Helsinki Neonatal EEG — 79 例新生儿癫痫脑电秒级专家标注参考集

INFOBOX — Helsinki Neonatal EEG 一屏速览

维度	内容
本质	79 例足月新生儿 NICU 多通道 EEG + 3 位专家独立盲标的秒级发作标注参考集（非影像、非挑战赛、非新采集）
团队	University of Helsinki / Aalto University / Helsinki University Hospital（HUS），Sampsa Vanhatalo 团队；4 作者
论文	Scientific Data 2019;6:190039（doi:10.1038/sdata.2019.39；PMID 30835259；PMCID PMC6400100）
数据	79 个 EDF，referential montage、256 Hz、单位 μV；study ID 1–79
时长	中位 74 分钟（IQR 64–96 分钟）
标注	3 位专家独立盲标，秒级 1 Hz（1=发作/0=非发作），CSV A/B/C + MAT 两格式
共识	39 例有发作 / 22 例无发作；平均每专家标注约 460 次发作
导联	论文审阅口径 18 derivations（bipolar）；使用者复述 EDF 本体 21 通道（19 EEG + 1 ECG + 1 Resp）
采集	Nicolet v44 放大器；导出关闭全部软件滤波；目标阻抗 <10 kΩ
获取	Zenodo 公开直链（最新 v4，DOI 10.5281/zenodo.4940267），无请求制、无 gated
许可	CC BY 4.0（截至抓取时点，三源一致）
库内互链	TUH EEG Corpus（71）、CHB-MIT Scalp EEG（72）、Bonn EEG（322）、EEGMMIDB（342）、HBN-EEG（362）
一句话	想研究「新生儿癫痫怎么被专家看出来、不同专家看出多少分歧、能不能教机器看出来」——这是公开可直接下载的参考集

Helsinki Neonatal EEG 是一个把「新生儿癫痫发作长什么样、几位专家会怎么看」这件事钉在秒级坐标上的数据集：79 例在赫尔辛基大学医院新生儿重症监护室（NICU）收治的足月新生儿，每一位都录了一段堪称较长的多通道脑电（中位 74 分钟，最长可超一个半小时），并由三位经验丰富的神经生理专家各自独立、互不知情地把每一秒判成「发作」或「不是发作」。它不提供图像、不办比赛、不需要申请——79 个 EDF 文件加几个标注表在 Zenodo 上挂着 CC BY 4.0，任何人可以直接下载。

它的价值不在「多」，而在「真」与「共识可商榷」这两件事上同时做对了：一方面它是真实 NICU 环境里的危重新生儿记录，带着记录暂停、肌电伪迹、市电噪声这些临床场景躲不掉的杂质；另一方面它把三位专家的分歧本身当作一等公民保留下来——不是取个平均给一个「标准答案」，而是三份独立标注同时摆放，让「观察者间一致性」从研究假设变成一个可以直接算的数字。这让它同时服务于两条主线：开发新生儿癫痫自动检测算法的团队，以及研究「专家判读误差有多大」的方法学团队。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——Zenodo 公开直链，CC BY 4.0，选最新 v4（DOI 4940267），注意 annotations_2017_A 已被 _fixed 版替换。
2. 关心怎么用：直奔 §5 任务与标注——重点是「秒级二值标注」「两套共识口径（多数投票 vs 至少一票）」和那个必须剔除的 ECG/呼吸通道。
3. 关心专家分歧：直奔 §4 与 §7——三位专家独立盲标的存在本身就是观察者间一致性的天然实验台，平均每专家 460 次发作的规模足够做统计。

§0 导读：这个数据集解决什么问题

新生儿癫痫发作（neonatal seizure）是 NICU 里最常见的一类神经系统急症，但它和成人癫痫有一个关键差别：新生儿的发作往往表现得很不典型——没有明显的抽搐动作、脑电上的波形也不像成人那样有教科书式的规律，而且新生儿脑电本身还在快速发育、背景活动变化剧烈。结果是它既容易被漏判，也容易被过度判读。更麻烦的是，早产儿与新生儿的「可疑发作」发生率很高，而抗癫痫药物本身对发育中的大脑有潜在副作用，所以「判错方向」的代价是双向的：漏了自己发作得不到控制，误判了孩子白白吃药。

要训练机器自动检测这件事，或者哪怕只是想量化「专家判读到底有多一致」，都需要一个共同的标尺：一批带专家逐秒标注的真实新生儿脑电记录。这样的数据过去极其稀缺——临床脑电数据受隐私保护，逐秒标注成本高到大多数研究组负担不起，而新生儿又是特殊人群，可用的公开数据更少。Helsinki Neonatal EEG 就是为了填这个空缺而生的：它由赫尔辛基大学医院 Vanhatalo 团队整理发布，79 例足月新生儿、真实 NICU 记录、三位专家逐秒标注，并在 2018 年以 CC BY 4.0 推到 Zenodo 上。

这个数据集的设计里有一个很关键的自觉：它不假装有一个绝对正确的答案。三位专家各自独立、盲法标注，谁的标注都不覆盖别人的。这样一来，数据集同时回答了两个层次的问题——「这些记录里哪些秒是发作」（可训练、可评测），以及「三位专家对同一秒的判断会有多大差异」（可做一致性研究）。后一个问题在临床上是性命攸关的：如果连专家之间都只有七八成一致，那么任何「自动检测准确率 95%」的宣称都必须放到这个背景下重新解读。

0.1 一个临床场景：为什么新生儿发作难判

设想 NICU 里的一个足月新生儿：因为围产期缺氧（asphyxia）收入监护，医生怀疑有发作，于是上了长程脑电监测。接下来发生的是一连串的困难：

• 孩子太小，无法主诉。发作的临床表现可能只是眼球的细微偏转、呼吸暂停、轻微的口角抽动，甚至完全没有外显症状（所谓「电发作」，electrographic-only seizure）。
• 脑电背景本身很乱。新生儿脑电发育尚未成熟，不连续背景、交替模式、大量慢波与正常伪迹混杂，把发作「埋」在里面。
• 发作的波形形态多样。低频、局灶、演化缓慢，缺乏成人癫痫那种清晰的节律性演化。
• 需要连续看很久。74 分钟只是中位时长，医生必须从头看到尾才不会漏掉一次短暂的发作。

在这样的场景里，一位专家判读的可靠性是有限的，两位专家不一致是常态，三位专家意见分歧更是被明确预期。本数据集的价值，正是把这种「真实世界的不确定性」如实保留并结构化，而不是制造一个看起来干净、实则掩盖了歧义的「标准答案」。

0.2 数据集回应的三个研究问题

把数据集的设计对照到它要回答的问题，可以清楚看到它的意图：

1. 「能不能自动检测新生儿发作？」——提供 79 例带标注的真实记录，作为训练与评测材料。
2. 「专家判读本身有多可靠？」——提供三份独立标注，让观察者间一致性可以被计算。
3. 「怎样的评估才算合理？」——通过保留标注分歧，迫使研究者面对「没有绝对真值」的现实，从而设计更诚实的评测协议。

这也是为什么本条目把它称为「公开参考集」而非「基准数据集」：它的第一身份是供参照的真实数据，而不是一张等着刷分的排行榜。

§0 读法三则：

1. 这个条目是「数据集 + 数据描述符论文」的组合：本体是 79 例 EDF + 标注表，论文（Sci Data 2019）是它的说明书。数字以 Zenodo 官方页与论文正文互证为准。
2. 全文凡出现「共识发作例数」的地方，都请注意「39 有发作 / 22 无发作」这两个官方数字，剩余 18 例的归属官方未明述（见坑 4）。
3. 检索时若搜「Helsinki neonatal EEG dataset」会同时命中 Zenodo 记录、NLM 数据集目录、Aalto 机构库、Data Europa 等多个镜像——它们是同一份数据的多个登记入口，不是多份不同数据。

§1 数据集速览：十问十答

Q1：这到底是什么数据？
79 例足月新生儿的多通道脑电记录，加上三位专家对「每一秒是否为癫痫发作」的逐秒标注，再加一张临床信息表。它不是影像，是时间序列信号——脑电波形本身。

Q2：79 例从哪来？
全部来自赫尔辛基大学医院（Helsinki University Hospital）新生儿重症监护室（NICU）收治的足月新生儿。这些孩子因为各种原因进入 NICU 并接受了脑电监测，是真实临床场景，不是实验室采集。

Q3：每段记录多长？
中位 74 分钟，四分位距（IQR）64 到 96 分钟。也就是说大约一半的记录在一小时到一小时半之间，个别可能更长。这在新生儿脑电里算是相当长的连续记录。

Q4：多少个通道？采样率多少？
论文描述专家审阅用的双极（bipolar）montage 含 18 个 derivations；下游研究（medRxiv 2025）复述 EDF 本体每例为 21 通道（19 个 EEG 电极 + 1 个 ECG + 1 个呼吸努力通道），存储为参考（referential）montage，采样率 256 Hz，单位微伏（μV）。

Q5：标注是怎么做的？
三位专家各自独立、盲法（互不知情彼此结果）地把记录逐秒标成 1（发作）或 0（非发作）。判定「发作」的标准是：出现可分辨的、非典型的、持续演变的棘波/尖波或节律性波形（repetitive evolving spike/sharp waves or rhythmic waveforms），且有明确的起点和终点。标注存两种格式：CSV（A/B/C 三文件）与 MAT。

Q6：发作多不多？
平均每位专家在整个数据集里标注了约 460 次发作。按共识口径，39 例新生儿有发作、22 例无发作。

Q7：为什么有「三位专家」而不是一位？
这正是数据集的核心设计。新生儿脑电判读的观察者间一致性本身就是悬而未决的问题，三位专家独立标注既是让数据更可靠（可交叉验证），也是为了把「专家之间有多大分歧」这个研究问题直接做进数据结构里。

Q8：数据和论文谁先谁后？
数据集 2018 年 6 月 5 日先上 Zenodo，数据描述符论文 2019 年 3 月 5 日才在 Scientific Data 见刊——数据先发布、论文随后配发。所以引用时数据集的年份是 2018/2019 都可能出现。

Q9：我现在能拿到什么、要不要申请？
不需要申请。直接去 Zenodo 记录页（最新为 v4，DOI 10.5281/zenodo.4940267）下载即可，许可为 CC BY 4.0，允许商用、允许再分发，只需署名。这是它和其它「请求制」医学数据集的最大区别。

Q10：为什么它对 AI-Ready 重要？
因为它同时具备三个稀缺属性：真实临床场景 + 逐秒专家标注 + 完全开放的许可。它还是天然的观察者间一致性实验台——三份独立标注摆在那里，任何做「标签质量」「模型可信度」的研究都能直接用。

