感谢组织者举办这场有趣的挑战赛，也祝贺所有享受比赛过程的参与者！这是一场充满乐趣的竞赛，尽管数据只是非常简单的一维数据。我期待看到各种精彩的解决方案。

我的解决方案概述

我的处理流程包含以下阶段：

• 第一阶段
  • 数据预处理与特征工程
  • 使用1DCNN（U-NET）进行事件检测与睡眠/清醒分类
  • 1D CNN的后处理（如峰值检测）
• 第二阶段
  • 使用机器学习替代难以调整的后处理
  • 通过LGBM重新评分，考虑每天最多2个事件的限制
• 第三阶段
  • 通过调整基础预测的步长尽可能多地预测事件
  • 使用LGBM对生成的预测进行评分
• 集成阶段
  • 结合平均化和WBF集成方法

我认为第二阶段是最独特的部分。该模型用于预测从第一阶段获得的候选事件的每日准确率曲线。

第一阶段：事件检测与睡眠/清醒分类

第二阶段：考虑每天最多2个事件限制的置信度重评分

概念

我应用第二阶段主要基于以下两个原因：

1. 每天事件数少于2个

第一阶段的神经网络无法考虑本竞赛最重要的限制：每天最多发生两次事件。哪个更重要？

A) 当天第三个候选事件，置信度0.20
B) 当天第一个候选事件，置信度0.19

在许多情况下，后者比前者更重要，尽管其置信度较低。

长期特征处理

神经网络非常强大，但不擅长处理元特征和长期周期性特征。例如：
"他可能比平时睡得更久，这可能不是真正的醒来"
"与前几天相比，这次发作相对不明确"

如何训练第二阶段模型

第三阶段：尽可能添加更多事件

集成策略

• 准备2个CNN模型
• 对每个模型进行10次（5折×2随机种子）预测平均
• 对每个模型运行第二阶段
• 对两个模型进行类WBF集成
• 运行第三阶段

消融实验

尚未完成

• CV分数：
  • 第一阶段：0.826 (-0.019)
  • 添加第二阶段：0.832 (-0.012)
  • 添加第三阶段：0.842 (-0.002)
  • 添加模型集成（2个模型）：0.844（基准，最终提交）