十个月里同一个人 — ECG-ID 心电身份库

三十年来的心电数据库几乎都在回答同一个问题：这段波形说明心脏出了什么事。室性早搏、房颤、束支阻滞、ST 段抬高，标注体系围绕病理展开，人群围绕患者展开。ECG-ID 把问题掉了个头——它不问心脏怎么了，只问这颗心脏是谁的。同一批 90 名志愿者在几个月里被反复请回来，每次只录 20 秒的 I 导联，最短的一天之内录完，最长的前后跨了半年。身份标签因此不是从病历上抄下来的，而是从采集记录里长出来的。

它的规模在任何意义上都很小：310 条记录、单导联、每条 20 秒，全库解压后只有十几兆。但它在结构上有一样别处很难替代的东西——同一个人、跨时段、重复出现。心电身份识别研究最怕的不是样本少，而是分不清一次成绩来自心脏的独特性，还是来自那天那副电极的独特性。ECG-ID 把时间这个变量显式留在了数据里，让「几个月之后还能不能认出同一个人」成为一个可以用它自己检验的问题。

代价同样清楚：单一机构、自愿参加的同学同事、没有临床诊断、注释只有自动检测的 R 波与 T 波峰。它是一把量「可重复性」的尺子，不是一台能诊断心脏的机器。一屏速览见下表。

维度	内容
全名	ECG-ID Database
发布方	PhysioNet（原始数据由 Tatiana Lugovaya 在 LETI 硕士论文中采集并贡献）
首次上线	2014 年 3 月 6 日，版本 1.0.0
记录数	310 条
受试者	90 名（44 男、46 女，13–75 岁）
每人条数	官方写 2–20，清单实际 1–22
单条时长	20 秒
导联	仅 I 导联（原始 + 滤波两路）
采样率与精度	500 Hz，12 位，名义 ±10 mV 量程
每记录采样点	10000
每人最长跨度	半年（官方）；清单内最大 156 天
每记录注释	自动检测的 R 波峰与 T 波峰，未经审核
文件格式	WFDB：.hea / .dat / .atr，按 Person_NN/rec_N 两级目录
体积	解压后 12.5 MB，压缩包 12.6 MB
许可	ODC-BY 1.0，免注册
典型用途	封闭集身份识别、跨时段可重复性评测、轻量认证模型基准

§1 它要解决的具体麻烦

1.1 身份识别要的不是更多心跳，而是同一个人更多次的心跳

把心电当生物特征，逻辑起点很朴素：心脏的解剖位置、大小、激动传导路径在个体之间差异很大，同一个人的心电图在形态上相对稳定。指纹可以按一次按压比对，人脸可以按一张照片比对，心电图却必须在时间上反复出现才能谈稳定。一个人今天录一次、半年后再录一次，两次波形之间的那点差别，正好就是识别系统要用到的全部信息所能容忍的上限。

这意味着心电身份识别的研究数据必须满足一个特别的结构要求：每个人要有多次采集，而且这些采集之间要有真实的时间间隔。只有多次采集才能估计「类内差异」，只有时间间隔才能让类内差异含有真实的变化——电极贴歪了一点、体重变了、那天爬了楼梯心率偏快。缺少这个结构的库，只能做「同一天不同分钟」的识别，得到的类内差异被人为压小，模型换到真实场景就会崩。

绝大多数公开心电库的结构恰好是反的。临床库按患者收录，一个人通常只有一次记录，即便有多次也是同一次住院期间的连续监测；挑战赛库按记录切分，同一个人被切成了若干片段，时间跨度几乎为零。在这种数据上训练出来的识别模型，本质上是在识别「这段信号长得像不像训练集里的那几百段」，而不是「这个人是不是同一个人」。

1.2 三条常见的错误期待

第一条，期待它是一份能训练心电诊断模型的数据。 它没有诊断标签。头文件里只有三行注释：年龄、性别、采集日期。没有病史、没有用药、没有超声或造影结果，连「这份心电图判读正常」这样的定性结论都没有。拿它做心律失常分类，等于把一个身份标签当病理标签用。

第二条，期待它是一份大规模的数据。 310 条、90 人是它的全部。深度学习模型几千个参数就够把 90 个类别的训练集背下来，训练集准确率会迅速到顶，而这种到顶毫无意义。它是用来检验方法的尺子，不是用来喂养模型的粮食（§1.6）。

第三条，期待它是一份干净的、可以类比指纹库的高质量生物特征数据。 作者在论文里写得很直白：原始信号噪声偏大，同时含高频与低频噪声成分；采集时关闭了心电图机的全部滤波，因为担心滤波器会抹掉对识别有用的细节；心率与身心状态都不加限制。所以它刻意保留了真实使用场景里的脏，代价是每一条干净的记录背后都有一段需要先处理才能用的信号。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
封闭集身份识别（90 选 1）	90 个类别、310 条记录、身份标签完整	够，这是它的主业
同一个人跨月复现能力评测	同一人多条、最长间隔半年	够，是它最不可替代的一格
开放集验证（陌生人拒识）	90 人全在名单内，没有官方冒充者集合	不够，需自建冒充者集合
心搏类型或节律分类	只有 R 波与 T 波峰位置	不够，无类型无节律
多导联融合方法	只有 I 导联	不够，结构上做不到
情绪、体位、运动对识别的影响	采集状态不记录，只有日期	不够，只能看时间效应
与指纹、人脸做多模态融合	无对口样本，无同一受试者的其它模态	不够，需另行配对
轻量嵌入式认证原型	单导联、20 秒、体量小，可离线跑通	够，是很好的起点

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
你在做可穿戴设备上的心电解锁，担心模型只是在同一天的数据上好看	提供同一受试者跨数周到数月的重复采集，能量出「隔一段时间后准确率掉多少」	按受试者目录做分组划分，先跑「日内」与「跨月」两套评测再比较
你手上只有临床库，不知道身份识别任务的难度曲线长什么样	提供一个规模可控、类别数恰好 90 的参照系，便于快速调方法	用它跑通流程，再把同一套流程搬到你的临床数据上做迁移实验
你申报时需要说明为什么必须按人划分数据集	同一人存在 2 至 22 条记录，误划分的后果可以用它直接演示	同一份数据跑「按记录随机切」与「按人切」两组，记录掉分幅度
你在教生物特征识别的课，需要一个能讲清类内差异的样本	同一个人不同日期的波形并排放在同一个目录里，天然适合做对比图	取 §4.2 的案例受试者，画三条记录的叠加图
你想验证某个特征提取方法对小样本是否过拟合	类别少、样本少，过拟合会很快暴露	固定受试者划分与随机种子，只换特征提取器做纵向比较
你在做多模态身份认证，缺一个心电分支的公开参照	单导联、体量极小，适合做分支预实验	注意它没有与其它模态配对的样本，只能验证分支本身

1.5 一句话判断

它不适合当训练集，而适合当一把「时间尺」：把人分成不同日期再放回模型面前，量出来的掉分幅度，才是一个心电身份系统真实的泛化能力。

1.6 不适合谁：四条边界

不适合拿来做规模训练。 90 个类别、310 条样本，任何稍有容量的网络都会在几轮之内记住全部训练集。想靠加大数据量提升准确率的路线，在它身上无从展开。

不适合拿来做诊断或筛查。 没有诊断标签，没有临床背景，受试者是志愿者而不是患者。即便某条记录在形态上看着像某种异常，也没有任何官方标注可以支撑这个判断。

不适合拿来做多导联研究。 全部记录只有 I 导联。这一点是设计选择而非采集缺失：作者在论文里说明，选 I 导联是因为它容易测量，且对电极位置的微小变动不敏感。对身份识别是优点，对多导联研究就是一堵墙。

不适合拿来做开放集拒识的正式基准。 90 个人都在名单内，没有官方指定的冒充者集合。想做开放集评测，得自己另找一批人当陌生人，而这批人的选择会直接影响结论的可比性（§7.3）。

§2 数据构成与规格

2.1 两级目录，每级只表示一种信息

数据库的组织方式极其朴素，也极其克制：根目录下是 90 个 Person_NN 目录，编号从 01 到 90，前导零补齐为两位；每个目录内是若干 rec_N 文件组，序号从 1 开始。目录名承载的是身份，文件名承载的是采集次序，没有任何其它语义。

