先有录音，后有模拟器 — FPCGDB 胎心音图库

胎心音是一个在物理上先天吃亏的测量对象。心脏瓣膜开合产生的振动要穿过羊水、子宫壁、脂肪与皮肤才能到达腹壁，能量在这一路上衰减得厉害，而同一块腹壁上还叠着母体心音、肠鸣与呼吸肌运动、胎盘血流湍流、胎动，以及房间里的环境噪声。真正能清楚看到第一心音与第二心音成对出现的片段，往往只占整段录音的一小部分。

2010 年，那不勒斯的一组研究者在一家私人诊所里用便携心音设备录下了 26 段这样的信号。他们的目的不是做一份评测基准，而是回答一个更靠前的问题：真实的胎儿与母体心音，波形到底长什么样。当时的文献在这一点上写得含糊，而要把胎心音模拟器做对，就必须先有这批真实录音当参照。2015 年 12 月，这批原始录音以 Fetal PCG Database 的名字单独发布在 PhysioNet 上。

它的规格按今天的标准并不起眼：26 段、单通道、8 位、333 赫兹、没有标注、全部文件加起来不到 20 MB。它的价值也不在规模上，而在于它是那套合成胎心音数据的真实底座——想判断一条合成波形像不像人，得先有一批真人的录音摆在旁边。一屏速览见下表。

维度	内容
全名	Fetal PCG Database（FPCGDB）
数据性质	真实录音，非合成
采集机构	那不勒斯费德里科二世大学（页内两种系名并列：作者栏写生物医学工程系，合作者栏写电气工程与信息技术系）
提交者	Mariano Ruffo；合作者 Mario Cesarelli、Maria Romano、Paolo Bifulco
采集时间与地点	2010 年，意大利那不勒斯一家私人诊所
采集设备	Pentavox 公司的 Fetaphon Monitoring System 便携心音记录仪
受试者	26 名健康孕妇，年龄 25 至 35 岁，单胎生理妊娠
孕周范围	31 至 40 周（文件名中实际出现 31、34 至 40 周）
记录数	26 段，每人一段
单段时长	平均 20 分钟；按采样点折算 19.97 至 20.53 分钟
总时长	约 521.6 分钟，合 8.69 小时
通道数	1
采样率与位深	333 Hz，8 位（官方写 Format 80）
幅度标度	无量纲归一化值，头文件增益 0.005
标注	无任何标注文件
文件数	52 个数据与头文件，加清单与校验和
体积	解压后 19.9 MB，ZIP 同为 19.9 MB
许可与 DOI	ODC-BY 1.0；10.13026/C2PD5B
上线时间	2015 年 12 月 16 日，版本 1.0.0

§1 它要解决的具体麻烦

1.1 做模拟器之前，得先知道真实波形长什么样

胎心音研究在 2010 年前后遇到一个很具体的困难：想测试胎心率提取算法，就需要大量带真值的录音；可真实录音的真值要靠专家逐拍听辨，成本高、一致性差；于是大家转向模拟器造数据。但模拟器的每一个参数——S1 与 S2 的时长、幅度比、间隔、噪声的频谱形状——都必须有真实录音作依据，否则造出来的信号只是一段听起来像心跳的声音，算法在上面调好了也迁移不到真人。

同组 2012 年那篇论文把这件事写得很直白：在开发模拟软件之前，先做了一次数据采集预研，专门用来确认胎儿与母体心音的波形特征，理由是现有文献在这个问题上不够严谨。这批预研录音就是后来的 FPCGDB。它不是为了被当成基准而录的，而是为了给一个建模任务提供原始素材；这一点决定了它日后所有的形态特征——小、无标注、单通道、按孕妇编号平铺。

需求	常规做法	卡在哪	这批录音的位置
拿到真实 S1/S2 波形	查文献里的示意图	图是重绘的，参数不可回溯	原始录音可直接重测
给模拟器定参数	凭经验设	设出来的信号不像真人	官方称用它确认波形特征
测胎心率算法	用合成信号	合成信号的噪声过于理想	可作为真实侧的对照
建公开可引用的底稿	各实验室自留	数据不公开、无法复现	2015 年起公开在 PhysioNet

1.2 三条常见的错误期待

第一条，期待它是胎心电。 名字里的 PCG 指 phonocardiography，声学的图，不是心电图。它记录的是瓣膜开合传到腹壁的机械振动，采的是声音，传感器是心音探头，不是电极。拿它去验证 QRS 检测算法会立刻发现没有 QRS 可找。

第二条，期待它带胎心率真值。 目录里只有数据文件与头文件，没有任何标注文件，头文件里也没有注释行。官方提到可以用听辨认出 S1 与 S2，那是在描述信号质量，不是在承诺标注。所有以「有胎心率标签」为前提的使用方式，第一步就会卡住。

第三条，期待它够大、能做训练集。 26 段、8.69 小时、单通道、8 位。这个体量做小规模自监督预训练也许勉强，做监督学习完全不够；它更像一本波形样册，而不是一座语料库。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
看真实胎儿心音的原始波形	26 段腹部录音，覆盖孕 31 至 40 周	够，这正是它的用途
校准心音模拟器的 S1/S2 参数	真实波形与真实噪声的混合样本	够，官方就是这么用的
测胎心率提取算法的准确率	无真值，需自行标注	不够，得自己补标注
研究母体心音与胎心音的叠加	混合信号在，但未分源	部分够，分离要靠算法
做深度学习训练	8.69 小时单通道	不够，量级差一到两个数量级
研究病理妊娠的心音特征	全部为健康单胎	不够，结构上没有
做教学演示	真实波形、体积极小、免注册	够，几乎零门槛
复现 2012 年论文的模拟器	论文的参照数据即此库	够，这是唯一公开的原始素材

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
你写了一个基于包络的胎心率提取器，只在自采的几段上试过	26 段真实录音，同一设备同一流程录成，条件相对一致	先在其中几段上人工点出 S1 位置，建立小规模真值，再报数
你在用 simfpcgdb 那套合成信号调参，怀疑模拟得不像	提供真实侧的对照片段，可逐段比对 S1/S2 的形态与噪声底色	取同孕周的几段，把真实与合成的波形并排画出来看差异
你要向评审说明算法的输入是真实录音而非仿真	公开可引用的真实录音，带 DOI 与固定许可	在方法节写明用的是 26 段中的哪几段、如何划分
你在做心音分割，缺 S1/S2 边界标签	波形本身可用，标签需自建	按 §4.2 的案例先标一段，跑通流程再扩量
你在教生物医学信号处理，需要一个真实腹部录音样本	19.9 MB 能整个拷给学生，无需申请	用 §9.2 的流程读入并画包络，课上演示十分钟够用
你在评估设备差异对胎心音的影响	只有一种设备、一个诊所	不够，需另找多设备数据做对照

1.5 一句话判断

它是一块原始木料，不是一件成品家具：价值在于纹理是真的，而不在于它已经被刨平、上漆、标好了尺寸。

1.6 不适合谁：四条边界

不适合要标注的人。 没有胎心率、没有 S1/S2 时间戳、没有孕产妇病史字段。任何以「标签已就绪」为前提的流水线，在它身上必须先从人工标注开始。

不适合要规模的人。 8.69 小时单通道，且全部来自健康单胎。把它当作训练集，模型的容量会被数据量而不是被任务难度限制住。

不适合要病理谱的人。 26 名孕妇全部健康，孕 31 至 40 周，没有早产、没有双胎、没有妊娠合并症。想研究异常胎心音的形态，它一段都给不了。

不适合要做物理声学定量的人。 单位是无量纲的归一化值，增益 0.005 是为了显示刻度而不是物理标定。任何以分贝、帕斯卡为单位的结论都无法落在它上面。

§2 数据构成与规格

2.1 一个平铺目录与文件名里的三段信息

这个库没有子目录。26 个记录全部躺在根目录下，每个记录一对文件：.dat 装二进制样本，.hea 装两行纯文本头信息。身份信息不在头文件里，而在文件名里，被下划线切成四段：前缀 fetal_PCG、孕妇编号 pNN、孕周标记 GW、两位孕周数。

