信息速览

数据集名称MIMIC PERform Datasets — 重症监护 PPG 心跳检测基准的六子集信号库

数据类型信号数据,原始数据,公开数据集

规模AF 35（19 AF/16 non-AF）；Training 200（100 成人/100 新生儿）；Testing 200（100 成人/100 新生儿）；Ethnicity 200（100 Bl

接入方式MIMIC-III Waveform Database（含 Matched Subset）抽取的床旁监护仪信号：ECG、PPG、阻抗呼吸（imp/resp），部分含动脉血压（abp），采样率 125 Hz，ICU 常规诊疗采集；附固定参数 fix 字段与 ECG 派生参考心跳标注

AI 就绪度

INFOBOX — MIMIC PERform 一屏速览

维度内容

本质从 MIMIC-III Waveform Database 抽取的重症监护生理信号基准系列（PPG/ECG/呼吸），非 MIMIC 本体

团队 University of Cambridge 牵头，City London / Surrey / Technion 协作；第一作者 Peter H Charlton

论文 Physiol Meas. 2022;43(8):085007（doi:10.1088/1361-6579/ac826d；PMID 35853440；PMCID PMC9393905）

数据六子集：AF 35、Training 200、Testing 200、Ethnicity 200、Large Train 5,248 段、Large Test 1,257 段

信号 ECG + PPG + 阻抗呼吸（部分含 abp）；床旁监护仪 @ 125 Hz

时长 AF 20 分钟；Training/Testing/Ethnicity 10 分钟；Large 32 秒段

分组 AF/non-AF、成人/新生儿、Black/White、呼吸率回归

核心任务 PPG 心跳检测（beat detection）算法横评，以 ECG 派生心跳为参考

基准结论 15 检测器 × 8 数据集；静息 F1 ≥90%，运动 55%–91%；新生儿 84%–96% vs 成人 98%–99%；AF 92%–97% vs NSR 99%–100%

最佳算法 MSPTD 与 qppg（性能互补，论文推荐）

发布 Zenodo 公开直链（concept DOI 10.5281/zenodo.6807402）；v2.0（2025-07-15）增 Large 集

许可逐包异构：各子集包内独立 LICENSE；源数据受 MIMIC 协议约束；论文 CC BY 4.0

库内互链 mimic3wdb(586)、mimic3wdb-matched(587)、mimiciii(590)、mimic-iv-ecg(172)、mimic-iv-waveform(65)

MIMIC PERform 是一份「给 PPG 算法出考卷」的数据集：它不发明新的监测设备，而是从全世界最著名的重症监护波形库 MIMIC-III 里，按临床需求精准切出六个带分组标签的信号子集——房颤的、新生儿的、不同人种的、要估呼吸率的——再配上 15 个开源心跳检测器的统一横评框架。它的价值不在数据量（最大子集也才 200 例受试者），而在于把「谁的 PPG 脉搏检测算法更好」这件事，从各家自说自话变成了同一份数据、同一把尺子（F1）的公开竞赛。

导语读法三则：

只想下数据做算法：直奔 §6 获取与许可——Zenodo 公开直链，Matlab/WFDB/CSV 三选，注意每个压缩包许可逐包而异。
关心「哪个算法最好」：直奔 §5 基准结果——15 个检测器的 F1 横评，MSPTD 与 qppg 是论文点名的赢家。
关心信号偏差与人群泛化：直奔 §4——AF、新生儿、人种子集各是一类「算法易翻车场景」的对照实验。

§0 导读：这个数据集解决什么问题

光电容积脉搏波（photoplethysmogram，PPG）是智能手表、血氧仪、指夹式监护仪背后那个「绿光测脉搏」的信号。它廉价、易采集、无需电极，却藏着一个尴尬现实：在 PPG 上数心跳，比在 ECG 上数难受得多。PPG 波形形态随个体、随部位、随运动、随灌注质量剧烈变化，一个峰值可能被噪声吞掉，也可能凭空多出一个。过去二十年，学界提出了几十个 PPG 心跳检测算法，但每个算法都在自己选的私有数据上测试、用自己的指标报告——于是「谁最强」这个问题长期没有公认答案。

MIMIC PERform 就是来回答这个问题的。它的做法分四步。

第一步，选源。以 MIMIC-III Waveform Database（ICU 床旁监护仪波形库）为母矿，筛选同时含 PPG、ECG 与呼吸信号、时长充足（10 分钟以上，房颤集 20 分钟以上）、且极少平线段（表明传感器没脱落）的记录。

第二步，切子集。不是简单随机切，而是按「算法最容易翻车的临床场景」切：房颤会让脉搏节律紊乱（AF 集），新生儿脉搏快而灌注低（Training/Testing 集的 100 例新生儿），不同肤色对光电容积测量有系统性影响（Ethnicity 集），呼吸率是 PPG 的另一大目标变量（Large 集）。

第三步，建考卷。以同通道记录的高质量 ECG 派生心跳作为参考标准，让每个 PPG 检测器都在同一份数据上跑、用同一个 F1 分数评。这样不同算法的差异才可归因，而不是被数据差异吞没。

第四步，公开。全部信号以 Matlab/WFDB/CSV 三种格式在 Zenodo 公开，配套 collate MATLAB 脚本可从 PhysioNet 原库重建——这意味着任何人不仅能下载数据，还能核查数据是怎么被选出来的。

§0 读法三则：

这个条目是「源数据库+再标注子集+评测论文」三合一：本体是六个信号子集，方法是 collate 脚本，结论在 Physiol Meas 2022 论文——三者链接在 §6 与 §7。
全文数字默认以 ppg-beats 官方文档与 Zenodo 记录页为准；与第三方综述冲突处以坑点存照（§10）。
检索时若把「MIMIC PERform」写成「MIMIC-Perform Dataset」单数去搜，会命中一堆无关的 MIMIC 系条目——本系列是复数 Datasets，且含多个子集（坑 1）。

0.1 一个比喻：PPG 算法的「公共考场」

如果把 PPG 心跳检测算法比作考生，那么过去二十年的问题是：每个考生都在自己出的卷子上考试。有人考简单题（健康人静息），有人考难题（运动），有人把评分标准调松（只报灵敏度不报误检率）。考生们各自宣布「我 99 分」，但没有人知道彼此是否在考同一份卷子。

MIMIC PERform 做的事情，就是统一出卷：它选定同一批临床波形（同一套题），规定同一套参考标准（同一份标准答案），要求用同一个分数（F1）报告。于是「谁更强」第一次成为可回答的问题——不是因为它选出了最强的算法，而是因为它创造了让强弱可比较的条件。

这个比喻揭示了这份数据集的一个深层价值：基准的意义在于「约束可比性」，而不在于「提供答案」。数据集的作者 Charlton 团队并没有宣称某个算法「最好到可以停止研究」，他们只是给出了「在相同条件下，MSPTD 与 qppg 表现最佳且互补」的结论，并邀请后来者在同一考场上继续竞争。

0.2 目标读者与使用场景

这份数据集主要服务于四类人：

算法研究者：想要一个新提出的 PPG 检测器性能有说服力，需要在一份公认基准上报告 F1。MIMIC PERform 是最省事的选项之一。
可穿戴设备厂商研发：想要评估自家 PPG 算法在真实临床信号（含噪声、含病理）上的鲁棒性，尤其是房颤与新生儿等「边缘场景」。
临床/生理研究团队：想要研究 PPG 与 ECG 的关系、脉搏传导时延、呼吸调制等，需要同步多通道信号。
机器学习工程师：想要一个结构清晰、分组明确、参考标注现成的生理信号数据集，用于训练或验证时序模型。

四类人的共同需求是「开箱即用的、可信的、带标准答案的信号数据」——这正是 MIMIC PERform 提供的东西。

0.3 一句话记住它的三个数字

如果你只想记住这份数据集最关键的三组数字：125 Hz（采样率）、15 个检测器（被评测）、≥90%（静息场景下的 F1 门槛）。前两者定义了「这是什么」，后者定义了「好算法的及格线」。

§0bis 为何这属于「AI-Ready Wikipedia」

千方病案医数集的 AI-Ready Wikipedia 条目，收录的是「已经足够干净、规范、可被机器学习直接消费」的医疗数据集。MIMIC PERform 的入选理由，不在于数据规模（它其实不大），而在于它在以下五点的示范性：

格式规范化：同一份信号同时提供 Matlab/WFDB/CSV，覆盖主流技术栈，无需使用者自己写转换器。
参考标注就绪：以 ECG 派生心跳作为现成标签，使用者拿到即可训练/评测，无需自行标注。
分组语义明确：AF/非 AF、成人/新生儿、黑/白人种的标签直接内置于子集划分，使用者无需再猜分组意图。
评测口径统一：配套论文规定了 F1 为主指标与参考标准，使结果横向可比。
可复现重建：collate 脚本使数据集可从源库参数化重建，满足科研对可复现性的要求。

换句话说，MIMIC PERform 把「一份原始波形库」加工成了「一份即插即用的机器学习评测资产」——这正是 AI-Ready 的核心含义：数据不只是存在，而且已经准备好被算法消费。

0bis.1 AI-Ready 视角下的得与失

以 AI-Ready 的严格标准审视，MIMIC PERform 的优势与不足同样明显：

得：

格式齐全（三格式），减少数据工程负担；
参考标注现成，可立即训练/评测；
分组标签内建，泛化评测零门槛；
评测框架开源，结果可复现；
版本与 DOI 稳定，可长期引用。

失：

许可多层嵌套，合规需额外功课；
Large 集仅 Matlab，格式不一致；
无 PPG 逐搏人工标注，限制精细形态学任务；
样本量适中（非大规模），深度模型可能数据不足；
记录时长异构，跨子集使用需谨慎。

这种「得大于失、但失需自知」的画像，正是一份成熟但非完美数据集的常态。AI-Ready Wikipedia 条目的职责，就是把这两面都如实呈现，让使用者「知道自己在拿什么」。

0bis.2 本条目的写作原则

本条目在撰写时遵循三条原则：

三源互证：所有关键数字以 Zenodo 记录页、ppg-beats 官方文档、主论文三处交叉核对，冲突处存照（见 §10 与 FACTS.md 第 9 节）；
双口径如实：版本发布日期、许可口径、子集归属等存在多口径的地方，逐条并列而非择一；
坑点优先：把已知的检索/使用陷阱（坑 1–10）集中列在 §10，让使用者先避坑再上手。

这三条原则也决定了本条目与「数据集宣传文案」的区别：它更像一份使用说明书 + 风险提示，而非一份推介材料。

0bis.3 数据集的三重身份

理解 MIMIC PERform，需要同时看到它的三重身份，它们对应不同的使用者与不同的价值：

身份一：信号数据。它是 125 Hz 的 ECG/PPG/呼吸波形，供信号处理研究。价值在于「真实临床信号」——不是仿真的、不是筛选到干净的，而是 ICU 里真实采集的。

身份二：评测基准。它规定了参考标准（ECG 派生）、指标（F1）、数据集（8 个中的医院场景），供算法横评。价值在于「可比性」——让不同算法的结果能放在一起看。

身份三：对照实验设计。它把 AF、新生儿、人种等泛化问题具象为分组。价值在于「问题意识」——它回答的不只是「哪个算法好」，还有「在什么条件下会变差」。

三重身份对应三类使用者：信号研究者、算法评测者、泛化研究者。本条目在后续章节会分别从这三个角度展开。

0bis.4 一个反直觉的事实

最后，一个值得留意的反直觉事实：MIMIC PERform 的数据规模并不大。前四个子集合计约 635 例受试者，放在动辄数万人的现代医疗数据集里毫不起眼。但它在 PPG 研究中的地位，远超其体量所暗示的。

原因在于「基准的网络效应」：一份数据集的价值不在于它包含多少样本，而在于有多少人愿意用它、引用它、在它上面报告结果。一旦形成「大家都在这上面测」的共识，先占者就获得了不成比例的影响力。MIMIC PERform 抓住了 PPG 评测这一细分领域的「先占」机会，加上公开、可复现、多分组的设计，稳固了这一地位。

给数据集生产者的启示：与其追求更大的规模，不如找一个「大家都在做但没有公共基准」的细分领域，率先提供规范化的评测数据。规模可以小，但规范性与针对性要强。

§1 数据集速览：十问十答

Q1：MIMIC PERform 到底是什么？是 MIMIC 的一个版本吗？
不是。MIMIC PERform 是从 MIMIC-III Waveform Database 抽取出来的一个再标注子集系列，专门服务于 PPG 心跳检测算法的评测。MIMIC-III 是 ICU 电子病历+波形的源数据库，MIMIC PERform 是它里面被精选、按用途切分、附参考标注的「派生小数据集」。不要把它和 MIMIC-IV、MIMIC-CXR 并列——它层级更低、更专。