1.1 一屏之外：这个数据集不做什么

明确边界和明确能力同样重要。以下几点是新人最常产生的误解：

• 它不是影像数据。没有 CT、MRI 或任何图像。它是时间序列信号——脑电波形，加上时间轴上的标注。
• 它不提供发作类型分类。标注只有「发作 / 非发作」两类，不区分发作的电生理亚型（如局灶性、多灶性、电发作 vs 临床发作）。
• 它不提供逐通道的空间标注。标注是逐秒全局的，不含「哪个导联发作」的信息。
• 它不是多中心数据。全部来自赫尔辛基大学医院一家机构，跨机构泛化性需另作验证。
• 它不含绝对时间。EDF 头时间戳匿名化，只能做相对时长分析。
• 它没有官方排行榜。没有 Kaggle 式竞赛页或常设 leaderboard，下游成绩散见各自论文，横向对比需自行统一口径。

1.2 谁应该用这个数据集

• 做新生儿/婴儿脑电自动检测的研究者：它几乎是公开数据里的默认参考集。
• 做脑电信号处理与时间序列标注的研究者：它提供了带多标注的真实长程信号，适合验证鲁棒性。
• 做医学 AI 可信度与标签质量研究的人：三专家标注结构是教科书式的实验台。
• 做临床决策支持原型的人：CC BY 4.0 允许商用，适合快速验证想法。
• 教学场景：完全开放、附读取代码、规模适中，适合作为脑电分析的入门材料。

§2 数据构成与规格

2.0 先看全局：数据集的三层结构

在深入细节之前，先建立整体印象。Helsinki Neonatal EEG 可以理解为三层：

• 信号层：79 个 EDF 文件，每个是一例新生儿的连续多通道脑电波形（256 Hz、μV、referential montage）。这是数据的「原始本体」。
• 标注层：3 份专家逐秒标注（CSV/MAT），回答「每一秒是不是发作」。这是数据的「监督信号」。
• 上下文层：1 份临床信息表，提供每个孩子的性别、体重、胎龄、诊断、影像所见。这是数据的「解释背景」。

三层通过 study ID（1–79）链接，时间上对齐。使用时的关键决策，几乎都围绕「如何把这三层组合使用」展开——要不要用临床信息做分层？用哪套标注口径？要不要剔除某些通道？这些问题在后续章节逐一展开。

2.1 规模、来源与机构构成

Helsinki Neonatal EEG 记录的是 79 例足月新生儿（term neonates），全部收治于芬兰赫尔辛基大学医院（Helsinki University Hospital，HUS）的新生儿重症监护室（NICU）。记录场景是真实的临床监测，而非为研究专门设计的采集。

数据集由三家芬兰机构协作：赫尔辛基大学（University of Helsinki）、阿尔托大学（Aalto University）、以及赫尔辛基大学医院（HUS）临床神经生理科。论文署名机构进一步显示，Stevenson 的现职单位是澳大利亚布里斯班的 QIMR Berghofer 医学研究所脑建模组（Brain Modelling Group），这一细节解释了他为何同时出现在赫尔辛基的科研合作与澳洲的机构署名中。

2.2 记录的物理规格

三个文件组构成数据集主体，全部通过 study ID / neonate number（1 到 79）相互链接，且记录与标注在时间上同步——两者从同一时刻开始，可以直接叠加：

1. .edf 脑电文件（eeg 1–79）：采用欧洲数据格式（EDF，European Data Format）存储，这是脑电领域最通用的开放格式。存储时为参考（referential）montage，采样率 256 Hz，幅值单位微伏（μV）。256 Hz 是新生儿脑电分析的常用采样率——新生儿脑电的主要能量集中在低频，256 Hz 已能覆盖其有效频带并留出抗混叠余量。
2. annotations_2017 标注文件：三位专家对全部 79 例的逐秒标注，采样率 1 Hz（每秒一个判定）。两种等价格式：
   • CSV：三个文件 A、B、C 各对应一位专家；每个文件中 79 列分别对应 79 例，每行是一位专家对某一秒的判断（1=发作，0=非发作）。
   • MAT：一个 cell array，79 个元素对应 79 个 study ID；每个元素是 M×N 矩阵，M=3（三位专家）、N=该记录时长（秒），每一秒记为 1 或 0。
3. clinical_information.csv 临床信息表：从患者报告中提取，字段包括 study ID、性别、出生体重、胎龄（GA，以周计）、记录时的天龄（postnatal age，天）、主要神经相关诊断、以及神经放射学所见。部分变量做了分类化处理以助去标识。表中还含 reviewer A 标注的「共识发作在记录中的大致空间分布」信息，与 EDF 对齐。

2.3 导联配置的双口径

关于通道数量，存在两个量纲不同、并不矛盾的官方/下游口径，使用前必须分清：

• 论文（Scientific Data）口径：专家审阅标注使用的双极（bipolar）montage 含 18 个 derivations。论文的噪声分析正是在这 18 个 derivations 上取平均得到的。「derivation」指一对电极构成的差分导联，与物理「channel」不是同一概念。
• 下游研究（medRxiv 2025）复述口径：每例 EDF 共 21 个通道 = 19 个 EEG 电极 + 1 个 ECG 通道 + 1 个呼吸努力（Respiratory Effort）通道。

这两个口径在本条目中并列存照：18 是双极导联对的数量，21 是物理通道的数量，一个物理电极也许多次出现在不同差分对中。使用者在做纯 EEG 建模时，通常需要按 medRxiv 的做法剔除 ECG 与呼吸努力这两个非 EEG 通道，以免跨通道污染。

2.4 技术验证与数据质量

论文专门做了技术验证（Technical Validation），用于说明这批记录的质量水平，也为使用者提供了可对照的基准数字：

• 采集链路：信号由 Nicolet v44 放大器采集。导出时关闭了全部软件滤波，因此信号频响只受放大器带宽限制——下限由放大器的交流（AC）电路决定，上限由调整到奈奎斯特频率（Nyquist rate）的低通滤波器决定。这意味着数据保留了原始带宽，使用者可自行决定预处理。
• 电极准备：电极—皮肤界面通过清洁、摩擦皮肤后涂导电凝胶制备，重复操作直到目标阻抗 低于 10 kΩ。这一流程由资深脑电技师对记录做定性核查，确保活动足以支撑准确判读。
• 噪声底噪：以 70–128 Hz 频带的平均功率作为噪声指标，在双极 montage 的全部 18 个 derivations 上平均后，全数据集中位噪声底噪为 0.208 μV²/Hz（IQR 0.041–0.498，n=79）。
• 皮层活动功率对照：作为参照，0.5–16 Hz（公认含皮层活动的频带）的中位功率为 202.75 μV²/Hz（IQR 83.27–356.73，n=79）。高质量脑电的标志之一就是皮层频带与噪声频带之间有足够高的功率比——这两个数字正是用来支撑这一判断的。
• 左右对称性：使用修订版脑对称指数（revised brain symmetry index，rBSI）度量两半球功率差异。质量好的记录应表现为左右半球功率大致相等。
• 伪迹分布：论文明确列出数据中存在的技术伪迹类型，包括记录暂停（导致零电压段）、市电噪声（mains noise）、运动与肌肉伪迹，以及其它来源的过高电压（>500 μV）活动。论文坦承这些伪迹在临床环境——尤其是危重新生儿的记录中——是不可避免且普遍存在的。

这批技术验证数字的价值在于：它们不是「我们的数据很干净」的宣传，而是「我们的数据有多脏、脏在哪些频段、阈值在哪里」的透明披露。使用者在做预处理（滤波、去伪迹、分段）时，可以直接拿这些基准来校准自己的处理是否合理。

2.5 一个具体的记录样本长什么样

论文给出了一段示例（30 秒片段）的结构，可以帮助理解数据长什么样。每条记录的标注叠加在波形之上，用不同颜色（红、紫、绿）的横条表示三位专家各自独立的、盲法的发作判断。示例中的几段分别展示了：

• 一例右侧颞叶出血新生儿的发作起始（neonate 50，37 分 39 秒），发作在 Fp2-F8、F8-T4、T4-T6、T6-O2、P4-O2 等右侧导联上明显；
• 一例重度窒息新生儿发作的终止（neonate 44，5 分 53 秒），并可见 T6-O2 与 T4-T6 上的肌电伪迹；
• 一例非酮症高甘氨酸血症新生儿在爆发-抑制（burst suppression）背景中被打断的高幅伪迹（neonate 26，1 小时 2 分 34 秒）；
• 一例时长约 8 秒的记录暂停，表现为零脑电幅值（neonate 42，38 分 6 秒）。

导联拓扑的要点：论文 Figure 1 的 montage 图显示了审阅所用的双极导联布局；而从示例可见，发作的空间分布本身就携带临床信息（如右侧颞叶出血对应右侧导联发作）。这意味着本数据集虽以「时间序列二分类」为主要任务形态，但其多通道特性保留了空间定位的可能——只是标注本身是逐秒全局二值，不含空间维度的逐通道标注（见 §5 的局限说明）。

§2.6 快速查阅表：核心规格

项目	数值 / 说明
例数	79（足月新生儿）
记录时长	中位 74 min，IQR 64–96 min
采样率	256 Hz
幅值单位	微伏（μV）
文件格式	EDF（波形）、CSV / MAT（标注）、CSV（临床）
标注粒度	1 Hz（每秒一个二值判定）
专家数	3（独立、盲法）
平均发作数/专家	约 460
共识例数	39 有发作 / 22 无发作
存储 montage	referential
审阅 montage	bipolar（18 derivations）
通道（下游复述）	21 = 19 EEG + 1 ECG + 1 Resp
采集设备	Nicolet v44 放大器
审阅软件	Nicolet Reader

2.7 新生儿脑电为什么与成人不同：理解数据的生理背景

要正确使用本数据集，先要理解新生儿脑电的独特性，因为数据集的所有设计选择都由此而来。

背景活动剧烈变化。成人脑电的背景节律相对稳定（清醒闭眼时以 α 节律为主），而新生儿脑电的背景活动随胎龄（gestational age）、觉醒状态（state）、以及出生后时间快速演变。足月新生儿脑电中常出现不连续（discontinuous）或交替（tracé alternant）背景，以及前额区为主的 delta 活动。这些「正常」形态在成人脑电里会被视为异常，但在新生儿身上是发育中的正常现象。

发作形态不典型。成人癫痫发作脑电通常有清晰的节律性演化模式，而新生儿发作常表现为低频（1–2 Hz 甚至更低）、局灶或多灶、波形演化缓慢的事件，有时与正常发育背景难以区分。这正是为什么三位专家会有分歧——分歧不是能力问题，而是任务本身的模糊性。

状态依赖性。同一例新生儿的脑电会随睡眠-觉醒状态变化，发作的检测也因此更复杂。记录 74 分钟这样的较长时长，部分原因就是为了捕捉多个状态下的活动。

这些生理事实解释了数据集为何采用逐秒全局标注：新生儿发作的边界本身就难以精确定义到毫秒，逐秒（1 Hz）的粒度是专家判读可靠性的合理上限，也与三位专家之间可达到的一致性相称。