位置	形态	取值	含义
目录	无分层	根目录	52 个数据与头文件全部平铺
文件名第 1 段	fetal_PCG	固定	标识这是胎儿心音图记录
文件名第 2 段	pNN	p01 至 p26	孕妇编号，每人只出现一次
文件名第 3 段	GW	固定	孕周的标记前缀
文件名第 4 段	两位数字	31 至 40	录制时的孕周
扩展名	.hea / .dat	两种	头文件与二进制样本
根目录另外两个文件	RECORDS / SHA256SUMS.txt	520 B / 4.6 KB	记录清单与校验和

这种命名法的好处是身份信息一眼可见，缺点是信息全在字符串里——任何按目录结构组织的工具都会在这里失效。要按孕周分组，就必须先解析文件名；头文件里没有任何字段能替代它。

2.2 字段与记录的完整字典

信息分三处：文件名、头文件首行、头文件第二行。头文件只有两行，没有任何注释行，这与多数 PhysioNet 波形库不同——那些库往往在头文件末尾堆十几行 # 注释，把采集条件、受试信息、设备参数全写进去；这里一行都没有。

信息项	所在位置	取值形态	含义
记录名	.hea 首行第 1 列	与文件名相同	记录标识，含孕妇编号与孕周
通道数	.hea 首行第 2 列	1	单通道
采样率	.hea 首行第 3 列	333	赫兹
采样点数	.hea 首行第 4 列	399000 至 410001	除以 333 得秒数
数据文件名	.hea 第二行第 1 列	同名 .dat	指向二进制文件
存储格式	.hea 第二行第 2 列	16	WFDB 格式码 16
增益	.hea 第二行第 3 列	0.005	每单位对应的显示标度
位分辨率	.hea 第二行第 4 列	8	8 位
ADC 零点	.hea 第二行第 5 列	128	8 位量化的中点
首样本值	.hea 第二行第 6 列	各文件不同	首点原始整数
校验和	.hea 第二行第 7 列	各文件不同	WFDB 的校验字段
块大小	.hea 第二行第 8 列	0	不分块
信号名	.hea 第二行第 9 列	PCG	唯一的通道名
单位	无字段	无量纲	官方称设备输出已归一化
孕周	仅文件名	31 至 40	头文件里没有对应字段
孕妇编号	仅文件名	p01 至 p26	头文件里没有对应字段
年龄、身高、体重	无	无	官方只给总体范围
标注文件	无	无	目录里不存在任何标注扩展名

这张表最需要注意的是最后三行。孕周与编号只存在于文件名，年龄只有「25 至 35 岁」这一个总体范围、没有逐人取值，标注则完全不存在。想在分析里用到这些变量，只能自己从文件名解析孕周，其余变量无从获得。

2.3 一段录音的完整解剖

以 fetal_PCG_p02_GW_31 为例。它的头文件只有两行，全文如下：

fetal_PCG_p02_GW_31 1 333 402000
fetal_PCG_p02_GW_31.dat 16 0.005 8 128 124 25063 0 PCG

第一行说明这一段叫 fetal_PCG_p02_GW_31、单通道、333 赫兹、402000 个采样点。402000 除以 333 得 1207.2 秒，也就是 20.12 分钟。第二行是通道描述：数据在同名 .dat 里，格式码 16，增益 0.005，位分辨率 8，零点 128，首样本 124，校验和 25063，不分块，名字叫 PCG。

用标准工具读出来是这样：

import wfdb
import numpy as np

rec = wfdb.rdrecord("fetal_PCG_p02_GW_31", physical=True)
print(rec.fs, rec.sig_len, rec.n_sig, rec.sig_name)
#-- 333 402000 1 ['PCG']
print(rec.p_signal.shape, rec.units[0], rec.adc_gain[0])
#-- (402000, 1) 'NU' 0.005

x = rec.p_signal[:, 0]
print(float(np.min(x)), float(np.max(x)), round(len(x) / rec.fs / 60, 2))
#-- 约 -0.64 0.635 20.12 分钟量级

读出后有一个细节值得记住：physical=True 会把整数乘上增益再减去基线，得到的浮点数在正负零点几之间来回。这个量级完全是 0.005 这个显示标度造出来的，不代表任何物理单位。设 physical=False 拿原始整数，范围就在 0 到 255 之间，因为量化是 8 位、零点 128。

2.4 四种规模口径

同一个库可以有四种数法，四种都对，只是回答的问题不同：

口径	数值	单位是什么	什么时候用它
记录数	26	段	说「有几个人、几段」时
采样点	10422007	点	算存储、算训练步数时
时长	521.6 分钟 / 8.69 小时	分钟与小时	与其它库比体量时
体积	19.9 MB	兆字节	判断能不能一次下完时

四个数之间可以互相验算：10422007 除以 333 得 31297 秒，即 521.6 分钟；52 个数据与头文件合计约 19.9 MB，其中数据文件每个约 780 KB，正好等于采样点数乘 2 字节再除 1024。

2.5 与同类资源的字段差异

对比项	FPCGDB	simfpcgdb（同组合成）	IIScFHSDB（印度胎心音）	一般腹部 fECG 库
数据性质	真实录音	合成	真实录音	真实电生理
模态	心音	心音	心音	心电
通道数	1	单通道	单通道	通常 4 至 8
采样率	333 Hz	1 kHz	2 kHz	250 Hz 至 1 kHz
位深	8 位	16 位	未在页内强调	16 位
单段时长	约 20 分钟	分段生成	平均数分钟	数分钟
标注	无	文件名带 SNR	带临床信息	常带 QRS
单位	无量纲	无量纲	视设备而定	毫伏

第一列与第二列的对照最能说明这个库的定位：同一组人、同一套物理模型、同一种模态，一边是真人录音，一边是模拟输出，采样率与位深还都不一样。把它们当作同一份数据的不同版本是错的，它们是链条上的两环。

§3 它记录的是什么：腹部表面的一次听诊

3.1 一声心音怎么变成一串整数

整条链路很短。心音探头贴在腹壁上，把空气或皮肤表面的微小压力变化转成电压；前置放大把这点电压抬到模数转换器能分辨的量级；转换器以 333 赫兹的节拍每分钟取两万次左右的样本，每个样本压成 8 位整数；最后按孕妇编号与孕周命名落盘。中间没有滤波环节的说明，没有增益校准记录，也没有设备固件的版本信息。

环节	做了什么	留下的痕迹	对使用者的影响
拾音	探头把腹壁振动转成电压	只有一条波形	无法区分声音来自胎儿还是母体
放大	抬到转换器可分辨的量级	增益未在页内给出物理值	绝对幅度无从还原
采样	333 Hz	头文件第 3 列	奈奎斯特上限约 166 Hz
量化	8 位，零点 128	头文件第 4、5 列	256 个台阶，细微信号会被压平
命名	孕妇编号加孕周	文件名	头文件里没有对应字段