这种结构的价值在于，分组键是路径本身而不是某个字段。做分组交叉验证时，只要从路径里切出 Person_NN 就能拿到分组标签，不需要另外读头文件、不需要维护一张映射表。这是小库里少见的整洁，代价是它无法表达比「人」更细的层级——比如「同一天同一场会话」这一层就无处存放，只能靠日期去猜。

层级	命名	取值	用途
根	无	无	集中放清单与说明文件
一级	Person_NN	Person_01 至 Person_90	身份标签，分组键
二级	rec_N	rec_1 起递增	采集次序，同一人内可用于时间切分
同名前缀三件套	.hea / .dat / .atr	同名	WFDB 记录的三部分

根目录下另有四个说明性文件与一个校验清单。RECORDS 列出全部 310 条记录的全路径；README 是纯文本的数据库简介；ANNOTATORS 一行，写明注释文件的角色；biometric.shtml 是作者硕士论文的完整摘要页，篇幅远超一般的库说明；SHA256SUMS.txt 是 2019 年补充的逐文件校验和。还有一个隐藏目录 .old，里面是 2012 年的旧版论文页，不参与数据。

2.2 字段/记录的完整字典

这个库的「字段」分三处：文件路径、头文件正文、头文件末尾的注释行。注释文件里只有位置与符号，没有字段。下表把它们逐项列出。

信息项	所在位置	取值形态	含义	使用注意
身份编号	路径一级目录	Person_01–Person_90	受试者编号	分组键，不可当特征
记录序号	路径二级文件名	rec_1 起的整数	同一人内的第几次采集	序号越大通常日期越晚，但官方未承诺单调
记录名	.hea 第 1 行首字段	rec_1 等	记录标识	与文件名一致，不含人名目录
信号条数	.hea 第 1 行第 2 字段	2	两路信号	不是两个导联，是同一导联的两种处理
采样率	.hea 第 1 行第 3 字段	500	每秒采样点数	Hz
采样点数	.hea 第 1 行第 4 字段	10000	总长度	10000 ÷ 500 = 20 秒
存储格式	.hea 信号行第 2 字段	16	16 位整数存储	.dat 为小端整数流
增益	.hea 信号行第 3 字段	200	ADC 单位/毫伏	全库一致，换算直接除 200
位分辨率	.hea 信号行第 4 字段	12	有效位数	12 位落在 16 位容器里
ADC 零值	.hea 信号行第 5 字段	0	零电平对应整数	换算时无需偏移
初始值	.hea 信号行第 6 字段	逐记录不同	首采样点整数值	用于核验读取是否正确
校验和	.hea 信号行第 7 字段	逐记录不同	采样点累加和	可用 SHA256SUMS.txt 交叉核对
信号名	.hea 信号行第 9 字段	ECG I / ECG I filtered	哪一路	第 1 路原始，第 2 路滤波
物理单位	由增益推得	mV	毫伏	wfdb 读取后自动换算
年龄	.hea 注释行	整数	采集时年龄	# Age: 25 形式
性别	.hea 注释行	male / female	采集时性别	# Sex: male 形式
采集日期	.hea 注释行	DD.MM.YYYY	当日日期	# ECG date: 07.12.2004 形式
R 波峰位置	.atr	采样点序号	检测到的 R 峰	符号 N
T 波峰位置	.atr	采样点序号	检测到的 T 峰	符号 t（小写）
是否有诊断	全库	无	—	任何地方都没有诊断字段

三条注释行的格式在整个库里高度一致：全部 310 个头文件都恰好含这三行，没有缺失，顺序也固定为年龄、性别、日期。这一点对批量解析很友好，用一条正则就能一次抽干。日期的写法是俄式日在前，07.12.2004 表示 2004 年 12 月 7 日而不是 7 月 12 日，用美式解析会静默错位五个月。

表里最容易被误读的一行是「信号条数 = 2」。做过双导联库的人看到 2 会本能地以为这是两个导联，写代码时按导联做融合，结果两路其实是同一段时间、同一个电极的两种处理。第二路是滤波后的版本，与第一路高度相关但不完全相同；把它们当两个独立观测塞进多通道网络，模型学到的只是滤波器的响应，不是任何生理信息。

2.3 一条记录的完整解剖

以 Person_01/rec_1 为例。头文件只有五行，每行都是可解释的：

rec_1 2 500 10000
rec_1.dat 16 200 12 0 -17 17532 0 ECG I
rec_1.dat 16 200 12 0 -23 2004 0 ECG I filtered
#-- Age: 25（头文件原文以井号开头）
#-- Sex: male
#-- ECG date: 07.12.2004

第一行说明：记录名 rec_1，2 路信号，500 Hz，共 10000 个采样点。第二、三行分别描述两路信号：都存于 rec_1.dat，都是 16 位存储，增益都是 200，位分辨率都是 12，ADC 零值都是 0，初始值分别是 −17 与 −23，校验和分别是 17532 与 2004。最后三行是受试者上下文：25 岁男性，2004 年 12 月 7 日采集。

.atr 里存的是 R 波与 T 波峰。对 rec_1 这条记录，读出来是 20 个事件，交替出现：

352 N   469 t   727 N   839 t   1135 N   1246 t
1599 N   1715 t   2067 N   2183 t   2525 N   2638 t
2992 N   3109 t   3436 N   3556 t   3870 N   3980 t
4293 N   4407 t

20 秒内 10 次 R 峰，对应心率约每分钟 30 次——这个数字明显偏低，提示这 20 个事件并不是对整段 20 秒的完整检测，而只是检测器在某个区间里给出的十个心搏。官方对这段标注的描述是「每条记录标注 10 个心搏」，与这里看到的一致：注释不是全覆盖的逐搏标注，而是固定的十对峰。这一点必须记牢，任何想用它算心率变异性或节律统计的想法，都会在第一步就撞上样本量上限。

读取的标准写法：

import wfdb
import numpy as np

base = "https://physionet.org/files/ecgiddb/1.0.0"
rec = wfdb.rdrecord(f"{base}/Person_01/rec_1", physical=True)
ann = wfdb.rdann(f"{base}/Person_01/rec_1", extension="atr")

print(rec.fs, rec.sig_len, rec.sig_name)
#-- 500 10000 ['ECG I', 'ECG I filtered']
print(rec.p_signal.shape)
#-- (10000, 2) 已完成增益换算，单位 mV
print(rec.comments)
#-- ['Age: 25', 'Sex: male', 'ECG date: 07.12.2004']
print(len(ann.sample), set(ann.symbol))
#-- 20 {'N', 't'}

这里用完整 URL 而不是 pn_dir 参数，是因为本库的目录层级有两级，pn_dir 的拼装对嵌套路径不友好，直接给 URL 更稳。p_signal 返回的是已换算的毫伏值；d_signal 是原始整数，两边只差一个 200 的除数与零值。

2.4 每位受试者贡献多少条

官方页面与 README 的表述是有出入的。两处都写「每人 2 至 20 条」，但把 RECORDS 里的 310 条按目录归并后，实际分布是这样：

每人条数	受试者数	说明
1 条	1 人	与官方下限「2」不符
2 条	48 人	最常见，多为同一天内完成
3 条	16 人
4 条	5 人
5 条	13 人
6 条	2 人
7 条	1 人
8 条	1 人
11 条	1 人
20 条	1 人	官方上限
22 条	1 人	与官方上限「20」不符

表里出现的 1 条与 22 条是两个例外。官方没有解释这两处偏差，合理的推测是口径不同：官方的「2 至 20」可能描述的是设计意图或论文实验所用子集，而公开目录保留了全部采集。这个差异不影响总体规模判断，但会影响任何声称「每人至少两条」的划分脚本——遇到那 1 条记录的受试者，双切分脚本会直接报错。

半数以上的受试者只有 2 条记录，而 2 条恰好是「一条注册、一条验证」的最小可行配置。这意味着这个库的设计重心不在「同一个人有多少次」，而在「有多少人至少有两次」，后者的数量是 89 人。

时间跨度方面，读日期字段算得每个人的首末记录间隔从 0 天到 156 天。0 天的有 70 人，也就是说绝大多数人的多次采集发生在同一天；间隔超过 30 天的只有 3 人。官方的「最长六个月」与清单里的 156 天并不矛盾——156 天约等于五个月，官方用的是概数。

