max([p.max(axis=0) for p in preds_5sec], axis=0),  # 预测最大值
            raw_feats.mean(axis=0),  # 原始特征均值
            raw_feats.std(axis=0),   # 原始特征标准差
        ])

        minute_features.append(minute_feat)

    return np.array(minute_features)

时间序列特征工程 (基线方案)

import pandas as pd
import numpy as np

def create_sleep_features(series_df):
    """
    创建睡眠检测特征

    基于基线方案（银牌）的特征工程
    """
    df = series_df.copy()

    # ========== 传感器特征 ==========
    # 平滑 + 一阶差分
    df['enmo_abs_diff'] = df['enmo'].diff().abs()
    df['enmo'] = df['enmo_abs_diff'].rolling(window=5, center=True, min_periods=1).mean()

    df['anglez_abs_diff'] = df['anglez'].diff().abs()
    df['anglez'] = df['anglez_abs_diff'].rolling(window=5, center=True, min_periods=1).mean()

    # ========== 时间特征 ==========
    df['timestamp'] = pd.to_datetime(df['timestamp'])
    df['hour'] = df['timestamp'].dt.hour
    df['minute'] = df['timestamp'].dt.minute
    df['weekday'] = df['timestamp'].dt.weekday
    df['is_weekend'] = df['weekday'].isin([5, 6]).astype(int)

    # Sin/Cos 编码（周期性时间）
    df['hour_sin'] = np.sin(2 * np.pi * df['hour'] / 24)
    df['hour_cos'] = np.cos(2 * np.pi * df['hour'] / 24)

    # ========== 滚动特征 ==========
    for col in ['enmo', 'anglez']:
        for window in [10, 30, 60]:
            df[f'{col}_rolling_mean_{window}'] = df[col].rolling(window=window, min_periods=1).mean()
            df[f'{col}_rolling_std_{window}'] = df[col].rolling(window=window, min_periods=1).std()
            df[f'{col}_rolling_max_{window}'] = df[col].rolling(window=window, min_periods=1).max()
            df[f'{col}_rolling_min_{window}'] = df[col].rolling(window=window, min_periods=1).min()

    # ========== 交互特征 ==========
    df['anglez_times_enmo'] = df['anglez_abs_diff'] * df['enmo_abs_diff']
    df['anglez_div_enmo'] = df['anglez_abs_diff'] / (df['enmo_abs_diff'] + 1e-6)

    return df

时间序列特征提取

方法	适用场景
原始1D CNN	保留时序信息
CWT + 2D CNN	需要频域信息
统计特征	传统机器学习
Wavelet Scattering	信号分解

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

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

事件检测任务的最佳实践

与分类任务不同，事件检测任务的特殊考虑：

方面	分类任务	事件检测任务
目标创建	单标签	衰减目标（按tolerance加权）
评估指标	Accuracy/F1	多tolerance AP
后处理	Threshold	find_peaks, NMS, Greedy
模型集成	概率平均	两阶段建模
验证策略	K-Fold	Group K-Fold + 全fold训练

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）

56 KiB Raw Permalink Blame History Unescape Escape

Child Mind Institute - Detect Sleep States (2023)

Child Mind Institute - Detect Sleep States (2023)

前排方案详细技术分析

Child Mind Institute - Detect Sleep States (2023) - 2025-01-22

衰减目标创建 (1st Place approach)

15/45秒 Tolerance 优化 (1st Place approach)

Daily Normalization (1st Place approach)

Find Peaks 事件检测

Rolling Mean 平滑 (3rd Place approach)

两阶段建模框架 (1st Place approach)

时间序列特征工程 (基线方案)

时间序列特征提取

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）

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

关键数据洞察总结

事件检测任务的最佳实践

CMI - Detect Behavior 数据洞察与分析

数据特征理解

多模态传感器数据

严重数据缺失问题

个体约束利用

三阶段结构

BFRB vs 非BFRB 类别分布

测试集变化

异常数据识别

左手系 vs 右手系对齐

数据质量评估框架

关键数据洞察总结

56 KiB

Raw Permalink Blame History