333 赫兹这个采样率决定了能看到的频率上限约 166 赫兹。心音的主要能量集中在几十赫兹到一百多赫兹，这个采样率刚好覆盖得住；但想把心音的高频成分拿来做更细的形态分析，就到此为止了。同一组后来那套合成数据用的是 1 千赫兹，正好把这个缺口补上。

3.2 噪声不是一种，是一层一层叠上去的

官方在数据说明里列了噪声的来源，措辞很朴素：母体心音造成的振动、母体器官的声音（消化、呼吸肌运动、胎盘血流湍流）、胎动、周围环境。这份清单的价值在于它把「噪声」拆成了有物理来源的几类，而不是笼统的一个「背景噪声」参数。这一点在建模时影响很大：加性白噪声可以随便加，母体心音的节律性干扰不能。

把这些来源逐个摊开，能看清哪几种有可能被事后处理掉。母体心音是母体瓣膜开合的振动经腹壁传导过来的，与胎心音处在同一频段，表现为规律的双击，几乎无法靠滤波分开；消化与肠鸣是胃肠蠕动和气体移动造成的不规则低频声，没有固定节律，也难以用参数描述；呼吸肌运动带来的是缓慢的基线起伏，用高通就能压掉大半；胎盘血流的湍流是持续的宽带嘶声，频段与目标信号重合，压不掉；胎动是突发的宽带冲击，可以靠瞬态检测识别出一部分；环境噪声取决于场地，一旦录进来就已经混在信号里，事后再想剔除只能靠谱减，而谱减会连带削掉信号本身。

这六类里只有呼吸起伏与部分胎动是真的可以被事后处理掉的，其余四类都与目标信号争夺同一段频谱。这也解释了为什么胎心音的分割比胎心电更难：胎心电里母体成分与胎儿成分在时间上可分辨，模板减除就能压掉大半；胎心音里母体的每一次瓣膜开合都和胎儿的心音撞在同一个频段上，压掉母体的同时必然带走胎儿的一部分。

3.3 单通道意味着什么

单通道带来的第一个限制是没有空间信息。多导联可以用空间滤波或盲源分离，把来自不同方向的成分分开；一路信号做不到这一点，分离只能落在时频域。第二个限制是没有通道间的一致性校验：临床上探头松动、贴合不良会立刻在另一路信号上显出异常，这里只有一个探头，坏了就是整段不可用，也没有旁证。

还有一个容易被忽略的差异：临床听诊会在腹部四个象限分别听，找出胎心音最清楚的位置；这份数据每个孕妇只对应一个听诊位置，库内没有记录那个位置在哪里。§4.2 的案例就落在这样的单通道录音上——波形里既有胎心也有母体成分，而唯一能用来判断哪一簇峰属于胎儿的信息，是节律的规律性。

反过来说，单通道也降低了使用门槛：不需要考虑通道顺序、不需要对齐、不需要处理缺失通道，一条曲线读进来就能画。做教学演示时这是优点，做方法研究时这是硬约束。

3.4 8 位与 0.005：一条被放大的相对刻度

8 位量化意味着整段录音被压进 256 个整数台阶。零点定在 128，实际样本就落在这个中点两侧。官方给出的增益 0.005 有一句明确解释：为了让 WAVE 显示刻度与之前那套模拟 PCG 数据保持一致。换句话说，这个增益是为显示服务的，不是为物理标定服务的。

把这四个字段逐个读一遍，会发现它们描述的全是显示层面的约定，而不是物理量。位分辨率 8 表示整段录音被压进 256 个台阶，这是量化精度，不是有效位数——扣掉噪声之后真正能用的级别只会更低；ADC 零点 128 是整数序列的中点，不是零声压的对应点；增益 0.005 是显示标度的换算系数，不是探头灵敏度；单位一栏干脆没有值，官方用一句话交代设备输出已经归一化。

合起来说明一件事：这个库里的数值只在库内可比。同一段录音内部比较 S1 与 S2 的幅度比是合法的；跨录音比较绝对幅度就要小心，因为不同孕妇的腹壁厚度、探头贴合程度都会改变整体电平，而库内没有任何字段能把这些因素剥出来。

3.5 它记录不了的生理

想知道的量	这个库能给吗	原因
胎心率的逐拍序列	不能	无标注，需自行从波形检测
S1 与 S2 的边界时刻	不能	同上
母体心率的同步记录	不能	无第二通道，也未单独记录
孕妇体重、腹壁厚度	不能	只有年龄范围，无个体形态数据
胎位与胎盘位置	不能	未记录，也未随数据发布
宫缩活动	不能	未记录，录音也不在产程中
新生儿结局	不能	全部为生理妊娠，未随访

这张表最后一行常被忽略。因为受试者全部是健康单胎、录音在孕晚期而非产程，所以库内不存在任何与不良结局相关的样本。想用它做「胎心音能否预测胎儿窘迫」这类研究，连阴性样本都凑不出来。

§4 它最独特的东西：为模拟器校准的原始录音

4.1 为什么「先录音、后造模拟器」这个顺序值得记住

多数合成数据集是先有模拟器、后用数据检验模拟器像不像；这一组人的顺序是反的：先在 2010 年录下真实信号，把胎儿与母体心音的波形特征摸清楚，再据此写模拟器。这个顺序决定了两件事——模拟器的参数有出处，真实录音也留下来成了公开资产。

这条链上有四个节点。2010 年先有 26 段腹部录音，也就是本库；2012 年这批录音被抽象成参数模型，写成模拟器与配套论文；2015 年录音本身被公开，从课题组内部素材变成可引用的资源；同一时期模拟器批量生成合成信号，形成另一份独立发布的数据。

四个节点里，本库占的是第一格。这意味着它不是「模拟数据的验证集」，而是「模拟数据的原料」——两者的差别在于，验证集要覆盖模拟器可能出错的全部情形，原料只要足够真实、足够典型就行。用验证集的标准去要求它，会得出病例谱不全的结论；用原料的标准去看它，26 段真实录音已经够用。

4.2 案例：p02 那段 31 周的录音

选 fetal_PCG_p02_GW_31 作贯穿案例，理由有三条。第一，它落在孕周范围的最下端，31 周是库内最早的孕周，拿来讨论「孕周边界」最直观。第二，它的采样点数是 402000，比常见的 400000 略多，正好用来说明这个库的时长并不整齐。第三，它的首样本值是 124，离零点 128 只差四个台阶，说明这段录音起始处信号很弱，适合演示「为什么不能只看波形开头」。

这一段的规模参数如下：

参数	值	说明
记录名	fetal_PCG_p02_GW_31	含孕妇编号与孕周
采样点数	402000	除以 333 得 1207.2 秒
时长	20.12 分钟	略高于 20 分钟的均值
通道	1	单通道 PCG
格式码与位深	16 与 8	存储 16 位码、分辨率 8 位
首样本	124	零点 128 偏下四个台阶

把它读进来，先看包络，再看自相关的峰间距，是这个库最省事的一条入门路径：

import wfdb
import numpy as np
from scipy.signal import hilbert, butter, filtfilt

rec = wfdb.rdrecord("fetal_PCG_p02_GW_31", physical=True)
x = rec.p_signal[:, 0]
fs = rec.fs

b, a = butter(4, [20 / (fs / 2), 120 / (fs / 2)], btype="band")
env = np.abs(hilbert(filtfilt(b, a, x)))
print(len(x), round(len(x) / fs, 2), float(env.max()))
#-- 402000 1207.21 约 0.3 量级

seg = env[: fs * 60]
ac = np.correlate(seg - seg.mean(), seg - seg.mean(), mode="full")[len(seg) - 1:]
lag = np.argmax(ac[fs // 3: fs]) + fs // 3
print(round(60 * fs / lag, 1))
#-- 一分钟后自相关峰的位置，折算成每分钟次数，量级在 110 到 160 之间