Q2：为什么叫「PERform」？
PERform 是作者为「评测 PPG 检测器性能」（performance evaluation of PPG beat detectors）所起的项目化前缀，全大写 PER 强调 Performance/Evaluation 之意。它是数据集系列名，不是一个临床术语。

Q3：一共几个子集？各多大？
六个：AF（35 例）、Training（200 例）、Testing（200 例）、Ethnicity（200 例）、Large Training（5,248 段）、Large Testing（1,257 段）。前四个是「经典四子集」（v0.1–v1.01 时代），后两个是 2025 年 v2.0 新增。

Q4：每个子集测什么？
AF 集测房颤下的检测鲁棒性（19 AF vs 16 non-AF）；Training/Testing 集测成人 vs 新生儿的人群泛化（各 100 例）；Ethnicity 集测肤色/种族偏差（100 Black vs 100 White）；Large 集转向呼吸率估计（用阻抗呼吸信号派生的参考呼吸率）。

Q5：信号有哪些，采样率多少？
核心三通道：ECG（心电图）、PPG（光电容积脉搏波）、阻抗呼吸（impedance pneumography，imp/resp）。部分记录另含动脉血压（abp）。全部由 ICU 床旁监护仪采集，采样率 125 Hz。

Q6：参考标准（ground truth）是怎么来的？
PPG 本身没有逐搏人工标注，因此参考心跳从同一记录的高质量 ECG 派生——ECG 的心跳（R 峰）位置即作为 PPG 应检出的目标心跳。AF 分组标签则来自 MIMIC-III Matched Subset 的公开 AF 注释。

Q7：记录多长？
AF 集 20 分钟，Training/Testing/Ethnicity 集 10 分钟，Large 集为 32 秒短段。时长差异是因为用途不同：前四者用于逐搏检测（需要长记录评估稳定性），Large 集用于呼吸率回归（短段即可）。

Q8：怎么下载？要注册吗？
Zenodo 公开直链，无需注册即可下载。提供 Matlab（.mat）、WFDB、CSV 三种格式；Large 集仅 Matlab。样本文件（1 分钟样例 + truncated 样例）也单独提供，方便先试后下。

Q9：许可是什么？能商用吗？
逐包异构：每个子集压缩包内附独立 LICENSE 文件，Zenodo 记录级未单列统一 SPDX。更关键的是底层数据源自 MIMIC-III，受 PhysioNet 的 MIMIC 数据使用协议约束——商用与再分发边界必须回溯源库条款，不能仅凭包内 LICENSE 判断。

Q10：为什么它对 AI-Ready 重要？
它示范了「一份源库如何被切成多个用途明确、分组严谨、格式齐全的 AI-Ready 子集」。它把「数据采集」与「评测设计」解耦：源数据是 ICU 常规诊疗的副产品，价值全部由精巧的子集切分与统一评测框架创造。这种「切分即价值」的思路，对一切希望低成本产出评测数据集的项目都有借鉴意义。

1.1 快速事实卡

项目	值
全称	MIMIC PERform Datasets（PPG Benchmark Problems）
类型	生理信号（ECG/PPG/呼吸）基准系列
子集数	6（AF、Training、Testing、Ethnicity、Large Train、Large Test）
受试者	前四集约 635；Large 集按段计（5,248+1,257 段）
采样率	125 Hz
采集场景	ICU 床旁监护，危重患者常规诊疗
源库	MIMIC-III Waveform Database（含 Matched Subset）
格式	Matlab / WFDB / CSV（Large 仅 Matlab）
参考标注	ECG 派生心跳；AF 标签来自公开 AF 注释
主指标	F1（灵敏度 + 阳性预测值）
主论文	Physiol Meas. 2022;43(8):085007
DOI	10.5281/zenodo.6807402（concept）
首发	2022-08-01；v2.0：2025-07-15
许可	逐包异构 + MIMIC 协议 + 论文 CC BY 4.0
牵头机构	University of Cambridge

1.2 常见误解澄清

误解一：「它是 MIMIC 的一个版本」。 错。它是 MIMIC-III 波形库的下游派生，是一个独立的评测数据集系列。MIMIC-IV 才是 MIMIC 的版本演进，二者完全不同。

误解二：「它有上万患者」。 错。前四个子集合计约 635 例受试者的长记录；Large 集的 6,505 段来自 681+167 位患者。与其他动辄数万人的数据集相比，MIMIC PERform 规模不大——它的价值在设计与标注，不在体量。

误解三：「它提供了 PPG 的人工标注」。 错。它没有人工逐搏标注 PPG，参考心跳来自 ECG 自动检测。若你的研究需要 PPG 的逐点 fiducial 标注，这份数据集不满足需求。

误解四：「下载即为 CC-BY 可随意商用」。 错。许可三层嵌套（包内 LICENSE + MIMIC 协议 + 论文许可），商用与再分发必须逐层核对（坑 2）。

误解五：「六个子集可以随便拼成一个大训练集」。 错。子集时长差两个数量级（32 秒 vs 20 分钟），分组语义各异，拼接需按用途谨慎设计（坑 7）。

1.3 延伸问答

Q11：MIMIC PERform 的「PERform」是缩写吗？
不是严格缩写，而是作者团队对该项目用途的命名强调（Performance/Evaluation 之意），写作全大写 PER 是命名习惯。它不是临床术语，检索时不要拆解含义。

Q12：训练集和测试集的受试者会重叠吗？
官方描述中 Training 与 Testing 各 200 例、结构相同，但未明确说明两者受试者是否完全独立。按机器学习惯例，应假设设计上不重叠；但若严格复现，建议向作者核实或用元数据自查（此点列为遗留疑点）。

Q13：为什么 AF 集比别的集长一倍？
房颤节律的不规律性需要足够长的记录才能充分体现（短记录可能恰好落在规律段）。20 分钟的设计是为了让「房颤对检测性能的影响」稳定可测。

Q14：Large 集为什么只有 32 秒？
因为它的目标是呼吸率估计——呼吸周期通常数秒，32 秒足够覆盖数个呼吸周期，且短段便于大规模切分用于深度学习。与长记录心跳检测的用途不同。

Q15：我能只用其中一部分子集吗？
可以。六个子集相互独立，按需下载即可。但引用时应说明使用了哪些子集，避免让读者误以为用了全部。

Q16：这份数据集有官方 leaderboard 吗？
没有正式的在线排行榜。但主论文报告了 15 个检测器的 F1，后续论文在同一基准上报告结果，事实上形成了可对照的排名。

Q17：适合训练深度神经网络吗？
分场景。心跳检测任务（前四子集）样本量适中（数百例长记录），深度模型可能数据不足，传统算法仍是主流；呼吸率任务（Large 集）有数千段短记录，更适合深度学习。

Q18：如果不做 PPG，这份数据集还有用吗？
有一定价值：其 ECG 与呼吸通道可用于其他任务（如心律失常分析、呼吸监测），ICU 多通道同步信号本身就是稀有资源。但它的设计目标明确指向 PPG，其他用途属「顺带」。

Q19：数据里有没有病理标签（如诊断）？
前四子集的分组标签较粗（AF/非 AF、成人/新生儿、种族），不含细粒度诊断。底层 MIMIC-III 临床库有诊断信息，但需另行通过 Matched Subset 关联（且受凭证限制）。

Q20：这份数据集会持续更新吗？
从 v0.1（2022）到 v2.0（2025）的演进看，团队有持续维护的历史。未来是否再增子集取决于研究范式演变，建议关注 Zenodo 记录页与 ppg-beats 项目。

§2 数据构成与规格

2.1 六个子集的总览

MIMIC PERform 不是单一数据集，而是一个子集家族。理解它的第一步是记住这张表：

子集	受试者	分组	时长	采样率	源子库	主要用途
AF Dataset	35	19 AF / 16 non-AF	20 min	125 Hz	MIMIC-III WDB Matched Subset	房颤检测鲁棒性
Training Dataset	200	100 成人 / 100 新生儿	10 min	125 Hz	MIMIC-III WDB	人群泛化（训练）
Testing Dataset	200	100 成人 / 100 新生儿	10 min	125 Hz	MIMIC-III WDB	人群泛化（测试）
Ethnicity Subset	200	100 Black / 100 White	10 min	125 Hz	MIMIC-III WDB Matched Subset	肤色/种族偏差
Large Training	681 patients / 5,248 段	全成人	32 s	—	MIMIC-III WDB	呼吸率估计（训练）
Large Testing	167 patients / 1,257 段	全成人	32 s	—	MIMIC-III WDB	呼吸率估计（测试）

注：前四个子集合计约 635 例受试者的 10–20 分钟长记录；Large 两集是 2025 年 v2.0 新增的短段呼吸率数据，规模（recordings 计数）远大于前四者，但单位是 32 秒段而非长记录。

2.1b 子集逐项详解

AF 集：35 例 ICU 成人，19 例房颤、16 例正常窦性心律，20 分钟记录。它是「心律失常鲁棒性」的专用测试床。值得注意的是，AF 分组标签来自公开的 AF 注释数据集（非本研究团队判定），因此其可靠性依赖于该注释来源的准确性。

Training 集：200 例（100 成人 + 100 新生儿），10 分钟记录。用于算法开发与参数调整。它提供了最大的人群年龄跨度——从需要监护的新生儿到成年 ICU 患者。

Testing 集：200 例（100 成人 + 100 新生儿），10 分钟记录，结构与 Training 相同但受试者不同。用于最终性能报告，防止在开发集上过拟合。

Ethnicity 集：200 例（100 黑人 + 100 白人），10 分钟记录，自 Matched Subset 抽取。用于肤色偏差研究。需注意它未出现在 Zenodo 主记录页的 Datasets 列举中（坑 3）。

Large Training / Large Testing：v2.0 新增，5,248 / 1,257 段 32 秒记录，来自 681 / 167 位成人患者，附参考呼吸率。用于呼吸率估计等回归任务，仅 Matlab 格式。

2.1c 为什么要分 Training 与 Testing

机器学习的基本纪律是「训练集与测试集分离」，MIMIC PERform 严格贯彻：

Training 集：供研究者在算法开发阶段自由使用——选算法、调阈值、做特征工程；
Testing 集：供最终性能报告，开发阶段不应用来调参，否则测试结果失去意义。

两个集合各 200 例、结构相同但受试者不同（理论上无重叠）。这一设计使「在同一数据上开发又宣称泛化性能」的常见错误得以避免。使用者在发表时必须区分报告的是 Training 还是 Testing 上的结果。

2.2 信号通道：三加一

每个记录包含的核心信号是三个：

ECG（electrocardiogram，心电图）：用于派生参考心跳，是评测的「标尺」。
PPG（photoplethysmogram，光电容积脉搏波）：待测信号，算法要在它上面找心跳。
imp / resp（impedance pneumography，阻抗呼吸）：胸阻抗变化反映呼吸，AF 集之外均含此通道，Large 集用它派生参考呼吸率。
abp（arterial blood pressure，动脉血压）——部分记录含此第四通道。

此外，每个记录附带一个 fix 字段，存储固定参数（如增益、采样设置等元信息）。

为什么信号组合重要：ECG 与 PPG 同时记录意味着评测无需人工逐搏标注 PPG——ECG 是公认可靠的心电基准，用它派生心跳既经济又标准。这正是 MIMIC PERform 能以较低标注成本提供大规模评测数据的诀窍。

2.3 采样率与采集协议

所有记录由 ICU 床旁监护仪采集，采样率统一为 125 Hz。这一采样率来自 MIMIC-III Waveform Database 的采集约定，对 PPG 心跳检测是充分的（PPG 主要能量在 10 Hz 以下），但对需要高分辨率波形形态的任务（如 PWV 脉搏波速度分析）可能偏低——使用者需注意这一上限。

采集场景是 critically-ill patients during routine clinical care（危重患者常规临床诊疗）——即信号是临床监护的副产品，不是为研究专门设计的「干净数据」。这带来两个后果：一是信号质量参差（含噪声、伪迹），真实反映临床条件；二是患者群体偏重症，向健康人群外推需谨慎。

2.4 提取筛选准则

论文明确记录了从 MIMIC-III 抽数据的三条准则：

含所需信号：必须含 PPG、ECG，且（AF 集外）含呼吸信号；
时长充足：Training/Testing/Ethnicity 集 ≥10 分钟，AF 集 ≥20 分钟；
极少平线段：排除传感器脱落或饱和造成的平坦信号段。