2.8 采集与判读的完整链路

把 §2.2 的规格串成一条链，可以看清数据从电极到文件经历了什么：

1. 电极放置：按标准 10–20 系统（下游复述口径）放置电极，含 19 个 EEG 电极，另加 ECG 与呼吸努力通道。
2. 皮肤准备：清洁、摩擦皮肤，涂导电凝胶，反复操作至阻抗 <10 kΩ。
3. 采集：Nicolet v44 放大器采集，低通滤波器调至奈奎斯特频率（256 Hz 采样对应上限 128 Hz）。
4. 导出：关闭全部软件滤波导出，得到保留原始带宽的 EDF 文件。
5. 定性核查：资深技师确认记录质量足以支撑判读。
6. 专家判读：三位专家在 Nicolet Reader 软件中独立、盲法地逐秒标注发作。
7. 对齐：波形与标注以同一时间起点对齐，通过 study ID 链接临床信息。

这条链路里每一步都可能引入变化（电极位置、阻抗、放大器带宽、判读者主观），因此数据的「原始性」与「主观性」是同时存在的：波形尽可能原始，标注则本质上是主观判断的集合。理解这一点，才不会把标注误当作物理真值。

§3 标注体系：三位专家如何「各自看见」同一段脑电

3.1 三位专家、独立盲标

这个数据集最鲜明的设计特征是标注不是一个人做的，也不是讨论出来的。三位在新生儿脑电判读上有经验的专家，各自独立地、在互不知情对方结果的情况下，把每一秒判成发作或非发作。这个「盲法（blinded）」二字是刻意的：它使得三份标注之间的一致性成为一个可以被度量、也可以被信任的独立信号。

判定「这是发作」的门槛被论文定义为：出现可分辨的（distinguishable）、非典型的（atypical）、持续演变的棘波/尖波或节律性波形（repetitive evolving spike/sharp waves or rhythmic waveforms），且该脑电事件有明确的起点和终点。这个定义的几个修饰词都很有讲究：

• 「非典型」体现新生儿发作与成人发作的差异——不能照搬成人癫痫的判读规则；
• 「持续演变（evolving）」强调发作是一个随时间演化的过程，而非一瞬间的孤立波形；
• 「有明确起止」意味着发作是可被时间定位的事件，这才使得逐秒二值标注在概念上成立。

3.2 为什么要三份标注而不用一份「金标准」

把三份独立标注同时保留，是一个方法论上的选择。它直接产生了三种用法：

1. 取共识作为训练标签：用多数投票（≥2 位专家一致判为发作）得到较稳的标签；或反过来，用「至少一位专家标为发作」这种更宽松的口径来提高召回。下游研究（medRxiv 2025）实测发现，宽松口径（至少一票）能让模型表现更好——这本身也说明了新生儿发作判读的边界模糊性。
2. 把专家分歧当作研究对象：数据集的设计目标之一就是「分析观察者间一致性（inter-observer agreement）」。因为三份标注都在，研究者可以直接计算任意两位或三位之间的一致率、kappa 系数等，量化「专家判读误差有多大」。
3. 作为模型可信度的参照：任何自动检测模型的表现，都应当与「专家之间彼此的一致程度」这一上界相比较，而不是与一个虚假的 100% 正确标准比较。

3.3 标注的格式细节与坑

标注以两种格式提供，各有用途：

• CSV（A/B/C）：每个文件是一位专家的全部标注，列式布局——79 列对应 79 例，行对应时间秒。适合做跨例的批量统计。
• MAT：cell array，79 个元素对应 79 例，每元素为 3×N 矩阵（3 位专家 × N 秒）。适合在 MATLAB 里按例读取。

关键坑（版本相关）：Zenodo 记录在 v4.0 用 annotations_2017_A_fixed.csv 替换了 annotations_2017_A.csv。原因是原文件的前三列在脑电记录时长之外多出了数据（即在记录结束之后仍有标注值）。除该文件外，其余文件的标注均正确。这个错误由 Artur Gramacki 报告，团队据此修订。因此使用 v4 之前版本或直接引用 annotations_2017_A.csv 的分析流程会出现长度不匹配的问题——务必使用 _fixed 版本。

3.4 「18 derivations / 21 channels」怎么落到标注上

需要强调：标注是逐秒全局二值的，不携带通道维度。也就是说，标注告诉你「这一秒是不是发作」，但不告诉你「发作出现在哪个导联」。这一设计简化了标注任务、提高了专家间可比性（三人都对同一全局判断负责），但也限制了任务的表达力——如果你的研究需要逐通道的发作定位，本数据集只能作为「粗标注」使用，需要自行补充空间分析（例如用信号处理手段去定位发作导联）。

3.5 一个标注分歧的思想实验

为了直观理解「三专家独立标注」意味着什么，做一个思想实验。

假设有一段 10 秒的脑电，三位专家的标注是：

秒:    1  2  3  4  5  6  7  8  9  10
专家A: 0  0  1  1  1  1  1  0  0  0
专家B: 0  0  0  1  1  1  1  1  0  0
专家C: 0  0  1  1  1  1  0  0  0  0

三种口径下：

• 多数投票：第 3 秒 A+C=2 票→发作；第 7 秒 A+B=2 票→发作；第 8 秒 B 单票→非发作。得 0 0 1 1 1 1 1 0 0 0。
• 至少一票：第 3、7、8 秒都算发作。得 0 0 1 1 1 1 1 1 0 0。
• 全体一致：第 8 秒 B 单独标了，非全体；第 3 秒 C 单票也算……只有第 4、5、6 秒三人都是 1。得 0 0 0 1 1 1 0 0 0 0。

同一段数据，三种标签长度从 3 秒到 6 秒不等。这个例子说明：

1. 口径选择直接改变标签，不是无关紧要的实现细节；
2. 专家之间确有分歧，「至少一票」比「全体一致」多出近一倍发作秒数——分歧集中在发作的边界（起止的灰色地带）；
3. 研究者必须报告所用口径，否则结果无法与他人比较。

真实数据中的分歧模式未必与这个例子相同，但道理一致：标注不是客观测量，而是主观判断的聚合，聚合规则会塑造最终监督信号。

3.6 标注的主观性与「可靠性」的辩证

有人可能会问：既然专家会分歧，那这份数据还算「可靠」吗？

答案是：恰恰因为它如实呈现了分歧，它才可靠。一个声称「100% 一致」的标注要么是任务太简单（不是新生儿脑电），要么是分歧被强制协调掉了（失去了研究价值）。本数据集的三份独立标注，让「可靠性」从一句空话变成一个可量化的谱：

• 如果三位专家高度一致，说明任务边界清晰，模型的错误更容易归因；
• 如果三位专家分歧较大，说明任务本身模糊，此时「模型超过了某一位专家」并不一定意味着模型更好，可能只是它学会了「多数派偏好的那种判读风格」。

理解这种辩证关系，是负责任地使用医学数据集的前提。用来训练别人的主观判断，得到的也是主观的机器判断——这不是缺陷，而是必须被正视的性质。

§4 数据规模硬数字逐条核验

本节把本数据集的关键数字逐条列出，并注明其来源（Zenodo 官方记录页 / Scientific Data 论文 / NLM 数据集目录 / 下游研究），凡多源不一致处一律并列存照。这是本条目「三源互证」纪律的落地。

4.1 基本规模

数字	值	来源	备注
例数	79	Zenodo / 论文 / NLM 一致	全部为足月新生儿（term neonates），NICU 收治
记录时长中位	74 分钟	三源一致	—
记录时长 IQR	64–96 分钟	三源一致	四分位距（interquartile range）
采样率	256 Hz	论文 / 下游一致	单位 μV
专家数	3	三源一致	独立、盲法
平均每专家发作数	约 460	Zenodo / 论文 / NLM 一致	「an average of 460 seizures … per expert」

4.2 共识结果

• 39 例有发作（by consensus）、22 例无发作（by consensus）——三源一致。
• 余数存照：79 − 39 − 22 = 18 例。官方描述未明述这 18 例的归属（可能是未达共识，或专家未给出可判定结论）。本条目按官方的 39/22 口径陈述，并明确标注余数未披露（见坑 4）。使用者在统计「发作阳性率」时应意识到分母口径的选择会影响结果。

4.3 技术质量数字（与 §2.4 呼应）

• 噪声底噪（70–128 Hz）：中位 0.208 μV²/Hz，IQR 0.041–0.498，n=79。
• 皮层活动功率（0.5–16 Hz）：中位 202.75 μV²/Hz，IQR 83.27–356.73，n=79。
• 目标电极阻抗：<10 kΩ。
• 高幅伪迹阈值示例：>500 μV。

两个功率数字的比值（皮层/噪声，中位数量级约千倍）正是论文用来说明「这是一批高质量记录」的实证依据。

4.4 版本链数字

版本	变更	说明
v1	首发	概念 DOI 10.5281/zenodo.1280683，2018-06-05（zip 打包）
v2.0	EDF 头时间戳 00.00.00→11.11.11；补神经影像表；改逐文件上传	便于 EDF Browser 读取
v3.0	修正 clinical_information.csv	v2 的该表缺 3 列
v4.0	annotations_2017_A.csv → annotations_2017_A_fixed.csv	修前三列越界数据；现记录 DOI 4940267

为什么这份版本链值得单独記：它本身就是「数据集的可用性维护」的活教材。很多数据集在首次发布后便无人维护，而这份数据在 2018 到 2021 年间持续修订了四次，每一次都针对真实使用者反馈（如 EDF 读取兼容、临床表缺列、标注越界）。对一个以「参考集」定位的数据集来说，这种维护本身就是质量信号。

4.5 数字之间的一致性自检

把上述数字放到一起，可以做几个一致性自检，帮助判断转述是否靠谱：

• 79 例 × 3 专家 = 237 份专家-例级标注集合。平均每专家 460 次发作，则三位专家合计约 1380 次标注发作——这远多于「39 例有发作」所暗示的事件数，说明同一例内会有多次发作，且专家之间对发作的切分粒度不同。这是理解「为什么发作次数远大于发作例数」的关键。
• 460 次 ÷ 39 例 ≈ 11.8 次/例（若发作全部集中在有发作的例中）。这个量级提示：有发作的新生儿往往会在一次记录中出现多次短暂发作。
• 39/79 ≈ 49.4% 的例有发作，22/79 ≈ 27.8% 无发作，其余约 22.8%（18 例）状态未明。注意 49.4% 这个阳性率远高于一般人群的发作发生率——这符合「NICU 人群是高风险人群」的背景，也说明本数据集不是流行病学意义上的无偏样本。
• 噪声底噪 0.208 μV²/Hz vs 皮层功率 202.75 μV²/Hz：比值的数量级约 10³，说明信号中皮层活动远强于系统噪声，符合高质量记录的预期。

这些自检不是为了质疑数据，而是为了在使用前建立对数据「量级感」的正确认知。

4.6 为什么「39 + 22 ≠ 79」值得反复强调

在医学数据集转述中，「39 例有发作、22 例无发作」这种表述极易被误读为「数据集只有 61 例」。实际是 79 例，62→61 的差额来自官方对余下 18 例的沉默。这种「官方描述留白」在数据论文中并不少见，通常是出于以下原因之一：

• 余下的例在专家间未达成共识（既非一致判有发作，也非一致判无发作）；
• 余下的例标注状态特殊（如信号质量不足以判读，或标注文件中存在异常值）；
• 官方陈述有意简化，只报告最确定的两个数字。

