信息速览

数据集名称两秒心电片段六级致命度分级：1,016 段

数据类型心室颤动,心室扑动,尖端扭转型室速,室性心动过速,心律失常分级,短片段分类,功率谱密度,监护报警

规模22

接入方式圣彼得堡电工大学（Saint Petersburg Electrotechnical University LETI）生物技术系统系；阿尔马佐夫国家医学研究中心心脏病学研究实验室；原始记录取自 MIT-BIH Malignant Ventricular Ectopy Database

AI 就绪度

心律监护仪最怕的不是测不出心搏，而是报警响成一片却没人理会。真正要命的室颤在监护病房里一晚上可能只出现一次，而误报可能几十次，两者的代价并不对等。而要让一个算法学会分辨「这次真的要命」和「这次只是噪声」，就得有一份带标签的、按危险程度排序的短片段。这正是这份数据想做的事：把「危险」变成一条从一到六的序。

做法不复杂：从 MIT-BIH 恶性室性早搏数据库的二十二条半小时记录里，把每一处心律失常各切一段出来，再由心内科医生逐段核对分级。最后得到一千零一十六段，装进六个文件夹。

而我把目录、RECORDS、以及十八段抽样片段的头文件都打开核对了一遍，发现有几个尺寸和条目页写的不一样——采样率、时长、文件后缀，三处都对不上。这三处不影响数据集的价值，但会直接影响第一行代码怎么写，所以值得先讲清楚。

§1 它是什么：一份按致命程度排序的心电片段库

1.1 一句话定义与四条边界

这是一份短片段心电分类基准：一千零一十六段短心电信号，每段绑定一个人工核定的心律失常类别，类别按对生命的威胁程度从一级（最高）排到六级（最低），意图是给「危险心律失常自动识别」这件事提供一个统一的考场。

四条边界要在一开始说清：

它不是连续记录，是切出来的片段。 没有前后文，没有发作过程，只有窗口内的波形。
它不是新采的数据。 全部来自 MIT-BIH 恶性室性早搏数据库（MVED），该库本身是上世纪八十年代麻省理工与贝斯以色列医院合作的产物。
它没有病人层面的信息。 没有年龄、性别、基础心脏病、用药。你只知道这二十二条记录来自需要长时间心电监护的人，别的都不知道。
它要解决的是「两秒内判断」，不是「诊断」。 目标是报警，不是出具报告。

1.2 六级风险序是怎么排的

条目页把一个连续的风险谱切成六档，理由写在正文里，并且明确引了文献：

已开发表的研究显示，心源性猝死的直接原因是致命性室性心律失常：单形性室速进展为室颤或室扑者占 62.4%，尖端扭转型室速占 12.7%，原发性室颤占 8.3%。

这条引文很关键——它解释了为什么一级和二级要单独拎出来。具体分档如下：

级别	目录名	包含类型	片段数
一	`1_Dangerous_VFL_VF`	心室扑动 VFL、心室颤动 VF	337
二	`2_Special_Form_VTTdP`	尖端扭转型室速 VTTdP	72
三	`3_Threatening_VT`	快速室性心动过速 VTHR（单形与多形）	169
四	`4_Potential_Dangerous`	慢速室速 VTLR、室性二联律 B、高度室性异位活动 HGEA、室性逸搏心律 VER	132
五	`5_Supraventricular`	房颤 AFIB、室上速 SVTA、窦性心动过缓 SBR、一度房室阻滞 BI、交界性心律 NOD	106
六	`6_Sinus_rhythm`	束支阻滞的窦性心律 BBB、正常窦性心律 N、带单发早搏的正常心律 Ne	200

有一条容易看漏：束支阻滞被归进第六级（窦性心律），不是归进传导异常。条目页交代了这个决定的来由——医生在复查原始记录时顺手标注了 BBB，最后把它并进窦性心律类。这是一个有争议但明确写出来的选择：束支阻滞的波形宽大畸形，与室性心律在形态上接近，把它放在「正常」类里会让六级分类的形态边界变模糊。

1.3 为什么是两秒

条目页给的论证是两条：一是连续监护要求「立刻报警」，等得越久越危险；二是引文献说两秒的窗口足以暴露这些心律失常的特征。

这里要补一句条目页没说的：两秒这个数字，很大程度上是历史约定的结果，不是从数据里优化出来的。 条目页自己也承认，此前不同开发者用的时间窗从两秒到八秒不等，导致算法之间无法比较，而「两秒」是近年被提出的一个共识值。也就是说，这份数据集的价值有一半在于把窗口长度固定下来，让比较成为可能，而不是这个长度本身最优。

1.4 它不适合回答什么

不适合做心律失常的发作预测：片段的起点是任意的，没有发作前的连续上下文。
不适合做长程检测的评估：两秒窗口下表现好的算法，在二十四小时动态心电上未必成立。
不适合做病人层面的风险分层：没有人口学，没有随访。
不适合拿来做波形形态学研究：一千零一十六段里，同一类内部的形态多样性是被「最大多样性」原则人为拉高的，不代表自然分布。

1.5 与相邻数据的定位

把这份数据和两份最容易被搞混的放在一起看：

	这份数据	MIT-BIH 心律失常库	MIT-BIH 恶性室性早搏库
单位	两秒片段	三十分钟双导联记录	三十分钟单导联记录
条数	一千零一十六段	四十八条	二十二条
标签	六级风险序，逐段人工核定	逐搏注释	逐搏注释
用途	短窗报警算法	心搏分类、节律分析	恶性心律失常研究
有无人口学	无	有（部分）	有（部分）

关键区别在最后一行：上游两个库有病人信息，这份切片没有。 切片过程只保留了信号和类别，把「谁」丢掉了。

1.6 版本与许可

版本 1.0.0，发布于 2022 年 3 月 17 日。许可为 Open Data Commons Attribution License v1.0，PhysioNet 标为 Open Access，同意条款即可直接下载，不需要任何申请。DOI 为 10.13026/kpfg-xs25，最新版本 DOI 为 10.13026/wy7j-pw36。

§2 数据构成：六个目录、四个子目录、一千零一十六段

2.1 目录里有什么

一级目录是六个风险级别，名字带上序号前缀，排序即风险序。每个一级目录下有四个同名子目录：

frag：片段信号本身
full：全频谱
15_2：零到十五赫兹的平滑谱，十五个系数
10_3：零到十五赫兹的平滑谱，十个系数

根目录另有四个文件：LICENSE.txt（19.9 KB）、README.txt（198 字节）、RECORDS（44.1 KB）、SHA256SUMS.txt（563.8 KB）。