时间维度	数值	含义
采集年份	2004 年 19 条，2005 年 291 条	跨一个自然年
同日内完成全部采集	70 人	跨时段效应在这些受试者身上为零
首末间隔 1–30 天	17 人	短期重复
首末间隔超过 30 天	3 人	真正的跨月样本，官方概称最长半年
最大间隔	156 天	约五个月

这个分布对使用者的实际影响很具体：如果你想做「隔一周识别率掉多少」的曲线，样本够；想做「隔半年识别率掉多少」，只有个位数的受试者能支撑，统计上很不稳。宣传语里的「半年」是上限而不是典型值，这一点在写论文的方法节时必须说清楚。

2.5 与同类资源的字段差异

对比项	ECG-ID	MIT-BIH 心律失常库	PTB-XL	GRABMyo（肌电身份）	WISDM（传感身份）
模态	单导联心电	双导联心电	十二导联心电	前臂表面肌电	手机/手表加速度
受试者	90	47	一万八千余例	43	51
每人多次采集	是，跨日	否（连续监测）	否（多为一次）	是，跨三天	是，跨多日
单条时长	20 秒	30 分钟	10 秒	数分钟	数十秒
主监督信号	身份	心搏类型	诊断陈述	手势加身份	活动类别加身份
是否含诊断	否	是	是	否	否
采集状态受控	否（心率情绪不限）	否（Holter）	部分	是（固定动作）	否（自由活动）

这张表想说的是：ECG-ID 在「同一个人多次出现」这一列上并不孤单，肌电与智能手机传感库同样具备；它的稀缺性来自这个结构叠加在心电上。心电是唯一一种既能在可穿戴设备上被动采集、又不要求用户做任何动作的生物特征。指纹要求按压，人脸要求看向镜头，肌电手势要求做动作，而心电可以在一副耳机的两片电极之间悄悄完成。这正是它作为生物特征研究样本的价值所在。

§3 它是谁的数据：一次硕士论文的副产品

3.1 作者、机构与出处

数据由 Tatiana S. Lugovaya 在俄罗斯圣彼得堡电工大学 LETI 攻读硕士期间采集，用于她的学位论文《基于心电图的人体生物识别》。LETI 的全称是国家电工大学，是俄罗斯历史最悠久的电工类高校之一，论文所在的院系是计算技术与信息学系。作者在数据说明里留了邮箱，并在页面上明确请求使用者引用原始论文。

与论文配套的还有一篇会议论文，作者为 A. P. Nemirko 与 T. S. Lugovaya，发表在第十二届俄罗斯模式识别数学方法会议上，页码 387–390。这篇会议论文是俄文，页面上给了会议集的 PDF 链接。对只读英文文献的使用者，实际可用的就是页面上那份英文摘要页。

3.2 时间线

时间	事件	意义
2004-12	首批记录采集	清单里最早的一批日期
2005-06	硕士论文完成	数据与方法的正式出处
2005	会议论文发表	结果的同行可见版本
2011-07-19	文件在 PhysioNet 归档	目录与头文件的当前形态
2012-04-11	README 最后修改	说明文字的定稿
2014-03-06	以 1.0.0 版正式发布	获得 DOI，进入可引用状态
2019-02-20	补充 SHA256SUMS.txt	完整性校验清单

这张表里有一处值得注意的错位：采集完成于 2005 年 6 月，而文件在平台上的归档时间是 2011 年 7 月，正式发布版本号的日期则是 2014 年 3 月。三个时间分别对应「数据产生」「文件落位」「可引用」三个不同的状态。引用时用哪个日期，取决于你要说明的是数据本身还是数据集的发布。

另一个细节是采集年份。清单里最早的日期是 2004 年 12 月，绝大多数记录落在 2005 年。论文写于 2005 年 6 月，说明采集在论文提交前半年内密集完成，随后作者在几个月内完成了分析与写作。

3.3 采集场景：坐姿、夹式电极、不加限制

论文摘要页对采集过程的描述很短，但每一句都影响数据的用法：

采集条件	官方描述	对数据的影响
体位	坐姿	比卧位更接近可穿戴使用场景，但会引入呼吸与体位相关的基线起伏
电极	肢体夹式电极	接触方式接近实际认证系统，但比干电极干净
导联	I 导联（左手—右手电位差）	对电极位置微小变动不敏感，便于日常佩戴
心率	不加限制	类内差异里混入了心率变化，识别难度更真实
身心状态	不加限制	未记录，无法作为协变量剥离
滤波	关闭心电图机全部滤波器	原始信号保留全部噪声，滤波需自行完成
采集时长	每条 20 秒	时间分辨率以秒计，适合轻量模型

「不加限制」这一条是整份数据的性格所在。多数生物特征数据集会把采集条件控制到极致，以求类内差异最小、类间差异最大，从而得到漂亮的识别率。这个库反其道而行，作者在论文里给出的理由是：实际使用中无法控制用户的心率与情绪状态，如果数据在实验室条件下被控得干干净净，识别系统上线后的表现就无从预测。这个立场决定了它的下限比同类数据低，上限却更接近真实。

关掉滤波器这一条同样是有意为之。作者的解释是：无法确定心电图机的内部滤波是否会削掉对身份识别有用的特征。为不失真，干脆保留原样，把滤波变成使用者的责任。每条记录同时提供原始与滤波两路，正是这个立场的直接产物——作者自己做了一份滤波，但不确定这份滤波是不是最优，于是两份都留下。

3.4 受试者是谁

90 名志愿者，44 男 46 女，年龄 13 至 75 岁，身份是作者的同学、同事与朋友。这个人口构成需要如实描述，因为它决定了结论能推广到哪里。

维度	官方与清单所见	对泛化的含义
性别	44 男、46 女，接近均衡	性别因素不会系统性偏斜
年龄	13–75 岁，29 个不同取值	跨青少年到老年，但每个年龄段人数很少
与作者关系	同学、同事、朋友	招募便利，样本同质性强
地域	圣彼得堡一地	地域单一，无法做跨地区验证
健康状况	未说明，未设筛选	可能含少量异常心电图，但无标注可查
民族构成	未说明	官方未公布
采集设备台数	未说明	无法判断设备是否构成混杂

最后一行值得强调。身份识别研究里有一个常被忽略的混杂：如果不同受试者用的是不同的设备，模型可能学会分辨设备而不是分辨人。这个库没有公布设备的数量与型号，无法排除或确认这一混杂。使用者能做的是把它记为一个已知的未澄清项，而不是假定它不存在。

§4 它最独特的东西：同一个人，不同日期

4.1 为什么「同人多条」比「人多」更稀缺

公开数据集的规模统计几乎都以人为单位，90 人听上去微不足道。但对身份识别这个特定任务，真正决定实验设计空间的是另一个量：每个类别的样本数，以及这些样本之间的时间分布。

只有一次记录的人，无法参与任何类内评测——系统看到一个陌生人，只能回答「不认识」。有两次记录的人，才能构成一次「注册 + 验证」。有多次且跨日期的人，才能构成「注册于某个日期、验证于另一个日期」的时间泛化实验。这三件事对数据的要求依次递进，而绝大多数临床心电库停留在第一层。

ECG-ID 的第二层覆盖得相当充分：89 人有至少两条记录，可以支撑完整的封闭集评测。第三层只覆盖到少数人：绝大多数是在同一天内重复采集，跨月的只有个位数。所以它真正的稀缺性可以精确表述为：每个人都能被注册一次并被认出，但只有少数人能检验「过几个月还认得出来吗」。

这个精确表述比笼统地说「跨时段」有用得多。它直接告诉使用者该把实验设计成什么样：主实验用全库做封闭集识别，按人划分；补充实验挑出那三个跨月受试者，做小样本的时间泛化观察，并在论文里明确标注样本量极小、结论仅供定性参考。