无论哪种原因，使用者的正确做法都是打开标注文件自行核查，而不是想当然地假设。这也是本条目把它列为「坑 4」和「遗留疑点」的原因。

4.7 与其它公开 EEG 数据集的规模对照

为了建立规模感，把本数据集放到公开 EEG 数据生态中对照：

数据集	规模	人群/任务	许可
Helsinki Neonatal EEG（本条目）	79 例，中位 74 min	新生儿 NICU 发作检测	CC BY 4.0
TUH EEG Corpus	数万例	广义临床 EEG	需注册
CHB-MIT	约 23 例	儿童难治性癫痫	开放
Bonn EEG	5 组 × 100 段	癫痫 vs 正常（经典基准）	开放
EEGMMIDB	109 例	运动想象	开放

从表可见：本数据集规模不大，但任务聚焦、标注精细、许可完全开放。它的价值是「深度」而非「广度」——这正是一个专科参考集应有的定位。

§5 任务与标注：把它当作什么任务来用

5.1 主任务：秒级二元发作检测

本数据集最直接的任务形态是二元分类的序列标注：给定一段多通道脑电，对每一秒输出「发作 / 非发作」。这是一个典型的类别极不平衡问题——发作秒数在 79 例总时长中占比很低（虽然 39 例有发作，但发作是稀疏的瞬态事件）。因此评测指标不能只看准确率，必须关注召回率、精确率、以及事件级的检测指标（如逐事件命中率、误报数/小时）。

5.2 序列标注与事件定位

除了逐秒分类，另一个视角是事件检测：把连续的发作秒聚合成一个「发作事件」，预测其起点与终点。这与秒级分类相关但不等价——模型可能秒级准确率不错，但把一次连续发作切成了好几段（过分割），或把相邻两次发作合并。临床意义更强的是事件级指标。

5.3 观察者间一致性研究

这是本数据集区别于一般检测数据集的独特任务。因为三位专家的标注都在，可以直接计算：

• 两两之间的一致率（agreement）；
• Cohen’s kappa（两位专家）或 Fleiss’ kappa（三位及以上）；
• 逐例、逐时段的差异分布（哪些记录专家分歧大？分歧是否集中在特定病理或时段？）。

论文本身就把「inter-observer agreement 研究」列为核心用途之一。对临床 AI 而言，这个数据集提供的是一个上界参照：如果专家之间的一致率只有约八成，那么任何声称「接近专家水平」的模型，其真实可靠度也受制于这个上界。

5.4 相关的 EEG 分析任务

论文还列出了更宽泛的用途：不同病理下发作的时空特征分析、发作对药物治疗的响应、发作对神经发育的影响、以及其它脑电分析方法（背景活动分析、爆发-抑制检测等）。这些属于次要但合理的使用方向。

5.5 使用时要做的预处理（基于下游实践）

综合论文与下游研究（medRxiv 2025）的做法，使用本数据集时通常需要：

1. 剔除非 EEG 通道：把 ECG 与呼吸努力通道去掉，只保留纯 EEG 通道，避免跨通道污染。
2. 带通滤波：新生儿脑电的有效频率较低，下游研究常用 0.5–30 Hz 带通（论文示例滤波为 0.5 Hz 高通 + 50 Hz 陷波）。
3. 分段对齐：把连续信号切成与标注对齐的窗口（如 1 秒非重叠窗），使每个窗口对应一个标注值。
4. 注意版本：使用 v4 的 annotations_2017_A_fixed.csv，避免标注越界。
5. 处理伪迹：记录暂停（零电压）、高幅伪迹段须在训练/评测中妥善标记或剔除。

5.6 标注口径的选择会怎样影响结果

这一点值得单独展开，因为它是使用本数据集时最容易被忽视、却影响最大的决策。

假设三位专家 A、B、C 对某一秒给出 (1, 1, 0) 的判断：

• 多数投票口径（≥2）：判为发作（1）；
• 至少一票口径（≥1）：判为发作（1）；
• 全体一致口径（=3）：判为非发作（0）。

同一秒，三种口径可能给出两种不同答案。放到整个数据集上，这种差异会累积成可观的标签数量变化。下游研究（medRxiv 2025）实测发现，宽松的「至少一票」口径反而让模型表现更好——这看似反直觉，实则合理：新生儿发作判读的边界模糊，严格口径会剔除掉大量「真实但只有一位专家看出」的发作，导致训练信号不足。

对使用者的实践建议是：

1. 明确声明口径，并在论文方法部分写清；
2. 条件允许时，对多种口径做敏感性分析，展示结论的稳健性；
3. 不要暗中用一套口径训练、又用另一套口径评测——这会造成结果虚高。

5.7 训练/测试划分的泄漏风险

因为每个「例」包含长达 74+ 分钟的连续记录，划分数据集时必须在例级（subject-level）划分，不能让同一例的不同时间段分别进入训练集与测试集。原因是相邻秒之间存在极强的时间相关性：如果例 1 的前 40 分钟在训练集、后 40 分钟在测试集，模型可以「记住」这一段记录的特异模式，测试成绩会被严重高估。

这是一个真实存在、且在很多公开数据集上被反复踩的坑。由于本数据集只有 79 例，例级划分意味着每折的例数有限，评估的方差会偏大——报告结果时宜采用交叉验证并给出置信区间，而非单次划分的单一数字。

5.8 一个合理的基线设定思路

对刚接触本数据集的人，一个合理的基线设定是：

• 输入：单通道或多通道 EEG，按 1 秒窗切分（256 个采样点/窗）；
• 基线模型：先用简单的频谱特征 + 逻辑回归/随机森林，建立可解释的对照；
• 进阶模型：CNN/LSTM/Transformer 类深度模型；
• 标签：多数投票口径起步，再用宽松口径做对照；
• 评测：秒级 AUC-PR/F1 + 事件级每小时误报数；
• 参照：把结果与「专家间一致率」对照，判断模型是否已达到「接近专家」的水平。

这样的设定避免了一上来就堆深度模型、却缺乏有意义对照的常见问题。

§6 获取与许可：完全开放的一站式门

6.1 许可：CC BY 4.0

Helsinki Neonatal EEG 的许可是 Creative Commons Attribution 4.0 International（CC BY 4.0）——这是知识共享许可中限制最少的一类。

CC BY 4.0 的含义是：

• 可以共享：以任何媒介或格式复制、再分发该数据；
• 可以改编：可以对数据做修改、转换、二次创作；
• 可以商用：用于商业目的也不受限；
• 唯一条件：必须署名（attribution）——给出适当的署名、提供许可链接、并说明是否做了修改。

NLM 数据集目录（datasetcatalog.nlm.nih.gov）、Forskning.fi（芬兰研究信息系统）、Aalto 大学研究平台三处登记页均记录为 CC BY 4.0，与 Zenodo 官方记录一致。这是本条目「三源互证」在许可维度上的落地。

6.2 获取：Zenodo 公开直链

与许多医学数据集需要「申请—审批—签署数据使用协议」不同，本数据集完全开放：

• 入口：Zenodo 记录页。最新版本为 v4，记录 DOI 10.5281/zenodo.4940267，下载地址 https://zenodo.org/records/4940267 。
• 概念 DOI（始终指向最新版）：10.5281/zenodo.1280683。
• 无 gated、无请求制、无机构邮箱白名单——直接点开即下载。

这与本库内很多「请求制」医学影像数据集（例如需要向通讯作者发邮件申请的条目）形成鲜明对比，也使得本数据集的 AI-Ready 就绪度在「可获取性」维度上近乎满分。

6.3 下载时要做的版本选择

因为存在四条版本（v1–v4），下载时应注意：

1. 优先选 v4（最新）：锚定 DOI 10.5281/zenodo.4940267 或概念 DOI 10.5281/zenodo.1280683（后者自动解析到最新版）。
2. 标注文件用 _fixed 版：若你的流程曾引用 annotations_2017_A.csv，务必替换为 annotations_2017_A_fixed.csv（v4 修订原因见 §3.3）。
3. 临床表用 v3 及以后：v2 的 clinical_information.csv 缺 3 列，v3 已修正。
4. EDF 头时间戳已匿名化：自 v2 起为 11.11.11 11.11.11，是为兼容 EDF Browser 读取而做的调整；这意味着记录里没有绝对日期时间，只有相对时长。

6.4 配套代码与读取

论文在 Data Records 中指定了配套代码仓库：**https://github.com/ktapani/Neonatal_Seizure_Detection**（作者 Karoliina Tapani 的 GitHub）。仓库包含读取 EDF 与标注的实用脚本（如 read_edf.m 等），帮助使用者把 EDF 波形与 MAT/CSV 标注对齐。这是降低使用门槛的重要一笔——避免每个使用者重复写解析代码。

§6.5 获取路径速查

你要什么	去哪里	许可/成本
全部数据和标注	Zenodo v4（DOI 10.5281/zenodo.4940267）	CC BY 4.0，免费直链
只有 EDF 波形	Zenodo 记录页文件列表中的 eeg (1–79).edf	CC BY 4.0
秒级标注	annotations_2017_A/B/C.csv 或 _A_fixed 或 MAT	CC BY 4.0
临床信息	clinical_information.csv（v3 起正确）	CC BY 4.0
读取代码	github.com/ktapani/Neonatal_Seizure_Detection	随仓库许可
论文全文	doi:10.1038/sdata.2019.39（Scientific Data，开放获取）	CC BY 4.0

6.6 资助与项目背景

Zenodo 记录的 Notes 列出了资助来源，从中可以看到这个数据集嵌入了一个更大的新生儿脑电研究计划：

• 芬兰科学院（Finnish Academy）RIB：Rhythms in Infant Brain — Wearables for Computational Diagnostics and Mobile Monitoring of Treatment（314450）——婴儿大脑节律与可穿戴计算诊断；
• 芬兰科学院 EBA：Early Brain Activity — Embedding Adversities in Neurodevelopment（288220）——早期脑活动与神经发育逆境；
• Juselius 基金会 BBG：Bridging the Birth Gap — From Fetal Stress and Early Nursing to Brain Network Development；
• 赫尔辛基大学中心医院：DiVaNe（Digital Infant Neuromonitoring in hospitals and at home）与 ODIN（Open Database for INfant EEG）；
• 欧盟委员会 APE：An analyzer for preterm EEG（656131）。

特别值得注意的是 ODIN（Open Database for INfant EEG） 这一项目名——本数据集正是这个「开放新生儿脑电数据库」愿景的产物之一。这解释了为什么团队会选择完全开放的 CC BY 4.0 许可，而非更保守的科研申请制。

6.7 引用与署名的正确姿势

CC BY 4.0 的唯一硬性要求是署名。使用本数据集时，建议按以下方式引用：

• 引用数据集（强调数据本身）：

  Stevenson, N. J., Tapani, K., Lauronen, L., & Vanhatalo, S. (2018). A dataset of neonatal EEG recordings with seizures annotations [Data set]. Zenodo. https://doi.org/10.5281/zenodo.4940267