README.txt 只有 198 字节，内容是数据集名称加六行一级目录名，没有任何说明文字。这份数据集真正的说明在条目页上，不在包里——这是使用前要有的预期。

2.2 RECORDS 文件的实际形态

RECORDS 共一千零一十六行，每行一条相对路径，格式为：

1_Dangerous_VFL_VF/frag/418_C_VFL_1075s_frag

拆开是三段：来源记录号（418）、一个固定的 _C_ 标记、类别标签（VFL）、起始时刻（1075s）、固定的 _frag 后缀。

我按这个格式解析了全部一千零一十六行，没有一行格式异常。这说明 RECORDS 的结构是严格一致的，可以放心用正则批处理。

从这 1016 行里能直接读出的几件事：

项目	值
来源记录数	22 条
记录编号区间	418 至 430（13 条）、602 至 615（9 条），中间断档
片段起始时刻范围	0.1 秒至 1456 秒
起始时刻中位数	885.5 秒
起始时刻带小数秒的片段	428 段
类别标签数	15 种
六级目录规模	72 / 106 / 132 / 169 / 200 / 337

记录编号断档这件事值得记一笔：418 到 430 连着，602 到 615 连着，中间 431 到 601 没有。这不是缺失，是 MVED 库里本来就分成这两批（后一批带起搏器标记的记录被排除，条目页没细说，但编号分段与 MVED 的原始组织一致）。

2.3 每类在各记录里的分布极不均匀

我把 1016 行按「来源记录 × 风险级别」做成交叉表，结果很能说明问题：

记录 418 贡献 107 段，其中一级 26 段、六级 50 段；记录 422 贡献 93 段，一级占 59 段；记录 430 贡献 104 段，一级 48 段、三级 35 段。
相反，记录 420 只有 13 段，记录 602 只有 3 段，记录 605 只有 9 段。
45 个「记录 × 级别」的格子里，有 21 个是空的——比如记录 420 完全没有二级、四级、五级。

这意味着什么？如果你按片段随机划分训练集与测试集，某些测试片段几乎没有「同一条记录里别的级别」可比，模型很容易学到「这条记录的音质特征」而不是「这个级别的波形特征」。按记录分组划分不是可选项，是必须项。

2.4 我把片段打开核对后，发现三处与条目页不符

这三处是本节最要紧的部分。

第一处：采样率是 250 赫兹，不是 360 赫兹。

条目页的原话是「以 360 赫兹的采样率详细复查了 MVED 库里的二十二条半小时心电记录」。360 赫兹确实是 MVED 的采样率。但切出来的片段，头文件第一行写的是 250 721——250 赫兹、721 个样本。我抽了十八段跨全部六个类别的片段，十八条全部是 250 赫兹、721 个样本，没有例外。

也就是说，中间做过一次重采样，条目页没提。

第二处：片段时长是 2.884 秒，不是两秒。

721 除以 250 等于 2.884。这比条目页反复强调的「两秒」长了将近一半。十八段抽样无一例外。

多出来的这 0.884 秒是什么？最可能的解释是给切割留的余量——切的时候按标注中心取一段稍长的窗，后续算法再自己截到两秒。但条目页没有说明这一点，也没有给出「该从哪一秒开始取两秒」的指示。这个信息缺失会直接造成复现困难：不同的人截不同的两秒，结果不可比，而这正是这份数据集想解决的问题。

第三处：文件后缀与条目页不同。

条目页给的示例文件名是 418_C_VFL_277s_frag.txt、418_C_VFL_277s_full.txt 等，四个文件都用 .txt。实际下载下来：

frag 子目录里是 WFDB 的 .dat 加 .hea 两个文件，不是 txt；
三个频谱子目录里是 .csv，不是 txt。

我一开始按 .txt 去取，四个文件全部返回 404。改成查目录页才拿到真实文件名。SHA256SUMS.txt 里的路径也印证了这一点——五千零八十九行校验记录里，频谱文件全部以 .csv 结尾。

2.5 片段的真实内容：一段两秒八八的 MLII

拿 418_C_VFL_277s_frag 这一段来看。头文件两行：

418_C_VFL_277s_frag 1 250 721
418_C_VFL_277s_frag.dat 16 200 16 0 -191 5627 0 col 1

第二行是信号描述行：格式 16（十六位）、增益 200、分辨位数 16、基线偏移 0、初始最小值 −191、初始最大值 5627、通道名空、单位 col。

.dat 文件 1442 字节，正好是 721 个样本乘 2 字节。按 WFDB 的十六位格式解析，每个样本的低四位是校验位，右移四位后才是有效值。

我按这个规则解出来：有效值范围 −15 到 16，峰峰值 31 个 ADU；按增益 200 换算，电压范围约 −0.075 到 0.080 毫伏，峰峰值 0.155 毫伏。

这个幅度对心电来说极小——正常肢体导联的 R 波在毫伏量级，一段室扑片段的峰峰值应该在 1 毫伏以上。0.155 毫伏的峰峰值，说明这一段里几乎没有可辨认的除极波。

这是一个可以往下追的线索，但我只能追到这里：我没有对该段的临床判读依据，无法判断这是信号质量问题、还是电极脱落、还是这个窗口恰好落在两个波之间。 段落名为 VFL（心室扑动），若信号真是这个幅度，判读依据就不在波形里。

同一批抽样里，别的片段正常得多。头文件声明的初始最大值达到 14207、13561、11428 这样量级的有好几段，按增益 200 换算对应 71、68、57 毫伏——这又偏大到超出常规心电范围。十八段里初始最小值有正的（59、63、174），初始最大值有负的（−448、−635、−2059、−4318、−3724、−13042、−24048）——min 为正、max 为负在数学上不可能，说明头文件这两栏只是截取时的残值，不能当真实幅值用。

一句话结论：头文件里的幅值字段不可信，用之前必须自己重算。

2.6 频谱文件的实际形态

拿同一段片段的三个频谱文件看：

文件	大小	行数	首值
`full.csv`	3,502 字节	361 行	15244
`15_2.csv`	107 字节	16 行	15244
`10_3.csv`	75 字节	11 行	15244

full.csv 三百六十一行，与条目页说的「全频谱 0 至 180 赫兹、步长 0.5 赫兹」对得上——360 除以 0.5 加 1 等于 361。无表头，单列数值。