4.2 案例：Person_07 的三条记录

选 Person_07 作贯穿案例，原因是它正好落在最常见的形态里：三条记录，rec_1、rec_2、rec_3，足以展示类内差异的长度尺度，又不会因为条数太多而让图表拥挤。三条记录的采样长度、增益、单位完全一致，读进来就是三行形状相同的数组。

import wfdb
import numpy as np

base = "https://physionet.org/files/ecgiddb/1.0.0"
rows = []
for i in (1, 2, 3):
    r = wfdb.rdrecord(f"{base}/Person_07/rec_{i}", physical=True)
    x = r.p_signal[:, 0]
    rows.append({
        "rec": i,
        "date": [c for c in r.comments if c.startswith("ECG date")][0],
        "p2p": round(float(np.ptp(x)), 4),
        "std": round(float(np.std(x)), 4),
    })
for row in rows:
    print(row)

三条记录的峰峰值与标准差会给出一个直观的量级：同一颗心脏在不同日期，幅度可以在一个不小的范围内浮动，而整体形态保持可辨。这个对比正是 §4.2 的案例要被反复引用的原因——它把「类内差异」从一个抽象概念变成一组可以直接打印的数字。

值得注意的是，Person_07 的 rec_1 与 rec_2、rec_3 未必在同一天，序号也不是官方承诺的时间顺序。所以任何依赖「序号越大越晚」的脚本都必须先读日期字段验证，不能凭文件名排序。

4.3 类内差异的三个来源

同一人的不同记录之间，差异来自三个层次，每一层对方法的要求都不一样：

差异来源	表现	能否从数据里分离
生理漂移	心率、呼吸深度、自主神经张力随日变化	部分可分离，靠心率与形态联合建模
电极与接触	夹子夹合位置、皮肤阻抗、接触压力	不可分离，数据里没有接触信息
设备与滤波	心电图机的前端响应、工频抑制	不可分离，设备信息未公布

第一层是生物学上最有意义的，也是研究者最希望模型学到的东西——一个人心脏的形态指纹应该比心率的短期波动更稳定。第二、三层是噪声，且在真实使用中会显著放大：可穿戴设备每次佩戴的电极位置都不同，皮肤状态也随天气与运动变化。

公开文献里对这个库的用法，大多把三层混在一起看，报告一个整体的跨记录识别率。这在方法学上不是错误，但对结论的解释力有限。更细的做法是按这三个来源分层设计：用同一天内的记录对衡量「接触噪声」的量级，用跨日记录对衡量「生理漂移」的量级，两者相减，才能估出纯粹由电极与设备引入的部分。§4.2 的案例给出的三条记录，正好可以作为这套分层分析的最小样本。

4.4 它支撑的三类实验

把这个结构摊开，能开展的实验可以归成三类，难度与结论强度递增：

实验类型	设计	它能给的	结论强度
同日重复识别	同一人的两条同日记录互认	89 人的完整覆盖	中，类内差异被压小
跨日重复识别	同一人的不同日期记录互认	跨月的只有 3 人，其余 17 人在一个月内	高，但样本少
时间衰减曲线	按首末间隔分组画识别率	间隔从 0 到 156 天	弱，各组样本严重不均

第三类最容易出问题。把 90 个受试者按间隔分组，0 天组有 70 人，超过 30 天的只有 3 人，两组的置信区间完全不对称。在这个基础上画一条「识别率随间隔下降」的曲线，形状主要反映的是两组的样本量差异，而不是时间效应本身。§4.2 的案例在这里再次派上用场：与其画曲线，不如就把三条记录的形态并排列出来，让差异自己说话。

4.5 边界条件：什么时候它不再适用

条件	是否适用	判断依据
你要做封闭集身份识别	适用	90 类全覆盖，身份标签来自路径
你要做开放集拒识	有条件适用	需自建冒充者集合，官方不提供
你要研究时间衰减	有条件适用	跨月样本仅数人，只能定性
你要做多导联融合	不适用	只有 I 导联
你要做情绪或运动影响研究	不适用	采集状态未记录
你要做心律失常诊断	不适用	无诊断标签
你要做人口学偏差研究	受限适用	年龄跨度大但每段人数少
你要做跨机构泛化	不适用	单一机构，无第二来源

其中第二行与第三行最需要写进方法节。开放集拒识的冒充者集合，通常从训练集外另取一批人，这个库没有提供任何官方约定，不同论文用不同冒充者集合，结论之间不可比。第三行的局限则影响论文里「泛化」一词的使用——在这里，「泛化」指的是在时间维度上的外推，而不是在人群或机构上的外推。

§5 怎么拿到：从目录遍历到可训练张量

5.1 目录与体积

路径	内容	量级
/files/ecgiddb/1.0.0/RECORDS	310 行全路径	约 5 KB
/files/ecgiddb/1.0.0/README	数据库简介	约 1.2 KB
/files/ecgiddb/1.0.0/ANNOTATORS	注释角色说明	一行
/files/ecgiddb/1.0.0/biometric.shtml	论文摘要页	约 36 KB
/files/ecgiddb/1.0.0/SHA256SUMS.txt	逐文件校验和	约 84 KB
Person_NN/rec_N.hea	头文件	约 200 字节
Person_NN/rec_N.dat	两路信号	每条 40000 字节
Person_NN/rec_N.atr	注释	数十到一百余字节

解压后 12.5 MB，压缩包 12.6 MB，页面上给了三种取法：网页直接下载 ZIP、wget 递归、AWS S3 同步。这个体量意味着整库可以放在内存里做实验，不需要分片读取，也不需要搭建数据服务器。对小规模方法学实验，这是一项实打实的便利。

5.2 批量获取

#-- 只拉记录清单，先看清结构
curl -sL https://physionet.org/files/ecgiddb/1.0.0/RECORDS -o RECORDS
wc -l RECORDS

#-- 按清单逐条下载三件套，保留两级目录
mkdir -p data
while IFS= read -r rel; do
  mkdir -p "data/$(dirname "$rel")"
  for ext in hea dat atr; do
    curl -sL --max-time 30 \
      "https://physionet.org/files/ecgiddb/1.0.0/${rel}.${ext}" \
      -o "data/${rel}.${ext}"
  done
done < RECORDS

#-- 核对：应有 310 个 dat，每个恰好 40000 字节
find data -name '*.dat' | wc -l
find data -name '*.dat' -size 40000c | wc -l

RECORDS 里的路径带目录前缀，形如 Person_01/rec_1，所以下载脚本要先建目录再落文件。第二段核对里 wc -l 会给出 310，因为这个文件末行有换行符——与某些库的清单末行缺换行不同，这里不用担心少算一条。

SHA256SUMS.txt 可以拿来做第二道完整性核对。它的路径写成相对形式，sha256sum -c 在数据根目录执行即可。

5.3 建立身份索引

绝大多数实验的第一步不是读信号，而是建一张「记录 → 人」的索引表。这张表决定了后面所有划分的正确性。

import os
import re
import pandas as pd

ROOT = "data"
rows = []
for person in sorted(os.listdir(ROOT)):
    pdir = os.path.join(ROOT, person)
    if not os.path.isdir(pdir):
        continue
    for fn in sorted(os.listdir(pdir)):
        if not fn.endswith(".hea"):
            continue
        rel = os.path.join(person, fn[:-4])
        text = open(os.path.join(pdir, fn), encoding="utf-8").read()
        meta = dict(re.findall(r"^# (Age|Sex|ECG date): (.+)$", text, re.M))
        rows.append({
            "person": person,
            "rec": fn[:-4],
            "path": rel,
            "age": int(meta["Age"]),
            "sex": meta["Sex"].strip(),
            "date": pd.to_datetime(meta["ECG date"].strip(),
                                   format="%d.%m.%Y"),
        })
idx = pd.DataFrame(rows)
print(idx.shape, idx["person"].nunique())
print(idx.groupby("person")["date"].agg(["min", "max", "count"]).head())

这里用 format="%d.%m.%Y" 显式指定日在前。若交给 pandas 自动推断，07.12.2004 有相当概率被读成 7 月 12 日，五个月的错位会直接流进跨度计算，而且不报错。

索引建好后，跨度可以这样算：

span = (idx.groupby("person")["date"]
           .agg(lambda s: (s.max() - s.min()).days)
           .sort_values())
print(span.describe())
print(span.tail(5))