• 引用论文（强调方法/描述）：

  Stevenson, N. J., Tapani, K., Lauronen, L., & Vanhatalo, S. (2019). A dataset of neonatal EEG recordings with seizure annotations. Scientific Data, 6, 190039. https://doi.org/10.1038/sdata.2019.39

• 说明修改：CC BY 4.0 要求「indicate if changes were made」——若你对数据做了预处理、重采样、重标注，应在方法中说明。

• 版本锚定：引用时建议写明所用版本（如 v4，DOI 4940267），因为数据集有过多次修订，仅凭概念 DOI 可能无法复现你当时使用的确切版本。

6.8 与「请求制」数据集的对比意义

本库内相当一部分医学数据集采取「请求制」——需要向作者发邮件、说明用途、有时还需签署数据使用协议。这类限制在隐私敏感数据上有其合理性，但也显著抬高使用门槛、降低可复现性。

本数据集代表了另一种范式：在充分去标识的前提下，直接开放。其去标识措施包括：

• EDF 头时间戳匿名化（11.11.11）；
• 部分临床变量分类化处理；
• 通过 study ID 而非姓名/病历号链接。

这种「去标识 + 完全开放」的组合，使得数据既保护了隐私，又最大化了可用性。它是医学数据开放共享的一个正面样本——也正因如此，本条目把它作为「完全开放医学数据」的典型来介绍。

6.9 下载后的完整性核对

拿到数据后，建议先做几项快速核对，确认文件完整、版本正确、结构符合预期：

1. 清点 EDF 文件：应有 79 个，编号 1 到 79，无缺号。
2. 检查标注文件：应含专家 A（_fixed）、B、C 三个 CSV，以及一个 MAT。
3. 检查临床表：clinical_information.csv 应含足够列数（v3 起修正了 v2 缺失的 3 列）。
4. 抽查对齐：任取一例，确认 EDF 记录时长（秒）与标注文件的列长度（行数）一致。若不一致，很可能是用了被替换的旧 annotations_2017_A.csv。
5. 确认采样率：EDF 头中应标 256 Hz。
6. 确认单位：幅值为微伏（μV）量级。

这几步只需几分钟，却能避免后续分析中的系统性错误。尤其第 4 步——长度不匹配是使用本数据集最典型、也最隐蔽的错误来源。

6.10 许可合规：可以放心做与需要注意的

可以放心做：

• 下载、使用、修改、再分发数据；
• 用于商业产品与服务的开发；
• 在论文、报告、教学中使用；
• 训练模型并将模型商用。

需要做到：

• 在成果中署名数据来源（作者、数据集名、DOI）；
• 说明是否对数据做了修改；
• 保留许可声明（CC BY 4.0）的传递。

需要注意：

• CC BY 4.0 不授予对「数据主体」的任何权利，也不能作为临床诊断依据；
• 若二次打包发布，应同样以 CC BY 4.0 或兼容许可分发，并标明来源。

§7 生态与影响

7.1 引用与下游使用

截至抓取时点（2026-10-08），ResearchGate 记录该论文被引约 263 次（此为 ResearchGate 计数口径，与本库其它来源的引文计数可能不同，仅作生态活跃度的参考）。

下游使用的典型形态可以从一个 2025 年的例子看出：一项名为《Quantitative EEG-Based Deep Learning for Neonatal Seizure Detection using Conv-LSTM》的研究（medRxiv 2025-11）使用本数据集中的 20 例（从 79 例中随机选取），构建 Conv-Bi-LSTM 模型，提取多尺度 EEG 特征（小波变换与熵特征），并对比了不同标注口径下的模型表现。这类工作说明了本数据集在自动检测研究中的实际角色：作为公开的、可复现的评测材料。

7.2 方法学血脉

本数据集并非孤立产物，它与同一团队的两项方法学研究互为血脉：

• Tapani KT et al.（2018），Time-Varying EEG Correlations Improve Automated Neonatal Seizure Detection（Int J Neural Syst, 1850030）——探索时变 EEG 相关性如何改进自动检测；
• Stevenson NJ et al.（2018），The effect of reducing EEG electrode number on the visual interpretation of the human expert for neonatal seizure detection（Clin Neurophysiol 129, 265-270）——研究减少电极数量如何影响专家判读。

这两项研究都在本数据集的数据/团队基础上展开，也解释了数据集中「18 derivations / 21 channels」这一配置的由来——电极数量的选择本身就是一个被研究过的方法学问题。

7.3 在新生儿 EEG 数据生态中的位置

本数据集在公开新生儿/婴儿脑电数据里有一个明确生态位：

• 它不是最大的临床 EEG 库（TUH EEG Corpus 的规模远大于它）；
• 它不是最通用的通用 EEG 基准（EEGMMIDB、Bonn EEG 等服务于更广的方法学评测）；
• 它的独特价值在于聚焦性：把「新生儿 NICU 发作检测」这一具体任务做到了「真实场景 + 多专家标注 + 完全开放」。

对做新生儿癫痫自动检测的研究者，它几乎是绕不开的公开参考集；对做观察者间一致性方法学的人，它提供了一个三标注的结构化实验台。

7.4 与其它儿科/癫痫 EEG 数据集的分工

• 与 TUH EEG Corpus（TUH-EEG）：TUH 是做广义临床 EEG（含大量成人病例、多种异常）的大规模语料；本数据集专注新生儿发作。前者适合预训练/大规模表征学习，后者适合精细任务评测。
• 与 CHB-MIT Scalp EEG：CHB-MIT 是儿童难治性癫痫的头皮 EEG（长程、事件标注），与本数据集同属「癫痫检测」，但人群（儿童 vs 新生儿）、临床背景（难治性癫痫 vs NICU 急症）不同，二者构成儿科癫痫 EEG 的对读样本。
• 与 Bonn EEG：Bonn 是经典的癫痫发作间期 vs 发作期分类基准，规模小、形态整齐，属「教学/基准」性质；本数据集更贴近真实临床。二者的对照恰好展示「精炼基准」与「真实数据」的不同价值。

对照表：

维度	Helsinki Neonatal EEG	CHB-MIT	Bonn	TUH EEG
人群	新生儿	儿童	混合	混合（偏成人）
临床背景	NICU 急症	难治性癫痫	分类基准	广义临床
标注	3 专家秒级	发作事件	段级分类	多样
规模	79 例	~23 例	500 段	数万例
获取	CC BY 4.0 直链	开放	开放	需注册
定位	新生儿参考评测	儿童癫痫检测	教学基准	大规模预训练

从表可见，四者并非互相替代，而是覆盖了「人群 × 任务 × 规模」的不同组合。研究者应根据任务需求选择或组合使用。

7.5 一个数据集的「向下游扩散」路径

观察本数据集的使用形态，可以看到医学数据集的典型扩散链条：

1. 原始发布（2018，Zenodo）——团队自己先跑方法学研究（Tapani 2018、Stevenson 2018）。
2. 论文配发（2019，Scientific Data）——数据描述符论文为数据集提供「学术身份证」，此后被广泛引用。
3. 方法学复现与改进（2019–2024）——自动检测、癫痫预测、伪迹处理等领域的研究者以其为基准。
4. 深度学习方法叠加（2024–2025）——Conv-LSTM、注意力机制等新方法用它做评测（如 medRxiv 2025 的 Conv-Bi-LSTM 工作）。
5. 衍生教育材料——因其完全开放，被用于教学与入门项目。

这条链条说明：一个数据集的影响力不取决于发布当时，而取决于它是否足够开放、足够可用，从而能被后来者不断叠加。CC BY 4.0 + Zenodo 直链的组合，正是让这条链条顺畅的前提。

7.6 与临床决策支持的关联

从临床视角看，本数据集的最终应用落点是新生儿发作的床旁自动监测。在 NICU 里，脑电监测往往需要专业的神经生理医生解读，而这类专家稀缺、无法 24 小时值守。自动检测算法的价值在于：实时提示「这段记录疑似有发作」，让临床团队及时复核、及时干预。

但本数据集也揭示了这一愿景的现实边界：如果专家之间的一致率都有限，那么自动检测系统能做到的「准确」也是有上限的——尤其是「精确率」。一次假阳性提示可能引发不必要的用药，因此临床部署时，降低每小时误报数往往比单纯提高灵敏度更重要。本数据集的架构（三专家标注 + 事件级可评估）恰好支持这类「面向临床代价」的评测设计。

§8 方法学启示：可以迁移的经验

8.1 「多专家独立标注」应作为可信 AI 的基础设施

本数据集最值得迁移的经验是：不要用单一标注冒充 ground truth。三位专家各自独立盲标、分歧被保留而非被抹平，这一设计使得：

• 训练的标签可以按需取共识（稳健）或取宽松（高召回）；
• 评测有了真实的人类上界参照——专家之间的分歧率就是「模型做到什么程度算好」的天然标尺；
• 数据集可以被用于研究标注不确定性这一常被忽视的维度。

对任何做医学 AI 的人来说，这条经验都值得带走：如果你的数据只有一位标注者，你事实上无法知道标签噪声有多大；而本数据集从设计之初就把这个问题摊在桌面上。

8.2 完全开放许可 = 可复现性的前提

CC BY 4.0 + Zenodo 直链的组合，使得「复现这篇论文的实验」不需要经历任何行政审批。相比大量需要签数据使用协议的医学数据，这种「低摩擦获取」显著提高了研究可复现性，也让本数据集成为教学与快速原型开发的好材料。

8.3 版本维护是数据集质量的一部分

本数据集在 2018–2021 年间四次修订、逐条记录变更理由（EDF 头兼容、临床表缺列、标注越界），并致谢报告问题的使用者。这种活跃维护是一件被低估的资产：它意味着使用者在遇到问题时，数据集本身有被修正的可能，而不是「冻结即烂尾」。

8.4 数据要先于论文可用

数据集 2018 年 6 月上线、论文 2019 年 3 月见刊——数据先行发布，让同行能更早地使用与检验数据，也为论文积累了早期用户反馈。这种「数据先发布、论文后描述（data descriptor）」的范式，如今已成为 Nature Portfolio 等期刊鼓励的做法，本数据集是这一范式的早期实践样本。

8.5 主动暴露局限，反而增加可信度

浏览论文与 Zenodo 记录，一个鲜明特点是团队反复自曝短板：明确列出数据中的伪迹类型、坦诚「这些伪迹在危重新生儿记录中不可避免」、记录每一次版本修订的原因、在描述中留白 18 例的归属而不强行编一个数字。

这种「诚实」不是天真，而是一种建立可信度的策略。在医学 AI 领域，隐藏数据缺陷的代价往往在模型部署时才暴露，届时信任已经受损。相反，主动披露局限让使用者能正确评估适用边界，反而提高了数据集的长期声誉。这是一个值得所有数据发布者学习的态度。

8.6 从「一个数据集」到「一个任务生态」

本数据集最深远的影响可能是它定义并稳定了一个任务：新生儿发作检测。因为它是公开、真实、多专家标注的，后来的研究者不必各起炉灶，而是可以站在同一份数据上比较方法。这种「共享评测材料」的效应，是推动一个研究方向走向可积累、可对比的关键。