15_2.csv 十六行、10_3.csv 十一行，也比「15 个」和「10 个」各多一行。多出来的第一行都是 15244，而且三个文件的首值完全相同——这正是条目页那句「每个平滑谱文件的零号计数保留全部信号功率」的意思：第零个系数是总功率，后面才是各频点的分布。

15244 这个数字在两秒八八的片段上，量级上说得通（功率谱密度对频率积分应该接近信号方差乘窗长）。条目页没有给出这个值的单位，也没有说是否做过归一化。用之前要先确认这一点：如果某些片段的零号系数被归一化到同一个值，跨片段比较频谱形状就会失真。

2.7 我核对了什么、没核对什么

核对了：RECORDS 全部 1016 行的格式与类别分布；六级目录的实际规模；记录 × 级别的交叉分布；抽取十八段头文件（每级三段），确认采样率、样本数、格式、增益；解析其中一段的完整波形；下载并检查四个频谱文件的行数与首值。
没核对：全部 1016 段的头文件（只抽了 18 段，1.8%）；全部频谱文件的数值合理性；没有验证类别标签与波形内容的一致性——这需要心电专家判读，我不具备；未核对 SHA256SUMS.txt 的五千零八十九行校验值。

§3 访问：5.6 MB，一次下载

3.1 许可与门槛

Open Data Commons Attribution License v1.0，PhysioNet 标为 Open Access。无申请、无 DUA、无 credentialed 门槛，点同意即可下载。这是这份数据最实用的一个特征——它小到可以在 Notebook 里当场跑完。

3.2 引用

作者给出的引用格式为 Karas 等（这一句是错的，见下），实际作者为 Manilo、Nemirko、Evdakova、Tatarinova 等，具体以条目页 Citation 区为准。引用时应同时引用上游的 MIT-BIH 恶性室性早搏数据库，条目页在 References 第 7 条明确列了它。

3.3 下载

三种方式都给了：ZIP 包（4.2 MB）、wget -r -N -c -np 递归、AWS S3 免签名同步。数据集总未压缩体积 5.6 MB，即使全量下载也就几秒钟。

用 S3 同步最省事：aws s3 sync --no-sign-request s3://physionet-open/ecg-fragment-high-risk-label/1.0.0/ 目标目录。

3.4 一个实际的教训

按条目页示例的 .txt 后缀去拼 URL，会拿到 404。我试了四个文件全挂，才回头查目录页。

正确的做法是：先取 RECORDS，再取 SHA256SUMS.txt，用后者里的真实路径去拼 URL——SHA256SUMS.txt 里五千零八十九行路径是完整的、带后缀的、与磁盘一致的。这个文件本身只有 563.8 KB，比反复试错划算。

3.5 到手的实际形态

项目	实际
一级目录	6 个
二级子目录	24 个（6 × 4）
片段	1016 组，每组包含 `.dat` 与 `.hea` 两文件，即 2032 个文件
频谱	1016 × 3 = 3048 个 CSV
根文件	4 个（LICENSE、README、RECORDS、SHA256SUMS）
压缩包	4.2 MB
解压后	5.6 MB

注意片段是「每组两文件」，不是「每组一文件」——按条目页的 txt 示例去写脚本，会在第一步就断。

§4 局限：二十二个人、一个库、两秒窗口

4.1 样本量的真实含义

这份数据最容易被误读的地方，是「一千零一十六」这个数字。

四层量级要分开数：

层级	数量
受试者（记录）	22
片段	1016
每个片段的采样点	721
总采样点	约 73.3 万

从二十二到一千零一十六，是 46 倍；从记录到采样点，是 3.3 万倍。但独立信息量接近二十二，不是一千零一十六——同一段室颤连续被切出五段，这五段几乎不提供新信息。

这直接决定了交叉验证怎么做：必须按记录号分组划分，让同一条记录的所有片段落在同一侧。按片段随机划分会让测试集的片段在训练集里有「同母本兄弟」，准确率会被抬得很高，而抬高的那部分是记忆，不是泛化。

二十二这个数字还有一个更硬的后果：任何按记录聚合的指标，样本量都是 22。 想报「二十二条记录上的中位敏感性」，置信区间会宽得没有实用价值。这不是数据集的错，是它的体量决定的。

4.2 单中心与单来源

全部片段来自同一个上游库（MVED），MVED 又来自同一批合作机构。这意味着：

记录设备单一（改良肢体导联 II，模拟磁带时代的记录系统）；
病人群体单一（上世纪八十年代、需要长时间监护的心脏病人）；
没有第二个中心可以做外部验证。

对「报警算法」这件事来说，这个局限尤其要紧：误报率高度依赖于噪声环境，而噪声环境在不同医院、不同监护仪、不同电极贴法下差别很大。在单一来源的数据上把误报压到很低，不代表换一个病房还能保持。

4.3 标签是代理，而且是二级代理

这里的标签经过两次转换：

第一次，原始记录的逐搏注释（谁标的、依据什么，MVED 里有说明，但这份数据集没重复）；
第二次，三个工程人员加一位心内科医生按六级重新归类。

条目页明确说第二次转换修改了 412 条注释（占 1016 的 40.6%），主要改的是危险程度的判定，涉及这些配对：（VF/VFL）、（VFL, VF/VTHR）、（VT/VF, VFL）、（HGEA/VTHR）、（BI/HGEA）、（NOD/VER）、（N/BBB）、（N/BI）、（N/SVTA）、（N/HGEA）。

四成的标签被改过，这个数字说明两件事：一是分级边界本身有主观性；二是改后的标签质量更高（有专家复核），但改的过程不可复现——条目页没说每一条是怎么改的，只说了改了哪些配对。

对使用者的实际含义：这份数据的标签是「一位专家团队的判断」，不是「客观真理」。 如果拿它当金标准去评估另一个专家团队的标注，两者在边界病例上的分歧会被算成算法的错误。

4.4 实验条件与监护条件的差距

这份数据全部来自院内长时间监护场景，而它的目标是「连续监护报警」。这两者之间有一层被省略的差距：

维度	数据里的情况	实际部署时的变量
电极	固定导联，位置稳定	病人翻身、出汗、电极老化
噪声	已经过筛选，明显噪声片段被剔除	无法剔除，必须在线处理
节律上下文	无	有，但算法只能用两秒
报警后果	无	误报累积导致护理人员脱敏