这会复现 §2.4 的结论：绝大多数受试者的跨度为 0 天，最大值在 150 天量级。

5.4 切窗与张量

单条记录 20 秒、10000 点，对轻量模型已经够用，不必切窗；对需要固定输入长度的网络，按 2 秒或 4 秒切是常见做法。切窗时最容易丢掉的是分组信息，所以把 person 一并带下去：

import numpy as np
import wfdb

def load_segments(rel, win=1000, step=500):
    r = wfdb.rdrecord(f"{ROOT}/{rel}", physical=True)
    x = r.p_signal[:, 0].astype("float32")   #-- 只用原始信号这一路
    segs = []
    for s in range(0, len(x) - win + 1, step):
        segs.append(x[s:s + win])
    return np.stack(segs), r.fs

segs, fs = load_segments("Person_07/rec_1")
print(segs.shape, fs)
#-- 每条 20 秒记录，2 秒窗、1 秒步长，得到 19 段

只取 p_signal[:, 0] 是有意的：第 1 路是原始信号，第 2 路是作者提供的滤波版本。如果两路都喂进网络，模型会花容量去学两路之间的滤波差值，而这部分信息与身份无关。想用滤波版本，就整库统一用第 2 路，不要混着来。

5.5 按人划分的封闭集协议

这是本库最容易做错的一步，所以单独写出来：

import numpy as np
from sklearn.model_selection import StratifiedGroupKFold

y = idx["person"].to_numpy()
groups = idx["person"].to_numpy()

sgkf = StratifiedGroupKFold(n_splits=5, shuffle=True, random_state=0)
for fold, (tr, te) in enumerate(sgkf.split(idx, y, groups)):
    assert set(groups[tr]).isdisjoint(set(groups[te]))
    print(fold, "训练", len(tr), "测试", len(te))

封闭集识别里，训练集与测试集的类别必须是同一批人——这正是「封闭」的含义。所以「按人划分」不是把不同的人分到两边，而是把同一个人的不同记录分到两边。上面的 assert 检查的正是这一点：两边的 person 集合相同，但记录索引不相交。

如果误把 groups 设成 rec，就退化成按记录随机切分，测试集的每条记录都能在训练集里找到本人的兄弟记录。这是本库最典型的泄漏方式（§7.3），也是为什么 §4.2 的案例值得单独拿出来看：同一个人三条记录放在一起时，形态相似度有多高，泄漏的幅度就有多大。

5.6 六个最容易出错的地方

位置	错误写法	后果	正确做法
信号数理解	当 2 导联做多通道融合	学到的是滤波器响应	明确两路是同一导联的原始与滤波
注释理解	当逐搏全覆盖标注	心率、HRV 统计严重偏低	记住每条只有 10 对峰的固定标注
日期解析	交给库自动推断	日月互换，跨度算错五个月	显式用 %d.%m.%Y
数据划分	按记录随机切分	同一人出现在两侧，准确率虚高	按 Person_NN 分组
人数假设	假定每人至少 2 条	遇 1 条记录的受试者脚本崩	划分前先按人计数并过滤
幅度假设	假定所有记录同一量程	增益实际全库一致，但初始值不同	用 p_signal，不直接读整数

最后一行需要补一句：本库的增益确实全库统一为 200，与那些逐记录增益不同的库不同。但这不意味着可以放心直接用整数——不同记录之间的绝对基线仍有差异，仍应先减去各自的均值再比较形态。

§6 与库内条目的关系

6.1 关系图谱

在心电类资源里，ECG-ID 的位置不在「规模」轴上，而在「任务」轴上。把库内相关的记录按任务摆开：

记录	任务	与 ECG-ID 的关系
MIT-BIH 心律失常库	心搏分类	同格式，不同任务；它回答「是什么心律」，本库回答「是谁」
INCART 十二导联库	心搏与节律	导联数相反；它宽，本库窄
MIT-BIH 房颤库	房颤检测	无交集，仅共享 WFDB 读写工具
PTB-XL	诊断分类	人群相反；它是患者，本库是志愿者
CODE-15 与 CODE-II	大规模诊断	规模差两个数量级，不可类比
MIMIC-IV-ECG	院内诊断	同一格式，不同人群与目标
EPHNOGRAM	运动中的心电	互补：它给运动状态，本库给时间跨度
GRABMyo	肌电手势与身份	结构同源：多人跨天重复采集，但模态不同
WISDM	手机传感与身份	结构同源：多人跨天，任务同为身份
OpenECG	基础模型基准	用途相反：它做大模型预训练，本库做小样本验证

表里真正有关系的只有两行：与 MIT-BIH 的关系是「同格式不同任务」，与 GRABMyo、WISDM 的关系是「同结构不同模态」。前者提醒不要因为都叫 WFDB 就混用；后者提示了一个可行的研究方向——如果有人想做跨模态的心电身份识别，可以参考这两套肌电与传感身份数据的实验设计，把「跨天重复」这个协议直接移植过来。

6.2 检索路径

你要找的东西	检索词	会落到哪里
心电身份识别的方法基准	ECG biometric、ECG-ID	§8 与 §7.4
同一人跨时段重复采集的设计	repeat acquisition、intra-subject variability	§4.1
生物特征类的其它模态	GRABMyo、WISDM	§6.1 表
心搏与节律任务	MIT-BIH、INCART	§6.1 表，注意与本库任务不同
轻量嵌入式认证	lightweight authentication、1D-CNN	§7.4
许可与引用	ODC-BY、PhysioNet citation	§9.3

6.3 与其他库的分工判据

选库时最实际的问题是「这个库负责哪一段」。把常见的身份相关任务拆开：

任务	主粮仓该用什么	ECG-ID 的位置	原因
心电身份识别的预训练	大规模多导联库	只在验证阶段出现	310 条不足以预训练
封闭集识别的方法对比	规模相近的库	主力之一	90 类、路径即标签，干净
时间泛化的定性观察	跨月重复采集的库	主力	结构稀有
开放集拒识的正式评测	有官方冒充者协议的库	不适用	无官方冒充者集合
多导联融合	十二导联库	不适用	只有 I 导联
临床心电诊断	带诊断标签的库	不适用	无诊断

第二行与第三行是它真正的位置。把第一行与第五行交给它，不是它不够好，是它本来就没打算做那件事。

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

评价这个库时，最容易发生的一次误判是拿它和临床大数据集比规模，然后得出「样本太少，不足为信」的结论。这个比较本身错位：它的目标不是覆盖人群，而是覆盖时间。90 个人已经足以支撑一个封闭集识别实验的设计空间，问题从来不在人数，而在于每个人被观察了多久。

完成这个校正之后，五维评分才读得准。它的规模分低，不是因为采集粗糙，而是因为它选择了另一条路——把有限的人力投在「对同一个人反复采集」上，而不是「对更多人各采一次」。这两条路的成本结构完全不同，评分时必须分开看，否则会把一种设计取舍误读成一种质量缺陷。

7.1 五维评分

按 DAIMS 的常用维度打分，每项 1–5 分，分数锚定在「作为心电身份识别研究数据」这个用途：

维度	分数	理由
数据规模	2	310 条、90 类，训练不足，验证够用
标注质量	2	只有自动检测的 R 与 T 峰，官方明确未审核
任务适配	5	同人跨时段的结构在公开心电库里稀有
文档完整	4	页面与 README 把结构、人群、噪声说清楚了
可获取性	5	免注册、ODC-BY、十几兆，一次下完

合计 18 分（满分 25）。分数结构与 INCART 那类库相似：规模与标注拖后腿，适配性与可获取性拉满。任务适配给 5 分的理由是它占着一个别人不愿再占的位置——重新组织一次跨月的重复采集，成本远高于再采一批十秒图，所以这个结构一旦缺失，很难靠新库补上。

标注质量给 2 分而不是 3 分，是因为「未审核」这三个字是官方原话里的明确限定，不是使用者的推测。对身份识别任务，注释本来就用处不大——识别靠的是整段形态，不是逐搏位置。所以这 2 分对使用者的实际影响，比它在字面上看起来要小。

7.2 注释的真实覆盖范围

官方对注释的描述是「每条记录标注 10 个心搏，自动检测的 R 波与 T 波峰，未经审核」。这句话有三层含义，每一层都会改变使用方式：

层次	官方说法	实际含义	建议
数量	10 个心搏	每条记录固定 10 对峰，不是全覆盖	不做 HRV 或节律统计
来源	自动检测器	可能有错检漏检，未人工复核	需要精确定位时自行检测
类型	R 波与 T 波峰	只有两种符号，无心搏类型	不做心搏分类