一个健康的 AI 子领域，往往需要一个被广泛接受的数据集作为「共同语言」。在新生儿脑电这个相对小众的方向，Helsinki Neonatal EEG 就在扮演这个角色。

§9 与库内条目的关系

Helsinki Neonatal EEG 在千方病案医数集的 EEG / 癫痫数据生态中处于「新生儿专科参考集」的位置。以下是库内可互链的条目及其定位关系：

库内条目	rid	关系类型	互链理由
TUH EEG Corpus（tuh-eeg-corpus）	71	生态主链	全球最大开放临床 EEG 语料，是广义 EEG 数据集的锚点；本数据集是其中的新生儿专科细分
CHB-MIT Scalp EEG（chb-mit-scalp-eeg）	72	同疾病、异人群	同为癫痫 EEG 检测，CHB-MIT 为儿童难治性癫痫、本数据集为新生儿 NICU 急症，构成儿科癫痫对读
Bonn EEG（bonn-eeg）	322	方法学邻域	经典癫痫发作分类基准，「精炼基准 vs 真实临床数据」的对照
EEGMMIDB（eegmmidb）	342	方法学邻域	运动想象 EEG 基准，EEG 信号处理方法学共享
HBN-EEG（hbn-eeg）	362	发育期 EEG 对照	儿童青少年高密度 EEG，与本数据集构成发育期 EEG 的不同年龄段样本

建议的互链叙事：在 EEG 数据集的图谱里，本数据集最适合与 CHB-MIT（72） 和 TUH EEG Corpus（71） 建立强互链——前者是「同为癫痫检测、不同人群」的横向对照，后者是「大生态中的专科节点」的纵向归属。在面向新生儿/婴儿脑电专题的聚合页里，本数据集可作为该专题的核心条目。

此外，若库内已有 PhysioNet 系列的 EEG / 睡眠分支（如 cinc-2014、physionet-cinc-2016、cinc-2018-sleep），也可作为「公开生理信号数据生态」的旁链。

9.1 互链的三种叙事角度

角度一：癫痫 EEG 检测链。以「发作检测」为主线，CHB-MIT（儿童）→ Helsinki Neonatal EEG（新生儿）→ Bonn EEG（经典基准）→ TUH EEG Corpus（大规模临床）构成一条从专科到通用、从精炼到真实的谱系。本数据集是这个谱系里「最小、最专注、最开放」的一个节点。

角度二：发育期脑电链。以「不同年龄段的脑电」为主线，HBN-EEG（儿童青少年）→ Helsinki Neonatal EEG（新生儿）→ 未来若有婴儿期数据可续接，构成发育视角的横向阵容。

角度三：生理信号开放数据生态。以「完全开放的生理信号」为主线，本数据集与库内其它 CC 开放生理信号数据共同构成「低摩擦获取」的数据集群，服务于快速原型与教学。

9.2 与库内条目的差异化定位

在库内已有的 EEG 条目中，本数据集的不可替代性在于：

• TUH EEG Corpus（71）规模最大但以成人为主，且临床 EEG 的发作标注粒度与新生儿专科需求不同；
• CHB-MIT（72）是儿童难治性癫痫，与新生儿 NICU 急症的病理分布、记录方式均不同；
• Bonn（322）是经过精炼的小型基准，缺乏真实临床的复杂度；
• EEGMMIDB（342）是运动想象任务，与癫痫检测任务正交；
• HBN-EEG（362）是高密度发育脑电，侧重发育与认知而非癫痫急症。

因此，本数据集填补的是「新生儿 NICU 癫痫发作的可复现参考评测」这一空白位。

§10 避坑清单：八个已踩过或易踩的坑

坑 1：把「三位专家」当成一个人，或误以为有一个权威金标准。
本数据集的标注是三份独立盲标。很多二次文献在转述时会简化成「由专家标注」而丢失这一结构。使用时务必明确：没有单一 ground truth。共识口径（多数投票 / 至少一票）需要使用者自己选择和声明。

坑 2：用了被替换的 annotations_2017_A.csv。
v4.0 用 annotations_2017_A_fixed.csv 替换了它，因为原文件前三列在记录时长外多出了数据。如果你的下载脚本或旧教程引用的是旧文件名，会出现标注长度与波形长度不匹配。务必用 _fixed 版。

坑 3：把 EDF 头里的 11.11.11 11.11.11 当成真实时间。
自 v2.0 起 EDF 头的时间戳被匿名化为 11.11.11 11.11.11（为兼容 EDF Browser 读取）。它不是真实记录时刻，不能用于时序/昼夜分析。你只有相对时长。

坑 4：「39 + 22 = 61，剩下 18 例呢？」
官方描述给出 39 例有发作、22 例无发作，但未明述剩余 18 例的归属（可能是未达共识或无可用判定）。统计阳性率时若把 79 当分母、61 当分子会得到可疑结果。使用时应自行核查这 18 例的标注实际内容，或明确声明所用的分母口径。

坑 5：把「18 derivations」和「21 channels」当成矛盾。
论文说专家审阅用 bipolar montage 含 18 个 derivations；下游复述 EDF 为 21 通道（19 EEG + 1 ECG + 1 Resp）。二者量纲不同（导联对 vs 物理通道），不矛盾。但做纯 EEG 建模时，ECG 与呼吸努力通道必须剔除，否则跨通道污染会干扰模型。

坑 6：忽略标注是「逐秒全局二值」而不含通道维度。
标注只告诉你「这一秒是不是发作」，不告诉你是哪个导联发作。需要空间定位的研究不能直接依赖本标注，得自行做信号层面的导联分析。

坑 7：只看准确率，忽略类别不平衡与事件级指标。
发作秒数在总时长中占比很低。一个把全部秒都判为「非发作」的模型会得到很高的准确率却毫无临床价值。评测应关注召回率、精确率、每小时的误报次数、以及事件级的命中/分割质量。

坑 8：忽视数据自带的临床伪迹。
记录暂停（零电压段）、市电噪声、>500 μV 高幅伪迹、运动与肌电伪迹——论文明确说这些在危重新生儿记录中不可避免。不做去伪迹/标记就训练，模型可能学到伪迹而非脑电。

（额外提醒）坑 9：误把多个登记入口当成多份数据。
Zenodo 记录、NLM 数据集目录、Aalto 研究平台、Forskning.fi、Data Europa 都登记了这份数据——它们是同一份数据的多个目录条目，DOI 都指向 Zenodo 的 1280683 / 4940267。不要以为存在多个不同版本的新生儿 EEG 数据集。

10.1 上手前的十点自查清单

在正式使用本数据集前，逐条核对以下问题：

1. 我下载的是 v4（annotations_2017_A_fixed.csv）吗？
2. 我明确声明了所用的共识口径（多数投票 / 至少一票 / 全体一致）吗？
3. 我剔除了 ECG 与呼吸努力通道吗？
4. 我做了带通滤波并说明了频带吗？
5. 我处理/标记了伪迹段（零电压、>500 μV）吗？
6. 我在例级划分训练/测试集了吗？
7. 我用的是事件级 + 秒级双指标吗，而不是裸准确率？
8. 我报告了每小时误报数吗？
9. 我把结果与专家间一致率上界对照了吗？
10. 我在引用时写明了版本 DOI 并声明了是否修改数据吗？

这十条涵盖了使用本数据集时最关键的决策点，逐条确认可以避免绝大多数误用。

§11 总结

Helsinki Neonatal EEG 是新生儿癫痫自动检测领域少数既真实又开放的公开参考集。它的三个核心资产是：

1. 真实：79 例赫尔辛基大学医院 NICU 的足月新生儿脑电，中位 74 分钟、256 Hz 多通道，带着临床记录躲不掉的伪迹；
2. 多专家：三位专家独立盲标，把「观察者间一致性」从一个抽象问题变成一份可直接计算的数据；
3. 完全开放：CC BY 4.0、Zenodo 公开直链，无需申请，允许商用与再分发。

它的边界同样清楚：79 例、单中心、足月新生儿、逐秒全局二值标注。这些限制意味着它适合做方法学验证与参考评测，而不适合单独承担「训练一个可泛化到全世界 NICU 的模型」的重任——后者需要更大多样性的数据组合。

对做婴儿脑电的读者，本条目给出的实操建议是：选 v4、用 _fixed 标注、剔除 ECG/Resp 通道、按需选择共识口径、评测看事件级指标而非裸准确率。对做可信 AI 的读者，本数据集最值得借鉴的是它的标注结构——把专家分歧保留下来，而不是偷偷抹平。

最后一句提醒：如果你打算把在这个数据集上训练的模型用于临床，请记住数据集的自曝边界——79 例、单中心、足月新生儿、无绝对时间、含临床伪迹。这些限制不是要否定模型的潜力，而是要提醒你把验证做到位：在更多中心、更多人群、更真实的部署条件下重新评估，再谈临床应用。

FAQ（高频问答 24 问）

Q1：数据集全称是什么？
A dataset of neonatal EEG recordings with seizures annotations（新生儿脑电记录及癫痫发作标注数据集）。本库条目名为 Helsinki Neonatal EEG。

Q2：谁做的？
Nathan Stevenson、Karoliina Tapani、Leena Lauronen、Sampsa Vanhatalo；机构为赫尔辛基大学、阿尔托大学、赫尔辛基大学医院（HUS）。

Q3：在哪发布？
数据在 Zenodo（2018-06-05 首发）；数据描述符论文在 Scientific Data（2019-03-05）。

Q4：多少例？
79 例足月新生儿。

Q5：每例多长？
中位 74 分钟，IQR 64–96 分钟。

Q6：采样率？
256 Hz。

Q7：什么格式？
EDF（波形）+ CSV/MAT（标注）+ CSV（临床）。

Q8：谁标注的？
3 位有经验的专家，独立、盲法。

Q9：标注粒度？
逐秒 1 Hz，二值（1=发作/0=非发作）。

Q10：平均多少发作？
每位专家约 460 次。

Q11：多少例有发作？
共识口径 39 例有发作、22 例无发作。

Q12：有许可限制吗？
CC BY 4.0，几乎无限制，只需署名。

Q13：要申请吗？
不用，Zenodo 直链下载。

Q14：免费吗？
免费。

Q15：能商用吗？
CC BY 4.0 允许商用。

Q16：有多少通道？
论文审阅口径 18 derivations（bipolar）；下游复述 EDF 本体 21 通道（19 EEG + 1 ECG + 1 Resp）。

Q17：montage 是 referential 还是 bipolar？
存储为 referential，专家审阅用 bipolar——两者分别指存储与判读。

Q18：最该注意的版本问题是什么？
v4 把 annotations_2017_A.csv 换成了 annotations_2017_A_fixed.csv，务必用 _fixed 版。