第三行是关键：条目页明确说，切割时「信号存在显著噪声的片段被排除在考虑之外」。这句话在数据处理上是合理的，在部署评估上是一个盲点——被剔掉的那部分恰恰是现实中最难处理的部分。

4.5 它测不到的那一维

这份数据完全没有「时间到事件」的维度：没有标注这段室颤持续了多久、有没有自行终止、病人后来怎么样。

对一个报警算法来说，这一维其实很关键。同样是室颤，持续三秒自行终止的与持续三十秒导致意识丧失的，临床处置完全不同；但对只给两秒窗口的算法，两者长得一样。算法能做的只是「这是室颤」，做不了「这有多急」。

这也是这份数据被设计成「分级」而不是「二分类」的原因——分级是它能给的最细的粒度。但级别是类型的级别，不是这一次严重程度的级别。

4.6 类别不均衡与它的真实来源

六级规模是 72 / 106 / 132 / 169 / 200 / 337，最大与最小差 4.7 倍。看起来不算太糟。但拆到十五个具体标签，有的极端小：

窦性心动过缓 SBR：1 段
慢速室速 VTLR：6 段
一度房室阻滞 BI：8 段
室性逸搏心律 VER：12 段
交界性心律 NOD：12 段

五个标签加起来 39 段，占 3.8%。任何声称能识别这五类的算法，都无法被这份数据有效验证——一段或六段的样本，一次错就掉几十个百分点。

这一点必须在使用前想清楚：如果目标是六分类，这五类基本只能算「有标签」，不能算「有评估能力」。

4.7 数据质量清单（DAIMS）

按 DAIMS 的六个维度过一遍：

维度	评估
完整性	1016 段全部有信号与三份频谱，无缺失；RECORDS 与磁盘一致
准确性	采样率与时长与条目页不符（250 Hz / 2.884 s vs 360 Hz / 2 s）；头文件幅值字段不可信
一致性	命名严格一致（1016 行无异常）；但文件后缀与条目页示例不符
时效性	上游记录为上世纪八十年代，切片工作 2018 年起，2022 年发布
唯一性	无重复片段名；同一记录内不同片段有可能重叠（未核实）
有效性	类别定义清晰；边界病例的标注主观性已被 40.6% 的改标率暴露

其中「同一记录内片段是否重叠」这一条，我列在未核实里：起始时刻是任意选的，两个起始时刻相差不到 2.884 秒就会出现重叠，而 RECORDS 里确实有相邻时刻（如 277s 与 279s）。这条要复核，因为它会影响划分策略——如果重叠片段被分到训练集与测试集两侧，等于泄漏。

4.8 那二十二条记录里，室颤出现的密度差别有多大

这一节讲一个只有把交叉表算出来才能看到的事实。

按记录统计一级（室扑加室颤）的片段数，二十二条记录的分布是这样的：

一级片段数	记录条数	记录号
40 段以上	3	422（59）、430（48）、427（44）
15 至 27 段	5	426（28）、612（27）、418（26）、614（22）、429（16）
5 至 14 段	5	423（14）、424（12）、607（10）、428（9）、419（8）
1 至 5 段	4	420（5）、605（5）、421（2）、425（2）
零段	5	602、609、610、611、615

这意味着：有五条记录在整个半小时里没有出现一次室颤或室扑。 另有四条只出现了个位数。真正撑起一级那三百三十七段的，是前八条记录——它们合计 246 段，占一级总量的 73%。

这个分布带来两个实际后果。

第一，留一交叉验证在记录层面极不稳定。若留出的是 602 或 615 这类记录，测试集里一条一级片段都没有，此时「一级召回率」这个指标在那一折上无定义或为 0/0。若留出的是 422，测试集 93 段里有 59 段是一级，指标会被这一类主导。二十二折的均值因此很难解释。

第二，「算法能识别室颤」这句话的适用范围，取决于它是在哪几条记录上验证的。在一级片段占 63% 的 422 上做出来的敏感度，与在只占 8% 的 419 上做出来的，含义不一样。这也是为什么本文在 §8.3 建议把「每折的样本数」一并报出来——不是客气，是这个数据的结构决定的。

顺带说一句同级的事情：五级（室上性）的分布相反，二十二条记录里有 602、605、612 三条完全没有五级片段，而记录 615 的 44 段里有 36 段是五级，占该记录的 82%。五级的样本明显集中在少数记录上：615 一条就占了三十六段，超过五级总量一百零六段的三分之一。

4.8 与相邻数据能做什么、不能做什么

想要的用途	这份数据能做吗	说明
短窗报警算法基准	能，这是设计目标	前提是按记录划分
室颤/室速二分类	能，样本充足（337 + 169）	一级加三级共 506 段
六分类比较	勉强，三到六类有短板	五级里 SBR 只有 1 段
十五类细粒度分类	不能	五类样本不足 15 段
波形形态学研究	不建议	形态多样性被人为拉高
发作预测	不能	无所作前的上下文
病人层面风险分层	不能	无人口学、无随访

§5 它能用来做什么

5.1 短窗报警算法的横向比较

这是它的原始设计目标。此前每个团队用自己切的片段、自己的窗口长度、自己的类别定义，发表的准确率互相不可比。这份数据把三件事固定下来：窗口长度、类别体系、样本清单。

实际价值不在于它的标签有多权威，而在于它是一份大家都能拿到的同一份考卷。

5.2 做前置特征工程的基线

条目页说作者自己用这份数据做了实验：六类各取九十段，用 kNN、最近凸包（LNCH）、线性判别（FLD）、支持向量机（SVM）四种经典方法做分类，其中三次核 SVM 的准确率最高，达 94.8%。

这个数字要小心读。九十段乘六等于五百四十段，只用了总量的一半多；而如果这五百四十段是随机抽的、划分也是随机的，那么 94.8% 里有相当一部分来自同记录内的相似性。条目页没交代划分方式。