对 Person_01/rec_1 的读取结果印证了第一层：20 个事件、10 对峰，散落在 20 秒内的一段区间，而不是贯穿全程。用这 10 个 RR 间隔算出的心率，只代表那一段区间，不能代表整条记录。

这个限制对本库的核心用途几乎没有影响。身份识别模型的输入是整段波形，注释只在做数据质量检查或对齐可视化时才需要。真正受影响的是那些想把本库当「附带心搏标注的心电库」来用的人——他们会发现标注的稀疏程度远低于预期。

7.3 已知的、可枚举的偏差

偏差	表现	影响
招募便利	同学、同事、朋友	样本同质，社会人口维度单一
单一机构	圣彼得堡一处	设备与操作规范单一，无跨中心验证
单导联	只有 I 导联	无法评估导联位置效应
时间集中	70 人同日完成	跨时段样本稀少，时间效应估计不稳
状态未记录	心率情绪不加限制	无法把状态作为协变量剥离
设备未公布	台数与型号未知	无法排除设备混杂
记录数口径不一	官方 2–20，清单 1–22	依赖下限假设的脚本需加防护
性别标注是字符串	male / female	解析时大小写与拼写要统一

这张表里影响最大的是第一行与第二行，而不是常见的「样本量小」。招募便利导致的同质性是隐性的：如果受试者大多是同一所大学的师生，他们的年龄、体型、生活方式都聚集在某几个区间，模型可能学到的是「这群人之间的差异」，而不是「人类之间的差异」。这一点在跨机构测试时会立刻暴露，但这个库本身无法提供跨机构的检验。

第七行是操作层面的坑：如果一个脚本假定每人至少两条记录，遇到只有一条的那位受试者会抛异常；如果假定最多二十条，遇到二十二条的那位会少读两条。写代码时把上下限写成从数据里读，而不是写死进常量。

7.4 外部验证矩阵

本库在近年文献里的用法，可以从公开摘要里看出轮廓。检索词以 ECG-ID、ECG biometric 为主，返回的工作大多集中在三类：

验证角色	典型做法	讲得通的地方	风险
封闭集识别基准	90 类，按人划分，报告准确率	类数适中，方法之间可比	划分协议不统一时结论不可比
单心搏认证	从 20 秒里切出单个心搏做认证	与可穿戴的短时采集相符	样本被切碎后泄漏更难察觉
与肌电或虹膜融合	把心电当多模态的一支	单导联体量小，易拼接	本库无配对模态，融合需另找样本
轻量模型部署	小参数量网络在嵌入式端推理	单导联、20 秒，接近真实负载	只看准确率，忽略拒识性能

表格里最值得警惕的是第一行与第二行。封闭集识别基准的结论高度依赖划分协议：按人划分、按记录划分、按日期划分，三种协议在同一份数据上能给出差出很多的结果。第二行更隐蔽——把 20 秒切成十个单心搏后，来自同一条记录的十段样本之间的相关性极高，如果切分时不把同一条记录整体放进一侧，泄漏会以更细的粒度发生。

第三行提到的融合用法，在文献摘要里能看到心电与虹膜结合的多模态系统。这类工作说明心电作为生物特征分支已被接受，但也提醒一件事：本库没有与任何其它模态配对的样本，任何「心电 + 其它模态」的研究都必须另找配对数据，ECG-ID 只能验证心电这一支。

7.5 它为何能持续：结构比规模更难复制

这个库自 2005 年采完、2014 年定版之后就没有再扩充，却一直在被引用。原因不在于它有多好，而在于它占着一个成本结构上难以复制的位置：让同一个人隔几个月再回来录一次心电。批量的十秒图可以靠一次门诊排班解决，跨月的重复采集却要一个人一个人地约、一次一次地等，而且中途会有人退出。新库愿意付这个成本的不多，所以只要「跨时段可重复性」还是心电身份识别的核心问题，它作为参照物的位置就还在。

§8 生态位与历史

8.1 历史沿革

这个库的诞生路径与多数 PhysioNet 库不同。它不是某个实验室在完成一项课题后顺手公开的副产品，而是一名硕士研究生为了回答一个具体问题而专门设计采集的成果：心电能不能当生物特征。问题的来源是 2000 年代初生物识别技术的扩张——指纹、虹膜、人脸已经在门禁与通关场景落地，研究者开始寻找更难伪造、更难窃取的模态，心电因为「活体才有的信号」这一属性进入了视野。

作者的做法在当时并不算主流。她把重点放在「持久性」这个生物特征的基本要求上，而不是在当时更热门的分类器创新上。持久性要求数据在时间上展开，于是有了跨月重复采集；要求采集不对受试者造成负担，于是选了单导联与肢体夹式电极。这两个选择后来变成了这份数据最难替代的两个特征。

8.2 与后续研究的关系

阶段	主要用法	对数据的要求
2005–2010	方法可行性论证	少量人、多次采集即可
2011–2016	特征工程与分类器对比	固定的划分协议
2017–2021	深度学习与端到端识别	更大规模，开始转向新库
2022 至今	轻量模型、可穿戴、多模态融合	小体量、真实噪声、可快速迭代

本库在第三阶段之后逐渐从「主训练集」退到「验证集」，这不是它的退步，而是领域规模的整体上移。深度学习需要的数据量超出了任何单次硕士论文能采集的范围，所以后来的工作转向自建大规模数据或合成数据，而 ECG-ID 留在原地，承担它最擅长的那件事：在一个熟悉的小规模基准上，检验新方法是否真的比旧方法更懂「人」而不是更懂「数据」。

8.3 生态位：时间尺而不是粮仓

角色	主力粮仓	时间尺
典型用法	预训练、大规模训练	封闭集验证、跨时段观察、方法对比
需要的前提	数据量大、类别多	同一人多次、划分协议固定
代表库	CODE 系列、PTB-XL、OpenECG	本库、GRABMyo、WISDM
失败模式	过拟合、标签噪声累积	样本太少导致结论不稳

它坐在右边这一列。把时间尺当粮仓，会立刻撞上样本量天花板；把粮仓当时间尺，会陷入「自己测自己」——在一个库里训练又在这个库里测试，测出来的只是记忆能力。两者不能互换。

8.4 谁在用它，用来做什么

从公开摘要看，使用者分三类：做生物特征算法的信号处理组（把它当标准小基准）、做可穿戴认证的工程组（把它当真实噪声与真实时间差的来源）、做教学的人员（把它当类内差异的现成教材）。第三类最少，但它恰好用到了这份数据最难被替代的部分——同一人多条记录并排放在一个目录里，不需要任何加工就能讲清「类内差异」。

§9 使用指引

9.1 三种角色的路径

角色	第一天	第一周	注意事项
算法研究者	读页面与 README，跑通 §2.3 的读取	建身份索引，做按人划分的基线	先定划分协议再比方法
可穿戴工程师	取原始信号这一路做前端预处理	量化跨日掉分，做轻量模型部署	报告要分同日与跨月两组
教学人员	取 §4.2 的案例受试者画对比图	做「同日互认」与「跨日互认」两组演示	注释稀疏，图上别标心率

9.2 一条最短的可用流程

#-- 1. 取清单与说明
curl -sL https://physionet.org/files/ecgiddb/1.0.0/RECORDS -o RECORDS
curl -sL https://physionet.org/files/ecgiddb/1.0.0/README -o README

#-- 2. 下载全量三件套
mkdir -p data
while IFS= read -r rel; do
  mkdir -p "data/$(dirname "$rel")"
  for ext in hea dat atr; do
    curl -sL "https://physionet.org/files/ecgiddb/1.0.0/${rel}.${ext}" \
      -o "data/${rel}.${ext}"
  done
done < RECORDS