这三条准则保证了每个子集「既足够长以评估逐搏稳定性，又不含明显坏段」。但也意味着数据是经过质量筛选的——它不是 MIMIC-III 波形的无偏抽样，而是「能用」的记录集合。

2.5 分组设计与临床动机

四个经典子集的分组不是随机，而是各自对准一类「算法性能陷阱」：

AF 集（19 vs 16）：房颤时心脏节律绝对不齐，脉搏波间距忽长忽短，纯基于规律性假设的检测器会失手。这是替「心律失常场景」做的对照实验。
Training/Testing 集（100 成人 vs 100 新生儿）：新生儿心率可达成人两倍、外周灌注差、波形小，PPG 检测历来在此表现最差。这是替「儿科/新生儿监护场景」做的对照。
Ethnicity 集（100 Black vs 100 White）：2020 年前后多项研究指出脉搏血氧仪对不同肤色存在偏差，PPG 作为同源光学信号亦受关切。这是替「健康公平性」做的对照——在黑人与白人受试者间平衡取样，供研究者量化肤色相关性能差异。

Large 集则是不同的设计哲学：不再是「分组对照」，而是「大规模短段回归」——为呼吸率（respiratory rate）估计提供带参考值的数据，顺应 v2.0 时代的 PPG 回归任务潮流。

2.6 与 MIMIC-III 本体的关系边界

必须分清的三层：

MIMIC-III Clinical Database：ICU 电子病历（生命体征、化验、诊断等结构化+文本数据），凭证制获取。
MIMIC-III Waveform Database（mimic3wdb）：ICU 床旁监护仪的高频波形记录（ECG、PPG、动脉压、呼吸等），是 MIMIC PERform 的直接抽取源。
MIMIC-III Waveform Database Matched Subset（mimic3wdb-matched）：波形库与临床库可匹配的子集（同一患者既有波形又有临床数据），AF 集与 Ethnicity 集从此抽取。

MIMIC PERform 位于第 2、3 层的下游：它是波形的一次精选再发布，附带分组标签与统一格式。使用者拿到的是 125 Hz 的短/中记录段，而不是整个波形库——这既是便利（开箱即用），也是限制（无法自由探索其他患者）。

2.7 信号通道的临床意义逐条解读

三个核心信号通道各有其临床角色，理解它们有助于把握数据集的设计逻辑：

ECG（心电图）：记录心脏电活动，R 峰对应心室去极化（每次心跳的电学标志）。在 MIMIC PERform 中它扮演「裁判」角色——因为 ECG 心跳检测远比 PPG 成熟可靠，用它为 PPG 检测提供参考答案。临床监护中 ECG 是金标准心律监测手段。

PPG（光电容积脉搏波）：用发光二极管与光电传感器测量组织血容量的周期性变化。每次心脏泵血，末梢血管容积脉动，引起光吸收变化，形成脉搏波。PPG 的优势是无创、廉价、可穿戴（智能手表即用此原理），劣势是易受运动、灌注、肤色影响。

imp / resp（阻抗呼吸）：通过胸廓电极间的阻抗变化测量呼吸运动（吸气时胸廓扩张、阻抗变化）。它是呼吸率监测的参考通道，也是 Large 集派生参考呼吸率（rr）的来源。

abp（动脉血压）：有创或无创动脉血压波形（部分记录含）。它提供血压的逐搏信息，是心血管功能分析的重要补充，但不是所有记录都有。

2.8 sync 与时间对齐

一个常被忽略的工程细节是通道同步：ECG、PPG、呼吸信号在同一条记录中采样，理论上共享同一时间轴，但实际采集时不同传感器可能存在细微时延。对 PPG 心跳检测评测，ECG 与 PPG 之间的**脉搏传导时延（pulse transit time, PTT）**是关键——血液从心脏泵出到末梢形成脉搏波需要时间，通常在数十至数百毫秒量级。

这意味着：不能用严格的峰峰对齐来评判 PPG 检测结果。评测框架需在容忍 PTT 的窗口内匹配 PPG 峰值与 ECG 心跳。如果忽略这一点，会把「生理延迟」误判为「检测错误」，人为压低 F1。

2.9 患者隐私与去标识

作为源自 MIMIC-III 的派生数据，MIMIC PERform 继承 MIMIC 的去标识流程：所有患者标识被替换为匿名编号（subject_id），去除姓名、具体日期（日期被偏移或移位）、地理信息等可识别字段。波形信号本身不含直接身份信息，但记录段的组合理论上存在再识别风险，故 MIMIC 协议要求使用者承诺不再识别、不尝试关联外部数据。

使用者拿到的是 subject_id 与 recording_id 形式的匿名键，无法回溯真实患者——这是数据合规的基本保证，也是 AI-Ready 数据「可公开而不泄露隐私」的前提。

§3 构建流水线：从原始波形到可评测子集

3.1 「再标注」而非「新采集」

MIMIC PERform 的全部数据都来自既有源库。团队成员的角色不是采集者，而是筛选者与组织者——他们设计筛选准则、切分分组、统一格式、编写重建脚本。这种模式大幅降低了成本：无需新招募受试者、无需伦理审批新数据采集、无需重新设计采集协议。价值创造点全部落在「切分设计」与「评测框架」上。

3.2 collate 脚本：可复现的重建路径

官方提供的核心资产是一组 MATLAB 脚本（ppg-beats 项目），把「从源库到子集」的过程完全脚本化：

collate_mimic_perform_train_test_datasets — 整理 Training 与 Testing 集（成人/新生儿）
collate_mimic_perform_af_dataset — 整理 AF 集
collate_mimic_perform_ethnicity_dataset — 整理 Ethnicity 集
mimic_perform_dataset_converter — 格式转换（Matlab ↔ WFDB ↔ CSV）

脚本可调参数包括 up.settings.req_durn（记录时长）与 up.settings.no_subjs_per_group（每组受试者数）。这意味着使用者不仅能下载成品，还能按需重建——比如把记录时长从 10 分钟改成 5 分钟，或把新生儿样本从 100 例扩到 150 例。

参数化重建是这份数据集「AI-Ready」的关键一环：它把数据集从「一份固定产物」变成「一个可由参数生成的分布」。

3.3 参考标注的生成：ECG 派生心跳

PPG 心跳检测评测需要「正确答案」。MIMIC PERform 不采用人工逐搏标注 PPG，而是以同记录的 ECG 派生心跳：ECG 的 R 峰检测成熟可靠，将其作为 PPG 应检出心跳的参考位置。这一设计的优点与局限都值得明说：

优点：标注成本极低、规模可扩展、参考标准客观统一（同一算法处理所有 ECG）。
局限：参考值本身依赖 ECG 心跳检测算法，若 ECG 检测有误，错误会传播为「PPG 算法的错」。且 PPG 与 ECG 之间存在脉搏传导时延（pulse transit time），二者峰值不完全对齐——评测须容忍这一生理延迟。

AF 分组的标签来源更特殊：它取自 MIMIC-III Matched Subset 的公开 AF 注释（论文引用 Bashar 等的「Atrial Fibrillation annotations of ECG from MIMIC III matched subset」），即 AF/非 AF 的判定本身是基于 ECG 的人工/算法注释，而非本研究团队重新判定。

3.4 多格式发布的工程考量

同一份数据提供三种格式，服务于不同技术栈：

格式	文件后缀	适用	典型用户
Matlab	`.mat`	MATLAB 工作流	信号处理研究者（主流）
WFDB	目录+`.hea/.dat`	PhysioNet 工具链（wfdb-python 等）	Python 生态、PhysioNet 老用户
CSV	`.csv` + `_fix.txt`	通用表格，任何语言可读	快速查看、非 Matlab 用户

Large 集仅提供 Matlab 格式——这是一个实用口径差异，Python 用户若要用 Large 集需自行转换。CSV 包内每例含 _data.csv（波形）与 _fix.txt（固定参数）两个文件，结构清晰。

3.5 样本文件：先试后下的设计

为避免使用者下载数百 MB 才发现格式不合用，官方提供轻量样本：

1 分钟样例（4 个）：AF、新生儿、普通、噪声场景各一，Matlab 格式；
truncated 样例（4 个）：Training/Testing/AF/non-AF 前三者各取前 10 例、AF 与非 AF 各取前 10 例的截断数据。

这是数据集发布的一个良好实践：用最小代价让使用者验证工具链，再决定是否下载全量。

3.6 文件命名规范

熟悉命名规则有助于使用者快速定位所需文件。以 Training 集为例，文件名遵循统一模式：

mimic_perform_<subset>_<group>_<format>.<ext>

各段含义：

字段	取值	含义
subset	train / test / af / non_af / large_train / large_test	子集
group	all / a / n	全部 / 成人(adult) / 新生儿(neonate)
format	data(mat) / wfdb / csv	数据格式

例如：

mimic_perform_train_a_data.mat = Training 集、成人组、Matlab 格式（74.3 MB）
mimic_perform_train_n_wfdb.zip = Training 集、新生儿组、WFDB 格式（38.5 MB）
mimic_perform_test_all_csv.zip = Testing 集、全部、CSV 格式（168.9 MB）
mimic_perform_large_train_a_data.mat = Large Training、全成人、Matlab（218.4 MB）

掌握这一命名后，从 Zenodo 文件列表（数十个文件）中定位目标文件将非常直观。

3.7 文件体积分布：从一个侧面理解数据规模

从 Zenodo 文件体积可反推各子集规模（v2.0，总计 1.9 GB）：

文件	体积	子集
mimic_perform_large_train_a_data.mat	218.4 MB	Large Training（5,248 段）
mimic_perform_train_all_csv.zip	169.1 MB	Training 全组 CSV
mimic_perform_test_all_csv.zip	168.9 MB	Testing 全组 CSV
mimic_perform_train_all_data.mat	133.9 MB	Training 全组 Matlab
mimic_perform_test_all_data.mat	134.0 MB	Testing 全组 Matlab
mimic_perform_test_a_data.mat	74.7 MB	Testing 成人 Matlab
mimic_perform_train_a_data.mat	74.3 MB	Training 成人 Matlab
mimic_perform_train_n_data.mat	59.6 MB	Training 新生儿 Matlab
mimic_perform_test_n_data.mat	59.3 MB	Testing 新生儿 Matlab
mimic_perform_large_test_a_data.mat	53.1 MB	Large Testing（1,257 段）
mimic_perform_af_data.mat	20.6 MB	AF 集 Matlab
mimic_perform_non_af_data.mat	17.8 MB	non-AF 集 Matlab

观察：CSV 格式体积普遍大于同组 Matlab 格式（如 Training 全组 CSV 169.1 MB vs Matlab 133.9 MB），因为 CSV 是文本格式、无压缩效率优势。若存储受限，优先选 Matlab 或 WFDB。

3.8 数据质量与临床真实性的权衡

MIMIC PERform 的数据质量议题值得单列。它源自常规临床诊疗，而非专为研究设计的干净采集——这意味着：

优点：真实反映临床信号的全部复杂性（噪声、伪迹、病理形态），使在此训练/评测的算法更贴近部署条件。
缺点：信号质量参差，含平线段（虽已筛选）、运动伪迹、低灌注段，评测结果会受这些「非算法因素」影响。

团队通过「极少平线段」筛选准则剔除最差记录，但保留了中等质量信号——这是刻意的取舍：如果只保留最干净的信号，评测就失去了现实意义。使用者应意识到，MIMIC PERform 上的 F1 分数天然低于在实验室干净数据上的分数，这不是算法变差，而是任务变难。

3.9 与源库的重建一致性核对

一个严谨的使用者可能会问：Zenodo 上的成品，与用 collate 脚本从 PhysioNet 重建的结果，是否一致？理论上应当一致（同一套脚本产出），但实践中可能因源库更新、脚本版本差异、Matlab 版本差异而产生细微出入。

建议的核对方法：

下载 Zenodo 成品的一个子集（如 AF 集）；
用对应 collate 脚本重建同一子集；
比对文件数、记录数、信号长度、参考心跳数是否一致。

这一核对对严肃研究是值得的——它确认了「成品」与「配方」的等价性，也确认了源库未发生影响结果的变更。

3.10 数据准备的标准流程

为帮助使用者快速上手，这里给出一个从下载到可用的标准流程：

选子集：根据任务选（心跳检测 → Training/Testing；房颤 → AF；偏差 → Ethnicity；呼吸率 → Large）；
下样本：先下 1 分钟样例验证工具链；
选格式：Matlab 用户取 .mat，Python 用户取 WFDB 或 CSV；
下全量：确认无误后下目标子集的完整文件；
读许可：解压后阅读 LICENSE；
验证：加载一条记录，确认通道（ppg/ecg/resp）与采样率（125 Hz）；
评测：用 ECG 派生参考，评测目标算法；
报告：按分组报告 F1，注明子集与版本。