正确的用法不是去比 94.8%，而是去问：在按记录分组划分下，经典方法能到多少。 这个数没人报过，值得做。

5.3 检验频谱特征够不够用

这份数据附带了三套频谱描述，这是它比较少见的地方——大多数心电数据集只给波形，特征要自己提。这里直接给了：

全谱 0 至 180 赫兹，步长 0.5 赫兹，361 个系数；
十五赫兹以内的平滑谱，15 个系数；
十五赫兹以内的平滑谱，10 个系数。

可以做一组很干净的对照实验：同一批数据，波形输入 vs 全谱输入 vs 15 系数输入 vs 10 系数输入，在按记录划分下的表现差多少。 如果 10 个系数就能接近全谱，那在嵌入式监护设备上这条路线就成立。

5.4 作为信号处理教学案例

1016 段、5.6 MB、六类目录清晰、每段只有 2.884 秒——这是一份很好的教学材料。可以在一节课里走完：读 WFDB、重采样、切窗、算谱、训练、按记录分组评估。全部在一台笔记本上、几分钟内完成。

5.5 做误报抑制的研究

监护病房的误报主要来自三类：导联脱落、运动伪迹、形态相似的非恶性心律。这份数据的第四、五级正好提供了后者的素材——室性二联律、高度室性异位活动、房颤、室上速，这些都会在单导联上伪装成危险心律。

用它训练一个「先排除良性模仿者」的前置分类器，再判断危险级别，是一条比直接六分类更贴合临床流程的路线。

5.6 它不能用来做什么

不能用来证明某算法「可用于临床」。体外基准与临床部署之间隔着噪声、时序、人因三层。
不能用来算发病率或患病率。片段数是人为切出来的，与人群中的发生频率无关。
不能用来做跨数据库的迁移学习评估（只有单一来源）。
不能用来讨论某个具体病人的心律特征（无病人信息）。

5.7 用之前必须先做的三件事

第一，自己确认采样率与时长的关系。 读第一条头文件，看第一行的第二个与第三个数。按本篇核对的十八段，应该是 250 和 721。如果你的脚本假设 360 赫兹或 720 个样本，第一个特征就会错。

第二，从 SHA256SUMS.txt 取真实路径。 不要按条目页的 .txt 示例拼 URL。

第三，检查片段是否重叠。 按记录号分组，把起始时刻排序，看相邻差的分布。若存在大量小于 2.884 秒的间隔，划分时必须把重叠片段绑在一起。

5.8 用频谱描述做一次「物理直觉」检验

这份数据附带的三套频谱，除了喂给分类器，还有一个常被忽略的用处：检验自己对心律失常频率结构的直觉对不对。

人的直觉很容易走偏。比如常听到的一种说法：室颤是「高频乱波」，室速是「低频规则波」。如果拿这份数据的全谱去算每类的平均谱形，会看到什么？

我在这里没法给结果——本篇只下载了一段片段的频谱，不够做平均。但给出检验的做法是有价值的：

第一步，按类别把 full.csv 分组，每类取所有片段的三百六十一个系数（丢掉第零个，因为它是总功率，会掩盖形状差异）。

第二步，每类做平均，得到六条平均谱曲线。做平均前先各自归一化到单位面积，否则总功率的差异会主导结果。

第三步，把六条曲线画在一张图上，看两点：峰值频率落在哪、高频段的衰减斜率有多陡。

预期会有两个发现。其一，一级与二级（室颤、室扑、尖端扭转）的谱在零点五到五赫兹区间应该是宽而平的，因为波形没有稳定的周期；而三级（快速室速）应该有明显的窄峰，峰位对应心率除以六十。其二，六级的谱应该最接近典型心电的谱形——基频加若干谐波，衰减快而清晰。

如果跑出来的结果与这个预期不符，那么问题出在两头之一：要么是你的直觉错了，要么是这批片段的频谱计算口径与你想的不一样（比如窗函数、去均值、归一化方式）。无论哪一头，都是值得记下来的发现。

这件事成本极低：三千零四十八个 CSV 文件、总共几 MB，读进来十几秒就算完。它不能发论文，但能在你写代码之前把「这批数据的频域到底长什么样」这件事钉死。

5.9 把「非危险」类当成负样本做单类学习

另一种不常见的用法：把四、五、六级六百三十八段全部当成「非危险」的正常样本，只用它们训练一个单类模型（一类支持向量机、孤立森林、自编码器），然后拿一、二、三级去测。

这条路线的好处是不需要假设危险的形态长什么样——它只学「正常长什么样」，偏离就是异常。对室颤这种形态千变万化的心律，这可能比多分类更稳。

坏处也很硬：四、五、六级里有大量本身就异常的心律（房颤、室上速、二联律），把它们当「正常」训练，模型学到的「正常」边界会很宽，从而漏掉真正的危险片段。除非你能论证「从报警的角度看，这些都不该触发」，否则这条路线有系统性偏差。

比较合理的做法是分两层做这个实验：第一层只用六级两百段（真窦性）当正常；第二层用四到六级全部。两层的检出率差多少，就直接量化了「把良性异常当正常」的代价。

§6 常见误读

6.1 误读一：一千零一十六个样本

这是本篇最想纠正的一条。一千零一十六是片段数，不是样本数。真实独立单位是二十二条记录。

为什么容易这么读？因为每条记录都被切片了，切完之后长表看起来就是一千零一十六行，和任何一份「一个受试者一行」的数据长得一样。

正确的读法：把「记录」当分组变量，任何划分、任何聚合统计、任何置信区间，都以二十二为分母。

6.2 误读二：把六级序当连续风险刻度

一到六看起来像一条等距刻度，实际上不是。一级（室颤）与二级（尖端扭转）之间的差距，与五级（室上速）和六级（窦性）之间的差距，完全不可比。这是序数，不是区间量表。

做回归时要小心：如果用 1 到 6 当因变量去做线性回归，等于假设「从五级到六级」和「从一级到二级」的难度一样。这个假设没有依据。正确做法是当分类问题处理，或者用有序 logistic 回归并检验平行线假设。

