正在读取演示片段…
所有分类预测及 E5 神经网络去噪均在你的浏览器中实时计算，不读取预存预测。固定噪声及 E3/E4 预处理波形由正式 Python 代码预先生成。E2–E6 使用同一份噪声，E6 更换分类模型而不做去噪。首次使用某一折需下载约 4.5 MB 模型（另有约 11 MB 通用运行库）。
演示范围与验证方式
从每折测试集的 W、N1、N2、N3、REM 各随机抽取 2 个片段（种子 4330），共 50 个；未根据预测好坏筛选。每条记录自动匹配其测试折模型。ONNX 转换保留原模型参数与 E5 缩放；全部 500 个片段条件组合、3000 个分类输出已与原 Python 程序核对。浏览器浮点计算可能有微小差异。耗时只包含本机模型计算，不含模型下载及已准备好的 E3/E4 预处理，不用于方法性能排名。
可选：运行五折各 10 种条件的 300 项分类核对；首次需下载全部模型。
查看转换核验摘要先看波形和预测，再结合五折整体结果解释。
从单个例子，回到整体实验
以下为已完成的五折测试 Macro-F1，不随上方片段变化。单个片段只能说明一次预测，不能代表整体效果。
| 测试条件 | E2 | E4 | E5 | E6 | E4 变化 |
|---|---|---|---|---|---|
| 九种噪声平均 | 58.14% | 62.93% | 69.89% | 73.37% | +4.79 pp |
| Clean | 75.08% | 71.42% | 73.81% | 74.24% | −3.66 pp |
| 中 Gaussian | 49.40% | 68.18% | 65.50% | 72.53% | +18.79 pp |
| 强 Gaussian | 20.10% | 64.55% | 50.74% | 70.08% | +44.45 pp |
E4 的总体收益主要来自中、强 Gaussian；其余七种噪声条件均有下降。展示改善和失败的例子，才能完整解释方法边界。