这一流程涵盖了从「零」到「出结果」的全路径，是使用 MIMIC PERform 的最小完整闭环。

3.11 MATLAB 与 Python 技术栈对照

不同技术栈的使用者面对的入口不同，这里给出对照：

环节	MATLAB 路径	Python 路径
读取 .mat	`load('mimic_perform_af_data.mat')`	`scipy.io.loadmat(...)`
读取 WFDB	MATLAB WFDB 工具箱	`wfdb.rdrecord(...)`
读取 CSV	`readmatrix(...)`	`pandas.read_csv(...)`
重建子集	官方 collate 脚本（MATLAB）	需调用 MATLAB 或移植脚本
ECG R 峰	自带工具箱	`neurokit2` / `wfdb`
评测框架	ppg-beats（MATLAB）	需自行实现或移植

现实提示：官方重建脚本与评测框架都是 MATLAB 实现，Python 使用者需自行移植或调用 MATLAB 引擎。这是该数据集的一个技术栈偏向——它源于作者团队以 MATLAB 为主的传统。Python 生态的 PPG 工具（如 NeuroKit2）可用于替代部分功能，但需自行验证一致性。

3.12 存储与计算需求估算

对资源规划有帮助的估算（以 v2.0 全量为例）：

磁盘：全量约 1.9 GB（压缩后）；解压后更大，建议预留 5–10 GB；
内存：单条 20 分钟 @125 Hz 记录约 15 万采样点，三通道约几十 MB，现代机器无压力；
CPU：传统检测算法在单条记录上秒级完成；全套 15 算法 × 数百记录可能需数小时；
GPU：传统算法不需要；若训练深度模型（尤其 Large 集）则受益。

总体而言，MIMIC PERform 的计算需求温和，普通工作站即可处理——这也是它作为「基准」的友好之处：评测门槛低。

§4 分组设计的解剖：每类「算法陷阱」如何被具象化

MIMIC PERform 最值得学习的地方，是它把抽象的「算法泛化难题」翻译成了具体的、可下载的分组实验。这一节逐个拆解。

4.1 AF 子集：当节律不再规律

设计：35 例 ICU 成人，19 例处于房颤（AF）发作、16 例为正常窦性心律。记录长 20 分钟（比其余子集的 10 分钟更长）。

为什么专门做这个：绝大多数 PPG 心跳检测算法在设计时假设脉搏波间隔相对规则（周期性）。房颤时心室率绝对不齐、脉搏波间距随机波动，这个假设崩塌。更麻烦的是，房颤患者常伴脉搏短绌（pulse deficit）——部分心搏太弱，PPG 上根本没有对应的可辨峰，但 ECG 上有 R 峰。于是算法「漏检」的到底是算法无能还是生理上本就无波可检，成为一个需要精细处理的评测难题。

20 分钟时长的用意：房颤节律的不规律性需要较长时间才能充分展现，短记录不足以评估稳定性，故要 20 分钟。

论文结论：AF 场景下检测器 F1 为 92%–97%，明显低于正常窦性心律的 99%–100%。这个落差本身，就是该子集存在的意义——它量化了「房颤会让 PPG 检测退化多少」。

4.2 Training / Testing 子集：新生儿不是小号成人

设计：两个各 200 例的子集，每个都是 100 成人 + 100 新生儿，10 分钟记录。Training 供开发，Testing 供报告。

为什么新生儿是硬骨头：新生儿心率可达成人两倍以上，PPG 波形更小、更易被运动和低灌注淹没，且新生儿 PPG 形态与成人差异不仅是「缩小」而是「变形」。一个在成人数据上调好参数的算法，直接迁到新生儿上往往大幅退化。

论文结论：新生儿 F1 为 84%–96%，成人则高达 98%–99%——同一算法、同一指标，人群一换，性能掉一大截。这组数字是「PPG 算法的儿科鸿沟」最直接的证据之一。

为什么分 Training/Testing：这是机器学习的基本纪律——防止在测试集上调参造成过拟合。研究者应在 Training 集上选算法、调阈值，在 Testing 集上报告最终性能。

4.3 Ethnicity 子集：肤色偏差的对照实验

设计：200 例 ICU 成人，100 例黑人（Black）+ 100 例白人（White），10 分钟记录，从 MIMIC-III Matched Subset 抽取。

为什么做这个：2020 年前后，脉搏血氧仪在不同肤色人群上的准确性差异引发广泛关注（光学信号在深色皮肤中衰减更强）。PPG 与血氧仪同属光学体积描记原理，肤色偏差疑虑同样适用。这个子集通过在黑白人种间平衡取样，为研究者提供了量化肤色相关性能差异的受控数据。

设计要点：关键是「100 vs 100」的平衡——不是从库里随手抓，而是刻意配平两个族群的数量，使性能比较不受样本量偏差干扰。

注意：Ethnicity 子集有一个检索陷阱——它不在 Zenodo 主记录页的 Datasets 列举项里，只在 ppg-beats 官方文档与论文中作为子集出现。只查 Zenodo 的人会漏掉它（坑 3）。

4.3b 肤色偏差的科学背景

Ethnicity 子集的存在，回应的是一个严肃的临床公平性问题。光学体积描记（PPG 与脉搏血氧仪同源）依赖光穿透皮肤后被血液吸收的差异来推断血容量变化。黑色素会吸收部分波长（尤其是绿光与红光），理论上使深色皮肤的信号幅值更小、信噪比更低。

这一问题在 2020 年前后因脉搏血氧仪在深色皮肤患者中漏检低氧血症的报告而进入公众视野。尽管 PPG 主要用于心率/脉搏检测而非血氧，其光学原理与肤色关联的疑虑同样存在。MIMIC PERform 的 Ethnicity 子集通过平衡取样，为研究者提供了一个受控环境来量化「肤色是否导致 PPG 检测性能差异」。

使用方法：在黑人与白人两组上分别报告 F1、比较差异，即可量化肤色相关偏差。但要小心：ICU 患者中两个族群可能在其他维度（年龄、合并症、灌注状态）上也存在差异，简单归因于肤色需控制混杂因素。

4.3c 分组平衡的统计意义

为什么是「100 vs 100」而不是「有多少算多少」？因为性能比较需要统计功效。如果一组 100 例、另一组 20 例，即便真实性能有差异，也可能因样本量悬殊而无法通过显著性检验。研究者刻意把两个族群配平到相同数量，正是为了让「差异是否存在」这个问题有明确答案。

这一设计思路可推广：任何「组间比较」型数据集，都应尽量配平各组样本量，否则使用者会陷入「差异不显著到底是真没有还是样本不够」的困境。

4.4 Large 集：从「分组对照」到「大规模回归」

设计：Large Training 5,248 段（681 患者）、Large Testing 1,257 段（167 患者），全成人，每段 32 秒，附参考呼吸率 rr（由阻抗呼吸信号经算法派生）。

为什么转向呼吸率：PPG 的价值不止心跳。呼吸率是 ICU 关键生命体征，但连续监测困难；从 PPG 波形中「读出」呼吸率（呼吸调制脉搏波基线、幅度、频率）是热门方向。Large 集是 v2.0（2025-07-15）新增，顺应了 PPG 从分类（有没有心跳）向回归（呼吸率多少）的范式扩展。

规模跳跃的含义：从「数百例长记录」到「数千段短记录」，单位从「患者」变成「段」。这使 Large 集更适合深度学习——数万段 32 秒数据可切出大量训练样本。但也带来新问题：同一位患者的多个段之间有相关性，若按段随机划分训练/测试，会造成患者级数据泄漏（同一患者的相似段同时出现在两边），高估泛化性能。正确做法是按患者划分。

4.5 六子集的分组哲学小结

子集	对照维度	量化的「陷阱」	论文级结论
AF	节律（AF vs 窦律）	节律不齐+脉搏短绌	F1 92–97% vs 99–100%
Training/Testing	年龄（成人 vs 新生儿）	心率快/波形小/灌注低	F1 84–96% vs 98–99%
Ethnicity	肤色（Black vs White）	光学信号肤色偏差	供偏差量化
Large	规模（短段回归）	呼吸率估计+患者级泄漏	v2.0 新增

这四个维度拼在一起，恰好覆盖了 PPG 算法部署时最常被质疑的四类泛化问题：心律失常能不能扛、儿童能不能用、不同人种是否公平、呼吸率能不能估。这份设计的「问题意识」，比数据本身更有参考价值。

4.6 如何用这些子集做消融实验

MIMIC PERform 的多分组设计，使它天然适合做「消融式」性能分析。一个典型的实验设计：

基线：在 Training 集的成人数据上评测算法，得到基线 F1；
年龄消融：同算法在 Training 集的新生儿数据上评测，观察 F1 落差（年龄敏感度）；
节律消融：同算法在 AF 集上评测，观察 F1 落差（节律敏感度）；
人种消融：同算法在 Ethnicity 集的黑人/白人组上分别评测，观察差异（肤色敏感度）；
场景消融：换用含运动/可穿戴的数据集（论文的 8 数据集之一），观察 F1 落差（运动敏感度）。

通过这五步，可以画出算法的「泛化雷达图」——它在哪些维度强、哪些维度弱，一目了然。这种分析比单一的「总 F1」更有临床指导价值：厂商可根据目标人群（如儿科 vs 老年科）选择更合适的算法。

4.7 分组数据的统计报告纪律

使用分组数据时，报告纪律很重要：

分组建模必须分组报告：在成人+新生儿混合数据上算一个平均 F1，会掩盖人群差异，是常见的误导性做法；
样本量与显著性：AF 集只有 35 例（19+16），样本较小，性能差异的统计显著性需谨慎评估；
避免选择性报告：若在多个子集上都测了，应全部报告，而非只挑表现好的子集；
说明分组定义：成人/新生儿、黑/白的划分标准应在方法中说明（如新生儿的年龄界限）。

这些纪律适用于所有分组数据集，MIMIC PERform 因为分组语义特别清晰，更应严格遵循。

§5 基准结果：15 个开源检测器的横向测评

5.1 论文的评测框架

主论文（Charlton 2022，Physiol Meas）建立了 PPG 心跳检测的评测框架，其设计要点：

被测对象：15 个开源 PPG 心跳检测器（beat detectors）；
评测数据：8 个数据集（MIMIC PERform 的子集是其中主力，另含其他公开 PPG 数据集如可穿戴与运动场景数据）；
参考标准：ECG 派生心跳；
主指标：F1 score（灵敏度 sensitivity 与阳性预测值 PPV 的调和平均），兼顾「漏检」与「误检」。

选择 F1 而非单一灵敏度或 PPV，是因为心跳检测的两类错误（漏掉一个心跳、凭空多出心跳）在临床上代价不同但都不可忽视，F1 提供了平衡视角。

5.2 核心结果：四组数字

论文报告的 F1 结果可归纳为四组对比：

（1）静息 vs 运动

无运动（医院数据、静息可穿戴数据）：8 个检测器表现良好，F1 ≥90%；
运动条件下：F1 骤降至 55%–91%。

运动伪迹是 PPG 的经典杀手——肢体运动让光路变化、信号剧烈漂移，静止时轻松达标，一动起来就崩。

（2）新生儿 vs 成人

新生儿：F1 84%–96%；
成人：F1 98%–99%。

（3）房颤 vs 正常窦性心律

AF：F1 92%–97%；
NSR：F1 99%–100%。

（4）最佳算法

MSPTD（Multi-Scale Peak and Trough Detection）与 qppg 两个检测器表现最佳，且性能特征互补——意味着一者擅长的场景可能是另一者的弱项，组合使用或可互补。论文由此建议：算法选型不应只挑单一「最强」，而应根据目标场景与互补性选择。

5.3 结果数据的解读守则

读这组数字有几条纪律：

区分「数据条件」与「算法能力」：F1 落差（如新生儿 84% vs 成人 98%）反映的是「同一算法在不同条件下的表现差异」，不是「14% 的算法缺陷」——很多漏检源于生理上 PPG 信号本就不明显。
注意数据集构成：这 8 个数据集包含医院、可穿戴、运动等多种场景，MIMIC PERform 是其中的「医院场景」代表。不同数据集的绝对 F1 不可直接横向比较（人群与条件不同）。
F1 不是全部：临床部署还关心延迟、计算量、对信号质量的鲁棒性等，论文的 F1 排名只是选型的起点。

5.4 生态延伸：QUMPHY 与 MIMIC PERform Large

2026 年前后，QUMPHY 项目（Quality-Assured Machine Learning for Photoplethysmography，PPG 质量保障机器学习项目）在其 D4 报告中，把 MIMIC PERform Large 列为 PPG 基准问题（benchmark problem）的候选数据集之一，与 OSASUD（睡眠呼吸暂停）等并列。

