信息速览
键盘是医院里最不起眼的设备。它不接触皮肤，不注射示踪剂，不需要受试者做任何指定动作，只需要人像平常一样把今天该写的字写出来。neuroQWERTY 项目押的就是这一条：帕金森病最早累及的是精细运动的时序控制，而打字这件事，恰好把一个手指按下又抬起的过程切成了毫秒级的长度。按住一个键的时间如果比同龄人长一点、抖一点、忽长忽短一点，这个差别就会留在日志里。
MIT-CSXPD 把这些日志收了起来。85 名受试者，在马德里的两家运动障碍门诊招募，半数确诊帕金森、半数健康对照，在联想的笔记本上用普通的文字处理软件自由打字，每一场约一刻钟。原始记录一共 84 份四列 CSV，每份只记录四个量：按了哪个键、按住多久、什么时候松开、什么时候按下。除此之外还有两张受试者汇总表，把帕金森真值、UPDRS-III 总分、两项手指敲击测试的分数和一个叫 nQi 的复合指数并排放在一起。
它的价值与它的体量完全不成比例。整库压缩后两兆出头，比一张手机照片大不了多少，却在一个几乎所有公开帕金森数据集都依赖穿戴设备、影像或语音的领域里，提供了一种唯一不需要额外硬件的采集方式。代价也同样直接：没有人口学字段、没有病程、没有文本内容、机型单一、第二批的手指敲击列几乎全空。一屏速览见下表。
| 维度 | 内容 |
|---|---|
| 全名 | neuroQWERTY MIT-CSXPD Dataset |
| 缩写展开 | neuro（神经）+ QWERTY（标准键盘布局缩写）+ MIT（麻省理工学院）+ CS（临床研究站点，即 Hospital Clínico San Carlos 与 12 de Octubre）+ X（占位）+ PD（帕金森病） |
| 发布方 | PhysioNet，MIT neuroQWERTY 项目贡献 |
| 首次上线 | 2016 年 12 月 20 日，版本 1.0.0 |
| 受试者 | 85 名（两批：31 名与 54 名） |
| 会话文件 | 84 份（第一批 62 份、第二批 54 份） |
| 单场时长 | 约一刻钟（900 秒量级） |
| 记录单位 | 一次按键事件 |
| 字段数 | 4 列（按键名、按住时长、释放时刻、按下时刻） |
| 采集设备 | 联想 G50-70 i3-4005U，15 英寸屏，Manjaro Linux |
| 时间分辨率 | 官方写作 3/0.28 毫秒（均值/标准差） |
| 临床标注 | UPDRS-III 总分、交替手指敲击、单键敲击、nQi |
| 文件组织 | 两批各一目录，汇总表与数据子目录并列 |
| 体积 | 压缩包 2.1 MB，解压后 7.3 MB |
| 许可 | ODC-BY 1.0，免注册 |
| 典型用途 | 击键动力学特征工程、数字生物标志物方法验证、行为信号教学 |
§1 它要解决的具体麻烦
1.1 帕金森的运动症状需要一个不打扰人的测量方式
帕金森病的运动症状评估长期依赖 UPDRS 量表。这套量表由临床医生在诊室里做，问几句话、看几个动作、让受试者敲一阵手指，然后给出一个分数。它的优点是标准化程度高、跨中心可比，缺点也很清楚：一次门诊只能拿到一个时点，而症状本身在一天之内就会随药效波动；一次评估要占用医生十几分钟，所以真正能做的次数一年也就那么几回。
这个局限对早期诊断尤其致命。帕金森早期最需要的是发现「还看不出来」的细微变化，而肉眼在诊室里看几眼，恰恰是捕捉这类变化最弱的方式。数字生物标志物的整个思路，就是把这个测量从诊室搬到日常生活里，让仪器在没有人的时候自己记。问题在于，绝大多数可穿戴方案都要额外添置硬件：腕带、鞋垫、贴片，受试者要记得充电、要戴得住、要接受手腕上多一个东西。
键盘是这条路上少数几个不需要新增任何设备的入口。全世界有几十亿人每天在键盘上敲几千次，每一次敲击都是一次手指的伸出、按下、保持与抬起。这套动作由皮质—基底节—皮质环路调度的精细运动控制完成，而这条环路正是帕金森病最早受损的地方。MIT-CSXPD 之所以存在，就是要证明这层对应关系在真实数据里能不能被看见。
1.2 三条常见的错误期待
第一条，期待它是一份波形数据集。 名字里有 QWERTY，标签容易让人联想到生理信号，于是有人打开压缩包才发现里面没有采样点、没有采样率、没有导联。它记录的是离散的键盘事件，四列数值，每一次按键一行。任何以「按固定频率重采样」为前提的信号处理流程，在这里都要先做一步转换：把按键事件切成时间轴上的稀疏序列，或者按固定窗口聚合成特征。
第二条，期待它是一份可以直接训练诊断模型的数据。 85 人的样本量对一个二分类任务不算绝对不能做，但它的人口学背景、招募机构与采集设备都是单一口径，且没有任何随访。在它身上跑出来的准确率，衡量的是「这批人里能不能分开」，而不是「门诊里能不能筛出来」。这一点在 §7 会展开。
第三条，期待它保留了受试者打的字。 全部四列只记按键名与时刻，不记文本。这既是隐私保护的设计，也让所有依赖文本语义的分析无从下手——你不能做错字分析、不能做词汇丰富度分析、不能还原出打字的内容再去推断语言能力。想知道「他在写什么」这条路，在设计上就被堵死了。
1.3 它能给到的与给不到的
| 你的需求 | 它给的 | 够不够 |
|---|---|---|
| 击键动力学的原始事件流 | 每次按键的四个量，逐条落表 | 够，是它的主业 |
| 帕金森二分类的监督标签 | 两批汇总表各一列布尔真值 | 够，但是全库也只有 85 个标签 |
| 与临床量表的对照 | UPDRS-III 总分与两项敲击测试 | 够，是最有用的一格 |
| 人口学分层分析 | 没有年龄、性别、病程字段 | 不够，结构上做不到 |
| 文本内容或语义分析 | 完全不记录文本 | 不够，设计上排除 |
| 跨设备或跨输入法比较 | 只有一款联想笔记本与一套系统 | 不够，无第二个环境 |
| 纵向随访或症状进展 | 第一批最多两场，间隔一两周 | 勉强，只有一次随访 |
| 手指敲击分析的完整对照 | 第二批该列几乎全空 | 部分，只有第一批可用 |
1.4 你的处境与它能帮到的事
| 你的处境 | 它能帮你什么 | 下一步该做什么 |
|---|---|---|
| 你在做无感数字生物标志物，需要一个最小的击键样本跑通流程 | 84 份真实会话、四列固定格式，半天就能做出第一张特征表 | 先按 §9.2 的流程跑通读取与按人划分，再谈模型 |
| 你手上只有可穿戴数据，想知道击键这条支路值不值得投入 | 提供一个已经做过的完整样板，含临床对照与复合指数 | 读 §4.3 的 nQi 构造思路，评估能否迁移到你的设备 |
| 你申报时需要证明「被动采集不打扰受试者」可行 | 采集全程用普通文字处理软件，没有定制任务 | 引用 §3.3 的采集条件作为方法学依据 |
| 你在教行为信号分析，需要一个能讲清事件流结构的样本 | 四列结构极简，一次按键就能讲完整个数据模型 | 用 §2.4 的案例会话做课堂演示 |
| 你想验证新特征在极小样本上会不会过拟合 | 类别样本各数十，任何过拟合都会立刻暴露 | 固定受试者划分与随机种子，只换特征做纵向比较 |
| 你要做击键与其他模态的融合 | 没有配对的影像、语音或可穿戴样本 | 另找同一队列的其它数据，本库只能做单支验证 |
1.5 一句话判断
它不是一台能诊断帕金森病的仪器，而是一份证明题的手稿：证明普通键盘上的按压时长里确实带着运动症状的痕迹，并把这套证明的所有原始数据与中间量一起摊开。
1.6 不适合谁：四条边界
不适合拿来做诊断模型的训练底座。 八十几个人、两家门诊、一种机型，任何在这个库上训练的模型都无法声称能推广到真实门诊。它适合做方法可行性验证，不适合做产品化的第一步。
不适合拿来做人群层面的流行病学研究。 没有年龄、性别、教育年限、职业，甚至连受试者的母语都没写。所有涉及人群归因的分析在第一步就断了。
不适合拿来做文本或认知分析。 只有按键名，没有文本。打字错误率、词汇多样性、句法复杂度这些指标一个都算不出来。
不适合拿来做跨设备鲁棒性研究。 全部数据在同一款笔记本、同一套操作系统下采集。没有第二个环境，就没有办法回答「换一台机器还准不准」这个问题。
§2 数据构成与规格
2.1 两批实验、两个目录、一套四列表
整库的组织结构几乎是扁平的。根目录下是两批实验的目录，各自带一个数据子目录和一张受试者汇总表，另有一个包含全部内容的压缩包与两个辅助脚本。
| 层级 | 名称 | 内容 | 量级 |
|---|---|---|---|
| 根 | MIT-CS1PD/ |
第一批，31 名受试者 | 62 份会话 |
| 根 | MIT-CS2PD/ |