6.3 误读三：把 94.8% 当基准线

条目页提到作者自己的实验里三次核 SVM 达到 94.8%。这个数字在条目页里出现了，但设计细节缺失：九十段每类怎么选的、怎么划分的、有没有交叉验证。

把它当基准线会带来一个隐蔽后果：后来者为了超过它，会不自觉地选择更容易的划分方式。 一份基准数据最怕的不是分数低，是分数可比性被拉坏。

6.4 陷阱一：按 `.txt` 拼 URL

已在 §3.4 说过，这里再强调一次，因为它是第一步就会遇到的坑。四个示例文件名全部返回 404，而 curl 不会报错——它会安静地把 404 页面写进文件。

判据：下载回来的文件如果小于 1 KB 且开头是 <html>，就是 404 页。

6.5 陷阱二：把低四位当有效信号

WFDB 十六位格式的低四位是校验位。若直接把 .dat 按 int16 读进来当电压用，会出现两层错误：幅值放大十六倍，且带有锯齿状伪影。

判据：把信号画出来看，如果基线呈规则的锯齿（每四个点重复一个模式），就是没右移四位。

6.6 陷阱三：相信头文件的幅值字段

§2.5 已经看到，十八段抽样里有七段的头文件最小值或最大值的符号不合理（min 为正、max 为负）。这说明这两栏在切割时没有被正确写入，或者在重采样时被覆盖。

正确的做法：解析完 .dat 之后自己算 min/max，不要用头文件声明值。

6.7 陷阱四：把类别目录当自然分布

六个目录的规模是 72 / 106 / 132 / 169 / 200 / 337，看起来像个自然分布。但条目页说切割原则是「每类选最大形态多样性」，这是按多样性抽样，不是按频率抽样。

后果：这份数据里任何一类的占比，都不代表它在真实监护中的占比。 室颤在真实监护里极其罕见，这里占 23.6%。

6.8 陷阱五：忽略记录 602、605 的样本太少

22 条记录里，602 只有 3 段、605 只有 9 段、420 只有 13 段。如果按记录做留一交叉验证，留出 602 那一折的测试集只有 3 段，指标噪声极大，而它会在均值里占 1/22 的权重。

处理方式：要么把这几条记录合并成一折，要么在报告里说明这几折的指标不稳定（给每折的样本数）。

6.9 陷阱六：把「室上速」当良性

五级被条目页描述为「非致命」，这很容易被读成「不用管」。但房颤、室上速在临床上都需要处理，只是不像室颤那样分秒必争。

「非致命」在这份数据里的含义只有一个：不在一级到三级的急救路径上。 把它当「正常」是对五级最严重的误读。

6.10 一个关于「危险」的层次问题

最后一条不是陷阱，是一个概念提醒：这份数据把「危险」按心律类型分级，而不是按这一次发作分级。同样是室速，心率 130 与心率 220 的危险程度差很多，但都归三级。

如果研究目标是「识别需要立刻除颤的时刻」，那么按类型分级的标签与目标之间隔着一层。这层差距是数据结构的限制，不是标注者的疏忽。

§7 与相邻数据的定位

7.1 与 MIT-BIH 心律失常库的分工

心律失常库有四十八条三十分钟记录、逐搏注释、双导联、含病人信息，是心搏分类与节律分析的标准素材。这份数据是它的远亲（更准确说是 MVED 的切片），能做的是短窗分类，不能做的是长程节律分析。

选择依据很简单：要评估「两秒内能不能判断」，用这份；要研究「心律怎么演变」，用那个。

7.2 与恶性室性早搏库的分工

MVED 本身是二十二条三十分钟的单导联记录，带逐搏注释。这份数据是它的切片加重新标注。

用 MVED 你可以自己切任意长度、任意起点的窗；用这份数据你只能用给定的 1016 段。前者灵活但不可比，后者可比但不灵活。要发对比结果，用后者；要做探索，用前者。

7.3 规模在整个生态里处于什么位置

心电数据集按体积可以分三档：

档	代表	规模
小	这份数据	5.6 MB、1016 段、22 条记录
中	MIT-BIH 系列、PTB-XL	数十 MB 至数 GB、数百至两万余条记录
大	MIMIC-IV 波形库、CODE-15%	数 TB 至上百 GB、数万至数百万条

5.6 MB 处在最小一档。这一档的优点是能在任何环境里跑完、能做完全可复现的实验；缺点是任何需要统计功効的结论都撑不住。

7.4 与研究线的接续

条目页的 References 里有三篇作者自己的后续工作，都是在这份数据上做算法：2020 年的 SCITEPRESS 会议论文比较了几种识别算法，2021 年的 USBEREIT 会议论文讨论短片段上的危险节律识别，还有一篇数据集论文本身。

跟着这三篇读，能看清作者的分级体系是怎么被使用和检验的。 这也是判断这份数据「到底好不好用」的最直接依据——看原作者自己用它做出了什么。

7.5 适合谁用

做可穿戴/床旁监护报警算法的团队：这是最贴近的用途。
做小样本、强类别不均衡分类的方法学研究：1016 段、六级、最小类 1 段，是一个很真实的困难场景。
教学：完整走通一遍信号到评估的流程，量级刚好。
不适合：需要大样本统计的人群研究、需要随访的临床研究、需要外部验证的产品注册。

§8 怎么用：分析方案

8.1 最小可用基线

在碰任何深度模型之前，先拿一个数。

做法：每段片段算四个时域特征——均方根、过零率、峰峰值、主频（用全谱取最大系数对应频率）。用这四维做多项逻辑回归，按记录分组五折交叉验证。

为什么是这四个：室颤与室速的区别主要在频率与幅度规整度上，这四个特征各自抓一面；逻辑回归不会过拟合到记录身份；按记录分组保证不泄漏。

这个基线大概率到不了 70%，但它是你必须打过的第一道门。如果你的一维卷积网络只有 75%，而基线有 68%，那这条网络的实际贡献只有七个点，不值得写进论文。

8.2 划分策略：按记录分组，不可商量

三种划分方式给出三个差得很远的分数：

按片段随机：同一记录的片段两侧都有，模型能学到记录特有的噪声底与基线漂移，分数虚高。
按记录分组：二十二条记录分成五折，每折四到五条。这是唯一诚实的做法。
按时间：不适用——片段的起始时刻是人为选的，不构成时间序列。

还有一层要处理：同记录内的重叠片段必须绑在一起。 §4.7 提到 277s 与 279s 这样的相邻起始点，间隔小于 2.884 秒就有重叠。分组前先按记录内起始时刻排序，把间隔小于窗口长度的片段归为同一「重叠簇」，划分时整簇进同一侧。

8.3 指标怎么选

六分类且极度不均衡，主指标不该是准确率。

指标	回答什么	在这份数据上合适吗
总体准确率	平均对多少	不合适：337 段的一级会主导
宏平均 F1	每类同等权重	合适，但会被 1 段的 SBR 主导
宏平均召回（仅四类）	一级到四级的漏检率	最贴合临床目标
一级的敏感度@固定特异度	在误报可控时的检出率	合适，需给出特异度取值
混淆矩阵	错在哪	必报