报告指出：MIMIC PERform Large 与 QUMPHY 自建的 MIMIC-III-Ext-PPG、OSASUD 三者可互为外部测试集——即在一个上训练、在另两个上测试跨库泛化。这标志着 MIMIC PERform 已从「一份用于单篇论文评测的数据集」成长为 PPG 研究社区的公共基准基础设施。

提醒：MIMIC-III-Ext-PPG 是 QUMPHY 团队另建的、同样源自 MIMIC-III 的 PPG 数据集，与 MIMIC PERform 同源但不同集，勿混（坑 5）。

5.5 为什么这份基准「卷得住」

一个基准要有生命力，需要满足三条件：数据公开、指标统一、可复现。MIMIC PERform 三者具备：

公开：Zenodo 直链，无需申请；
统一：F1 为主指标，参考标准（ECG 派生）明确；
可复现：collate 脚本可从 PhysioNet 原库重建，评测框架（ppg-beats）开源。

正因如此，它才可能成为后来者（如 QUMPHY）直接复用的基准底座——基准的价值不在于它自己跑了多少算法，而在于有多少人愿意在它上面跑算法。

5.6 评测指标详解：F1 为何是合适的选择

理解 F1 的构成，有助于正确解读论文结果。心跳检测的评测涉及三类基础计数：

TP（真阳性）：算法检出的峰，在容忍窗口内匹配到真心跳；
FP（假阳性）：算法检出的峰，未匹配到任何真心跳（误检）；
FN（假阴性）：真实心跳未被算法检出（漏检）。

由此派生两个指标：

灵敏度（Sensitivity，Se）= TP / (TP + FN)：真实心跳被检出的比例，衡量「漏检」；
阳性预测值（PPV）= TP / (TP + FP)：算法检出中为真的比例，衡量「误检」。

F1 = 2 × Se × PPV / (Se + PPV)，是二者的调和平均。

为什么用 F1 而非单独用 Se 或 PPV：单用灵敏度会奖励「乱检一通」（多检总有机会命中），单用 PPV 会奖励「只检最有把握的」（漏掉难检的）。F1 逼迫算法在两者间平衡。对心跳检测，漏检与误检都会导致心率估计错误，故平衡视角更合理。

容忍窗口的作用：TP 判定需允许一定时间误差（因为 PPG 与 ECG 有 PTT，且峰定位有固有抖动）。窗口过严会惩罚生理延迟，过松会让「大概对」也算对。论文的具体窗口设置是评测框架的关键参数之一。

5.7 从 F1 数字能否得出「临床可用」结论

一个常见误用是把 F1 ≥ 90% 直接等同于「临床可用」。实际上：

F1 是在特定数据集上测的，换人群、换设备可能变化；
F1 是平均指标，掩盖了「哪些类型的段失败」；
「临床可用」还需考虑延迟、可解释性、故障模式等 F1 不覆盖的维度。

因此论文的措辞是谨慎的——它说「8 个检测器在无运动条件下表现良好」，而非「可用于临床」。使用 MIMIC PERform 做研究时，应在结论中保持同样的谨慎。

5.8 跨数据集泛化的启示

论文一个重要方法论要点是：用 8 个数据集（而非单一数据集）评测。这背后的逻辑是「泛化」——如果一个算法只在 MIMIC PERform 上表现好，无法判断它是学到了 PPG 的普遍规律，还是过拟合了 ICU 信号的特定特征。

MIMIC PERform 是这 8 个数据集中的「医院场景」代表，与其他可穿戴、运动场景数据集并列。这种「多场景并评测」的做法，后来被 QUMPHY 项目继承（三方数据集互为外部测试集），成为 PPG 评测的方法论标准。

给使用者的建议：若你在 MIMIC PERform 上报告算法性能，理想的补充是至少在另一个场景的数据集上也报告一次，以证明泛化而非过拟合。仅单数据集结果的说服力有限。

5.9 一个最小评测示例（伪代码）

以下伪代码展示如何用 MIMIC PERform 评测一个 PPG 检测器（示意，非可直接运行代码）：

# 伪代码：MIMIC PERform 上的 PPG 心跳检测评测流程
# 1. 加载一条记录（PPG + ECG）
record = load_wfdb("mimic_perform_train_a_001")   # 含 ppg, ecg 通道
ppg = record.signal("ppg")     # 待测信号
ecg = record.signal("ecg")     # 参考信号

# 2. 从 ECG 派生参考心跳（真值）
ref_beats = detect_ecg_rpeaks(ecg, fs=125)

# 3. 用待评测算法在 PPG 上检测心跳
test_beats = my_ppg_beat_detector(ppg, fs=125)

# 4. 在容忍 PTT 的窗口内匹配，统计 TP/FP/FN
tp, fp, fn = match_with_tolerance(
    test_beats, ref_beats,
    tol=ptt_tolerance,          # 容忍脉搏传导时延
)
se  = tp / (tp + fn)            # 灵敏度
ppv = tp / (tp + fp)           # 阳性预测值
f1  = 2 * se * ppv / (se + ppv)

# 5. 按分组（成人/新生儿）分别报告
print(f"F1 = {f1:.3f}")

这段伪代码的三个要点：参考来自 ECG、匹配容忍 PTT、按分组报告——与前文的坑点一一对应（坑 8、坑 6）。

5.10 与其他 PPG 心跳检测基准的对比

把 MIMIC PERform 放到「PPG 心跳检测基准」的横向坐标里，能更清楚它的定位：

基准/数据集	场景	规模	参考标注	特点
MIMIC PERform	ICU 重症	数百例长记录 + 数千段短记录	ECG 派生	多临床分组（AF/新生儿/人种）
MIMIC-III-Ext-PPG	ICU	大规模 30 秒段	多信号	多任务（PPG/ECG/ABP/RESP）
CapnoBase	手术麻醉	42 例	人工/ECG	小规模高质量
BIDMC	ICU	53 例	ECG 派生	早期经典
WESAD	日常可穿戴	15 人	多模态	情绪/压力场景
PPG-DaLiA	日常活动	15 人	多模态	活动分类场景

MIMIC PERform 的差异点在于「临床分组」——其他基准多以场景（ICU/日常/手术）区分，而 MIMIC PERform 在 ICU 场景内部又细分为 AF、新生儿、人种等多个对照维度。这种「同场景多分组」的设计，使它特别适合研究「特定临床条件下的算法退化」而非「跨场景泛化」。

5.11 基准选择的决策树

面对多个 PPG 基准，如何选择？一个简单的决策树：

研究 ICU 场景 + 需要临床分组 → MIMIC PERform；
研究 ICU 场景 + 需要大规模多任务 → MIMIC-III-Ext-PPG；
研究手术麻醉场景 → CapnoBase；
研究日常可穿戴场景 → WESAD / PPG-DaLiA；
研究跨场景泛化 → 多个基准组合（如 MIMIC PERform + WESAD）。

MIMIC PERform 不是「万能基准」，它明确服务于「ICU PPG 算法评测」这一目标。了解这一点，才能正确使用它。

5.12 结果可比性的边界

最后必须强调：MIMIC PERform 上的 F1 结果，只在同一基准、同一参考标准、同一指标定义下可比。具体而言：

不可比：把 MIMIC PERform 的 F1 与 WESAD 上的 F1 直接比较（人群、场景、参考都可能不同）；
可比：多个算法在 MIMIC PERform 同一子集上的 F1 互相比较（这是设计的初衷）；
谨慎可比：如果你的参考心跳从 ECG 派生的方式与论文不同（如用了不同 R 峰检测器），结果也可能有系统差异。

基准的可比性来自「控制变量」——MIMIC PERform 控制了数据、参考、指标，因此其内部结果可比；一旦离开这个控制环境，可比性就需重新评估。

§6 获取与许可：一个「多层嵌套」的合规题

6.1 三种获取路径

MIMIC PERform 的获取相对直接：

路径	内容	门槛	入口
Zenodo 直链	全部子集成品（.mat/.zip）	无需注册	concept DOI 10.5281/zenodo.6807402
样本文件	1 分钟样例 + truncated 样例	无需注册	Zenodo 记录页文件列表
PhysioNet 重建	用 collate 脚本从源库重造	需 PhysioNet 凭证（因涉及 MIMIC-III）	ppg-beats collate 脚本

前两条路径是开箱即用的成品，第三条是可自定义的重建。对绝大多数使用者，Zenodo 直链足够；只有需要调整子集参数或从源头核查时，才需走 PhysioNet 重建路径（而这条路径需通过 MIMIC 的凭证制访问，门槛更高）。

6.2 许可：为什么不能一句「CC-BY」说完

这是这份数据集最需要小心的地方。许可呈三层嵌套结构：

第一层（数据包级）：Zenodo 记录页原文写明「Each dataset is accompanied by a licence which acknowledges the source(s) of the data - please see the individual licenses for these acknowledgements.」——即每个子集压缩包内附独立 LICENSE 文件，许可随包而异，记录级未单列统一 SPDX 名。下载解压后可见 LICENSE 文件（如 AF 的 CSV 包内标称 LICENSE 1.8 kB）。
第二层（源数据级）：所有数据源自 MIMIC-III Waveform Database，其访问与使用受 PhysioNet 的 MIMIC 数据使用协议约束。MIMIC 系数据历来要求使用者签署数据使用协议、禁止再识别、限制再分发——这些义务会「继承」到派生数据集上。
第三层（论文与代码级）：
- 论文本体：CC BY 4.0（IOP/Surrey OA 与 CiNii 双源标注）；
- 配套 collate 代码：GPL-3.0（readthedocs 函数页明确标注 Copyright © 2022 Peter H Charlton）。

合规使用建议：不要只看 Zenodo 记录页的许可摘要。① 下载后逐包阅读 LICENSE；② 回查 PhysioNet MIMIC 条款确认再分发与商用边界；③ 引用时同时引论文（DOI 10.1088/1361-6579/ac826d）。三层义务叠加，缺一不可（坑 2）。

6.3 版本链：从 v0.1 到 v2.0

Zenodo 记录有清晰的版本演进：

版本	记录页	日期（记录页显示）	内容变化
v0.1	record 6807403	2022-08-01	首版（AF/Training/Testing）
v1.0 / v1.01	record 6973963	2022-08-01	版本号修订（描述页标 v1.01）
v2.0	record 15906524	2025-07-15	新增 MIMIC PERform Large Training/Testing

v2.0 的文件体积从 1.7 GB 增至 1.9 GB，增量即 Large 集（mimic_perform_large_train_a_data.mat 218.4 MB + mimic_perform_large_test_a_data.mat 53.1 MB）。

引用建议：引用概念 DOI（10.5281/zenodo.6807402） 以指向最新版本，或注明所引用的具体版本号（如 v2.0）。概念 DOI 会自动重定向到最新版本，是长期引用的稳妥选择。

6.4 重造路径：把「成品」还原成「配方」

collate 脚本的工程价值在于：它把数据集的「配方」完全公开。任何人可：

从 PhysioNet 获得 MIMIC-III Waveform Database（需凭证）；
运行 collate_mimic_perform_* 脚本；
得到与官方发布一致的子集，或按需调整参数（req_durn、no_subjs_per_group）生成变体。

这使数据集具备**「分布式可复现性」**——不依赖单一发布方的存档，任何人可在源库之上重建。对长期科研而言，这意味着即使 Zenodo 记录失效，数据仍可从 PhysioNet 复原。

6.5 AI-Ready 评估：这份数据集的可得性画像

从 AI-Ready（开箱即用于机器学习）角度，MIMIC PERform 的画像如下：

强项：直链公开、多格式、参考标注现成、评测框架开源、可参数化重建；
弱项：许可多层嵌套需仔细核对、无统一 SPDX、底层 MIMIC 协议继承、Large 集仅 Matlab。

它属于「公开但需合规阅读」的样本——不经任何申请即可下载，但使用前必须弄清三层许可的叠加义务。这与凭证制数据集（PhysioNet 原生 MIMIC，需过审）和纯开放数据集（单一 CC-BY）都不同，是介于两者之间的一类。

6.6 合规操作清单

为帮助使用者正确地合法使用 MIMIC PERform，这里给出一份操作清单：

下载前：

确认研究用途符合 MIMIC 数据使用协议（非商业性研究为主，商用需额外核实）；
阅读 MIMIC-III 的 data use agreement 条款；
准备好引用信息（concept DOI + 论文 DOI）。