#-- 3. 核对完整性
find data -name '*.dat' -size 40000c | wc -l

import os
import re
import wfdb
import numpy as np
import pandas as pd

rows = []
for person in sorted(os.listdir("data")):
    pdir = os.path.join("data", person)
    if not os.path.isdir(pdir):
        continue
    for fn in sorted(os.listdir(pdir)):
        if fn.endswith(".hea"):
            rec = wfdb.rdrecord(os.path.join(pdir, fn[:-4]), physical=True)
            meta = dict(re.findall(r"^# (Age|Sex|ECG date): (.+)$",
                                   "\n".join(rec.comments), re.M))
            rows.append({
                "person": person,
                "prior": fn[:-4],
                "date": pd.to_datetime(meta["ECG date"].strip(),
                                       format="%d.%m.%Y"),
                "x": rec.p_signal[:, 0].astype("float32"),
            })
df = pd.DataFrame(rows)
print(len(df), df["person"].nunique())
print(df.groupby("person")["date"].agg(["min", "max", "count"]).head())

第二步把整条波形作为一列存进 DataFrame，对 310 条、每条一万点的规模完全可行，内存占用约十几兆。超过这个规模就该换成按需读取，但在这个库上不必。

9.3 引用方式

引用对象	内容	何时需要
数据集本体	Lugovaya T.S. Biometric human identification based on electrocardiogram. [Master’s thesis] LETI, Saint-Petersburg; June 2005.	使用数据时必须
版本与 DOI	ECG-ID Database v1.0.0, PhysioNet, DOI 10.13026/C2J01F	说明数据版本时必须
平台综述	PhysioNet 平台论文（2026，Nature Health）	按官方页面惯例一并引用
会议论文	Nemirko A.P., Lugovaya T.S. 第十二届俄罗斯模式识别数学方法会议，pp. 387–390	引用方法时

官方页面明确要求引用作者的硕士论文，而不是只引用平台。这一点与多数 PhysioNet 库不同——大部分库的推荐引用是平台上的数据集条目，而这里指向的是原始的学位论文。写论文时把两者都写上最稳妥，并注明使用的是 1.0.0 版。

§10 AI 使用声明

项目	声明
文本生成	本文由 AI 辅助撰写，结构与事实由编辑把关
数字来源	规模、结构、边界三类数字来自 PhysioNet 官方页面、README 与记录清单
文件核验	RECORDS 全 310 条的 .dat 与 .hea 已逐一取回，逐条核对了大小与头文件字段
注释核验	注释格式以 Person_01/rec_1 为例核对，其余记录未逐条展开
差异披露	官方写每人 2–20 条，清单实际 1–22 条，差额构成官方未说明
论文信息	只读了官方页面附带的英文摘要页，未读俄文会议论文全文
未核验内容	性别与年龄对识别率的影响、设备台数、噪声成分的定量分布
图像	无配图；封面为生成式提示词，不含真实心电图
免责	本文不构成临床建议；数据使用须遵守 ODC-BY 1.0 的署名要求

常见误读（避坑清单）

说法	实际	证据
「它是双导联心电库」	只有 I 导联，两路信号是同一导联的原始与滤波	头文件两行信号名 ECG I 与 ECG I filtered
「每条记录有完整的逐搏标注」	每条固定标注十对 R 与 T 峰，非全覆盖	官方描述与 rec_1.atr 的二十个事件
「它能训练心律失常模型」	无诊断标签，无心搏类型，人群为志愿者	头文件只有年龄、性别、日期三行注释
「每人 2 到 20 条」	清单实际 1 到 22 条	RECORDS 按目录归并后的计数
「每人随访半年」	七成受试者同一天完成全部采集	日期字段统计，间隔为 0 天的有 70 人
「按记录随机划分就行」	同一人多条记录，随机划分造成身份泄漏	路径一级目录即身份，需按人分组
「它是 100 Hz 或 250 Hz」	500 Hz，12 位精度	头文件首行第三个字段
「注释是人工标注的」	自动检测器给出，官方注明未经审核	官方描述与 ANNOTATORS
「它来自多家医院」	单一机构，作者的同学同事朋友	官方人群描述
「日期 07.12.2004 是 7 月 12 日」	俄式写法，是 12 月 7 日	全库日期均落在 2004 年 12 月至 2005 年

FAQ

Q1：ECG-ID 到底有多少条记录、多少人？
官方页面与 README 都写 310 条、90 人，RECORDS 逐行展开也是 310 条，分布在 Person_01 至 Person_90 共 90 个目录里。按目录归并后每人的条数范围是 1 到 22，与官方写的 2 到 20 有一处出入，官方未解释差额。

Q2：它能不能直接用来训练心律失常分类？
不能。注释只有自动检测的 R 波与 T 波峰，没有心搏类型，也没有节律标签；受试者是志愿者，不是门诊或住院患者。它唯一的监督信号是「这条记录属于谁」。

Q3：为什么按记录随机划分会严重虚高？
因为同一人的多条记录共享心脏形态、电极接触习惯与采集设备，随机切分后测试集里几乎每个身份都能在训练集找到本人。必须按 Person_NN 整体分组，让同一个人的所有记录只出现在一侧。

Q4：它算封闭集识别还是开放集验证？
天然是封闭集：90 个人都在名单内。开放集验证需要另找一批陌生人来当冒充者，官方没有给出约定，不同工作自定的冒充者集合会让结论之间不可比。

Q5：两路信号该怎么用？
第 1 路是原始信号，第 2 路是作者提供的滤波版本。二选一，不要混着喂进网络，否则模型会花容量去学两路之间的滤波差值，而那部分与身份无关。

Q6：注释这么稀疏，还能做什么？
做数据质量检查、做波形对齐可视化。它的正式用途在身份识别，而识别靠整段形态，不靠逐搏位置。想算心率或心率变异性，得自己重新检测 R 峰。

Q7：它的噪声到底是好是坏？
取决于你的目标。对方法学演示，噪声是需要先处理的障碍；对可穿戴认证研究，噪声正是真实使用条件的代理。作者关掉了心电图机的全部滤波，就是为了让噪声保持在原始状态。

Q8：能不能用它做跨机构泛化验证？
不能。它来自单一机构，没有第二个来源可以做对比。用它得到的「泛化」结论只能限定在时间维度上，不能外推到人群或机构维度。

Q9：体量多大，能一次下完吗？
解压后 12.5 MB，压缩包 12.6 MB，可以一次下完，也可以全部读进内存。它没有分片或数据库后端，就是普通文件。

Q10：它的许可能不能商用？
ODC-BY 1.0 允许包括商业用途在内的使用，条件是署名。引用时要写清数据集名、版本与作者论文，具体条款以许可全文为准。

Q11：为什么说它和 MIT-BIH 不能互换？
任务不同。MIT-BIH 标注的是心搏类型与节律，回答「这是什么心律」；本库标注的是身份，回答「这是谁」。字段、人群、标注体系全不一样，唯一的共同点是 WFDB 格式。

Q12：它还会更新吗？
官方没有任何扩版说明。从采集年代与数据来源看，这份数据是一次性完成的硕士论文成果，2014 年定版之后只有 2019 年补充了校验和文件，信号与注释未变。

术语表

术语	解释
ECG-ID	本库名称，直译为「心电身份」，强调心电作为身份凭证
I 导联	左右手腕之间的电位差，属肢体导联
生物特征识别	用身体或行为特征确认个体身份的技术
类内差异	同一个人的不同记录之间的差别
类间差异	不同人之间的差别
封闭集识别	待识别对象必定在已知名单内
开放集验证	允许出现名单外的未知个体，需要拒识能力
冒充者集合	开放集评测中充当陌生人的那批样本
注册与验证	生物特征系统的两个阶段：先登记，后比对
时间泛化	模型在训练时间点之外的表现
分组划分	以人为单位整体切分，防止同一人跨两侧
泄漏	测试信息以隐蔽方式出现在训练过程中
WFDB	PhysioNet 的波形数据库格式，含头文件、信号、注释
.hea	纯文本头文件，声明采样率、增益、注释行
.dat	二进制信号文件
.atr	二进制注释文件
增益	每毫伏对应的整数单位数，本库为 200
校验和	采样点累加和，用于检查文件完整性
肢体夹式电极	夹在手腕或手指上的电极，接触稳定
原始信号	未经任何数字滤波的采集结果
基线漂移	低频原因导致的整体上下起伏
工频干扰	50 Hz 或 60 Hz 电源噪声
ODC-BY	开放数据共享署名许可
DOI	数字对象标识符，用于稳定引用
PhysioNet	生物医学信号数据与工具的公共平台