Q19：适合做什么任务？
秒级发作检测、事件定位、观察者间一致性研究、EEG 背景/伪迹分析。

Q20：能直接用原始波形训练吗？
不建议，需先剔除非 EEG 通道、带通滤波、处理伪迹、按标注切窗。

Q21：评测用什么指标？
别只看准确率，看召回/精确、每小时误报数、事件级命中率。

Q22：和 CHB-MIT 有什么区别？
CHB-MIT 是儿童难治性癫痫头皮 EEG，本数据集是新生儿 NICU 急症脑电，人群与临床背景不同。

Q23：数据里有没有绝对时间？
没有，EDF 头时间戳被匿名化为 11.11.11，只有相对时长。

Q24：配套代码在哪？
github.com/ktapani/Neonatal_Seizure_Detection。

Q25：为什么叫「Helsinki」？
因为数据采集于芬兰赫尔辛基大学医院（Helsinki University Hospital）。这是机构地点命名，不是研究项目名。

Q26：数据里有多少小时的总记录？
官方未直接给出总时长，但可估算：79 例 × 中位 74 分钟 ≈ 97 小时量级（实际因时长分布而略高或略低）。注意这是估算，非官方数字。

Q27：为什么不直接给一个「金标准」标注？
因为新生儿发作判读本身没有绝对真值。给三位专家的独立标注，比伪造一个「标准答案」更诚实，也让观察者间一致性研究成为可能。

Q28：下游研究常选多少例？
无固定惯例。有的研究（如 medRxiv 2025 的 Conv-LSTM 工作）从 79 例中随机取 20 例用于建模；有的用全部。选择取决于算力与任务。

Q29：可以做迁移学习吗？
可以。因其规模适中、许可宽松，常被用作预训练或微调的源数据，尤其适合与其它 EEG 数据联合训练以扩大有效样本。

Q30：数据里发作的持续时间大概多长？
官方描述未系统给出发作时长的分布统计。标注是逐秒的，使用者可自行从标注聚合出每次发作的时长。这是留给下游的一个可加工维度。

Q31：如果我只想复现论文的观察者间一致性分析，需要什么？
只需要三份标注文件（A/B/C 或 MAT）即可，无需波形。这是本数据集「标注独立性」带来的便利——纯一致性研究不必处理信号。

Q32：这个数据集会被更新吗？
最新已知版本为 v4（2021 年修订）。是否会有 v5 取决于团队后续维护。使用者应关注 Zenodo 记录页的更新，并优先引用具体版本 DOI。

结语：把「不确定性」当作数据的一部分

回顾全篇，Helsinki Neonatal EEG 最值得记住的一点，不在于它的规模或数字，而在于它把医学判读的不确定性当作数据的一部分来发布。在一个习惯追求「干净标签」「标准答案」的时代，这类数据集提醒我们：真实临床的真相往往是模糊的、依赖判读者的、需要多视角对照的。承认这一点，并把它结构化为可计算的形式，正是让医学 AI 走向可信的第一步。

事实清单（硬事实 32 条）

说明：以下 32 条为经多源交叉验证的硬事实，凡存疑或双口径处已在正文相应章节存照。使用者如发现与官方最新版本不符，以 Zenodo 记录页与 Scientific Data 论文为准。

1. 数据集官方全称：A dataset of neonatal EEG recordings with seizures annotations。
2. 本库条目 slug：helsinki-neonatal-eeg。
3. 例数：79 例足月新生儿（term neonates）。
4. 来源机构：赫尔辛基大学医院（HUS）新生儿重症监护室（NICU）。
5. 协作机构：赫尔辛基大学、阿尔托大学、赫尔辛基大学医院临床神经生理科。
6. 作者（Zenodo）：Nathan Stevenson、Karoliina Tapani、Leena Lauronen、Sampsa Vanhatalo。
7. Vanhatalo ORCID：0000-0002-9771-7061。
8. 记录时长中位：74 分钟。
9. 记录时长 IQR：64–96 分钟。
10. 采样率：256 Hz。
11. 幅值单位：微伏（μV）。
12. 波形格式：EDF（European Data Format）。
13. 存储 montage：referential（参考导联）。
14. 审阅 montage：bipolar（双极），18 derivations。
15. 下游复述通道数：21（19 EEG + 1 ECG + 1 呼吸努力）。
16. 专家数：3 位，独立盲标。
17. 标注粒度：1 Hz（逐秒）。
18. 标注取值：1=发作，0=非发作。
19. 标注格式：CSV（A/B/C）+ MAT。
20. 平均每专家发作数：约 460。
21. 共识结果：39 例有发作。
22. 共识结果：22 例无发作。
23. 余数：79−39−22=18 例归属未明述。
24. 数据首发日期（Zenodo）：2018-06-05。
25. 论文见刊日期：2019-03-05。
26. 论文期刊：Scientific Data 6:190039。
27. 论文 DOI：10.1038/sdata.2019.39。
28. 论文 PMID：30835259；PMCID：PMC6400100。
29. 数据集 License：CC BY 4.0。
30. 概念 DOI：10.5281/zenodo.1280683。
31. 最新版本 DOI（v4）：10.5281/zenodo.4940267。
32. 配套代码：github.com/ktapani/Neonatal_Seizure_Detection。

补充事实（扩展 8 条）

33. 资助项目之一：Finnish Academy RIB（314450），Rhythms in Infant Brain。
34. 资助项目之一：Finnish Academy EBA（288220），Early Brain Activity。
35. 资助项目之一：European Commission APE（656131），An analyzer for preterm EEG。
36. 赫尔辛基大学中心医院项目：DiVaNe（Digital Infant Neuromonitoring）。
37. 赫尔辛基大学中心医院项目：ODIN（Open Database for INfant EEG）。
38. 采集放大器型号：Nicolet v44。
39. 审阅软件（下游复述）：Nicolet Reader。
40. 记录时长最长可达一个半小时以上（IQR 上界 96 分钟之上）。

术语表（30 条）

1. EEG（Electroencephalography，脑电图）：记录大脑皮层电活动的技术，通过头皮电极测量电位差随时间的变化。
2. neonatal seizure（新生儿癫痫发作）：新生儿期（出生后 28 天内）出现的癫痫性脑电事件，通常表现不典型。
3. NICU（Neonatal Intensive Care Unit，新生儿重症监护室）：收治危重新生儿的病房。
4. term neonate（足月新生儿）：胎龄≥37 周出生的新生儿。
5. EDF（European Data Format）：脑电/生理信号领域广泛使用的开放二进制格式。
6. montage（导联组合）：电极的分组与连接方式。
7. referential montage（参考导联）：每个电极相对一个共同参考电极测量。
8. bipolar montage（双极导联）：相邻两电极之间测量电位差。
9. derivation（推导/导联对）：双极记录中一对电极构成的差分信号。
10. channel（通道）：一个独立的信号记录通路。
11. sampling rate（采样率）：每秒采样次数，本数据为 256 Hz。
12. μV（microvolt，微伏）：脑电幅值的常用单位。
13. seizure annotation（发作标注）：标记记录中发作时段的行为。
14. 1 Hz annotation（秒级标注）：每秒给出一个判定值。
15. inter-observer agreement（观察者间一致性）：不同标注者对同一对象判断的一致程度。
16. consensus（共识）：多位标注者判断一致的结论。
17. blinded annotation（盲法标注）：标注者互不知情彼此的判断。
18. CSV（Comma-Separated Values）：逗号分隔的文本表格格式。
19. MAT（MATLAB data file）：MATLAB 的数据文件格式。
20. artifact（伪迹）：非脑源性的信号干扰。
21. mains noise（市电噪声）：来自供电系统的 50/60 Hz 干扰。
22. burst suppression（爆发-抑制）：一种脑电背景模式，高幅爆发与抑制段交替。
23. noise floor（噪声底）：记录系统固有的噪声本底。
24. power spectral density（功率谱密度）：信号功率随频率的分布。
25. rBSI（revised brain symmetry index，修订版脑对称指数）：衡量左右半球脑电功率对称性的指标。
26. recording pause（记录暂停）：设备中断导致的零电压段。
27. kappa coefficient（kappa 系数）：校正随机一致后的标注一致性统计量。
28. ECG（Electrocardiogram，心电图）：心脏电活动记录，本数据中为伴随通道。
29. Nyquist rate（奈奎斯特频率）：采样率的一半，抗混叠的理论上限。
30. data descriptor（数据描述符）：描述数据集本身的学术论文类型。

术语背景补充：新生儿脑电判读的三个要点

1. 发作的电生理定义 vs 临床定义：临床上「发作（seizure）」通常指发作性脑电活动伴随或不伴随临床表现。「electrographic-only seizure（仅有脑电表现的发作）」指有脑电发作但无外显症状——这类发作在本数据集中同样会被标注，因为专家判读的是脑电本身。
2. 发作 vs 发作间期：脑电中除发作期（ictal）外，还存在发作间期（interictal）的痫样放电（如尖波、棘波），它们不是发作，但常与癫痫相关。本数据集的标注针对「发作」，不代表把发作间期放电也标了出来。
3. 背景活动的判读：新生儿脑电的背景本身携带信息（是否成熟、是否有爆发-抑制、是否有持续不连续），本数据集虽未对背景单独标注，但背景质量直接影响发作判读的可靠性。

DAIMS 表

DAIMS（Data and Analytics Interoperability Maturity Score）用于评估数据资产的可发现、可访问、可互操作、可重用程度。本数据集评估如下：

维度	得分	依据
Discoverable（可发现）	高	Zenodo 记录页 + NLM 数据集目录 + Aalto 平台 + Data Europa 多处登记，DOI 可解析，搜索引擎可检索
Accessible（可访问）	高	CC BY 4.0 + 公开直链，无需申请、无需机构审核；仅需网络
Interoperable（可互操作）	中高	使用 EDF 这一领域通用开放格式，CSV/MAT 亦通用；但缺标准化元数据 schema（如 BIDS-EEG 兼容），需自行做格式映射
Reusable（可重用）	高	许可宽松、附读取代码、有版本维护、有技术验证文档；标注歧义（共识口径）需使用者自行声明，略降复用确定性
AI-Ready 综合	高	真实场景 + 多专家标注 + 完全开放许可三者齐备，是新生儿 EEG 任务中 AI-Ready 度最高的公开参考集之一

短板与改进空间：若未来能为标注补充逐通道维度、增加跨中心样本、或将元数据映射到 BIDS（Brain Imaging Data Structure）等标准，其互操作性与泛化性可持续提升。

DAIMS 评估补充说明

为什么「可互操作」只给中高而非高：本数据集虽然用了 EDF 这一通用格式（这是加分项），但其元数据组织方式没有完全遵循当代脑电数据标准（如 BIDS-EEG）。具体而言：

• 文件命名采用 eeg (1).edf 这类带空格与括号的形式，不符合 BIDS 的 sub-XX_task-YY_eeg.edf 命名规范；
• 标注以自定义 CSV 列式布局（79 列对应 79 例）存储，非常规的每例一个文件；
• 临床信息字段未按标准受控词表（如 HPO、SNOMED）编码。

这些不影响使用（有读取代码），但意味着若要接入标准化分析流水线，需要一次格式映射。这也是「可重用」维度中「略降确定性」的来源之一。

为什么「可访问」给高分：CC BY 4.0 + Zenodo 直链的组合在医学数据里相当罕见。大量同类数据因隐私顾虑而采取请求制，本数据集用充分去标识换取了完全开放，这一取舍在本库内具有示范意义。