第二批，54 名受试者 | 54 份会话 |
| 根 | neuroQWERTY.zip |
全部数据与脚本的打包 | 2.1 MB |
| 根 | nqDataLoader.py |
官方加载与过滤模块 | 9.8 KB |
| 根 | readme.ipynb |
官方演示笔记本 | 76.7 KB |
| 二级 | GT_DataPD_MIT-CS1PD.csv |
第一批受试者汇总 | 32 行 |
| 二级 | GT_DataPD_MIT-CS2PD.csv |
第二批受试者汇总 | 55 行 |
| 三级 | data_MIT-CS1PD/ 与 data_MIT-CS2PD/ |
逐会话的击键 CSV | 共 84 个文件 |
第一批的目录名与第二批的目录名里都带着 PD，这是数据集的命名习惯，不是「只有患者」。两批都同时含患者与对照，具体是哪一类要看汇总表里的真值列。
这两个目录的名字还藏着一段可以做交叉验证的信息：CS 后面跟的数字不同，1 与 2 对应两批实验，而目录名里的 MIT-CS1PD 在官方正文里又被写成 PD_MIT-CS1PD，前缀与后缀的顺序在两处不一致。这个不一致不影响读取，但写脚本拼路径时要用文件系统里的真实目录名，不能照抄正文里的写法。
2.2 字段的完整字典
字段分布在两个地方：逐会话的四列 CSV，与每批一张的汇总表。两者靠受试者编号与文件名里的编号段相连。
| 信息项 | 所在位置 | 类型 | 取值形态 | 含义与使用注意 |
|---|---|---|---|---|
| 按键名 | 会话 CSV 第 1 列 | 字符串，带双引号 | "a"、"space"、"BackSpace"、"Shift_L" |
只给键名不给字符，修饰键用它自己的名字 |
| 按住时长 | 会话 CSV 第 2 列 | 浮点，秒 | 通常零点几秒 | 按下到抬起的间隔，官方脚本会剔掉负值与五秒以上的值 |
| 释放时刻 | 会话 CSV 第 3 列 | 浮点，秒 | 自会话起点计 | 第二列与第三列的先后在不同文件里可能不同，读列名时以脚本为准 |
| 按下时刻 | 会话 CSV 第 4 列 | 浮点，秒 | 自会话起点计 | 与释放时刻成对出现，两者之差理论上等于按住时长 |
| 受试者编号 | 汇总表 pID |
整数 | 第一批两位数、第二批四位数 | 分组键，两批之间的编号不重叠 |
| 真值标签 | 汇总表 gt |
布尔字符串 | True / False |
True 为帕金森患者 |
| UPDRS-III | 汇总表 updrs108 |
浮点 | 零点几分到三十几分 | 运动检查部分总分，越大症状越重 |
| 交替手指敲击 | 汇总表 afTap |
浮点或空 | 数十到两百余 | 第一批部分缺失，第二批几乎全空 |
| 单键敲击 | 汇总表 sTap |
浮点 | 数十到两百余 | 全库基本齐全 |
| neuroQWERTY 指数 | 汇总表 nqScore |
浮点 | 零附近到零点四 | 官方论文提出的复合评分，可能为负 |
| 打字速度 | 汇总表 typingSpeed |
浮点 | 每分钟字符量级 | 每秒还是每分钟需按论文口径核对 |
| 会话文件名 | 汇总表 file_1、file_2 |
字符串 | 时间戳.编号_会话_版本.csv |
第一批有 file_2 列，第二批只有 file_1 |
表里最容易踩空的一行是「释放时刻与按下时刻」。官方页面把四列描述为按键、按住时长、释放时刻、按下时刻，看上去是先释放后按下，但实际语义是先按下后释放。官方加载脚本读取时把第 2 列与第 3 列交换过一次，脚本内部还留着一行注释说这里做过 2 与 3 的对调。如果自己写解析，别按页面的字面顺序理解，直接用「第 4 列减第 3 列」或直接用第 2 列作为按住时长，两者在正常情况下应该一致。
第二处容易踩空的是 nqScore 的取值范围。它不是概率，也不是归一化到零到一的分数，而是官方模型输出的一种回归指数，在这个库里出现过零以下的取值。把它当概率解释会得出荒谬结论。
2.3 一份会话文件的完整解剖
取第二批的 1424946827.1000_001_014.csv 作样本，它属于编号 1000 的受试者。文件开头几行是这样：
"space",0.3179,1.0920,0.7741
"q",0.1892,2.4189,2.2297
"u",0.1641,2.7386,2.5745
"e",0.2597,3.2421,2.9824
"space",0.1994,4.2622,4.0628
第一行说明：受试者先按下了空格键，在相对会话起点七百七十四毫秒时按下，一千零九十二毫秒时松开，手指在键上停留了三百一十八毫秒。紧接着按下字母 q，两秒二二九七时按下，停留一百八十九毫秒。再往下是 u、e、空格，四次连续敲击的按下时刻依次往后排，中间夹着停顿。
文件名本身也是一条信息。1424946827 是 Unix 秒级时间戳，换成日期是 2015 年 2 月 26 日；1000 是受试者编号；001 是会话序号；014 是版本号，全库 84 个文件都是 014，说明这是同一套采集程序的同一版输出。文件名里唯一能当时间用的是时间戳，会话序号并不承诺时间上的先后。
文件末尾的两行同样值得看：
"p",0.0946,900.2710,900.1764
"o",0.0514,900.5612,900.5099
最后一条按下时刻落在九百秒零半秒，也就是整场会话持续了约十五分钟。这个量级在 84 份文件里相当一致，可作为「单场约一刻钟」这一判断的依据。
2.4 案例会话：受试者 1000 的一场打字
取 §2.3 提到的那份会话作贯穿本文的案例。这名受试者在汇总表里被标为帕金森患者，UPDRS-III 为二十七分，交替手指敲击八十九、单键敲击一百八十四点五，nQi 为零点一零七，打字速度每单位约五十六点九。这一行把临床上「症状中等偏重、敲击速度偏慢」的画像，与一段一刻钟的按键序列并列放在了同一张表里。
| 这一场的可核对项 | 取值 | 来源 |
|---|---|---|
| 文件名时间戳 | 2015 年 2 月 26 日 | 文件名前缀 |
| 会话时长 | 约九百秒 | 末行按下时刻 |
| 累计按键事件 | 八百余条 | 行数减一 |
| 真值标签 | 患者 | 汇总表 gt |
| UPDRS-III | 二十七 | 汇总表 updrs108 |
| 单键敲击 | 一百八十四点五 | 汇总表 sTap |
| nQi | 零点一零七 | 汇总表 nqScore |
把这一场当作贯穿案例，是因为它落在第二批里，只有一场会话，不涉及「同一人两场」的复杂情形，跟起来最省力。§5.4、§7.3 与 §9.2 都会回到这同一份会话，用不同的处理方式再看它一遍。
2.5 与同类资源的字段差异
| 对比项 | MIT-CSXPD | 步态类帕金森库 | 语音类帕金森库 | 智能手表类队列 |
|---|---|---|---|---|
| 采集载体 | 普通笔记本键盘 | 足底压力垫或惯性传感器 | 麦克风 | 腕戴设备 |
| 原始记录 | 按键事件四列 | 连续波形 | 连续音频 | 连续三轴波形 |
| 是否需要额外硬件 | 不需要 | 需要 | 需要 | 需要 |
| 单次采集时长 | 约一刻钟 | 数分钟 | 数秒到数分钟 | 数十秒到数分钟 |
| 样本规模 | 八十几人 | 数十到数百人 | 数十人 | 数百到上千人 |
| 附临床量表 | UPDRS-III 与两项敲击 | 多为 UPDRS 分项 | 多为 UPDRS 总分 | 常含多次随访 |
| 文本内容 | 不记录 | 不适用 | 保留 | 不适用 |
| 纵向次数 | 最多两场 | 多数一次 | 多数一次 | 常多次 |
这张表的重点不在规模，而在「需不需要额外硬件」这一列。其余三类资源都需要受试者戴一块表、踩一块垫或对着麦克风说一段指定的话，而这些动作本身会提醒受试者「我正在被测量」。键盘不一样，它本来就在那里，人本来就要打字。
§3 它是谁的数据：一次跨机构合作的落地
3.1 作者、机构与出处
这个库出自 MIT 的 neuroQWERTY 项目。官方给出的作者名单有十人：Luca Giancardo、A. Sánchez-Ferro、T. Arroyo-Gallego、I. Butterworth、C. S. Mendoza、P. Montero、M. Matarazzo、J. A. Obeso、M. L. Gray 与 R. San José Estépar。名单横跨两地：一半是 MIT 的计算与影像方向，一半是马德里的运动障碍临床方向。这种构成解释了这份数据为什么既有工程化的采集设计，又有规范的临床量表。