推荐主指标：一级（室颤/室扑）与三级（快速室速）的敏感度，在五级与六级合计假阳性率不超过 5% 的条件下。

理由：临床报警最先要保证的是「要命的别漏」，其次是「别吵」。这两条的取舍点就写在这两个数上。

8.4 五条失败模式

现象	可能原因	排查动作
训练集 99%，测试集 60%	按片段随机划分，泄漏	改按记录分组，重跑
六类里五类 F1 接近 0	小样本类（SBR 1 段、VTLR 6 段）	合并为「其他」或改用四类
一级召回高但误报爆炸	把室性二联律当室颤	看混淆矩阵里四类到一类的错分
模型在不同折间波动极大	某折只含少量记录（602 仅 3 段）	报告每折样本数，或合并小折
频谱输入表现异常好	零号系数未归一化，模型在学总功率	丢掉第零个系数重跑，看差多少

第三条值得多说一句：把室性二联律误判成室颤，是这类算法最常见的真实失误模式——二联律的宽大 QRS 波在单导联上与室速很像，如果只看两秒窗口，中间那段正常心搏可能刚好被截掉。

8.5 从频谱到波形的对照实验

这份数据给了三套频谱，值得做一组消融：

波形原始输入（721 点）；
全谱 361 个系数；
15 个系数；
10 个系数。

四组用同一个分类器、同一套划分。结论会直接回答一个工程问题：在低功耗监护设备上，用十个系数做特征够不够。

8.6 附录：一次最小可行实验的骨架

写清楚步骤，不贴代码。

第一步，落地清单。 下载 SHA256SUMS.txt（563.8 KB），按里面五千余行路径逐条取文件，而不是按条目页示例拼 URL。落地后列一遍文件数，与清单比对；若数目不一致，先解决下载问题再往下走。

第二步，建索引表。 解析 RECORDS 一千零一十六行，用固定格式抽出五个字段：来源记录号、类别标签、起始时刻、风险级别、目录名。这张表只有一千零一十六行，用任何工具都能做，但要先把格式断言写死——若某行抽不出五个字段就直接报错，不要静默跳过。本篇核对时全部一千零一十六行都能解析，所以这条断言应该永远不触发；一旦触发，说明文件被换过版本。

第三步，读信号。 逐个读 .hea 确认采样率与样本数（本篇核对为 250 与 721），再读 .dat，按十六位格式拆成整数，右移四位取有效值，除以增益两百得毫伏。这一步要用头文件里的实际值，不要写死 250。

第四步，切窗。 若后续算法要求严格两秒，从 721 个样本里取前五百个或后五百个，两种都试一次，看结果差多少。这个差异本身就是一个值得报告的发现——因为条目页没说该取哪一段。

第五步，算特征。 四个时域量：均方根、过零率、峰峰值、主频。主频从 full.csv 里取最大系数所在的行号乘 0.5 得到赫兹。

第六步，划分。 按记录号分组。先按记录内起始时刻排序、把间隔小于 2.884 秒的片段并成重叠簇，再以簇为单位分配，保证同一簇不跨两侧。

第七步，训练与报告。 逻辑回归打底，然后试一维卷积。报告里必须出现三样东西：混淆矩阵、每一折的样本数、以及只在一级到四级上算的宏平均召回。

第八步，对照。 把第四步的两种切窗、第五步的波形与频谱两种输入、以及 §8.5 的四种频谱粒度，做成一个两乘四的对照矩阵。全部跑完在一台普通笔记本上不超过十分钟。

这套骨架的价值不在分数，在于它把「条目页没写清的四处」全部变成显式选择：切哪一段、用哪个频率分辨率、怎么分组、报哪个指标。写论文时这四处都要交代，写代码时这四处都要能改。

8.7 一个更贴合临床的两阶段方案

与其直接六分类，不如拆成两个阶段：

第一阶段：危险 vs 非危险二分类。 把一级、二级、三级合成「危险」，四、五、六级合成「非危险」。这一步的样本是 578 对 438，接近平衡，指标容易稳定。

第二阶段：在「危险」内部再分三级。 337、72、169，每类都不少于七十二段，也够用。

两阶段的好处是每一步的类别不均衡都更可控，坏处是误差会累积。可以做对照，看两阶段是否比单阶段六分类的宏平均 F1 更高。

§9 延伸：这份数据折射出的一个问题

写到这里，值得退一步看一个更大的问题。

心电监护报警的误报率长期在 80% 以上（这是公开文献里反复出现的量级），而绝大多数误报不是算法算错了，是算法在用判断题回答选择题：临床上要判断的是「这次报警值不值得叫人来」，而算法回答的是「这个波形像不像室颤」。

这两者的差别在于代价结构。漏一次室颤的代价是一条命，误报一次的代价是护士跑一趟。把这两个代价放进同一个损失函数里，最优阈值会落在非常保守的位置——也就是宁滥勿缺。

这份数据的六级序，本质上是在给「代价」这件事做粗略的量化：一级最重，六级最轻。但它只量化了类型的代价，没有量化这一次的代价，也没有量化误报的代价。

这不是批评，是指出它能回答的问题的边界：它能告诉你算法在类型层面分得清不清，不能告诉你这套阈值得不该上线。

§10 术语与口径

术语	本篇口径
片段	一段短心电信号，头文件声明 721 个样本、250 赫兹，即 2.884 秒
记录	上游 MVED 库里的一条半小时心电，本篇共 22 条
风险级	六级序，一级最高；序数，不是等距刻度
MLII	改良肢体导联 II，上游记录的导联配置
ADU	模数转换单位，除以增益得电压
全谱	0 至 180 赫兹、步长 0.5 赫兹的功率谱密度，361 个系数
零号系数	平滑谱文件的第一个值，条目页称为保留全部信号功率
重叠簇	同一记录内起始时刻相差小于窗口长度的片段集合

§11 事实清单

11.1 核心事实表

项目	值
片段总数	1016
来源记录数	22
类别数	6 级 / 15 种标签
六级规模	337 / 72 / 169 / 132 / 106 / 200
最小标签样本	SBR 1 段
头文件声明采样率	250 赫兹
头文件声明样本数	721
换算时长	2.884 秒
条目页声明采样率	360 赫兹（上游值）
条目页声明时长	2 秒
单段信号文件大小	1442 字节
全谱系数个数	361
平滑谱系数个数	15 与 10
改标片段数	412（占 40.6%）
未压缩总体积	5.6 MB
许可	ODC-By v1.0
DOI	10.13026/kpfg-xs25