下载后：
4. 解压每个子集，阅读包内 LICENSE 文件；
5. 记录所下载的版本号（如 v2.0）与日期；
6. 若计划再分发，逐层确认是否允许。

发表时：
7. 引用数据集（DOI 10.5281/zenodo.6807402，注明版本）与论文（10.1088/1361-6579/ac826d）；
8. 说明所用的具体子集（AF/Training/…）；
9. 如需，声明遵守 MIMIC 数据使用协议。

这份清单看似繁琐，但三层嵌套许可的复杂性决定了「不核实即使用」存在合规风险——这是 MIMIC 系数据的固有特征，不是 MIMIC PERform 独有的问题。

6.7 与凭证制数据集的对比

将 MIMIC PERform 与凭证制的 PhysioNet MIMIC-III 本体对比，可清晰看出它在获取光谱上的位置：

维度	MIMIC-III 本体	MIMIC PERform
获取方式	PhysioNet 凭证制（需培训+签署协议）	Zenodo 直链（无需注册）
数据范围	全套临床+波形	精选子集
参考标注	需自行标注	ECG 派生标注现成
使用门槛	高	低
合规义务	MIMIC 协议	MIMIC 协议（继承）+ 包内 LICENSE

MIMIC PERform 相当于把「进入 MIMIC 世界」的门槛大幅降低——不需要通过 PhysioNet 的凭证审核，就能用上 MIMIC 系的高质量 ICU 波形。代价是可控性下降（无法自由选择患者）与合规义务不减（仍需遵守 MIMIC 条款）。

6.8 v2.0 更新的内容清单

v2.0（2025-07-15）相对早期版本的变化可归纳为：

项目	v0.1/v1.x	v2.0
子集数	3–4（AF/Training/Testing/Ethnicity）	6（+Large Train/Test）
新增内容	—	MIMIC PERform Large 训练/测试
文件体积	1.7 GB	1.9 GB
新任务	—	呼吸率估计
Large 格式	—	仅 Matlab

不变的部分：AF、Training、Testing、Ethnicity 四个原有子集的内容在 v2.0 中保持不变（向后兼容）。这意味着基于早期版本的结果在 v2.0 上仍可使用——这是数据集版本管理的一个良好实践。

6.9 如何选择引用哪个版本

引用版本的选择策略：

追求稳定与最新：引用 concept DOI（10.5281/zenodo.6807402），它会重定向到最新版本，读者总能看到当前推荐版；
追求可复现：引用具体版本 DOI（如 v2.0 的 record 15906524），确保读者拿到与你分析时完全相同的文件；
学术惯例：多数场景推荐「concept DOI + 明确版本号」的组合，兼顾稳定性与可复现性。

如果研究只用了前四子集（不含 Large），引用 v1.x 亦可；如果用到 Large 集或呼吸率任务，必须引用 v2.0 或更高版本，因为早期版本不含这些数据。

6.10 数据存档的持久性考量

一个常被忽视的问题是数据存档的持久性。Zenodo 由 CERN 运营，承诺至少 20 年的数据保存，且为每条记录提供 DOI——这使 MIMIC PERform 具有较高的长期可获取性。即便 Zenodo 未来变更，concept DOI 的解析也有组织保障。

但使用者仍应做好本地备份：把所用的子集文件与版本信息一并存档，以防未来网络不可达。对需要长期复现的研究，「下载 + 本地存档 + 记录版本 DOI」是标准做法。

6.11 许可问题的最坏情形推演

为帮助使用者理解许可复杂性的现实影响，这里推演一个最坏情形：某研究者下载 MIMIC PERform，未细读许可，直接用于商业产品训练，并在产品中再分发了部分数据。

风险点：① 底层 MIMIC 数据使用协议通常限制商业用途；② 包内 LICENSE 可能有额外限制；③ 再分发可能违反源库条款。三重风险叠加，后果可能是法律与声誉损失。

合规做法：商用前，① 逐包阅读 LICENSE；② 联系 MIMIC/PhysioNet 确认商用边界；③ 必要时联系数据集作者获取澄清；④ 若不确定，改用明确允许商用的数据集。

这个推演不是为了吓退使用者，而是强调：MIMIC 系数据的「公开可下载」不等于「无限制使用」。公开的是获取渠道，不是使用权利。

6.12 与「FAIR 原则」的对照

以 FAIR 原则（Findable, Accessible, Interoperable, Reusable）审视 MIMIC PERform：

原则	表现	评分
Findable	DOI + 元数据齐全，检索容易	高
Accessible	直链公开，无需注册	高
Interoperable	WFDB 标准格式，但 Large 仅 Matlab	中高
Reusable	参考标注现成，但许可复杂	中高

MIMIC PERform 在 FAIR 的「可发现」「可获取」上表现出色，在「可互操作」「可复用」上受格式偏差与许可复杂度拖累。这提示我们：一个数据集的 AI-Ready/FAIR 成熟度，短板往往不在「怎么拿到」，而在「拿到后怎么合法、方不方便用」。这也是本条目在 §6 用大量篇幅讨论许可的原因。

§7 生态与影响：一份被反复复用的基准底座

7.1 学术谱系：从 PPG-beats 到 MIMIC PERform

MIMIC PERform 是 ppg-beats 项目的产物。ppg-beats 是 Charlton 团队维护的「PPG 心跳检测」开源工具生态，包含：算法实现、评测框架、数据集、以及 collate/convert 脚本。MIMIC PERform 是这个生态里的数据资产——它为 ppg-beats 的评测框架提供标准化输入。

论文（Charlton 2022）是这个生态的方法论宣示：它不只报告一次评测，更提出了「如何设计 PPG 检测器评测」的框架。数据集是框架的载体，框架是数据集的用途——二者互为支撑。

7.2 社区采用：QUMPHY 与后续研究

pph-beats 生态的影响力体现在被后续大项目复用：

QUMPHY 项目（D4 报告）将 MIMIC PERform Large 列为 PPG 基准问题数据集，与 MIMIC-III-Ext-PPG、OSASUD 互为外部测试集；
多篇 PPG 算法论文以 MIMIC PERform 作为标准评测集报告 F1（Scite 显示主论文获数百次引用、多次「Smart Citation」）；
各类 PPG 特征点提取工具箱（如 2024 年的 MATLAB fiducial point 工具箱）以 MIMIC PERform 作为评测数据之一。

这意味着 MIMIC PERform 已进入「被引用为基准」的阶段——研究者不再把它当作新奇数据集，而是当作默认的评测场地之一。

7.3 与同期 PPG 数据集的对照

MIMIC PERform 在 PPG 数据集谱系中的位置，可通过与几个常被并提的数据集对照来理解：

数据集	来源	特点	与 MIMIC PERform 的关系
MIMIC-III-Ext-PPG	MIMIC-III	30 秒 WFDB 段，多任务（PPG/ECG/ABP/RESP）	同源不同集，QUMPHY 项目新作
CapnoBase	手术麻醉	29 儿童+13 成人，高质量	场景不同（麻醉 vs ICU）
BIDMC	ICU	53 重症患者	场景相近，规模更小
PPG-BP	桂林医院	219 患者，含临床数据	单点采集，非连续监护
WESAD / PPG-DaLiA	Empatica E4	日常活动可穿戴	场景互补（居家 vs ICU）
MIMIC PERform Large	MIMIC-III	数千段 32 秒，带呼吸率	本条目 v2.0 新增

关键定位：MIMIC PERform 填补的是「ICU 场景 + 大样本 + 多分组标签 + 现成参考标注」的生态位。它是连接「真实临床波形」与「可复现算法评测」的桥梁。

7.4 对下游研究的三重影响

降低了评测门槛：研究者无需自己找数据、切数据、做标注——直接下载即可跑基准，把精力集中在算法本身。
促进了横向可比：统一数据+统一指标，使不同论文的 F1 数字可以相互对照，避免了「各自数据集自说自话」的混乱。
暴露了系统性难题：AF、新生儿、人种三个子集的显著性能落差，为「PPG 算法在真实世界的边界条件」提供了量化证据，指引了后续研究重点（如运动伪迹消除、信号质量评估、人群自适应）。

7.5 局限与批评

作为一份基准，MIMIC PERform 也有其边界，诚实的引述应包括：

参考标注非人工：ECG 派生心跳依赖自动检测，含算法误差，非独立金标准；
人群偏重症：ICU 患者不能代表健康人群或居家可穿戴用户；
采样率有限：125 Hz 对形态学精细分析偏低；
许可复杂：三层嵌套许可对使用者构成合规负担；
子集异构：六子集在时长、分组、用途上各异，跨子集拼接需谨慎。

这些局限不否定其价值，但使用者在论文中报告结果时应予以说明——任何基准都有适用边界，MIMIC PERform 的边界是「ICU 场景下的 PPG 算法相对排序」，超出此边界的结论需额外验证。

7.6 为什么「再发布」能创造学术价值

有人会问：既然数据都能从 PhysioNet 重建，为什么还需要 Zenodo 上的成品？答案有三层：

省去凭证门槛：重建需要 PhysioNet 凭证，而成品直链下即用，让没有 MIMIC 访问权限的研究者也能参与评测。
省去工程劳动：重建需运行 MATLAB 脚本、调参数、调格式，成品省去了这些步骤，把「数据准备」的时间还给「算法研究」。
提供可引用实体：学术引用需要一个稳定的 DOI 与版本号，Zenodo 记录满足了这一需求。原始的 PhysiolNet 源库是「海」，这个子集是「被引用的一瓢水」。

这三点揭示了现代数据集生产的一个趋势：分发成品与分发配方同样重要。MIMIC PERform 两者都给了——配方（collate 脚本）+ 成品（Zenodo 存档）。

7.7 PhysioNet 数据生态中的位置

在生理信号数据的大生态中，MIMIC PERform 位于「临床监护波形」分支。与之并列的还有：

可穿戴日常：WESAD、PPG-DaLiA（Empatica E4 设备，日常活动场景）；
手术麻醉：CapnoBase（术中监护）；
医院监护：BIDMC、MIMIC PERform（ICU）；
单点采集：PPG-BP（含血压标签的定点采集）。

MIMIC PERform 的独特定位是「大样本 + 多分组 + 现成参考标注的医院场景基准」。它不追求覆盖所有场景，而是在「ICU PPG 评测」这一个点上做到标准化——这种「窄而深」的定位，恰是它能成为社区标准的条件。

7.8 对后来的启示：基准如何「活」下去

MIMIC PERform 从 2022 首发到 2025 增补 Large 集的过程，展示了基准「保鲜」的一种方式：随研究范式扩展而增补。当 PPG 研究从「心跳检测（分类）」扩展到「呼吸率估计（回归）」时，数据集相应增加 Large 子集并提供呼吸率参考——这让基准不至于因范式转移而废弃。

对比之下，许多数据集发布后即静止，逐渐因数据格式过时或任务不匹配而被遗忘。MIMIC PERform 的增补策略（v2.0 加入新任务子集）提供了一个可借鉴的「基准维护」范式：不移除旧子集（保持向后兼容），增补新子集（拥抱新范式）。

7.9 一句话总结其生态角色

MIMIC PERform 在 PPG 研究社区中扮演的是「基础设施」而非「新奇数据」的角色——它不惊艳，但被反复使用；它不庞大，但足够规范；它不解决具体问题，但让解决问题的人有共同的起跑线。这正是成熟基准数据集应有的样子。

7.10 临床应用链条中的位置

从「数据」到「临床应用」的链条上，MIMIC PERform 处于上游的评测环节：

ICU 波形采集（MIMIC-III）
        ↓
筛选与切分（MIMIC PERform）
        ↓
算法开发与评测（ppg-beats + 15 检测器）
        ↓
算法选型与产品化（可穿戴设备厂商采用）
        ↓
临床应用（病房/居家 PPG 监护）

它不直接进入临床，但通过影响算法选型间接影响产品。当一个厂商决定「用 MSPTD 而非别的检测器」时，MIMIC PERform 的评测结果可能正是决策依据之一。这就是基准数据集的杠杆作用：一份不大的数据集，通过影响无数下游选择，产生远超其体量的影响。

7.11 对信号处理研究范式的影响

MIMIC PERform 也反映了生理信号研究范式的一次转变：从「自建小数据集 + 自评」到「公共基准 + 横评」。在这个范式下：

算法的价值由在公共基准上的相对表现定义，而非作者的主观陈述；
社区形成共同的排行榜（虽无正式 leaderboard，但论文互引形成事实排名）；
数据集的作者从「竞争者」变成「规则制定者」，其贡献获得独立认可。

这一转变对整个生物医学信号处理领域都是健康的——它让「谁的算法更好」从口水战变成了可验证的科学问题。

7.12 一个值得注意的团队现象

值得留意的是，Charlton 团队既是数据集与评测框架的作者，也参与算法研究。这带来一个潜在问题：框架设计者自己的算法（如团队相关的 MSPTD）在评测中表现最佳，是否存在「主场优势」？

