第21名解决方案：使用去噪的Conv1d

我的第21名解决方案基于一个优秀的公开notebook（链接）。我提交的最终方案是5个相似模型的集成（公共LB: 0.433，私有LB: 0.324）。我最好的私有LB成绩来自一个单模型（公共LB: 0.421，私有LB: 0.327），在此发布：单模型推理代码。

模型结构

模型基本结构包含3个不同的Conv1d模块，随后进行拼接（concatenate）和展平（flatten），最终输出4个类别标签。

使用的特征包括：Time_frac、AccV、AccML、AccAP、V_ML、V_AP、ML_AP（后三个是AccV、AccML和AccAP中任意两个的差值）。其中Time_frac是一个强特征（提升约0.1），但也存在争议。采用多分类方法，标签包括StartHesitation、Turn、Walking和Normal。

去噪处理

使用的去噪代码非常简单：

def wavelet_denoising_2(x, wavelet='db4'):
    coeffs = pywt.wavedec(x, wavelet, mode="per")
    coeffs[len(coeffs)-1] *= 0
    coeffs[len(coeffs)-2] *= 0
    result = pywt.waverec(coeffs, wavelet, mode='per')
    if len(x)%2==1:
        result = result[:-1]
    return result

窗口大小设置

defog_window_size = 200
defog_window_future = 50
tdcsfog_window_size = 256
tdcsfog_window_future = 64

以上即为核心方案，并无特别之处。感谢阅读！:)
期待看到更多顶尖且有趣的解决方案！