这段代码的输出不是胎心率的准确值，只是一个量级判断。原因是包络里混着母体心音的节律，自相关峰可能落在母体周期上。要用它做正式测量，得先分段选出胎儿成分占优的窗口——这正是没有标注带来的第一道麻烦。

4.3 从录音里被搬进模拟器的四样东西

被搬走的东西	在真实录音里怎么看出来	在模拟数据里变成什么
S1 与 S2 的成对结构	噪声小的片段里两个尖峰成对出现	一帧一帧的 S1、S2 小波
心音波形的基本形态	单次搏动的上升、持续、衰减	参数化的波形模板
噪声的构成	母体心音、器官声、胎动、环境叠加	多路噪声相加，另加白噪声
噪声的量级范围	不同段落的信噪比差别很大	按 SNR 档位批量生成

第三行最能说明这批录音的作用。合成库的噪声不是随便加的白噪，而是按「母体心音加器官声加胎动加环境加高斯白噪声」这个配方叠出来的——这个配方正是从真实录音的听感里总结出来的。没有真实录音当参照，配方里的每一项都没有依据。

4.4 与同组模拟库的分工

对比项	FPCGDB	simfpcgdb
数据来源	真实录音	模拟器输出
采样率	333 Hz	1 kHz
位深	8 位	16 位
信噪比	未给出，随录音而变	文件名标注，负 26.7 至负 4.4 分贝
单段时长	约 20 分钟	按帧生成
标注	无	文件名带 SNR
体积	19.9 MB	视生成量而定
DOI	10.13026/C2PD5B	10.13026/C2GW25

两列合起来才是一套完整的方法论：先用真实录音定形态，再用模拟器批量造带真值的样本，然后在合成数据上把算法调稳，最后回到真实录音上确认没有跑偏。只用左边，样本太少、无法统计；只用右边，结论只对模拟器成立。

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
观察真实 S1/S2 形态	适用	这是采集目的
校准合成心音的波形参数	适用	官方即如此使用
论证算法在真实录音上的检出率	受限适用	需自建真值，样本仅 26 段
训练深度网络	不适用	8.69 小时单通道，量级不够
研究病理妊娠	不适用	全部健康单胎
研究早产或孕中期	不适用	只覆盖孕 31 至 40 周
做声压级定量	不适用	单位无量纲，增益为显示标度
研究多通道阵列	不适用	单通道

§5 怎么拿到：19.9 MB 的平铺目录

5.1 目录与体积

路径	内容	量级
/files/fpcgdb/1.0.0/RECORDS	26 行记录名	520 字节
/files/fpcgdb/1.0.0/SHA256SUMS.txt	52 个文件的校验和，另含 RECORDS 一行	4.6 KB
fetal_PCG_pNN_GW_NN.dat	单通道二进制样本	每个约 780 KB
fetal_PCG_pNN_GW_NN.hea	两行头文件	每个 89 至 91 字节
整包 ZIP	全部内容	19.9 MB

这个体量小到可以直接进内存：26 段、每段四十万点左右，用 64 位浮点展开也不过八十多兆。全量下载不会成为负担，因此不必像几十 GB 的库那样先做子集规划。

5.2 批量获取

#-- 清单与校验和先落地
curl -sL https://physionet.org/files/fpcgdb/1.0.0/RECORDS -o RECORDS
curl -sL https://physionet.org/files/fpcgdb/1.0.0/SHA256SUMS.txt -o SHA256SUMS.txt

#-- 按清单逐条取一对文件，平铺目录不需要建子目录
mkdir -p data
while IFS= read -r rel; do
  for ext in hea dat; do
    curl -sL --retry 3 -C - \
      "https://physionet.org/files/fpcgdb/1.0.0/${rel}.${ext}" \
      -o "data/${rel}.${ext}"
  done
done < RECORDS

#-- 核对：应有 26 个 dat、26 个 hea，且校验和全部通过
ls data/*.dat | wc -l
cd data && sha256sum -c ../SHA256SUMS.txt 2>&1 | grep -c OK

第三段核对里两个数字都应当是 26。若校验和输出里出现 FAILED，说明下载中断，重取该文件即可——-C - 会从断点续传，不必从头来。

5.3 把文件名解析成结构化表

import os
import re
import pandas as pd

PAT = re.compile(r"^fetal_PCG_(?P<pid>p\d{2})_GW_(?P<gw>\d{2})$")

rows = []
for fn in sorted(os.listdir("data")):
    if not fn.endswith(".hea"):
        continue
    m = PAT.match(fn[:-4])
    rows.append({"name": fn[:-4], "pid": m["pid"], "gw": int(m["gw"])})
df = pd.DataFrame(rows).sort_values(["gw", "pid"])
print(len(df), df["gw"].min(), df["gw"].max(), df["pid"].nunique())
#-- 26 31 40 26

最后一行三个数字把库的边界说清楚了：26 段，孕周从 31 到 40，编号 26 个互不重复。也就是说每人只录了一段，不存在同一孕妇的多次纵向记录。这一点在建模时很关键——不能把同一个人当多次观测，也不存在「同一个体的孕周变化」这条信息。

5.4 读一段并画出包络

import wfdb
import numpy as np
import matplotlib.pyplot as plt
from scipy.signal import hilbert, butter, filtfilt

def envelope(name, lo=20.0, hi=120.0):
    rec = wfdb.rdrecord(f"data/{name}", physical=True)
    fs = rec.fs
    b, a = butter(4, [lo / (fs / 2), hi / (fs / 2)], btype="band")
    x = filtfilt(b, a, rec.p_signal[:, 0])
    return fs, x, np.abs(hilbert(x))

fs, x, env = envelope("fetal_PCG_p02_GW_31")
t = np.arange(len(x)) / fs / 60
fig, ax = plt.subplots(2, 1, figsize=(11, 5), sharex=True)
ax[0].plot(t, x, lw=0.4)
ax[1].plot(t, env, lw=0.8)
ax[1].set_xlabel("minutes")
plt.tight_layout()
plt.savefig("p02_overview.png", dpi=150)

这段用的是 §4.2 的案例。画出来的上图是原始波形，下图是包络；包络上的峰簇对应一次次心搏，但峰簇之间还夹着母体成分造成的次级起伏。判断哪一簇是胎儿的，目前只能靠人工对照——没有标注就没有别的办法。

5.5 按孕周分组

import pandas as pd

df = pd.read_parquet("index.parquet")
bins = [30, 34, 37, 41]
labels = ["31-33", "34-36", "37-40"]
df["band"] = pd.cut(df["gw"], bins=bins, labels=labels, right=True)
print(df.groupby("band", observed=True)["name"].count())
print(df.groupby("band", observed=True)["gw"].agg(["min", "max"]))

分组时要注意 32 与 33 周在库里没有对应记录，所以按三段切分后，第一段的样本会明显少于其余两段。这不是筛选造成的，而是原始覆盖如此；报告里若要按孕周分层，得先说明这一点，否则会被误读成抽样偏差。

5.6 六个最容易出错的地方

位置	错误写法	后果	正确做法
目录假设	以为有子目录	找不到文件	全部平铺在根目录
身份信息	去头文件里找孕周	头文件只有两行，无此字段	解析文件名
单位理解	当帕斯卡或分贝用	定量结论全部失效	无量纲，只做库内相对比较
标注假设	按 .atr 找标注	一个都没有	需要自建真值
时长假设	以为每段都是整二十分钟	实际 19.97 至 20.53 分钟不等	按 sig_len 除采样率算
性别与孕周口径	把 p01 至 p26 当 26 次独立观测	实为 26 人各一段	按人划分训练与测试