项目得到三家资助：马德里自治区、Fundación Ramón Areces 与迈克尔·J·福克斯帕金森研究基金会，资助编号 10860。官方致谢里还提到了 M+Vision 项目的指导，以及波士顿麻省总医院、马德里 12 de Octubre 医院、圣卡洛斯临床医院与 HM CINAC 神经科学中心的临床合作者。
伦理审查走了三条线，编号都可查：MIT 的委员会编号 1402006203，12 de Octubre 医院的 14/090，圣卡洛斯临床医院的 14/136-E。三家机构各自的编号同时出现，说明数据采集是两地三机构联合批准的，这在个体化数据里不常见。
3.2 时间线
| 时间 | 事件 | 依据 |
|---|---|---|
| 2014 年上半年 | 第一批会话开始 | 文件名时间戳最早落在 2014 年 5 月 |
| 2014 年下半年 | 第一批复测与会话收尾 | 时间戳延续到 2014 年 12 月 |
| 2015 年全年 | 第二批采集 | 时间戳从 2015 年 2 月到 12 月 |
| 2016 年上半年 | 第二批收尾 | 时间戳到 2016 年 5 月 |
| 2016 年 | 论文发表于 Scientific Reports | 期刊卷号第 6 卷，文章号 34468 |
| 2016-12-20 | 以 1.0.0 版上线 PhysioNet | 页面上的发布日期 |
| 2018 年 | 作者发布更正说明 | 存在一条独立的更正记录 |
| 2019-02-20 | 补充校验和清单 | 文件区里 SHA256SUMS.txt 的日期 |
时间线上有两处值得注意。第一处是采集跨度：从 2014 年 5 月到 2016 年 5 月，前后两年，而两批数据分属前后两个阶段，第二批的人数比第一批更多、每人只来一次，这个变化说明设计在第一批之后被简化了。第二处是那条 2018 年的更正，官方页面本身没有把更正内容展开，正文里提到论文时应当连带说明存在更正，而不是只引用原论文。
3.3 采集场景：一台机器、一套系统、一个普通文字处理软件
官方对采集条件的描述很短，但每一句都决定了数据的用法：
| 采集条件 | 官方描述 | 对数据的影响 |
|---|---|---|
| 硬件 | 联想 G50-70，i3-4005U，4 MB 内存，15 英寸屏 | 单一机型，跨设备无法验证 |
| 系统 | Manjaro Linux | 键码与修饰键命名随系统而定 |
| 软件 | 标准文字处理软件 | 不打字以外的操作，非定制任务 |
| 文本 | 不限定，受试者自由打 | 内容不进数据，语义分析无从下手 |
| 时长 | 不限定 | 实际落在约九百秒 |
| 纠错 | 允许，但要受试者自愿 | 退格事件在日志里，可用可不用 |
| 时间分辨率 | 3/0.28 毫秒（均值/标准差） | 官方口径，未说明统计对象 |
| 场景 | 让受试者像在家一样打 | 与诊室任务相比更接近日常 |
「让受试者像在家一样打字」这一句是整份数据的性格所在。绝大多数运动症状的量化测试都是指定任务：敲手指十下、走六米、画螺旋。指定任务的好处是可比，坏处是它与日常生活差得太远，受试者在被观察时会不自觉地调整动作。自由打字反其道而行，代价是每人打的字不一样、时长不一样、节奏不一样，可比性要靠后续的特征提取补回来。
那台笔记本的内存写成 4 MB，这在官方页面里是原话。按 2014 年的机型规格，这里大概率是想写 4 GB，但官方页面确实写的是 4 MB。这个数字对数据本身没有影响，抄进方法节时按官方原文照录即可，不要擅自改。
3.4 受试者是谁
| 维度 | 官方与汇总表所见 | 对泛化的含义 |
|---|---|---|
| 人数 | 85 名，分两批 | 规模偏小，二分类各半 |
| 来源 | 马德里两家运动障碍门诊 | 单一地区，无跨中心 |
| 患者与对照比例 | 两批合计患者与对照大致各半 | 类别相对平衡 |
| 临床量表 | UPDRS-III 与两项敲击测试 | 有可用的连续型监督信号 |
| 年龄与性别 | 汇总表里没有 | 无法做人口学分层 |
| 病程与用药 | 汇总表里没有 | 无法区分药物开期与关期 |
| 教育程度与母语 | 未公布 | 打字的文本语言未知 |
最后三行是这份数据最实际的短板。论文摘要给出了两组受试者的平均年龄与女性比例，说明作者手上有这些信息，但公开的汇总表没有把它们放进字段里。想做分层分析的使用者，只能去找论文的补充材料或另行申请，而不能从库里直接取。
§4 它最独特的东西：按压时长里的运动指纹
4.1 为什么「按住多久」这四个字值得单独成库
一次按键在时间上可以被切成三段：从上一个键抬起，到这个键按下，叫飞行时间；从这个键按下，到它抬起，叫按住时长；从一个键按下，到下一个键按下，叫区间间隔。三段里，飞行时间与区间间隔反映的是节奏，按住时长反映的是手指在键面上的滞留。
帕金森病的核心运动表现是动作迟缓与节律性震颤，两者都会落到按住时长上。动作迟缓让按下与抬起之间的过渡变慢，按住时长变长；震颤让同一个人的按住时长忽长忽短，即便打的是同一个键、同一个词。正因为如此，按住时长是这套数据里唯一被当作核心指标的列。飞行时间与区间间隔也可以算，但它们更大程度上反映打字策略而非运动控制。
这个区分解释了为什么整库只需要四列。有了按键名、按住时长与两个绝对时刻，三段间隔全都能重建；多记一列都是冗余，少记一列就会丢掉一段。
4.2 官方提出的复合指数 nQi
汇总表里那一列 nqScore 是官方论文的核心产出。按论文摘要的描述，它的构造方式是：先取按键的按住时长序列，再在时序上自动发现其中的模式，最后用一个集成回归算法把这些模式折算成一个指数。官方称这个指数能区分早期帕金森组与对照组。
| 构成要素 | 官方口径 | 使用时的注意 |
|---|---|---|
| 输入 | 按住时长的时间序列 | 不是原始四列，中间有一步特征化 |
| 方法 | 时序模式发现加集成回归 | 具体实现不在库里，只在论文里 |
| 输出 | 一个连续值 | 可为负，不是概率 |
| 用途 | 区分早期帕金森与对照 | 只有论文层面的评测 |
| 可用性 | 汇总表直接给出每个受试者的取值 | 省去重算，但看不到中间量 |
这一列的存在，让没有条件重跑论文方法的人也能直接拿到一个官方的对照基线。这是这个库比多数小型数据集慷慨的地方：它不仅给原始数据，还把作者自己的模型输出一起交了出来。代价是这一列不能当标签用——它是模型的产物，用它当训练目标再评自己，是循环论证。
4.3 四列之外还有三列临床量
汇总表里与 nQi 并排的，是三个来自临床的量：UPDRS-III 总分、交替手指敲击成绩、单键敲击成绩。这三列把「键盘上的表现」与「诊室里医生看到的表现」放在了同一行，是这个库最有用的一处安排。
| 临床量 | 含义 | 在本库里的形态 | 缺测情况 |
|---|---|---|---|
| UPDRS-III | 运动检查部分的总分 | 连续值，越大症状越重 | 两批基本齐全 |
| 交替手指敲击 | 拇指与食指交替快速对敲的成绩 | 连续值 | 第一批部分缺失，第二批几乎全空 |
| 单键敲击 | 同一手指连续快速敲单键的成绩 | 连续值 | 两批基本齐全 |
交替手指敲击这一列的缺失，是两批口径不一致的直接证据。第一批的三十一行里有相当一部分填了值，第二批的五十余行里只有零星几个填了值，其余全空。这意味着任何想用「交替手指敲击」做对照的分析，实际上只能落在第一批的三十一人身上，而这一批恰好只有三十一人。
单键敲击这一列则基本完整。论文摘要里给过一个关键对照：在这个受试群里，键盘方法的判别能力高于交替手指敲击与单键敲击两项临床定量测试。这个结论是整份数据的立论基础，也是它被反复引用的原因。
4.4 案例：受试者 1000 的按压时长在三处被回看
回到 §2.4 介绍的那位受试者。他的 nQi 是零点一零七，落在全库的中间偏上位置；他的 UPDRS-III 是二十七分，属于症状明确但不极端的区间；他的单键敲击一百八十四点五，属于偏慢。三列数值指向同一个方向：动作偏慢。
这段一致性对使用者有直接意义。它说明 nQi 这一列并非随机产生，它在个体层面确实与临床严重程度同向。但它同时也提示了一个风险：如果某个模型同时用 nQi 和 UPDRS-III 作为输入去预测真值，它实际上是在用两个高度相关的量去预测第三个，性能会虚高，而结论没有增量。