相关标准与规范参考

为便于进一步研究，列出自本节条目涉及的相关规范与惯例：

• EDF / EDF+：https://www.edfplus.info/ —— 本数据集波形所用的开放格式规范。
• 10–20 系统：脑电电极的国际标准放置法。
• BIDS-EEG：脑电数据的标准化组织规范（本数据集未采用，但可作为格式迁移目标）。
• CC BY 4.0：https://creativecommons.org/licenses/by/4.0/ —— 本数据集的许可文本。
• Zenodo：https://zenodo.org/ —— 数据集的托管平台。
• DAIMS：数据与分析互操作性成熟度模型，本条目 §DAIMS 表即据此评估。

附录 A：文件结构示意

helmisinki-neonatal-eeg/                 （Zenodo v4 记录）
├── eeg (1).edf ... eeg (79).edf         # 79 个 EDF 脑电文件，referential，256 Hz，μV
├── annotations_2017_A_fixed.csv         # 专家 A 标注（v4 修正版）
├── annotations_2017_B.csv               # 专家 B 标注
├── annotations_2017_C.csv               # 专家 C 标注
├── annotations_2017.mat                 # 三分专家标注（MAT cell array，79 元素）
└── clinical_information.csv             # 临床信息（v3 起完整）

注：上表为结构示意，Zenodo v4 采用逐文件上传（v2 起），实际文件计数以记录页为准。annotations_2017_A.csv 已被 _fixed 版替换。

附录 B：标注读取示例（伪代码）

# 概念示意（非官方代码）：读取 EDF 与 CSV 标注并对齐
import mne            # 或 pyedflib
import numpy as np
import pandas as pd

# 1. 读 EDF 波形（256 Hz，μV）
raw = mne.io.read_raw_edf("eeg (1).edf", preload=True)
# 2. 剔除 ECG 与呼吸努力通道（下游口径：21 通道中扣 2）
# raw.pick(["EEG"...])   # 依据实际通道名筛选
# 3. 读标注（CSV：列为例号，行为秒）
ann = pd.read_csv("annotations_2017_A_fixed.csv")
labels = ann.iloc[:, 0].to_numpy()   # 第 1 例的逐秒标注
# 4. 按 1 秒窗口对齐（256 样本/秒）
# 5. 处理伪迹段（>500 μV 高幅、零电压暂停段）后再训练

官方配套代码见 github.com/ktapani/Neonatal_Seizure_Detection（含 read_edf.m 等）。

附录 C：三源互证记录

本条目核心事实的下述数字经过至少三个独立来源交叉验证：

事实	来源一	来源二	来源三
79 例足月新生儿	Zenodo 记录页	Scientific Data 论文	NLM 数据集目录
中位 74 min / IQR 64–96	Zenodo	论文	Data Europa / Forskning.fi
3 专家独立标注	论文	NLM	Aalto 平台
平均 460 发作/专家	Zenodo	论文	NLM
39 有发作 / 22 无发作	Zenodo	论文	NLM
CC BY 4.0	Zenodo	NLM	Forskning.fi / Aalto
256 Hz / EDF / referential	论文	tomesphere 复述	下游 medRxiv 复述

附录 D：版本变更史详表

版本	DOI	变更内容	动机（官方 Notes 口径）	对使用者的影响
v1	10.5281/zenodo.1280683	首发（zip 打包）	—	最早的引用锚点
v2.0	—	EDF 头时间戳 00.00.00→11.11.11；补神经影像与人口学表；改逐文件上传	让 EDF Browser 软件可读取；便于单独访问	需重新下载；头字段变化
v3.0	—	修正 clinical_information.csv	v2 的该表缺失 3 列数据	用临床表的必须升级到 v3+
v4.0	10.5281/zenodo.4940267	annotations_2017_A.csv → annotations_2017_A_fixed.csv	原文件前三列含记录时长之外的多余数据	使用旧文件名会出现长度不匹配

维护原则提炼：四次修订分别针对「软件兼容」「元数据完整」「标注正确」三类问题，且每次都致谢报告者。这提示我们评价一个数据集时，应关注其版本活跃度——一个长期无人修订的数据集，可能意味着使用者已经放弃反馈，或问题已经无人处理。

附录 E：面向任务的评估指标建议

针对本数据集常见的三类任务，给出对应的评估指标设计建议：

任务一：秒级发作分类（二分类）

• 由于类别极不平衡，不要只看 accuracy；
• 常用：召回率（sensitivity）、精确率（precision）、F1、AUC-PR（比 AUC-ROC 更适合不平衡数据）；
• 报告时须注明标注口径（多数投票 / 至少一票）。

任务二：发作事件检测（时间定位）

• 事件级指标：发作事件的命中率、漏检事件数、误报事件数；
• 时间级指标：事件起点/终点的绝对或容忍误差；
• 临床上常以每小时误报数作为关键代价指标。

任务三：观察者间一致性

• 两位专家：Cohen’s kappa、一致率；
• 多位专家：Fleiss’ kappa、Krippendorff’s alpha；
• 可分层报告：按例、按病理、按时段剖析分歧分布。

跨任务通用提醒：

• 任何与「专家水平」的比较，都应以专家之间的实际一致性作为参照上界，而非 100%；
• 训练/验证/测试的划分若在例级进行，需防止同一例的不同时间段同时出现在训练与测试中（数据泄漏）；
• 报告预处理细节（是否剔 ECG/Resp、滤波频带、伪迹处理策略），否则结果不可比。

附录 F：常见工作流建议

入门/教学流程：

1. 从 Zenodo 下载 v4 全部文件；
2. 用配套代码或 mne 读取一个 EDF；
3. 读取对应例的标注，叠加可视化；
4. 观察三位专家标注的差异段。

研究/建模流程：

1. 下载 v4，核对 annotations_2017_A_fixed.csv；
2. 剔除 ECG 与呼吸努力通道；
3. 带通滤波（如 0.5–30 Hz）并处理伪迹段；
4. 按 1 秒窗口切分并对齐标注；
5. 选定共识口径生成训练标签；
6. 划分例级训练/验证/测试；
7. 以事件级 + 秒级双指标评测，报告每小时误报数；
8. 与专家间一致性上界对比，解读结果。

结语

Helsinki Neonatal EEG 用 79 例真实的新生儿脑电和三位专家的独立标注，为新生儿癫痫自动检测提供了一个公开、可用、诚实的参照集。它的价值不在一时的规模，而在它示范了一种做法：把医学判读的不确定性结构化地保留下来，让后来者能在同一份真实材料上比较方法、讨论可靠性。对任何认真对待医学 AI 可信度的人来说，它值得被反复研读——不仅因为它提供数据，更因为它提供了一种态度。

对使用者而言，最关键的一句实操总结是：先用它把「专家之间的一致率」算出来，再拿你的模型去对标这个数字。这样得到的评估，比任何孤立的准确率都更接近真相。

目录

• §0 导读：这个数据集解决什么问题
• §1 数据集速览：十问十答
• §2 数据构成与规格
• §3 标注体系：三位专家如何「各自看见」同一段脑电
• §4 数据规模硬数字逐条核验
• §5 任务与标注：把它当作什么任务来用
• §6 获取与许可：完全开放的一站式门
• §7 生态与影响
• §8 方法学启示：可以迁移的经验
• §9 与库内条目的关系
• §10 避坑清单：八个已踩过或易踩的坑
• §11 总结
• FAQ（高频问答 24 问）
• 事实清单（硬事实 32 条）
• 术语表（30 条）
• DAIMS 表
• 附录 A/B/C
• 尾注

尾注

本条目所有数据事实均经多源交叉验证，来源见下方尾注。凡官方描述留白或存在双口径之处，正文已明确标注，未作臆断填充。若官方数据后续更新，以 Zenodo 记录页与 Scientific Data 论文为最终依据。

[1] Zenodo 记录页（最新 v4）：https://zenodo.org/records/4940267 ，DOI 10.5281/zenodo.4940267 。
[2] 概念 DOI（指向最新版）：10.5281/zenodo.1280683 。
[3] Stevenson NJ, Tapani K, Lauronen L, Vanhatalo S. A dataset of neonatal EEG recordings with seizure annotations. Scientific Data 6, 190039 (2019). DOI 10.1038/sdata.2019.39 ；PMID 30835259；PMCID PMC6400100。
[4] NLM 数据集目录登记页（CC BY 4.0，含 79 例/74 分钟/460 发作/39-22 共识描述）。
[5] Forskning.fi 芬兰研究信息系统登记页（2018 出版年，CC BY 4.0）。
[6] Aalto 大学研究平台登记页（DOI 10.5281/zenodo.1280683）。
[7] Data Europa 登记页（Is version of 10.5281/zenodo.1280683）。
[8] 配套代码仓库：https://github.com/ktapani/Neonatal_Seizure_Detection 。
[9] Tapani KT et al. Time-Varying EEG Correlations Improve Automated Neonatal Seizure Detection. Int J Neural Syst 1850030 (2018).
[10] Stevenson NJ et al. The effect of reducing EEG electrode number on the visual interpretation of the human expert for neonatal seizure detection. Clin Neurophysiol 129, 265-270 (2018).
[11] 下游使用示例（21 通道口径、EcG/Resp 剔除、0.5–30 Hz 滤波、标注口径对比）：medRxiv 2025-11，Quantitative EEG-Based Deep Learning for Neonatal Seizure Detection using Conv-LSTM。

---

本条目由千方病案医学编辑部基于公开来源整理，遵循 CC BY 4.0 引用规范。数据事实以 Zenodo 官方记录与 Scientific Data 论文为准，凡多源不一致处已在正文并列存照。

条目 slug：helsinki-neonatal-eeg ｜ 抓取时点：2026-10-08 ｜ 编辑体例版本：AI-Ready Wikipedia v3

本条目为千方病案医数集 AI-Ready Wikipedia 系列产品之一。条目内容仅供研究参考，不构成任何临床诊疗建议。

如需引用本条目，请注明：千方病案医数集. (2026). Helsinki Neonatal EEG (helsinki-neonatal-eeg) — AI-Ready Wikipedia. https://www.qianfanghub.com/ai-ready-dataset/helsinki-neonatal-eeg/880

---

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：

• siena-scalp-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• chb-mit-scalp-eeg — 共享标签：生理信号 / 脑电信号 / 癫痫 / 儿科
• bonn-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• cinc-2023 — 共享标签：生理信号 / 脑电信号 / 神经科学 / 重症监护
• jsmf-access — 共享标签：生理信号 / 脑电信号 / 神经科学 / 重症监护
• hbn-eeg — 共享标签：脑电信号 / 神经科学 / 儿科
• epilepsiae — 共享标签：生理信号 / 脑电信号 / 癫痫
• tuev — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• openneuro — 共享标签：生理信号 / 脑电信号 / 神经科学
• tuab — 共享标签：生理信号 / 脑电信号 / 癫痫

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。