最后一行在做小规模实验时尤其重要。26 段里若随机按窗口切片划分训练与测试，同一段录音的前后窗会同时出现在两侧，指标会被高估；正确做法是按记录划分，比如 18 段训练、8 段测试。

§6 与库内条目的关系

6.1 关系图谱

词条	模态与性质	与本库的关系
simfpcgdb	心音，合成	同组同源的模拟版本，本库是它的参数来源
IIScFHSDB	心音，真实	同一任务的新一代真实库，人数更多、采样率更高
CirCor 心音库	心音，真实，儿科	模态相同、人群不同，方法可迁移、结论不可迁移
adfecgdb	心电，真实	模态不同、生理系统相同，可做跨模态对照
fecgsyndb	心电，合成	同样是「为算法造的真值」，但走的是电生理路线
CTU-UHB 与 UCI 的 CTG 库	胎心率与宫缩，真实	任务层级更高，输入是已提取的心率曲线
胎儿腹部超声分割库	影像，真实	看结构不看声学，任务无交集

真正有直接关系的是前两行。simfpcgdb 与本库是一对：同一批人的建模思路，一边真实一边合成，采样率与位深都不同；IIScFHSDB 则是同一任务在十年后的重做，人数从 26 涨到 60，采样率从 333 赫兹涨到 2 千赫兹。三代资源摆在一起，可以看出这个领域十年间的取舍变化：早期优先把波形录清楚，后期优先把人数与采样率做上去。

6.2 检索路径

你要找的东西	检索词	会落到哪里
胎心音的原始波形	fetal phonocardiography、fPCG	§2 与 §3
胎心率提取的方法史	fetal heart rate、S1 S2 detection	§8.2
合成心音的来源	simfpcgdb、PCG simulator	§4.4
同类真实库的对比	fetal heart sound database	§2.5 与 §6.1
采集设备信息	Fetaphon、Pentavox	§3.1
许可与引用	ODC-BY、PhysioNet citation	§9.3

6.3 与其他库的分工判据

任务	主粮仓该用什么	本库的位置	原因
心音分割算法的初步验证	带标注的真实库	辅助	波形可用，标签要自建
模拟器的形态校准	本库	主力	唯一公开的原始素材
胎心率提取的规模化评测	合成库加真实库	边缘	样本仅 26 段
跨模态（心音对心电）研究	本库加心电库	主力之一	同一生理系统的另一模态
临床决策支持	无	不适用	全部为健康妊娠
教学演示	本库	主力	体积极小、免注册

第三行值得展开。胎心率提取的评测需要真值，而真值要靠标注；26 段录音的标注量对统计检验来说偏少，因此它更适合当「真实性校验」而不是「性能排名」的场地。把它与合成库搭配使用，才是它最合适的位置：合成库给规模，本库给真实感。

§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，是拿它和今天的胎心音基准库放在同一根尺子上比，然后得出「26 段、8 位、没标注，参考价值有限」的结论。这个比较本身错位：它的目标不是充当一份评测集，而是给一个建模任务留下原始素材。用「够不够训练」去评它，就像用「够不够当教材」去评一本实验记录本。

完成这个校正之后，分数才读得准。它在标注维度上得低分，不是因为它偷懒没标，而是因为 2012 年那项工作的目标里根本没有「标注」这一项——先把波形录下来、把参数测出来就完成了任务。它在可获取性上得高分，也不是因为做了什么优化，而是因为总共只有 19.9 MB。评分必须分开看这两件事，否则会把一种任务定位误读成一种质量缺陷。

7.1 五维评分

按 DAIMS 的常规划分（规模、标注、任务适配、文档、可获取性）逐项打分，每项 1 至 5 分，锚定在「作为胎心音波形参照与模拟器校准素材」这个用途上：

维度	分数	理由
数据规模	2	26 段、8.69 小时单通道，覆盖孕 31 至 40 周
标注质量	1	无任何标注文件，头文件亦无注释行
任务适配	3	对「看真实波形」极合适，对「测算法」需自建真值
文档完整	3	采集条件写得清楚，但设备参数、滤波设置、标注规范均未给
可获取性	5	19.9 MB、免注册、ODC-BY、带校验和清单

合计 14 分（满分 25）。这个分数结构很能说明它的性质：可获取性满分，标注接近零分，中间两项居中。它不是一份均衡的资源，而是一份有明显短板的专用素材。

标注给 1 分而不是 0 分，是因为官方至少交代了信号的可读性——在噪声较小的片段里能辨认出 S1 与 S2 成对出现。这句话对使用者有实际帮助，它告诉你哪些片段值得先看；但它不构成标注，也不能替代逐拍的时间戳。

7.2 没有标注这件事的两面

从数据完整性看，没有标注意味着没有任何标注者引入的主观偏差，也意味着没有任何可以对齐的真值；从使用门槛看，拿到就能听、就能画，但想做评测必须自己标一遍；从复现性看，不同团队标出来的结果天然不同，跨团队的指标无法直接比较；从维护成本看，发布方不需要维护标注版本，代价是使用者各自重复劳动。

第二点是绝大多数人第一次用它的真实体验：下载、读入、画图，十分钟就能看到波形；然后想算个检出率，发现无从下手。回到 §4.2 的案例，一段二十分钟的录音里，噪声小的片段只占一部分，人工逐拍标完要花的时间远超下载与读取的总和。官方的说法是这批数据被用来「开发与测试胎心率提取算法」，但那是在论文内部完成的，标注没有随库发布。

7.3 已知的、可枚举的偏差

偏差	表现	影响
无标注	目录里只有数据与头文件	评测需自建真值
单通道	一段录音只有一路	无法做空间滤波与通道校验
8 位量化	256 个台阶	弱信号细节被压平
采样率 333 赫兹	频率上限约 166 赫兹	高频形态不可用
孕周不连续	文件名中缺 32 与 33 周	早期孕晚段无样本
单一设备	全部为 Fetaphon	设备效应与个体效应混在一起
单一中心	一家私人诊所	环境噪声构成不可迁移
全部健康单胎	无病理、无双胎、无早产	异常形态无样本
幅度不可标定	无量纲、增益为显示标度	绝对强度结论无法成立
时长不整齐	19.97 至 20.53 分钟不等	按固定长度切窗会截断尾段

第五行值得单独说一句。官方写的范围是 31 至 40 周，但 26 个文件名里出现的孕周只有 31、34、35、36、37、38、39、40 这八个值，32 与 33 周没有任何记录。这不是统计推断，而是把 RECORDS 的 26 行逐个读一遍就能看见的事实。做孕周分层时若按每两周切段，最前面一段会明显偏薄。

第六行与第七行合起来是一个常被低估的问题。26 段录音全部来自同一台设备、同一个场所，任何跨录音的差异都同时包含个体差异、贴合差异与设备状况差异，而库内没有字段能把三者分开。想研究「不同孕妇的心音差异」，得先假设设备与操作是一致的——这个假设没法验证。

7.4 外部验证矩阵

从公开的引用关系看，这个库在文献里承担的角色集中在三类：

验证角色	典型做法	讲得通的地方	风险
波形参照	用真实波形说明 S1/S2 的形态与幅度比	素材真实、可公开引用	仅 26 段，形态代表性有限
算法测试集	在其上人工标注后测胎心率提取	真实噪声、真实传播路径	标注质量随团队而异
模拟器校准	用它的统计特征设定合成参数	同组同源，参数可追溯	校准结果只对同款设备成立

