TCN+BiLSTM+注意力机制：多变量时间序列疼痛分类的深度学习方法

米兰理工大学深度学习课程项目提出融合时序卷积网络（TCN）、双向LSTM与注意力机制的混合架构，用于多变量时间序列疼痛分类任务。该项目在193支参赛队伍中取得私有排行榜第32名的成绩，完整展示了从数据探索到模型训练的全流程，为时间序列分类任务提供可复现的参考方案。

本项目来自米兰理工大学《人工神经网络与深度学习》课程2025/2026学年竞赛（Kaggle平台AN2DL Challenge1），任务是基于多变量时间序列数据预测疼痛等级。竞赛共有193支队伍参与，评估采用公共+私有排行榜（最终排名以私有榜为准）。团队“I Neuroni Ribelli”未使用外部数据或预训练模型，最终私有榜排名第32名，公共榜第131名。数据集为“The Pirate Pain Dataset”，包含疼痛感知、受试者特征、关节角度等多维度时间序列数据，目标分类为无疼痛、轻度疼痛、重度疼痛三类。

团队设计的混合架构融合三种时序建模技术：

1. TCN：通过因果卷积、膨胀卷积、残差连接提取多尺度局部特征，支持并行计算；
2. BiLSTM：双向设计捕获历史与未来上下文，建模长期依赖；
3. 注意力机制：自适应加权不同时间步，提升关键帧识别能力与可解释性。 融合策略：原始时间序列→TCN→BiLSTM→Attention→分类器，层次化设计兼顾效率与序列建模能力。

实验采用合理验证策略：时间序列交叉验证、分层抽样、受试者级别划分避免数据泄露。特征工程包括时域统计（均值、方差等）、频域特征（FFT变换）、差分特征、窗口聚合。模型训练使用交叉熵损失、Adam/AdamW优化器，配合Dropout、权重衰减正则化及早停策略防止过拟合。

团队在公共榜排名131，私有榜跃升至32名，泛化能力强。原因包括：模型架构稳健、正则化有效、验证策略合理、无外部数据避免分布偏移。该结果揭示竞赛中公共榜≠最终性能，合理验证比调参更重要。

亮点：混合架构互补设计（TCN局部提取+BiLSTM长期建模+Attention聚焦）、完整教学价值（全流程复现、模块化代码）、实用工具链（Git LFS、Jupyter等）。应用场景可迁移至人体动作识别、医疗监测、工业设备监控等。改进方向：引入Transformer、多尺度融合、时序数据增强、集成学习。

本项目展示了优秀课程作业的品质：清晰思路、完整实现、详尽文档、可复现结果。技术上，混合架构在时间序列分类任务泛化能力优异；教育上，为入门者提供绝佳参考案例。项目既不过于简单也不过于复杂，有效性得到竞赛成绩验证。