§5.4 会把这份会话切成窗口看，§7.3 会把它放进偏差清单里看，§9.2 会把它当作最短流程的验证对象。同一份文件在四处被看到，正好演示了这个库的三种读法：当数据、当证据、当样本。
4.5 它支撑的三类实验
| 实验类型 | 设计 | 它能给的 | 结论强度 |
|---|---|---|---|
| 击键特征二分类 | 按受试者提取特征，二分类患者与对照 | 八十几人的标签，类别大致平衡 | 中，可作方法对比 |
| 特征与临床量的相关 | 把 nQi 类特征与 UPDRS-III 做相关 | 两列在同一张表里 | 中，样本小、相关不稳 |
| 纵向变化观察 | 第一批同一人两场会话的变化 | 只有十六人真正有两场 | 弱，只能定性 |
第三类最容易出问题。第一批名义上每人两场，但公开目录里只有十六人真的留下了两场。用这十六人观察「症状在两周内变化了多少」，置信区间会宽到没有解释力。§2.4 的案例在这个位置上是反例——他属于第二批，只有一场，完全无法参与纵向分析。
4.6 边界条件：什么时候它不再适用
| 条件 | 是否适用 | 判断依据 |
|---|---|---|
| 击键动力学特征工程 | 适用 | 四列事件流完整 |
| 二分类方法验证 | 有条件适用 | 标签完整但样本小 |
| 与临床量表做相关 | 有条件适用 | 第一批可用，第二批缺一项 |
| 跨设备鲁棒性 | 不适用 | 只有一款机型 |
| 人口学偏差分析 | 不适用 | 无年龄与性别字段 |
| 文本或语言分析 | 不适用 | 不记录文本 |
| 症状进展建模 | 不适用 | 随访最多一次 |
| 与其他模态融合 | 不适用 | 无配对样本 |
§5 怎么拿到：从目录遍历到特征表
5.1 目录与体积
| 路径 | 内容 | 量级 |
|---|---|---|
/files/nqmitcsxpd/1.0.0/neuroQWERTY.zip |
全量打包 | 2.1 MB |
/files/nqmitcsxpd/1.0.0/nqDataLoader.py |
官方加载模块 | 9.8 KB |
/files/nqmitcsxpd/1.0.0/readme.ipynb |
官方演示 | 76.7 KB |
/files/nqmitcsxpd/1.0.0/SHA256SUMS.txt |
逐文件校验和 | 13.7 KB |
MIT-CS1PD/data_MIT-CS1PD/*.csv |
第一批会话 | 62 个文件 |
MIT-CS2PD/data_MIT-CS2PD/*.csv |
第二批会话 | 54 个文件 |
MIT-CS1PD/GT_DataPD_MIT-CS1PD.csv |
第一批汇总 | 32 行 |
MIT-CS2PD/GT_DataPD_MIT-CS2PD.csv |
第二批汇总 | 55 行 |
解压后 7.3 MB，压缩包 2.1 MB，页面给了三种取法：直接下载 ZIP、wget 递归、AWS S3 同步。这个体量意味着整库可以一次读完并全部驻留内存，做特征工程时不必考虑分片。
5.2 批量获取
#-- 只拉两张汇总表，先把人群结构看清楚
mkdir -p data && cd data
curl -sL https://physionet.org/files/nqmitcsxpd/1.0.0/MIT-CS1PD/GT_DataPD_MIT-CS1PD.csv -o gt1.csv
curl -sL https://physionet.org/files/nqmitcsxpd/1.0.0/MIT-CS2PD/GT_DataPD_MIT-CS2PD.csv -o gt2.csv
wc -l gt1.csv gt2.csv
#-- 再整包拉下来，一次到位
curl -sL https://physionet.org/files/nqmitcsxpd/1.0.0/neuroQWERTY.zip -o nq.zip
unzip -q nq.zip -d nq
find nq -name '*.csv' | wc -l
#-- 逐文件核对校验和
curl -sL https://physionet.org/files/nqmitcsxpd/1.0.0/SHA256SUMS.txt -o SHA256SUMS.txt
sha256sum -c SHA256SUMS.txt --quiet
第三段校验和命令在数据根目录执行即可。官方清单里的路径是相对写法，与解压后的目录结构对应得上。
5.3 建立受试者索引
第一步不是读击键，而是把两张汇总表拼成一张受试者表，并把每份会话文件挂到对应的人身上。
import pandas as pd
B1 = "data/nq/MIT-CS1PD/GT_DataPD_MIT-CS1PD.csv"
B2 = "data/nq/MIT-CS2PD/GT_DataPD_MIT-CS2PD.csv"
a = pd.read_csv(B1)
b = pd.read_csv(B2)
a["batch"] = "CS1"
b["batch"] = "CS2"
gt = pd.concat([a, b], ignore_index=True)
gt["pID"] = gt["pID"].astype(int)
f1 = "data/nq/MIT-CS1PD/data_MIT-CS1PD/"
f2 = "data/nq/MIT-CS2PD/data_MIT-CS2PD/"
rows = []
for _, r in gt.iterrows():
prefix = f1 if r["batch"] == "CS1" else f2
for col in ("file_1", "file_2"):
if col in gt.columns and isinstance(r.get(col), str):
if r[col].endswith(".csv"):
rows.append({"pID": r["pID"], "batch": r["batch"],
"path": prefix + r[col], "gt": r["gt"]})
sess = pd.DataFrame(rows)
print(len(gt), gt["gt"].value_counts().to_dict())
print(len(sess), sess["pID"].nunique())
这段代码会直接暴露一处口径问题：会话表挂出来的条数，与文件系统里的实际文件数对不上。表里能挂上的会话多于目录里真实存在的文件，说明汇总表列了文件而目录里没有。这个差异留在 §7.3 处理。
5.4 把一份会话切窗
拿 §2.4 的案例会话做示范，把一段九百秒的按键序列切成固定时长的窗口，每个窗口算一组统计量。
import numpy as np
import pandas as pd
p = "data/nq/MIT-CS2PD/data_MIT-CS2PD/1424946827.1000_001_014.csv"
k = pd.read_csv(p, header=None, names=["key", "hold", "rel", "press"])
k["hold"] = k["hold"].astype(float)
k["press"] = k["press"].astype(float)
k["flight"] = k["press"] - k["press"].shift(1)
#-- 官方过滤器：剔掉负值与五秒以上的按住时长
k = k[(k["hold"] > 0) & (k["hold"] < 5)].reset_index(drop=True)
k["win"] = (k["press"] // 60).astype(int)
feat = k.groupby("win").agg(
hold_mean=("hold", "mean"),
hold_std=("hold", "std"),
flight_mean=("flight", "mean"),
n_key=("hold", "size"),
).reset_index()
print(feat.shape, feat["win"].max() + 1)
print(feat.head(3).round(4))
窗口选六十秒，是因为案���会话约九百秒，切出来正好十几段，够画一条趋势线又不至于每段样本太少。切窗时一定要把受试者编号与批次一起带下去，否则后面按窗口划分训练测试时，同一个人的窗口会散落在两边。
5.5 用官方脚本读，少走弯路