第一行是它最稳的用法。论文里要画一张「真实胎儿心音长什么样」的图，用这个库的片段比用自制图更有说服力，因为 DOI 可查、许可清楚。

第二行的问题在于循环：标注由使用者自己做，指标也由使用者自己定义，不同团队的结果无法横向比较。这不是库的缺陷，而是无标注资源在评测场景下的固有约束。

7.5 它为何能持续：一份波形字典不需要更新

这个库自 2015 年上线后没有扩版，也没有修订，却仍在被下载。原因不在规模，而在于它占着一个别人不愿重复劳动的位置：真实胎儿心音的公开原始录音极少，而这类录音的采集需要孕妇配合、需要设备、需要伦理流程，产出的却只是几十兆的数据。对一个想验证「我的合成信号像不像真的」的团队来说，重新组织一次采集的成本远高于直接引用这 26 段。

它的价值也不会因为设备过时而消失。333 赫兹、8 位在今天看是落后规格，但作为「2010 年一台便携设备录到的真实胎心音」这一事实，它不会因为有了 2 千赫兹的新库而失真。旧规格在这里反而成了一种标记：它标定的是那个年代的采集条件，而不是今天的性能上限。

§8 生态位与历史

8.1 历史沿革

这个库的诞生路径是「先有研究问题，再有数据，最后才成为公开资源」。2010 年采集，2012 年论文发表，2015 年数据上线——三年多的间隔里，数据一直作为课题组内部素材存在。这种节奏在生理信号领域并不罕见，它带来一个结果：数据的形态由当年的研究问题决定，而不是由后来的使用需求决定。

时间	事件	意义
2010 年	在私人诊所完成 26 段录音	原始素材形成
2012 年 9 月	论文发表于 Computer Methods and Programs in Biomedicine	公开展示模拟器与预研结论
2015 年 7 月 1 日	数据文件落位	文件系统时间戳
2015 年 11 月 12 日	头文件落位	与数据文件相差四个月
2015 年 12 月 16 日	以 1.0.0 版上线，获得 DOI	进入可引用状态
2019 年 2 月 20 日	补充 SHA256SUMS.txt	增加完整性校验，数据未变

第三行与第四行的时间差值得留意：数据文件比头文件早四个月落位。对使用者没有影响，但它说明这次发布是分步完成的，不是一次性打包。第六行则是 PhysioNet 平台在 2019 年前后统一补充校验和的批次动作，同一时期很多库都多了这个文件。

8.2 与后续研究的关系

阶段	主要用法	对数据的要求
2012 至 2015	课题组内部校准模拟器	波形真实、参数可测
2015 至 2019	公开引用，作为真实侧对照	可下载、可引用、许可清楚
2019 年至今	与新采集的胎心音库并列比较	覆盖孕周、设备条件可描述

第二阶段之后，它的角色逐渐从「唯一素材」变成「历史参照」。这不是它退步了，而是这个领域又出现了采样率更高、人数更多、带临床信息的真实库。新旧并列时，它的优势反而清楚：体积极小、结构极简、没有任何需要申请的手续，适合当第一份上手的数据。

8.3 生态位：素材而不是基准

把胎心音相关的公开资源按「有没有真值」和「是不是真实录音」两个轴摆开，会得到四个格子。左上角是真实且有标注的库，数量最少、最贵重；右下角是合成且有真值的库，数量最多、最容易生成；左下角是真实但无标注的，正是本库所在的位置；右上角是合成但无标注的，基本没人做。

这个位置常被误解为「不上不下」。实际上它承担的是一个不可替代的中间角色：向上，它为合成库提供形态依据；向下，它为标注工作提供原始材料。任何要在这条链上往前走的团队，第一站都得先看一眼真实录音长什么样。

四格可以落到具体资源上。真实且有标注的那一格，是带临床信息、带胎心率标签的胎心音库，数量最少也最贵重；合成且有真值的那一格，是 simfpcgdb 一类按信噪比档位批量生成的数据，数量最多、最容易扩大；真实但无标注的那一格就是本库；合成但无标注的那一格基本没人做，因为模拟器既然能造，就没有理由不顺手把标注一起写出来。

8.4 谁在用它，用来做什么

使用者	用法	用到的部分
心音信号处理研究者	做 S1/S2 检测与分割的初步验证	原始波形与真实噪声
模拟器开发者	校准合成信号的形态与噪声配方	波形统计特征
设备厂商工程师	判断自家探头录到的信号是否合理	同设备下的参考电平
教学人员	课堂演示腹部录音的波形与包络	完整录音，十分钟一段
数据标注团队	作为标注流程的试标材料	短片段，先跑通规范

第四行的用法最容易被忽视，但它的门槛最低：19.9 MB 拷给学生，装个 wfdb 就能读，不需要申请、不需要签署协议、不需要理解 WFDB 的注释体系——因为这个库压根没有注释。作为教学第一课，它比任何带复杂元数据的库都合适。

§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
心音算法研究者	取全量，跑通读取与包络	人工标几段的 S1 位置，建立小真值	按记录划分训练与测试，别按窗口切
模拟器使用者	取几段作参照，与合成波形并排画	对比 S1/S2 的时长与幅度比	采样率差三倍，比较前先重采样
教学人员	取一段，画原始波形与包络	做「噪声大与噪声小」的片段对比	单位无量纲，坐标轴不要标物理单位

第一行的第二格是整个流程里最花时间的部分。26 段里有相当一部分片段噪声偏大，S1 与 S2 只能靠节律的规律性去推；先把噪声小的片段挑出来标，再逐步扩展，比从头标到尾效率高得多。

9.2 一条最短的可用流程

#-- 1. 取清单与校验和
curl -sL https://physionet.org/files/fpcgdb/1.0.0/RECORDS -o RECORDS
curl -sL https://physionet.org/files/fpcgdb/1.0.0/SHA256SUMS.txt -o SHA256SUMS.txt

#-- 2. 全部取回（总共不到 20 MB，不必做子集）
mkdir -p data
while IFS= read -r rel; do
  curl -sL --retry 3 "https://physionet.org/files/fpcgdb/1.0.0/${rel}.hea" -o "data/${rel}.hea"
  curl -sL --retry 3 "https://physionet.org/files/fpcgdb/1.0.0/${rel}.dat" -o "data/${rel}.dat"
done < RECORDS

#-- 3. 头文件里核对三条：1 通道、333 Hz、采样点数约四十万
head -1 data/fetal_PCG_p02_GW_31.hea
wc -l < RECORDS

import os
import wfdb

rows = []
for fn in sorted(os.listdir("data")):
    if not fn.endswith(".hea"):
        continue
    r = wfdb.rdheader(os.path.join("data", fn[:-4]))
    rows.append((fn[:-4], r.n_sig, r.fs, r.sig_len, round(r.sig_len / r.fs / 60, 2)))
for row in rows:
    print(*row)
#-- 26 行，n_sig 全为 1，fs 全为 333，时长在 19.97 到 20.53 分钟之间

第二段只读头信息（rdheader 不加载波形），26 个文件跑完不到一秒。它顺带完成了一次全库自检：如果哪一行的通道数不是 1、采样率不是 333，说明文件被替换或下载出错，应当先排查再往下做。