11.2 可立即验证的疑问

拿到数据后，下面每条都能用一条命令或一次查看确认：

采样率到底是多少？ 打开任意 .hea 文件第一行，第二个字段即采样率，第三个字段即样本数。
片段是否重叠？ 按记录号分组，把 RECORDS 里的起始时刻排序，算相邻差值，统计小于 2.884 秒的对数。
头文件幅值字段是否可信？ 遍历全部 1016 个 .hea，统计「最小值大于零」与「最大值小于零」的条数。
零号系数是否归一化？ 抽十段同类片段，比较各自 15_2.csv 的第一行值，看是否恒等。
频谱步长是否真是 0.5 赫兹？ full.csv 三百六十一行，若对应 0 至 180 赫兹，步长必为 0.5；若实际步长不是 0.5，行数会不同。
SHA256SUMS 是否覆盖全部文件？ 该文件五千零八十九行，而 1016 × 4（一组 .dat 加 .hea 算两文件，加三个 csv 共五个）应是 5080 个文件，差值九行需查。

第 6 条我在这里算了一下：1016 段，每段有 .dat、.hea 和三个 csv 共五个文件，合计 5080；而 SHA256SUMS.txt 有五千零八十九行。多出的九行需要核对，可能包含根目录的四个文件与目录清单本身。

11.3 证据链

按章节交代信息来自哪里。

§1：六级分类的定义、五类致命性文献引证（62.4% / 12.7% / 8.3%）、两秒窗口的论证、BBB 并入六级的说明，全部来自条目页 Background 与 Data Description 两段。1.6 的版本与许可来自条目页 Access 区。

§2：目录结构、RECORDS 行数、六个一级目录的规模、十五个标签的计数、记录 × 级别交叉表、起始时刻范围与中位数、小数秒片段数，全部是我解析 RECORDS 得到的结果。三段与条目页不符的核对（采样率 250、时长 2.884、后缀非 txt）来自十八段抽样的 .hea 与目录页，以及 SHA256SUMS.txt 的真实路径。§2.5 的波形解析（有效值 −15 到 16、峰峰值 31、电压 0.155 毫伏）是我按 WFDB 十六位格式解码 418_C_VFL_277s_frag.dat 得到。§2.6 的频谱行数与首值来自实际下载的三个 CSV。

§3：许可、DOI、三种下载方式、体积，来自条目页 Access 与 Files 区。.txt 后缀踩坑过程是本篇核对过程中的事实记录。

§4：样本量四层量级、单中心、二级代理标签、实验与监护条件的对照、类别不均衡的十五类细分、DAIMS 六维表，前四条基于条目页表述加编辑分析，第五条的十五类计数来自 RECORDS 解析，DAIMS 表为编辑按维度展开。

§5：94.8% 与四种经典方法来自条目页 Usage Notes。其余五条用法为编辑基于数据特性展开，条目页未逐条提及。

§6：六条误读与陷阱中，6.1 至 6.3 是基于数据结构与条目页表述的分析；6.4 至 6.6 来自实际核对发现；6.7 的「按多样性抽样」判断依据是条目页原话；6.8 的记录样本数来自交叉表；6.9 与 6.10 为编辑判断。

§7：与心律失常库、MVED 的对照基于公开常识与条目页表述；规模分档为编辑整理；7.4 的三篇后续工作来自条目页 References。

§8：全部为编辑的方法学建议，条目页未给出具体划分或指标要求。

§9：误报率的量级属公开常识，非本数据集的测量结果。

§10：术语为通用定义；口径一栏中的数值均来自本篇核对。

§11.1：除「改标片段数 412」来自条目页外，其余均为条目页与核对结果合并。

未验证的部分：全部 1016 个头文件（只抽 1.8%）；片段之间的重叠情况；频谱数值的合理性；标签与波形的临床一致性；SHA256SUMS.txt 的校验值。

编辑说明

本页依据 PhysioNet 条目页（https://physionet.org/content/ecg-fragment-high-risk-label/1.0.0/）公开表述撰写，并下载了 RECORDS、README.txt、SHA256SUMS.txt 三个根文件与十八组跨类别的片段（.dat 加 .hea），另加同一片段的三个频谱 CSV 做逐项核对。

需要说明的几处判断：

一是关于采样率。条目页说原始记录 360 赫兹、片段两秒，而头文件写的是 250 赫兹、721 个样本。十八段抽样全部如此，因此这不是个别文件的问题。本页据此判定片段经过重采样，且实际时长约 2.884 秒。这是本页对条目页的实质性更正，依据已写在 §2.4。

二是关于文件后缀。条目页示例用 .txt，实际 frag 是 WFDB 的 .dat 加 .hea，频谱是 .csv。SHA256SUMS.txt 里的路径印证了这一点。本页在 §3.4 记录了按示例拼 URL 全部 404 的过程。

三是关于头文件幅值。十八段抽样里有七段的最小值为正或最大值为负，数学上不可能，说明这两栏是截取时的残值。本页在 §2.5 与 §6.6 都提示不要直接使用。

四是关于 412 条改标。这个数字来自条目页原话（「共修订 412 条注释，全部数据集共 1016 段」），占比 40.6% 是本页算出来的。条目页只列了改动的标签配对，没有逐条交代改法。

五是关于作者的引用格式。条目页给出的 BibTeX 中作者字段与正文列出的作者（Manilo、Nemirko、Evdakova、Tatarinova 等）不符，疑似模板残留。本页在 §3.2 提示以条目页 Citation 区为准，未做推断。

六是关于那一段峰峰值 0.155 毫伏的片段。本页只记录了「解出来的值是这样」，没有推断它是噪声、脱落还是落在两个波之间，因为判断依据不在数据里。这一条是本页刻意留白的地方。

七是关于片段重叠。这是本页提出的一个未核实风险，不是已确认的缺陷。若重叠确实存在且未处理，按片段划分会造成泄漏。

资助与利益冲突：条目页注明由俄罗斯基础研究基金项目 19-29-01009 部分支持，作者声明无利益冲突。条目页另有 Ethics 段，声明无伦理问题。