官方提供的 nqDataLoader.py 里有一个 NqDataLoader 类，它做的三件事是自己动手时最容易漏掉的：剔除负值与异常长的按住时长、把不连续的时间戳修掉、按需过滤掉鼠标与长修饰键。
import importlib.util as u
spec = u.spec_from_file_location("nq", "data/nq/nqDataLoader.py")
nq = u.module_from_spec(spec)
spec.loader.exec_module(nq)
p = "data/nq/MIT-CS2PD/data_MIT-CS2PD/1424946827.1000_001_014.csv"
keys, hold, t_start, t_end = nq.getDataFiltHelper(p)
print(len(keys), float(np.mean(hold)), float(np.std(hold)))
这个模块是按 Python 2 写的，print 语句与 has_key 都还留着，直接 import 会报语法错。上面这段用一个兼容的加载方式绕过了导入环节，但如果模块内部有语法错误，仍然会失败。稳妥的做法是自己重写那几十行的过滤逻辑，或者用官方的演示笔记本先跑一遍确认环境。
5.6 六个最容易出错的地方
| 位置 | 错误写法 | 后果 | 正确做法 |
|---|---|---|---|
| 列语义 | 按页面字面顺序把第 3 列当按下时刻 | 飞行时间为负，节奏全反 | 用第 2 列当按住时长，或按第 4 列减第 3 列 |
| 数据划分 | 按会话随机切分 | 同一人两场分落两侧，指标虚高 | 按 pID 分组 |
| 观测单位 | 把会话当样本 | 有多少人就有多少样本，但人数远少于会话数 | 以受试者为单位，会话只作内部窗口 |
| 缺失列 | 假定 file_2 一定存在 |
第二批汇总表没有这一列 | 读列前先判断列名 |
| 敲击成绩 | 直接用 afTap 做全库对照 |
第二批几乎全空 | 只用第一批做这项对照 |
| 区间与单位 | 把时间戳当相对秒 | 时间轴跨到一亿量级 | 用前缀换日期，用列里的秒做轴 |
§6 与库内条目的关系
6.1 关系图谱
在帕金森相关的公开数据里，这个库的位置不在「规模」轴上，而在「需不需要额外硬件」这条轴上。把库内可对照的几类资源摆开：
| 记录 | 采集载体 | 与 MIT-CSXPD 的关系 |
|---|---|---|
| Gait in Parkinson’s Disease | 足底压力垫 | 互补：它给步态，本库给手部精细动作 |
| 帕金森病智能手表数据集 | 双腕智能手表 | 互补：它给连续动作学，本库给按键事件 |
| 帕金森语音（UCI） | 麦克风 | 互补：它给声学特征，本库给击键时序 |
| 帕金森叩击类公开数据 | 专用敲击设备 | 竞争：同样测手指敲击，但需专用硬件 |
| PPMI 等大型队列 | 多模态随访 | 不在同一量级：它做队列，本库做方法 |
| 通用击键动力学数据 | 键盘 | 不同任务：那类数据做身份识别，本库做疾病 |
真正有直接可比性的只有第四行。两类数据都在量化「手指快速敲击」这件事，区别在于一类要专用设备、一类只要一把普通键盘。§4.3 里提到的单键敲击成绩，就是那种专用测试在本库里的投影。
6.2 检索路径
| 你要找的东西 | 检索词 | 会落到哪里 |
|---|---|---|
| 击键作为生物标志物的原始数据 | keystroke dynamics Parkinson、hold time |
§4.1 与 §7.4 |
| 本库的官方出处 | neuroQWERTY、MIT-CSXPD |
§3.1 与 §9.3 |
| 与临床量表的对照设计 | UPDRS-III、finger tapping |
§4.3 |
| 无感采集的方法学依据 | passive monitoring、digital biomarker |
§3.3 |
| 帕金森其它模态的公开数据 | gait Parkinson、voice Parkinson |
§6.1 表 |
| 许可与引用规范 | 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 |
|---|---|---|---|
| 大规模帕金森队列建模 | 多中心纵向队列 | 只在对照列出现 | 八十几人不成队列 |
| 击键特征的方法验证 | 本库 | 主力 | 四列结构干净，附临床量 |
| 跨设备击键鲁棒性 | 多设备采集的库 | 不适用 | 只有一款机型 |
| 手指运动的多模态融合 | 含敲击与影像的库 | 一支 | 本库只有键盘一支 |
| 数字表型与用药关系 | 带用药记录的库 | 不适用 | 无用药字段 |
| 教学演示事件流结构 | 本库 | 主力 | 体量小、结构极简 |
第二行与第六行是它真正的位置。把这六行里任何一个「不适用」交给它，不是它不够好，而是它从设计上就没打算覆盖。
§7 质量评估与局限性
7.0 阅读本节前的一个前置校正
评价这个库最常见的误判，是把它当成一份「帕金森数据集」去和 PPMI 那种队列比人数，然后得出「八十几个人不值一提」的结论。这个比较是错位的。队列的目标是回答人群层面的问题，而本库的目标只有一个：证明普通键盘上的按压时长确实与运动症状相关。对后者，八十几个人已经够做出统计上可见的差异，人数再多也不会让结论更硬，只会让它更贵。
第二个常见误判方向正好相反：因为它体量小、结构简单，就以为它「随便拿来做点什么都可以」。它其实很窄。窄在只有一种硬件、一种输入环境、一批没有人口学字段的受试者。完成这两次校正之后，五维评分才读得准。
7.1 五维评分
按 DAIMS 的常用维度打分，每项 1–5 分，锚定在「作为击键生物标志物的方法验证数据」这个用途：
| 维度 | 分数 | 理由 |
|---|---|---|
| 数据规模 | 2 | 八十几人、八十四份会话，训练不足，验证勉强够 |
| 标注质量 | 4 | 有临床量表与真值标签，但缺人口学与用药 |
| 任务适配 | 5 | 无感采集、四列结构、附官方指数，三者叠加极少见 |
| 文档完整 | 3 | 结构说清楚了，但两批口径差异与文件数缺口未说明 |
| 可获取性 | 5 | 免注册、ODC-BY、两兆、一次下完 |
合计 19 分（满分 25）。分数结构很典型：适配与可获取拉满，规模拖后腿，标注因为缺关键字段而停在四分。任务适配给满分，是因为它占着一个别人很难复制的位置——要重做一次这样的采集，得重新走三家伦理审查、重新约两批受试者、重新写一套采集程序，而产出的仍然只是八十几个人。
标注质量没有给满分，扣在「缺人口学」这一条上。对方法验证，年龄与性别不是必需的；但对任何想做分层或偏倚分析的使用者，这两个字段缺失就直接封死了一类问题。
7.2 两批口径的真实差异
官方把数据分成两批，但两批的字段并不完全一致。这一点不写清楚，使用者很容易在合并时静默出错。
| 项 | 第一批 | 第二批 | 差异的影响 |
|---|---|---|---|
| 受试者数 | 三十一 | 五十四 | 合计八十五 |
| 每人会话数 | 名义两场 | 一场 | 第一批才有纵向可能 |
| 汇总表列数 | 含 file_2 |
只有 file_1 |
合并时该列全空 |
| 交替手指敲击 | 部分有值 | 几乎全空 | 该项对照只能用第一批 |
| 编号范围 | 两位数 | 四位数 | 编码即可区分批次 |
| 采集时间 | 集中在 2014 年 | 2015 年至 2016 年上半年 | 两批之间隔了一个冬天 |
最后一行值得单独说。第一批与第二批之间相隔约半年到一年，两批之间的差异可能来自受试者构成的变化，也可能来自季节、设备状态或采集程序的微调。官方没有做批次效应的分析，使用者若要合并两批，至少应把批次作为一个协变量放进模型。
7.3 已知的、可枚举的偏差
| 偏差 | 表现 | 影响 |
|---|---|---|
| 招募集中 | 马德里两家运动障碍门诊 | 单一地区，无跨中心验证 |
| 无人口学字段 | 汇总表无年龄、性别、病程 | 无法分层，无法做人群归因 |
| 无用药记录 | 未标注开期与关期 | 症状波动无法剥离 |
| 单一硬件 | 一款联想笔记本 | 跨设备不可验证 |
| 交替敲击缺测 | 第二批该列几乎全空 | 该项对照只能落在第一批 |
| 会话数缺口 | 汇总表列出多于目录实有 | 按表读取会缺文件 |
| 会话数与人数的对应 | 八十五人对八十四份 | 有人一场会话都没公开 |