9.3 引用方式

官方页面把引用要求写在最显眼的位置：使用时引用原始论文，即 Cesarelli、Ruffo、Romano、Bifulco 四人在 2012 年《Computer Methods and Programs in Biomedicine》第 107 卷第 3 期 513 至 523 页发表的那篇，同时附上 PhysioNet 平台本身的标准引用。

只引平台不引论文，等于没交代这批录音为什么被录、按什么条件录；只引论文不引平台，别人按论文里的描述复现不出这份具体的 26 段清单。版本号也要写清楚：PhysioNet 路径带 1.0.0，DOI 为 10.13026/C2PD5B，两者对应同一个快照。若引用的是同组的合成数据，DOI 是另一个（10.13026/C2GW25），不要混用。

§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、RECORDS 与头文件
页面核验	官方项目页 HTTP 200，正文、文件列表、许可与 DOI 均取自该页
清单核验	RECORDS 26 行全部取回，逐行解析孕妇编号与孕周
头文件核验	26 个头文件首行全部取回，确认通道数、采样率与采样点数
文件大小	核对了 .dat 的 content-length 与「采样点数乘 2 字节」是否吻合
论文信息	只读 Europe PMC 的摘要，未读全文
未核验内容	录音的滤波设置、探头型号细节、26 段中每一段的信号质量
图像	无配图；封面为生成式提示词，不含真实录音波形
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
它是一份胎心电数据库	是胎心音，模态是声学	官方标题写 Fetal PCG Database，正文写 phonocardiographic
FPCG 指胎儿心电	指胎儿心音图	官方同一句里写 fetal phonocardiographic signals
它有胎心率标注	没有任何标注文件	目录只有 .dat 与 .hea，共 52 个
它有 26 名以上受试者	26 名，每人一段	编号 p01 至 p26 各出现一次
每段都是整二十分钟	19.97 至 20.53 分钟不等	采样点数 399000 至 410001 除以 333
孕周从 31 到 40 连续覆盖	实际出现 31、34 至 40，缺 32 与 33	RECORDS 26 行逐个解析
单位是帕斯卡或分贝	无量纲归一化值	官方称设备输出为归一化，增益仅供显示
8 位就是文件里每样本 1 字节	头文件格式码 16，每样本占 2 字节	content-length 800000 除以 400000 点
它和 simfpcgdb 是同一份数据	一个是真实录音，一个是模拟输出	采样率 333 对 1000，位深 8 对 16
采集时间就是上线时间	2010 年采集，2015 年上线	官方写 recorded in 2010，发布日 2015-12-16

第四行需要补一句：官方原文是 26 段来自不同孕妇的信号，编号也确实是 26 个互不重复的值，因此「26 人各一段」是结构与描述共同支持的说法，而不是从文件名反推的猜测。

FAQ

Q1：FPCGDB 里的 FPCG 到底指什么？
指胎儿心音图（fetal phonocardiography）。记录的是胎儿心脏搏动经母体组织传到腹壁的声信号，不是电信号。官方标题是 Fetal PCG Database，正文用 fetal phonocardiographic signals，缩写与全名一致。

Q2：它和 fecgsyndb、adfecgdb 是什么关系？
模态不同。后两者是心电，本库是心音；前两者一个合成一个真实，本库是真实。它们同属胎儿监测这条线，可以并列对照，但不能互相替代——心音里没有 QRS，心电里没有 S1 与 S2。

Q3：26 段是怎么数出来的？
RECORDS 共 26 行，每行一个记录名；目录里对应 26 个 .dat 与 26 个 .hea。编号从 p01 到 p26，每个编号只出现一次，因此 26 段对应 26 名孕妇，每人一段。

Q4：总时长到底多少？
把 26 段的采样点数相加得 10422007 点，除以 333 赫兹得 31297 秒，即 521.6 分钟、8.69 小时。单段在 19.97 至 20.53 分钟之间，官方表述是平均二十分钟。

Q5：为什么没有标注？
因为采集时的目标不是做评测集。官方说这批数据被用来设计心音模拟器、并开发与测试胎心率提取算法，但标注没有随数据发布。目录里不存在任何标注扩展名，头文件也没有注释行。

Q6：单位为什么是无量纲的？
官方写明心音设备输出的是归一化值，因此测量单位是任意的。头文件里的增益 0.005 是为了让波形显示刻度与之前的模拟 PCG 数据一致，属于显示标度。数值只在库内可比。

Q7：头文件为什么只有两行？
这个库的头文件只声明记录名、通道数、采样率、点数与通道参数，没有任何注释行。所有采集条件（孕周、编号、设备、地点）都写在官方页面的正文里，而不是随文件走。

Q8：8 位和格式码 16 矛盾吗？
两个口径并存：官方正文写 8 位、Format 80，头文件第二行写格式码 16、位分辨率 8，而 .dat 的字节数是每样本 2 字节。存储用 16 位码、量化是 8 位，两者可以同时成立；读的时候以头文件为准，用标准工具读即可。

Q9：能不能直接拿它训练模型？
8.69 小时单通道，量级偏小。做小规模自监督或迁移学习的预训练可以试，做从零训练的监督学习不够，而且没有标签。更合适的用法是当真实侧参照，或当标注流程的试标材料。

Q10：它和 simfpcgdb 该用哪个？
看你要真实还是要真值。要真实波形用它，要带 SNR 标注的批量样本用 simfpcgdb。两者采样率差三倍、位深差八位，混合使用前必须重采样并统一幅度标度。

Q11：能做商用吗？
ODC-BY 1.0 允许包括商业用途在内的使用，条件是署名。官方要求引用 2012 年那篇论文，具体条款以许可全文为准。

Q12：还会更新吗？
只有一个版本 1.0.0。2019 年 2 月补充了校验和清单，数据本身未变。页面没有任何扩版计划，也没有后续版本的入口。

术语表

术语	解释
PCG	心音图，记录心脏机械振动产生的声音
fPCG	胎儿心音图，本库的模态
S1	第一心音，房室瓣关闭产生，出现在心室收缩初期
S2	第二心音，半月瓣关闭产生，出现在心室舒张初期
心音探头	贴在腹壁拾取振动并转成电压的传感器
Fetaphon	Pentavox 公司的便携心音记录系统，本库的采集设备
归一化输出	设备把电平压到固定刻度后输出，不带物理单位
增益	头文件里把整数换算成显示值的系数，本库为 0.005
ADC 零点	量化区间的中点，本库为 128
位分辨率	量化台阶的位数，本库为 8 位，即 256 级
采样率	每秒取样次数，本库为 333 赫兹
奈奎斯特频率	可分辨的最高频率，为采样率的一半，本库约 166 赫兹
包络	把振荡信号变成其幅度轮廓的变换，常用希尔伯特变换求
自相关	信号与自身延迟版本的相关，用于找周期
胎心率	每分钟胎儿心搏次数
母体心音干扰	母体瓣膜振动混入腹部录音形成的规律性噪声
胎盘血流湍流	血流经过胎盘床产生的持续宽带噪声
胎动伪影	胎儿肢体运动造成的突发冲击
孕周	从末次月经起算的妊娠周数，本库覆盖 31 至 40 周
单胎妊娠	一次妊娠只有一个胎儿，本库全部为单胎
WFDB	PhysioNet 的波形数据格式，含头文件与数据文件
.hea	纯文本头文件，本库只有两行
.dat	二进制样本文件，按通道交织存放
ODC-BY	开放数据共享署名许可，允许商用但须署名
DOI	数字对象标识，本库为 10.13026/C2PD5B