平心而论，MIMIC PERform 的评测是开源、可复现、多算法同场竞争的，且明确公开了所有检测器的实现与参数，透明度较高。但使用者仍应保持批判意识：任何基准的「最佳算法」结论，都值得在独立数据上再验证一次。这不是对该团队诚意的怀疑，而是科学方法论的要求。

§8 方法学启示：三份可迁移的经验

8.1 「再切分」是一种被低估的数据集生产模式

MIMIC PERform 的核心创新不是采集，而是切分。它证明：一份既有的大型临床数据库，经过精心的子集切分与分组设计，可以产出多个用途明确、AI-Ready 的评测数据集——而成本远低于新采集。

可迁移的要点：① 选定一个高质量源库；② 明确每个子集要回答的科学问题（AF 鲁棒性、儿科泛化、公平性等）；③ 按问题设计对照组（AF vs 非 AF、成人 vs 新生儿、Black vs White）；④ 提供可复现的重建脚本。这种「问题驱动的切分」比「随机切分」有价值得多。

8.2 参考标注要「借力」而非「重造」

PPG 数据集若要求人工逐搏标注，成本将高不可攀。MIMIC PERform 巧妙地借用同记录的 ECG 作为参考——ECG 心跳检测是成熟技术，用它替代人工标注 PPG，既经济又客观。

可迁移的要点：当目标信号标注昂贵时，寻找同源、同步、可靠的替代标注。代价是要在评测中容忍二者之间的生理差异（如脉搏传导时延）。

8.3 参数化重建 = 数据集的可复现性保险

collate 脚本的存在，使数据集从「一份固定资产」变成「一个可生成的分布」。这带来两个好处：一是透明度（选择逻辑可审计），二是韧性（即使发布存档失效也能重建）。

可迁移的要点：发布数据集时，同步发布从源头重建的完整脚本与可调参数说明，而不是只给成品。这是 AI-Ready 标准中「可复现性」的具体落地。

8.4 用「分组」把泛化问题显式化

MIMIC PERform 最精妙的设计，是把「算法泛化」这一抽象概念翻译成具体的分组对照。AF 组 vs 非 AF 组回答「心律失常能不能扛」，成人组 vs 新生儿组回答「儿童能不能用」，黑人组 vs 白人组回答「不同肤色是否公平」。

可迁移的要点：如果你的数据集想被用来评测泛化，就把泛化维度内建为分组标签。与其让使用者自己去找子群体，不如在数据集层面就切好、标清。这降低了评测门槛，也统一了评测口径。

8.5 参考标注的「代理」策略

用 ECG 代替 PPG 人工标注，是一种「代理标注（surrogate annotation）」策略——当目标标注昂贵或缺席时，用一个可靠的相关信号作为代理。

可迁移的要点：代理标注的可行性取决于①代理信号的可靠性（ECG 检测成熟）、②代理与目标的对应关系可建模（ECG-PPG 经 PTT 对应）、③对应误差可容忍并在评测中处理。三者缺一，代理策略就不成立。MIMIC PERform 三者具备，故这一策略成功。

8.6 小结：四条可带走的经验

经验	一句话	适用场景
再切分即价值	从大库切出的分组子集可独立成基准	拥有大源库时
借力参考标注	用同源可靠信号替代昂贵人工标注	目标信号标注昂贵时
参数化重建	发布配方与成品，保可复现	追求长期科研价值时
分组显式化	泛化维度内建为子集标签	想被用于泛化评测时

§9 与库内条目的关系

9.1 家族图谱

MIMIC PERform 在千方病案医数集库内，与 MIMIC 家族条目构成「源库—派生」关系：

MIMIC-III Clinical Database (mimic-iii, rid 106)
        │
        ├── MIMIC-III Waveform Database (mimic3wdb, rid 586)
        │           │
        │           ├── Matched Subset (mimic3wdb-matched, rid 587)
        │           │           ├──► MIMIC PERform AF Dataset ★
        │           │           └──► MIMIC PERform Ethnicity Subset ★
        │           │
        │           └──► MIMIC PERform Training/Testing/Large ★
        │
        └── MIMIC-IV-ECG (mimic-iv-ecg, rid 172)  ← 同域 ECG 信号
            MIMIC-IV-Waveform (mimic-iv-waveform, rid 65) ← 同域波形

★ = 本条目。

9.2 库内可互链的条目与 rid

库内条目	rid	互链理由
mimic3wdb	586	直接抽取源（MIMIC-III Waveform Database）
mimic3wdb-matched	587	AF/Ethnicity 集的直接抽取源（Matched Subset）
mimiciii	590	MIMIC-III 本体，上游源数据库
mimic-iii	106	MIMIC-III 另一入库记录
mimic-iv-ecg	172	同域（ECG 信号）数据集
mimic-iv-waveform	65	同域（波形信号）数据集
mimic-iv-ext-pe	618	同源 ICU 波形派生（肺栓塞）

9.3 检索路径建议

精确检索：用 “MIMIC PERform”（带引号、复数为 Datasets），或用 concept DOI 10.5281/zenodo.6807402 定位。
勿用：“MIMIC-Perform Dataset”（单数）、“MIMIC Perform”（大小写混乱）——易命中 MIMIC 系其他条目（坑 1）。
若目标是评测框架：检索 ppg-beats（项目名）比检索数据集名更有效。
若目标是呼吸率数据：检索 “MIMIC PERform Large”，注意其单位是 recordings（段）而非 patients（患者）。

9.4 引用规范

推荐同时引用：① 数据集（concept DOI 10.5281/zenodo.6807402，注明版本）；② 论文（Charlton PH et al. Physiol Meas. 2022;43(8):085007. doi:10.1088/1361-6579/ac826d）。若涉及具体子集（如 AF 或 Ethnicity），建议在方法中说明所引子集与版本。

9.5 与库内「生理信号」类条目的横向关联

除了 MIMIC 家族，MIMIC PERform 还应与库内其他生理信号条目建立横向互链，因为它们共同构成「生理信号」这一 L1 类别：

ECG 系：mimic-iv-ecg(172)、apnea-ecg（呼吸暂停 ECG）——同为心电信号，可对比评测框架；
呼吸/睡眠系：各类呼吸信号数据集——MIMIC PERform 的呼吸通道与 Large 集呼吸率任务与之相关；
可穿戴系：同标签「可穿戴传感」的条目——MIMIC PERform 虽来自床旁监护而非可穿戴，但评测目标（PPG 算法可用于可穿戴）与之交叉；
重症监护系：同标签「重症监护」的 ICU 数据集——共享临床场景与数据来源。

这些互链的意义在于帮助使用者「顺藤摸瓜」：从 MIMIC PERform 出发，找到所有相关的信号数据集，形成完整的检索路径。千方病案医数集的互链算法按 category_tags 计算相关度，因此本条目选用的标签（生理信号/心电信号/可穿戴传感/重症监护/评测基准/心血管疾病）会自然地把它与上述条目关联起来。

9.6 与 PANDA-PLUS 类「评测基准」条目的方法论呼应

本条目与库内其他「评测基准」类条目（如 PANDA-PLUS）有一个方法论层面的呼应：两者都示范了「如何用数据设计回答一个评测问题」。

PANDA-PLUS 用像素级重标注回答「标签质量如何决定模型上限」；
MIMIC PERform 用多分组子集回答「PPG 算法在哪些场景会退化」。

两者都不以数据规模取胜，而以下游用途的精心设计取胜。这提示我们：在千方病案医数集的价值体系里，一份数据集的价值不仅取决于它「有多少数据」，更取决于它「能回答什么问题」。这也是 AI-Ready Wikipedia 条目在撰写时反复强调用途与场景的原因。

9.7 检索与互链的实操建议

对库内的检索者与互链系统，本条目提供以下实操建议：

按标签互链：本条目标签含「生理信号/心电信号/可穿戴传感/重症监护/评测基准/心血管疾病」，与之标签重叠的库内条目应优先互链；
按家族互链：MIMIC 家族（mimic3wdb/mimiciii/mimic-iv-ecg 等）应作为「同源」强互链；
按方法互链：同为「评测基准」的条目（PANDA-PLUS 等）可作「方法呼应」弱互链；
按场景互链：ICU/急诊/监护类条目可作「场景相关」互链。

这四类互链分别对应「内容相似」「数据同源」「方法同构」「场景相邻」四种相关性，帮助使用者在库内形成立体的探索路径。

9.8 条目间的差异化定位

库内已有多个 MIMIC 系条目（mimic-iii、mimic-iv、mimic-cxr 等），本条目与它们的差异化定位需明确：

库内条目	定位	与本条目的区别
mimic-iii / mimiciv	MIMIC 源数据库	本条目是其波形子集的下游派生
mimic-cxr	胸部影像	完全不同的模态（影像 vs 信号）
mimic-iv-ecg	ECG 数据	本条目含 ECG 但核心是 PPG
mimic-iv-waveform	波形数据	本条目是波形的精选再发布
本条目	PPG 评测基准	唯一专注 PPG 心跳检测评测

这一差异化定位帮助检索者避免混淆：如果你要的是 MIMIC 全集，去 mimic-iv；如果你要的是 PPG 算法评测基准，才是本条目。

§10 避坑清单：八个已踩过的坑

坑 1：数据集名是复数、是系列，不是单数。 正确名称是 MIMIC PERform Datasets（复数，一个包含六个子集的系列）。用 “MIMIC-Perform Dataset”（单数）或 “MIMIC Perform”（大小写不规范）检索，会漏掉子集信息或命中无关 MIMIC 条目。PERform 的「PER」大写是项目命名习惯，复制时勿改。

坑 2：许可不能只看 Zenodo 记录页。 Zenodo 记录级未单列统一 SPDX 许可，而是指向「每个子集包内的独立 LICENSE 文件」；同时底层数据受 MIMIC-III/PhysioNet 数据使用协议约束。合规使用必须三层核对：包内 LICENSE + PhysioNet MIMIC 条款 + 论文许可（CC BY 4.0）。仅凭「Zenodo 上能下载」就默认 CC-BY，是常见误判。

坑 3：Ethnicity 子集不在 Zenodo 主记录页的 Datasets 列表里。 Zenodo 主记录页的 Datasets 列举项只有 AF / Training / Testing（v2.0 加 Large），未列 Ethnicity；但 ppg-beats 官方文档有独立 Ethnicity 页（100 Black/100 White），论文亦将其列为数据集之一。只查 Zenodo 页面的人会以为没有这个子集——它实际存在，只是列举口径与文档口径不一致。

坑 4：源库是 MIMIC-III，不是 MIMIC-II。 MIMIC PERform 从 MIMIC-III Waveform Database 抽取。部分第三方综述（如某 MDU 论文）将其源子集误写为「MIMIC-II matched waveform dataset」。以 ppg-beats 官方页与 Zenodo 记录页为准：MIMIC-III。

坑 5：MIMIC-III-Ext-PPG 是另一份数据集，勿与 MIMIC PERform 混。 QUMPHY 项目的 MIMIC-III-Ext-PPG 同样源自 MIMIC-III、同样含 PPG/ECG/ABP/RESP，但是不同的数据集（30 秒 WFDB 段、多任务设计、另提交 PhysioNet）。检索 PPG 基准时二者常并现，务必区分。MIMIC PERform Large 与它是「可互为外部测试集」的关系，不是同一个东西。

坑 6：Large 集的单位是「段（recordings）」不是「患者」。 Large Training「5,248」指 5,248 段 32 秒记录（来自 681 位患者），Large Testing「1,257」指 1,257 段（来自 167 位患者）。切片作训练时若不按患者划分，同一患者的多个相似段会同时进入训练与测试，造成数据泄漏，虚高泛化性能。

坑 7：记录时长异构，跨子集拼接要当心。 AF 集 20 分钟、Training/Testing/Ethnicity 集 10 分钟、Large 集 32 秒——时长差两个数量级。直接拼接不同子集训练，会造成「长记录主导」或「短段主导」的偏差；评测时也需按子集分别报告，不可混算平均。

坑 8：参考心跳由 ECG 派生，非人工标注，且含脉搏传导时延。 MIMIC PERform 不用人工逐搏标注 PPG，而是以 ECG 派生心跳为参考。这意味着：① 参考值本身含 ECG 检测算法误差；② PPG 与 ECG 峰值间存在脉搏传导时延（pulse transit time），评测须容忍这一生理延迟而非要求峰峰严格对齐。把它当作「PPG 人工金标准」会误判评测严格度。

