AegisEER-SOTA v5 FlowBench

赛题定制版 EEG 跨被试情绪识别冲榜工程。v5 在 v4 的 MAE + Contrastive + 多教师 + DE/PSD classical ensemble 基础上，新增：

• PARS relative-shift pretraining：学习 EEG 长程时间组成关系；
• JET-lite conditional flow matching：对 raw EEG 进行连续流匹配预训练，并加入 PSD / signal statistics 约束；
• Flow-consistency teacher：用连续扰动路径上的 prediction consistency 增强跨被试鲁棒性；
• OmniEEG-style validation：在 window-level ACC/AUC 外，新增 trial-level subject-wise top-4 指标；
• 4-teacher distillation + classical DE/PSD fusion：Teacher A/B/C/D + Student + Final + Classical 概率级融合；
• subject-wise top-4 decoding：每个测试被试 8 段中概率最高 4 段判为积极。

数据放置

data_raw/
  train/
    DEP/DEP1003timedata.mat
    HC/HC1003timedata.mat
  test/
    P_test1.mat
    ...
  template.xlsx

从零运行 v5

bash scripts/build.sh aegis-eer-sota:v5
bash scripts/run_docker.sh aegis-eer-sota:v5
bash scripts/full_sota_pipeline.sh configs/sota_4x4090.yaml data_raw/train data_raw/test data_raw/template.xlsx

最终文件：

outputs/submission_ensemble_v5.xlsx
outputs/prob_ensemble_v5.csv
outputs/diagnosis_v5.csv

如果已经有 v4 的 pretrain_base.pt

bash scripts/resume_from_pretrain_stage_v5.sh configs/sota_4x4090.yaml data_raw/template.xlsx

关键输出

checkpoints/mae_base.pt
checkpoints/pars_base.pt
checkpoints/pretrain_base.pt
checkpoints/teacher_a_fold0_seed3407.pt
checkpoints/teacher_b_fold1_seed2025.pt
checkpoints/teacher_c_fold2_seed777.pt
checkpoints/teacher_d_fold3_seed2605.pt
checkpoints/student_distilled_v5.pt
checkpoints/final_all_subjects_v5.pt
outputs/submission_ensemble_v5.xlsx

注意

• v5 默认 DENSE_STRIDE=625。如需更快，可临时使用 DENSE_STRIDE=1250。
• 训练日志中的 trial_top4_bacc / trial_auc 比普通 window-level ACC 更接近线上 top-4 提交流程。
• 不建议只看最后 epoch；以 best.pt 为准。