| 文本不记录 | 只有键名 | 语义与语言分析全断 |
第六行与第七行是操作层面最容易踩的两个坑。官方页面说 85 名受试者分两批、第一批每人两场，那么第一批的会话总数按设计应是六十二份，第二批应是五十四份，合计一百一十六份；目录里实际是一百一十六减去三十余份。汇总表里列的会话名与目录里的实有文件也不完全对得上，按表逐个 open 会抛文件不存在。
这两处差异官方没有解释。合理的推测是部分会话未获准公开，或者采集程序在中途换了版本、旧文件没有随数据一起发布；但这些都是推测，正文只把两个口径并列写出来，不对成因下判断。
7.4 外部验证矩阵
这个库在公开文献里的用法，可以从它的被引情况看出轮廓：
| 验证角色 | 典型做法 | 讲得通的地方 | 风险 |
|---|---|---|---|
| 官方方法的复现 | 重跑论文的时序模式加集成回归 | 有 nQi 与临床量可对照 | 缺实现细节，复现难度高 |
| 深度模型的对照基准 | 用较新的网络在 84 份会话上重跑 | 体量小，训练快，便于比对 | 样本小，结果方差大 |
| 特征工程的消融 | 换不同的击键统计量做消融 | 四列结构，特征空间可穷举 | 过拟合难以与真信号区分 |
| 跨模态的引证 | 引用它说明「键盘也能测」 | 立论清楚，引用方便 | 只作背景引证，未新增分析 |
| 隐私讨论的案例 | 用它说明「不记文本也能做分析」 | 四列设计本身即论据 | 讨论层面，非实证 |
第一行与第二行是主流。第三行的风险最隐蔽：八十几个人二分类，特征空间一穷举就能找到几组看起来很强的组合，而这些组合多半在换一批人之后就不成立。用这个库做消融，必须固定受试者划分并报告多次随机种子的波动范围，否则数字没有意义。
7.5 它为何能持续：一个不需要硬件的入口
这份数据自 2016 年上线以来没有再扩充，却一直在被引用。原因不在于它有多完美，而在于它占着一个很难被后来者挤掉的位置：它是一个不需要任何额外硬件就能做的帕金森数字生物标志物实验。要做类似的采集，你得重新走三家伦理审查、重新组织临床合作、重新让八十几个人在诊室里坐下一刻钟——成本不高，但麻烦；而产出的数据仍然只是这些小。所以只要「无感监测」这个方向还在，它就会被当成第一块砖被引用。
§8 生态位与历史
8.1 历史沿革
这个库的诞生路径，是工程实验室与临床科室一次典型的合作。neuroQWERTY 项目在 MIT 的计算与影像方向发起，但数据的采集点不在波士顿而在马德里：12 de Octubre 与圣卡洛斯临床两家医院的运动障碍门诊。选择马德里，官方致谢里给的理由是那里的临床合作者与 M+Vision 项目的联系，而不是某条更技术性的原因。
2014 年上半年开始的第一次采集是密集的：三十一个人，每人来两次，中间隔一到两周。这个设计明显是想看「同一批人两次测量之间是否稳定」。2015 年之后开始的第二次采集换了策略，五十四个人，每人只来一次，编号也重新起步为四位数。人数增加了七成，随访取消了。这个变化说明研究团队在第一批数据之后，把重点从「稳定性」转向了「区分能力」——先证明能分开，再谈能不能跟踪。
8.2 与后续研究的关系
| 阶段 | 主要用法 | 对数据的要求 |
|---|---|---|
| 2016–2018 | 官方方法的传播与复现 | 原始数据加复合指数 |
| 2019–2021 | 深度模型在小型行为数据上的试跑 | 结构化事件流，可快速切窗 |
| 2022 至今 | 数字表型与被动监测的整体升温 | 无感采集、可与其它设备对照 |
这份数据在第三阶段重新被提起，与整个领域从「诊室里测」转向「日常生活中测」有关。在这条路上，键盘是最容易被忽略、也最容易被大规模复制的传感器——一台装了笔记本的诊室、一间装了台式机的办公室，立刻就有了一个不需要额外采购的采集点。
8.3 生态位：入口而不是仓库
| 角色 | 主力仓库 | 入口 |
|---|---|---|
| 典型用法 | 队列研究、纵向随访 | 方法可行性、概念验证 |
| 需要的前提 | 人数、随访次数、多模态 | 小体量、结构清晰、临床对照 |
| 代表资源 | PPMI 一类多模态队列 | 本库、若干小型行为数据集 |
| 失败模式 | 数据管理复杂、成本高 | 结论外推过度 |
它坐在右边这一列。把入口当仓库，会立刻撞上样本量天花板；把仓库当入口，会陷入「用一份复杂的队列去证明一个简单的问题」，成本与收益不成比例。两者分工不同，不能互换。
8.4 谁在用它，用来做什么
从被引方式看，使用者大致分三类：做数字生物标志物算法的团队，把它当作击键这一支的标配参照；做帕金森影像或语音的团队，把它当作跨模态论证里的一行支撑；做隐私与伦理讨论的研究者，把它当作「不记文本也能做分析」的现成例子。第三类最边缘，但它恰好用到了这份数据在设计上最讲究的一处——四列结构本身就是隐私与效用的折中样本。
§9 使用指引
9.1 三种角色的路径
| 角色 | 第一天 | 第一周 | 注意事项 |
|---|---|---|---|
| 算法研究者 | 读官方页面，跑通 §5.3 的索引 | 按人划分跑一个二分类基线 | 先定划分协议再比方法 |
| 临床研究人员 | 看汇总表的三列临床量 | 把 nQi 与 UPDRS-III 做对照组内相关 | 交替敲击只有第一批可用 |
| 教学人员 | 用 §2.3 的会话讲四列结构 | 用 §5.4 的切窗演示事件流建模 | 别在课堂上用全库数字讲准确率 |
9.2 一条最短的可用流程
#-- 1. 取整包并展开
curl -sL https://physionet.org/files/nqmitcsxpd/1.0.0/neuroQWERTY.zip -o nq.zip
unzip -q nq.zip -d nq
#-- 2. 看清两批各自有多少会话
ls nq/MIT-CS1PD/data_MIT-CS1PD/*.csv | wc -l
ls nq/MIT-CS2PD/data_MIT-CS2PD/*.csv | wc -l
#-- 3. 用第一批的两场会话做一次按人留出
import re
from pathlib import Path
import numpy as np
import pandas as pd
def load_one(p):
k = pd.read_csv(p, header=None, names=["key", "hold", "rel", "press"])
k = k[(k["hold"] > 0) & (k["hold"] < 5)]
if len(k) < 50:
return None
ft = (k["press"] - k["press"].shift(1)).dropna()
return {"hold_mean": k["hold"].mean(), "hold_std": k["hold"].std(),
"flight_mean": ft.mean(), "flight_std": ft.std(),
"n": float(len(k))}
root = Path("nq/MIT-CS1PD/data_MIT-CS1PD")
gt = pd.read_csv("nq/MIT-CS1PD/GT_DataPD_MIT-CS1PD.csv")
rows = []
for _, r in gt.iterrows():
acc = []
for col in ("file_1", "file_2"):
if isinstance(r.get(col), str):
f = root / r[col]
if f.exists():
rec = load_one(f)
if rec:
acc.append(rec)
if acc:
d = pd.DataFrame(acc).mean().to_dict()
d.update({"pID": int(r["pID"]), "y": int(bool(r["gt"]))})
rows.append(d)
X = pd.DataFrame(rows)
print(len(X), X["y"].sum())
print(X[["hold_mean", "flight_mean"]].round(4).head())
这一段以受试者为单位聚合，两场会话先分别算特征再取平均，最后一行才是样本。这样切出来的表有多少行，就代表有多少个可用的受试者，后面无论怎么做交叉验证，按 pID 分组都不会混入同一人。
回到 §2.4 的案例，他不在这张表里，因为他属于第二批。这也正是那段代码只读第一批的原因：一份能跑通的纵向示范，比一份混批的宽表更有教学价值。