附录 A：核心数字核对表

项	值	来源	来源层级
记录数	310	官方页面；RECORDS 逐行	官方页面
受试者数	90	官方页面；目录数	官方页面
性别构成	44 男、46 女	官方页面；头文件注释行	官方页面
年龄范围	13–75 岁	官方页面；头文件注释行	官方页面
每人条数	官方 2–20，清单 1–22	官方页面与 RECORDS	官方页面
单条时长	20 秒	官方页面；10000 点 ÷ 500 Hz	官方页面
采样率	500 Hz	官方页面；头文件首行	官方页面
位分辨率	12 位	官方页面	官方页面
量程	名义 ±10 mV	官方页面	官方页面
信号条数	2	头文件首行	官方文件
增益	200	全部头文件信号行	官方文件
每人最长跨度	半年（官方）；156 天（清单）	官方页面；日期字段	官方页面
每记录注释	10 对 R 与 T 峰	官方页面；rec_1.atr	官方页面
解压体积	12.5 MB	官方页面文件区	官方页面
压缩包体积	12.6 MB	官方页面下载按钮	官方页面
许可	ODC-BY 1.0	官方页面	官方页面
上线日期	2014-03-06	官方页面	官方页面
DOI	10.13026/C2J01F	官方页面	官方页面
每个 .dat 大小	40000 字节	全量 310 个文件逐一核对	官方文件

附录 B：数字的来源分层

第一层：官方页面与官方文件。 记录数、受试者数、性别与年龄构成、每人条数区间、单条时长、采样率、位分辨率、量程、噪声描述、采集条件、许可、日期、DOI，都来自项目主页、README、ANNOTATORS 与全量头文件。记录清单的 310 行与每个 .dat 的 40000 字节经过逐一访问确认。

第二层：官方论文摘要页与清单派生。 采集细节（坐姿、肢体夹电极、关闭滤波、心率与身心状态不限）、训练测试划分方式、识别系统的方法轮廓，来自页面上附带的英文摘要。每人条数的实际分布、首末日期间隔、性别与年龄的实际取值分布，是把 310 个头文件的注释行读出来统计得到的，属于对官方文件的直接派生，口径与方法在正文中已说明。

第三层：未核实。 设备台数与型号、噪声成分的定量构成、年龄与性别对识别率的影响、那 1 条与 22 条两个例外的成因、受试者的民族与健康状况。这些官方没有公布，正文中标「官方未说明」或「未公开」，不作推断。

附录 C：完整参考文献

编号	文献	链接	用途
1	ECG-ID Database v1.0.0	https://physionet.org/content/ecgiddb/1.0.0/	规模、结构、边界数据的来源
2	该库的 PhysioNet 文件目录	https://physionet.org/files/ecgiddb/1.0.0/	RECORDS、README、头文件
3	Lugovaya T.S. 硕士论文摘要页	https://physionet.org/files/ecgiddb/1.0.0/biometric.shtml	采集条件、方法、识别结果
4	数据集 DOI	https://doi.org/10.13026/C2J01F	引用与版本定位
5	PhysioNet 平台综述（2026，Nature Health）	https://doi.org/10.1038/s44360-026-00096-z	托管模式与引用规范
6	MIT-BIH 心律失常库（对照）	https://physionet.org/content/mitdb/	§2.5 与 §6.1 的对比
7	PTB-XL（对照）	https://physionet.org/content/ptb-xl/	§2.5 的人群对比
8	Europe PMC 检索：心电生物特征识别	https://www.ebi.ac.uk/europepmc/	§7.4 的外部用法

附录 D：任务代码

任务一：按人划分的封闭集识别骨架

import numpy as np
import pandas as pd
import wfdb
from sklearn.model_selection import StratifiedGroupKFold

def build_index(root="data"):
    import os
    import re
    rows = []
    for person in sorted(os.listdir(root)):
        pdir = os.path.join(root, person)
        if not os.path.isdir(pdir):
            continue
        for fn in sorted(os.listdir(pdir)):
            if not fn.endswith(".hea"):
                continue
            t = open(os.path.join(pdir, fn), encoding="utf-8").read()
            meta = dict(re.findall(r"^# (Age|Sex|ECG date): (.+)$", t, re.M))
            rows.append({
                "person": person,
                "rec": fn[:-4],
                "date": pd.to_datetime(meta["ECG date"].strip(),
                                       format="%d.%m.%Y"),
            })
    return pd.DataFrame(rows)

def features(rel, win=1000, step=500):
    r = wfdb.rdrecord(f"data/{rel}", physical=True)
    x = r.p_signal[:, 0]
    segs = [x[s:s + win] for s in range(0, len(x) - win + 1, step)]
    return np.mean([np.abs(np.diff(s)) for s in segs], axis=1)

idx = build_index()
#-- 只有一条记录的受试者无法做留出验证，先归入登记集
counts = idx["person"].value_counts()
keep = counts[counts >= 2].index
sub = idx[idx["person"].isin(keep)].reset_index(drop=True)

sub["feat"] = [features(p) for p in sub["person"] + "/" + sub["rec"]]
X = np.stack(sub["feat"].to_numpy())
y = sub["person"].to_numpy()
g = sub["person"].to_numpy()

for tr, te in StratifiedGroupKFold(n_splits=5, shuffle=True,
                                   random_state=0).split(X, y, g):
    assert set(g[tr]).isdisjoint(set(g[te]))
    print("fold", len(tr), len(te))

这段代码的特征只用了一个最粗糙的统计量——滑动窗内一阶差分的均值。它的作用不是给出好结果，而是把「按人划分」这个协议跑通。换更强的特征或端到端模型时，划分部分一行都不用改。

任务二：同日与跨月两组的分层评测

import numpy as np
import pandas as pd

idx = pd.read_parquet("idx.parquet")
span = idx.groupby("person")["date"].agg(lambda s: (s.max() - s.min()).days)

same_day = span[span == 0].index
cross_day = span[span > 0].index

print("同日组人数", len(same_day))
print("跨日组人数", len(cross_day))
print("跨月组人数", int((span > 30).sum()))
print("最长跨度（天）", int(span.max()))

第二段代码的作用是把 §2.4 的分布复现出来。跑完之后就会明白，为什么正文说「跨月只有个位数的受试者」——这个结论不是靠感觉，而是这四行打印结果直接给出的。

附录 E：如果只记五件事

序号	记住什么	为什么
1	90 人、310 条、单导联 20 秒、500 Hz	这四个数字定义了一切用法与限制
2	它有同人跨时段的结构，这是别处少见的	这是它唯一不可替代的地方
3	按人划分，不按记录划分	随机划分会让识别率虚高
4	注释只有十对 R 与 T 峰，无类型无节律	别把它当带标注的心电库
5	跨月样本只有三人，时间效应只能定性	别在论文里把它写成完整随访队列

编辑说明

核对于 2026 年 10 月 28 日完成。核对方式为直接访问 PhysioNet 项目页、RECORDS、README、ANNOTATORS、biometric.shtml，并把 RECORDS 列出的 310 条记录的 .dat 与 .hea 全量取回逐一核对：310 个 .dat 全部为 40000 字节，310 个头文件全部含且仅含年龄、性别、采集日期三行注释，首行采样率与点数完全一致。每人条数与首末日期间隔两项分布，是把这 310 个头文件读出来统计得到的，属于对官方文件的直接派生而非独立观测，正文已注明口径。Person_01/rec_1 的 .atr 逐条读出，用于确认「十对峰」这一描述。论文侧只读了页面附带的英文摘要，俄文会议论文未读全文。未覆盖的内容包括：设备台数与型号、噪声成分的定量构成、年龄与性别对识别率的影响、以及官方「每人 2–20 条」与清单「1–22 条」之间差额的成因。这些均标为未公开或官方未说明。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• macecgdb — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准
• icentia11k — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准
• scientisst-move — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准
• ieeepg — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准
• auricle-wearable-cv — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准
• butqdb — 共享标签：生理信号 / 心电信号 / 可穿戴传感
• drivedb — 共享标签：生理信号 / 心电信号 / 可穿戴传感
• eda-rest-sedation — 共享标签：生理信号 / 可穿戴传感 / 评测基准
• mmash — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准
• bidsleep-dataset — 共享标签：生理信号 / 心电信号 / 可穿戴传感 / 评测基准

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。