附录 A：核心数字核对表

项	值	来源	来源层级
记录数	26	RECORDS 逐行	官方文件
孕妇编号范围	p01 至 p26	文件名	官方文件
孕周范围	31 至 40	官方页面与文件名	官方页面
文件名中出现的孕周值	31、34 至 40	RECORDS 解析	官方文件
年龄范围	25 至 35 岁	官方页面	官方页面
采集年份	2010	官方页面	官方页面
采集地点	意大利那不勒斯，私人诊所	官方页面	官方页面
采集设备	Fetaphon Monitoring System（Pentavox）	官方页面	官方页面
单段平均时长	20 分钟	官方页面	官方页面
单段实际时长	19.97 至 20.53 分钟	头文件采样点数折算	官方文件
采样点合计	10422007	26 个头文件求和	官方文件
总时长	521.6 分钟 / 8.69 小时	采样点除采样率	派生
通道数	1	头文件首行	官方文件
采样率	333 Hz	头文件首行	官方文件
位分辨率	8 位	头文件第二行与官方正文	官方文件
存储格式码	16	头文件第二行	官方文件
增益	0.005	头文件第二行	官方文件
每样本字节数	2	content-length 除采样点数	派生
数据文件体积	约 780 KB 每个	文件列表	官方页面
总解压体积	19.9 MB	官方页面	官方页面
许可	ODC-BY 1.0	官方页面	官方页面
DOI	10.13026/C2PD5B	官方页面	官方页面
上线日期	2015-12-16	官方页面	官方页面

附录 B：数字的来源分层

第一层：官方页面与官方文件。 26 段、26 名孕妇、年龄范围、孕周范围、采集年份与地点、设备型号、平均时长、采样率、位深、增益、单位性质、体积、许可、DOI、上线日期，全部取自项目主页的 Data Description 与 Recording information 两节。通道数、采样点数、存储格式码、ADC 零点、首样本值、信号名，取自 26 个头文件的首两行。RECORDS 的 26 行与 SHA256SUMS.txt 的 53 行（52 个数据与头文件加清单自身），是直接取回后逐行读到的。

第二层：论文摘要。 采集预研的目的、模拟器覆盖不同生理与病理状态与不同记录条件的设计、用模拟信号测试胎心率提取算法的做法、以及模拟信号与真实录音接近的结论，来自 2012 年那篇论文的摘要。仅此而已，摘要没有给出逐段的技术参数。

第三层：派生与未核实。 总采样点数、总时长、每样本字节数这三项是算术派生，不是官方直接给出的数字。未核实的内容包括：录音是否经过滤波、滤波器的类型与截止频率、探头的具体型号与耦合方式、26 段中每一段的实际信噪比、以及 2019 年补充校验和之前是否还有别的修订。

附录 C：完整参考文献

编号	文献	链接	用途
1	Fetal PCG Database v1.0.0	https://physionet.org/content/fpcgdb/1.0.0/	规模、结构、边界数据
2	该库文件目录	https://physionet.org/files/fpcgdb/1.0.0/	清单、校验和、头文件
3	Cesarelli M 等，Comput Methods Programs Biomed 2012;107(3):513-523	https://doi.org/10.1016/j.cmpb.2011.11.008	采集目的与模拟器设计
4	数据集 DOI	https://doi.org/10.13026/C2PD5B	引用与版本定位
5	Simulated Fetal PCGs（同组合成库）	https://physionet.org/content/simfpcgdb/	分工对照
6	Ruffo M 等，Biomed Signal Process Control 2010;5:131-141	见 simfpcgdb 页参考文献	胎心率估计算法
7	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
8	Europe PMC 检索入口	https://www.ebi.ac.uk/[europepmc](https://www.qianfanghub.com/ai-ready-dataset/europepmc/1353)/	论文摘要来源

附录 D：任务代码

任务一：在一段录音上找出候选心搏

import wfdb
import numpy as np
from scipy.signal import hilbert, butter, filtfilt, find_peaks

def candidates(name, lo=25.0, hi=110.0, min_gap_s=0.25):
    rec = wfdb.rdrecord(f"data/{name}", physical=True)
    fs = rec.fs
    b, a = butter(4, [lo / (fs / 2), hi / (fs / 2)], btype="band")
    env = np.abs(hilbert(filtfilt(b, a, rec.p_signal[:, 0])))
    thr = np.percentile(env, 92)
    peaks, _ = find_peaks(env, height=thr, distance=int(min_gap_s * fs))
    return fs, env, peaks

fs, env, pk = candidates("fetal_PCG_p02_GW_31")
rr = np.diff(pk) / fs
print(len(pk), round(float(np.median(rr)), 3), round(60 / float(np.median(rr)), 1))
#-- 候选数、中位间隔（秒）、折算成每分钟次数

这段的意义不在检出率——没有真值就没法算检出率——而在于给出一个可重复的基线：同一套门限在同一段录音上每次跑出的候选数完全一致。把中位间隔折算成每分钟次数，量级落在胎儿心率或母体心率的范围内，哪个更接近要靠人工听辨确认。

任务二：核对全库的规格是否一致

import os
import wfdb

bad = []
for fn in sorted(os.listdir("data")):
    if not fn.endswith(".hea"):
        continue
    r = wfdb.rdheader(os.path.join("data", fn[:-4]))
    ok = (r.n_sig == 1 and r.fs == 333 and 390000 < r.sig_len < 420000)
    if not ok:
        bad.append((fn, r.n_sig, r.fs, r.sig_len))
print(len(bad), bad)
#-- 期望输出 0 []

这段是整个使用流程的第一道体检。若 bad 为空，说明 26 个文件全部符合「单通道、333 赫兹、约四十万点」的规格；若有内容，先查下载是否完整，再查文件是否被替换。

附录 E：如果只记五件事

序号	记住什么	为什么
1	它是心音，不是心电	决定能问什么问题
2	26 段、8.69 小时、19.9 MB	决定它能承担多重的任务
3	没有标注	任何评测都要先自建真值
4	单位无量纲、8 位、333 赫兹	三条最容易被误用的规格
5	它是同组合成数据的原料	这是它不可替代的地方

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 项目页并读取正文、文件列表、许可与 DOI，取回 RECORDS 26 行与 SHA256SUMS.txt 53 行，逐行解析孕妇编号与孕周；26 个头文件的首行与第二行全部取回，确认通道数恒为 1、采样率恒为 333、采样点数落在 399000 至 410001 之间、格式码恒为 16、位分辨率恒为 8。另取单个 .dat 的响应头核对字节数为 800000，与 400000 点乘 2 字节吻合，并据此说明「存储 16 位码、量化 8 位」这两个口径可以并存。论文侧只读 Europe PMC 摘要，未读全文，因此模拟器的内部参数以同组公开页面的表述为准。未覆盖的内容包括：录音是否滤波、探头型号细节、逐段信噪比、以及 2019 年补充校验和之前是否还有其它修订。

---

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：

• ehgdb — 共享标签：生理信号 / 可穿戴传感 / 儿科
• gait-maturation-db — 共享标签：生理信号 / 可穿戴传感 / 儿科
• unicaprop — 共享标签：生理信号 / 可穿戴传感
• ppg-dalia — 共享标签：生理信号 / 可穿戴传感
• live-gaitneurokids — 共享标签：生理信号 / 可穿戴传感 / 儿科
• butqdb — 共享标签：生理信号 / 可穿戴传感
• culm — 共享标签：生理信号 / 可穿戴传感
• drivedb — 共享标签：生理信号 / 可穿戴传感
• eda-rest-sedation — 共享标签：生理信号 / 可穿戴传感
• nesfdb — 共享标签：生理信号 / 可穿戴传感

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。