9.3 引用方式
| 引用对象 | 内容 | 何时需要 |
|---|---|---|
| 数据集本体 | neuroQWERTY MIT-CSXPD Dataset v1.0.0，PhysioNet | 使用数据时必须 |
| 原始论文 | Giancardo L, Sánchez-Ferro A, Arroyo-Gallego T, 等. Computer keyboard interaction as an indicator of early Parkinson’s disease. Scientific Reports 6:34468, 2016 | 引用方法与结论时必须 |
| 更正说明 | 该论文在 2018 年有独立更正记录 | 引用具体数值时应一并说明 |
| 平台综述 | PhysioNet 平台论文，2026 年发表于 Nature Health | 按官方页面惯例一并引用 |
| 版本 DOI | 使用 1.0.0 版时按页面给出的 DOI 引用 | 说明数据版本时必须 |
官方页面给出的 DOI 是 10.13026/C2859Q，指向 1.0.0 版。引用时应写清版本号，因为这个库只有一个公开版本，写错版本会让人误解。
§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、两张汇总表与官方文件目录 |
| 文件核验 | 两张汇总表中列出的会话文件名已逐个与目录清单核对，逐条统计未做 |
| 案例核验 | §2.4 的会话取回并逐行查看首尾各两行，用于确认列语义与总时长 |
| 差异披露 | 官方称 85 人，两批相加为 85，公开会话数为 84，缺口成因官方未说明 |
| 论文信息 | 只读了 Europe PMC 的摘要，未读论文全文与补充材料 |
| 未核验内容 | 时间分辨率「3/0.28 毫秒」的具体统计对象、nQi 的完整算法、批次效应 |
| 图像 | 无配图；封面为生成式提示词，不含真实键盘照片 |
| 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 |
|---|---|---|
| 「它是一份生理信号波形数据」 | 是离散的键盘事件流，四列数值，无采样率 | 会话 CSV 首行与官方字段说明 |
| 「它是一件影像或语音数据集」 | 与影像、语音毫无关系，采集载体是键盘 | 官方页面 Data Collection 一节 |
| 「它只有帕金森患者」 | 两批都同时含患者与健康对照 | 两张汇总表真值列的取值 |
| 「85 人就是 85 份会话」 | 会话文件为 84 份，人数与会话数不同 | 目录清单计数与汇总表行数 |
| 「第一批每人两场，共六十二份」 | 名义如此，实际公开的只有其中一部分 | 目录清单与汇总表列名对照 |
| 「交替手指敲击两批都有」 | 第二批该列几乎全空 | 第二张汇总表的对应列 |
| 「nQi 是一个概率」 | 是回归指数，可为负 | 汇总表里存在负值 |
| 「数据里存着受试者打的字」 | 只有键名，没有文本 | 四列字段定义 |
| 「按会话随机划分就行」 | 第一批同一人两场，随机划分会泄漏 | 汇总表 file_1、file_2 两列 |
| 「能拿年龄做分层」 | 汇总表没有任何人口学字段 | 两表列名清单 |
FAQ
Q1：MIT-CSXPD 记录的到底是什么？
是键盘的打击时序，不是心电、肌电或影像。每一行是一次按键：按键名、按住时长、释放时刻、按下时刻。四个量能完整还原一个人打字时手指按下去的深浅与快慢。整库压缩后约两兆。
Q2：缩写该怎么展开？
后半段是 MIT（麻省理工学院）加 CS（临床研究站点）加 X（占位）加 PD（帕金森病）。前半段 neuro 指神经，QWERTY 指标准键盘布局——这个名字本身就是把键盘布局缩写塞进「神经」后面的文字游戏。
Q3：85 人和 84 份会话为什么对不上？
两批受试者相加正好八十五。按设计，第一批每人两场、第二批每人一场，合计应有一百多份；公开目录里只有八十四份。缺的部分集中在第一批的第二场会话上，官方没有说明成因。
Q4：能不能直接训练帕金森诊断模型？
可以做小规模的方法验证，不能当诊断模型的数据底座。八十几人、两家门诊、一款机型，决定了在这个库上跑出的准确率只是实验室里的一条曲线。
Q5：为什么按会话随机划分会虚高？
第一批有十六人真的留下了两场会话，同一个人的打字习惯与设备状态在两场之间高度相关。随机切分后，测试集的会话几乎都能在训练集找到本人的另一场，模型学到的可能只是「这是谁」。
Q6：四列里的第三列和第四列哪个先发生？
按下先于释放。官方页面按「释放、按下」的顺序描述，但官方加载脚本内部把这两列交换过一次。稳妥的做法是直接用第 2 列当按住时长，或用第 4 列减第 3 列，两者应一致。
Q7：nQi 可以直接当标签用吗？
不能。它是官方模型在按住时长序列上的回归输出，用它当训练目标再在自己的模型上评自己，是循环论证。它可以当对照基线，当作监督信号不行。
Q8：为什么第二批没有交替手指敲击成绩？
汇总表里这一列在第二批几乎全空。官方没解释，但两批的采集设计不同——第二批每人只来一次——可能是测试流程被简化了。要这项对照，只能落在第一批。
Q9：数据里能不能看出受试者打了什么内容？
不能，而且不可能。只有键名，没有文本，没有输入法状态。这是隐私设计的一部分，同时也堵死了所有文本与语言分析。
Q10：体量多大，能一次下完吗？
压缩包 2.1 MB，解压后 7.3 MB，一次下完毫无压力，也可以全部读进内存。它没有数据库后端，就是一堆 CSV 加两张汇总表。
Q11：许可能不能商用？
ODC-BY 1.0 允许包括商业用途在内的使用，条件是署名。引用时写清数据集名、版本与原始论文。
Q12：它还会更新吗？
官方没有任何扩版说明。采集在 2016 年上半年结束，同年年底以 1.0.0 版上线，2019 年只补了校验和文件，信号与汇总表未变。
术语表
| 术语 | 解释 |
|---|---|
| 击键动力学 | 研究按键时序与力度的分支，出身是身份识别 |
| QWERTY | 键盘左上角六个字母，后来成为标准布局的代称 |
| 按住时长 | 一个键从按下到抬起的间隔，本库的核心指标 |
| 飞行时间 | 上一个键抬起到下一个键按下之间的间隔 |
| 区间间隔 | 相邻两次按下的间隔，反映整体节奏 |
| 按键事件 | 一次按下与抬起组成的原子记录 |
| 会话 | 一段连续的自由打字过程，对应一个 CSV |
| 批次 | 两批实验之一，字段与人数不同 |
| 真值标签 | 汇总表里的布尔列，标识是否为患者 |
| UPDRS-III | 帕金森病统一评分量表第三部分，运动检查 |
| 交替手指敲击 | 拇指与食指快速对敲的定量测试 |
| 单键敲击 | 同一手指连续敲单键的定量测试 |
| nQi | neuroQWERTY 指数，官方模型输出的连续值 |
| 数字生物标志物 | 用设备数据刻画疾病状态的指标 |
| 被动监测 | 不要求用户执行指定任务的数据采集 |
| 无感采集 | 用户几乎察觉不到的采集方式 |
| 事件流 | 以不规则时间戳排列的离散记录 |
| 切窗 | 把连续或事件序列切成固定时长的片段 |
| 分组划分 | 以受试者为单位整体切分，防止泄漏 |
| 泄漏 | 测试信息以隐蔽方式出现在训练里 |
| 批次效应 | 不同采集阶段引入的系统差异 |
| 开期与关期 | 帕金森患者服药后症状缓解与复现的两个阶段 |
| ODC-BY | 开放数据共享署名许可 |
| DOI | 数字对象标识符，用于稳定引用 |
| PhysioNet | 生物医学数据与工具的公共平台 |
附录 A：核心数字核对表
| 项 | 值 | 来源 | 来源层级 |
|---|---|---|---|
| 受试者数 | 85 | 官方页面；两批相加 | 官方页面 |
| 第一批人数 | 31（患者 18、对照 13） | 官方页面；汇总表真值列 | 官方页面 |
| 第二批人数 | 54（患者 24、对照 30） | 官方页面；汇总表真值列 | 官方页面 |
| 会话文件数 | 84 | 文件目录清单 | 官方文件 |
| 汇总表行数 | 32 与 55（含表头） | 两张汇总表 | 官方文件 |
| 字段数 | 4 | 会话 CSV 列定义 | 官方页面 |
| 单场时长 | 约九百秒 | 案例会话末行时刻 | 官方文件 |
| 时间分辨率 | 3/0.28 毫秒 | 官方页面 | 官方页面 |