坑 9（补充）：v0.1 与 v1.x 的发布日期都显示 2022-08-01。 Zenodo 记录页对 v0.1（record 6807403）与 v1.x（record 6973963）均显示 2022-08-01，仅版本号不同。引用时统一按「2022 首发、2025（v2.0）增 Large」叙述，勿因日期相同而误判为同一次发布。

坑 10（补充）：pph-beats 文档页 URL 有时不可直连。 ppg-beats.readthedocs.io 的部分数据集页（如 training 英文路径）可能 404，需用实际有效路径（如 datasets/mimic_perform_training/）或从主页导航。WebFetch 遇 404 时改用 WebSearch 摘要页交叉核对，勿据此判定数据集不存在。

10.1 坑点速查表

坑	一句话	风险等级
坑 1	名称是复数系列，非单数	中
坑 2	许可三层嵌套，不能只看 Zenodo	高
坑 3	Ethnicity 不在 Zenodo 列举项	高
坑 4	源库是 MIMIC-III 非 MIMIC-II	中
坑 5	与 MIMIC-III-Ext-PPG 是不同数据集	高
坑 6	Large 集单位是段，切分须按患者	高
坑 7	子集时长异构，拼接需谨慎	中
坑 8	参考来自 ECG，含 PTT 延迟	中
坑 9	v0.1/v1.x 发布日期相同	低
坑 10	文档页 URL 可能 404	低

「高风险」四条（坑 2、3、5、6）涉及合规、检索与评测正确性，使用者务必优先掌握。

10.2 从坑点到最佳实践

把这些坑点反过来读，就是使用 MIMIC PERform 的最佳实践：

核实名称与版本：确认要引用的子集与版本号（v2.0）；
逐包读许可：下载后先读每个压缩包的 LICENSE；
区分同源数据集：不要把 MIMIC PERform 与 MIMIC-III-Ext-PPG 混为一谈；
按患者划分 Large 集：防止数据泄漏；
分组建模分组报告：不混合不同人群/节律报告平均；
容忍 PTT 延迟：匹配时用合理窗口；
引用概念 DOI + 论文：保证可追溯；
保持结论边界意识：不外推超出 ICU PPG 场景的结论。

附：DAIMS 数据评估表

DAIMS（Data and Analytics Interoperability Maturity Score）——对 MIMIC PERform 在数据可得性、互操作性与成熟度各维度的评分（满分 5）：

维度	评分	说明
可发现性（Discoverability）	5	Zenodo 公开直链 + concept DOI + ppg-beats 官方文档，检索路径清晰
可获取性（Accessibility）	5	无需注册即可下载；提供 1 分钟与 truncated 样本先试后下
可理解性（Understandability）	4	官方文档详备（信号、人数、时长、分组），但许可三层嵌套需自行梳理
可用性（Usability）	5	提供 Matlab/WFDB/CSV 三格式；参考标注现成；评测框架开源
互操作性（Interoperability）	4	WFDB 格式对接 PhysioNet 工具链；但 Large 集仅 Matlab，跨格式不统一
可复现性（Reproducibility）	5	collate 脚本可从 PhysioNet 原库参数化重建，选择逻辑可审计
许可清晰度（License Clarity）	3	逐包异构、记录级无统一 SPDX、底层 MIMIC 协议继承，合规门槛偏高
文档完备性（Documentation）	4	论文 + readthedocs + Zenodo 三处文档齐全，但子集列举口径不完全一致
维护活跃度（Maintenance）	4	2022 首发至 2025 v2.0 持续增补（Large 集），版本链清晰
社区采纳度（Adoption）	5	被 QUMPHY 等后续项目复用为基准，主论文高被引，已成社区标准评测集之一

综合评级：4.4 / 5（高成熟度 AI-Ready 基准数据集）。短板集中在许可清晰度（多层嵌套）与格式一致性（Large 仅 Matlab），其余维度均达 4–5 分。这是一份「公开、可复现、社区认可」的高质量基准，主要成本在于合规阅读而非获取难度。

附：术语表（术语首现对照）

为方便非生理信号背景的读者，这里汇总本条目出现的关键术语：

中文	英文（缩写）	一句话解释
光电容积脉搏波	photoplethysmogram (PPG)	用光测量末梢血容量变化，得到脉搏波
心电图	electrocardiogram (ECG)	记录心脏电活动，R 峰对应每次心跳
阻抗呼吸	impedance pneumography (imp/resp)	用胸阻抗变化测量呼吸运动
动脉血压	arterial blood pressure (abp)	动脉血压波形（部分记录含）
心跳检测	beat detection	在信号上定位每次心跳的位置
参考心跳	reference beats	用于比对的标准答案（此处来自 ECG）
脉搏传导时延	pulse transit time (PTT)	血从心脏到末梢的传输延迟
阻抗呼吸派生呼吸率	reference respiratory rate (rr)	由 imp 信号算出的参考呼吸率
房颤	atrial fibrillation (AF)	心律绝对不齐的心律失常
正常窦性心律	normal sinus rhythm (NSR)	正常规律心律
灵敏度	sensitivity (Se)	真心跳被检出的比例（防漏检）
阳性预测值	positive predictive value (PPV)	检出中为真的比例（防误检）
F1 分数	F1 score	Se 与 PPV 的调和平均
信号质量	signal quality	信号可用程度的度量
去标识	de-identification	移除患者身份信息的流程
波形数据库	Waveform Database (WDB)	存储高频生理波形的库

掌握这张表，即可无障碍阅读本条目及主论文的方法与结果部分。

附：一页纸速记

是什么：从 MIMIC-III 波形库抽取的 ICU 生理信号基准系列，六个子集。

六个子集：AF（35）、Training（200）、Testing（200）、Ethnicity（200）、Large Train（5,248 段）、Large Test（1,257 段）。

信号：ECG + PPG + 阻抗呼吸（部分含 abp），125 Hz。

时长：10 分钟（Training/Testing/Ethnicity）、20 分钟（AF）、32 秒（Large）。

分组：AF/非 AF、成人/新生儿、黑/白、呼吸率。

任务：PPG 心跳检测（Large 集：呼吸率估计）。

参考：ECG 派生心跳（非人工标注）。

指标：F1。

结论：静息 ≥90%，运动 55–91%，新生儿 84–96% vs 成人 98–99%，AF 92–97% vs NSR 99–100%；MSPTD 与 qppg 最佳。

获取：Zenodo 直链（DOI 10.5281/zenodo.6807402）。

许可：逐包异 + MIMIC 协议 + 论文 CC BY 4.0。

论文：Physiol Meas. 2022;43(8):085007。

三个坑：许可三层嵌套、Ethnicity 不在 Zenodo 列表、Large 集切分须按患者。

一句评价：不生产数据、只重新组织数据的 PPG 公共考场。

附：常见问题补充（FAQ）

问：我下载了 AF 集，但发现文件里没有「标签」列，怎么办？
AF 集按「AF 组」与「non-AF 组」分成不同文件（mimic_perform_af_* 与 mimic_perform_non_af_*），分组信息内嵌在文件名与目录结构中，而非行级标签列。使用时按文件来源判断属于哪一组即可。

问：CSV 包里的 _fix.txt 是什么？
fix 字段存储该记录的固定参数（元信息），如信号增益、采样设置等。它与 _data.csv 一一对应，是解读波形原始值所需的元数据，勿忽略。

问：为什么同一子集有 all / a / n 三种文件？
all = 全部受试者合并，a = 成人（adult）子集，n = 新生儿（neonate）子集。研究者可按需下载：只做成人分析就下 a，做人群对比就下 all 或同时下 a 与 n。

问：我能把 MIMIC PERform 用于非 PPG 任务吗？
可以但需注意：它的设计目标是 PPG 评测，ECG 与呼吸通道虽可用，但参考标注与分组语义都是为 PPG 设计的。用于其他任务时，需自行评估适配性。

问：论文里的「8 个数据集」具体是哪些？
论文使用 8 个数据集评测 15 个检测器，MIMIC PERform 的子集是其中的医院场景代表。其余数据集涵盖可穿戴、运动等场景（本条目未逐一列举，详见论文原文）。

问：如果我只想复现论文结果，最少要下哪些数据？
取决于你想复现哪部分。复现「新生儿 vs 成人」下 Training/Testing 集；复现「AF」下 AF 集；复现「肤色」下 Ethnicity 集。完整复现所有场景需下全部子集并辅以论文提到的其他 7 个数据集。

问：这份数据集适合教学吗？
非常适合。它规模适中、结构清晰、分组明确、获取免费，是讲授「生理信号处理」与「算法评测方法」的优质教具——尤其适合演示「为什么基准的统一性比数据规模更重要」。

附：不适用场景清单

为避免误用，明确列出 MIMIC PERform 不适合的场景：

需要大规模深度模型训练：前四子集样本量适中，不足以训练大模型（Large 集稍好但仅呼吸率任务）；
需要 PPG 逐点形态学标注：本数据集无 fiducial point 人工标注；
需要健康人群/居家场景数据：全部数据来自 ICU 重症患者；
需要高采样率形态分析：125 Hz 对精细形态学偏低；
需要丰富临床标签：分组标签较粗（AF/年龄/种族），无细粒度诊断；
需要明确商用许可：许可复杂，商用需额外核实；
需要实时流式评测：数据是离线记录，非流式。

对以上任一有刚需的研究，应选择更贴合的数据集。正确使用的前提是知道它的边界——本条目在 §7.5 与 §10 反复强调这一点，正出于此。

附：来源清单（三源互证）

Zenodo 记录页（一手，官方发布）：
- v2.0：https://zenodo.org/records/15906524（2025-07-15）
- v1.01：https://zenodo.org/records/6973963
- concept DOI：10.5281/zenodo.6807402
ppg-beats 官方文档（一手，作者维护）：
主论文（一手）：
- Charlton PH et al. Physiol Meas. 2022;43(8):085007. doi:10.1088/1361-6579/ac826d
- PubMed PMID 35853440；PMCID PMC9393905；PMC 许可 CC BY 4.0
- 佐证：OUCI（ouci.dntb.gov.ua/works/4YdNL267/）、CiNii、University of Surrey OA
生态佐证（二手，交叉验证）：
- QUMPHY D4 报告：arXiv 2604.01398（ar5iv 页）
- MDU 综述 PDF（fiducial point 工具箱，含 MIMIC-II 误述——见坑 4）
- scite.ai、OPENAIRE（explore.openaire.eu）

抓取时点：2026-10-03。所有 URL 均为本次核验时点可访问来源。

条目结束语：MIMIC PERform 是一份「不生产数据、只重新组织数据」的基准数据集——它从 ICU 波形库里切出六块用途清晰的信号，配上统一的评测尺子，让 PPG 算法第一次有了可复现的公开考场。它的六子集分组（房颤、新生儿、人种、呼吸率）恰是现代生理信号算法最易翻车的四类场景的具象化。使用者当下即可从 Zenodo 下载，但请记住：许可三层嵌套、参考标注来自 ECG、large 集切分须按患者——这三条是安全使用它的底线。

维度	内容
本质	从 MIMIC-III Waveform Database 抽取的重症监护生理信号基准系列（PPG/ECG/呼吸），非 MIMIC 本体
团队	University of Cambridge 牵头，City London / Surrey / Technion 协作；第一作者 Peter H Charlton
论文	Physiol Meas. 2022;43(8):085007（doi:10.1088/1361-6579/ac826d；PMID 35853440；PMCID PMC9393905）
数据	六子集：AF 35、Training 200、Testing 200、Ethnicity 200、Large Train 5,248 段、Large Test 1,257 段
信号	ECG + PPG + 阻抗呼吸（部分含 abp）；床旁监护仪 @ 125 Hz
时长	AF 20 分钟；Training/Testing/Ethnicity 10 分钟；Large 32 秒段
分组	AF/non-AF、成人/新生儿、Black/White、呼吸率回归
核心任务	PPG 心跳检测（beat detection）算法横评，以 ECG 派生心跳为参考
基准结论	15 检测器 × 8 数据集；静息 F1 ≥90%，运动 55%–91%；新生儿 84%–96% vs 成人 98%–99%；AF 92%–97% vs NSR 99%–100%
最佳算法	MSPTD 与 qppg（性能互补，论文推荐）
发布	Zenodo 公开直链（concept DOI 10.5281/zenodo.6807402）；v2.0（2025-07-15）增 Large 集
许可	逐包异构：各子集包内独立 LICENSE；源数据受 MIMIC 协议约束；论文 CC BY 4.0
库内互链	mimic3wdb(586)、mimic3wdb-matched(587)、mimiciii(590)、mimic-iv-ecg(172)、mimic-iv-waveform(65)