| 设备 | 联想 G50-70 i3-4005U | 官方页面 | 官方页面 |
| 压缩包体积 | 2.1 MB | 官方页面文件区 | 官方页面 |
| 解压体积 | 7.3 MB | 官方页面文件区 | 官方页面 |
| 上线日期 | 2016-12-20 | 官方页面 | 官方页面 |
| 版本 DOI | 10.13026/C2859Q | 官方页面 | 官方页面 |
| 论文 | Scientific Reports 6:34468 | 官方页面；Europe PMC | 论文摘要 |
| 许可 | ODC-BY 1.0 | 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。 受试者数、两批人数与患者对照构成、字段定义、采集设备、时间分辨率、体积、上线日期、DOI、许可，都来自项目主页与它的文件区。会话文件数 84 与两张汇总表的行数，直接读自文件目录清单与 CSV 本身。
第二层：论文摘要与文件派生。 判别能力的对照结果、作者名单、受试者平均年龄与女性比例，来自 Europe PMC 的摘要。单场约九百秒、文件名时间戳与日期的对应、案例受试者的会话行数，是把文件读出来算的，属于对官方文件的直接派生。
第三层：未核实。 时间分辨率那一串数字「3/0.28 毫秒」的统计对象、nQi 的完整算法、会话数缺口（应有百余份、实有八十四份）的成因、批次效应的量级、受试者的病程与用药状态。这些官方没有公布或说明不完整，正文中标「官方未说明」，不作推断。
附录 C：完整参考文献
| 编号 | 文献 | 链接 | 用途 |
|---|---|---|---|
| 1 | neuroQWERTY MIT-CSXPD Dataset v1.0.0 | https://physionet.org/content/nqmitcsxpd/1.0.0/ | 规模、结构、边界数据的来源 |
| 2 | 该库的 PhysioNet 文件目录 | https://physionet.org/files/nqmitcsxpd/1.0.0/ | 会话清单、汇总表、脚本 |
| 3 | Giancardo L 等，Scientific Reports 6:34468 | https://doi.org/10.1038/srep34468 | 方法、nQi 与判别结果 |
| 4 | Europe PMC 摘要记录 | https://www.ebi.ac.uk/[europepmc](https://www.qianfanghub.com/ai-ready-dataset/europepmc/1353)/ | 摘要原文与更正信息 |
| 5 | 作者更正记录 | https://doi.org/10.1038/s41598-018-32121-x | §3.2 与 §9.3 的更正说明 |
| 6 | 版本 DOI | https://doi.org/10.13026/C2859Q | 引用与版本定位 |
| 7 | PhysioNet 平台综述（2026） | https://doi.org/10.1038/s44360-026-00096-z | 托管模式与引用规范 |
| 8 | 帕金森步态库（对照） | https://physionet.org/content/[gaitpdb](https://www.qianfanghub.com/ai-ready-dataset/gaitpdb/1328)/ | §6.1 的模态对比 |
附录 D：任务代码
任务一：两批合并后的受试者级特征表
from pathlib import Path
import numpy as np
import pandas as pd
def feats(p):
k = pd.read_csv(p, header=None, names=["key", "hold", "rel", "press"])
k = k[(k["hold"] > 0) & (k["hold"] < 5)]
if len(k) < 50:
return None
ft = (k["press"] - k["press"].shift(1)).dropna()
return {"hold_mean": k["hold"].mean(), "hold_std": k["hold"].std(),
"flight_mean": ft.mean(), "flight_std": ft.std(),
"n_key": float(len(k)), "dur": float(k["press"].max())}
root = Path("nq")
out = []
for batch, sub, gtname in (("CS1", "MIT-CS1PD", "GT_DataPD_MIT-CS1PD.csv"),
("CS2", "MIT-CS2PD", "GT_DataPD_MIT-CS2PD.csv")):
gt = pd.read_csv(root / sub / gtname)
for _, r in gt.iterrows():
recs = []
for col in ("file_1", "file_2"):
if isinstance(r.get(col), str) and r[col].endswith(".csv"):
f = root / sub / ("data_" + sub) / r[col]
if f.exists():
rec = feats(f)
if rec:
recs.append(rec)
if recs:
d = pd.DataFrame(recs).mean().to_dict()
d.update({"pID": int(r["pID"]), "batch": batch,
"y": int(bool(r["gt"])),
"updrs": float(r["updrs108"]),
"nqi": float(r["nqScore"])})
out.append(d)
X = pd.DataFrame(out)
print(X.groupby(["batch", "y"]).size())
print(X.describe().round(3).T)
聚合时先算每场会话的特征、再按人求均值，这是唯一能保证「一个人只贡献一行」的顺序。反过来先把两场会话的行拼在一起再算均值，会让会话更长的那个人的特征被加权放大。
任务二：按人分组的基线
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GroupKFold
from sklearn.preprocessing import StandardScaler
cols = ["hold_mean", "hold_std", "flight_mean", "flight_std", "n_key"]
Xv = X[cols].to_numpy(dtype=float)
yv = X["y"].to_numpy()
gv = X["pID"].to_numpy()
acc = []
for tr, te in GroupKFold(n_splits=4).split(Xv, yv, gv):
assert set(gv[tr]).isdisjoint(set(gv[te]))
sc = StandardScaler().fit(Xv[tr])
m = LogisticRegression(max_iter=1000).fit(sc.transform(Xv[tr]), yv[tr])
acc.append(m.score(sc.transform(Xv[te]), yv[te]))
print(np.round(acc, 3), round(float(np.mean(acc)), 3))
这段代码的用途不是刷分，而是把「按受试者分组」这个协议跑通。折数取四而不是五，是因为样本只有几十个，五折会让每一折的测试集太小，波动主要由划分偶然性决定。
附录 E：如果只记五件事
| 序号 | 记住什么 | 为什么 |
|---|---|---|
| 1 | 它是击键事件流，不是生理波形 | 决定所有预处理流程的形状 |
| 2 | 八十五人、八十四份会话、四列 | 这四个数定义了它能做什么 |
| 3 | 按受试者分组，不按会话切分 | 第一批同一人两场会话会泄漏 |
| 4 | 有临床量表，但缺人口学与用药 | 能验证相关性，不能做分层 |
| 5 | 无感采集、不记文本，是它最值钱的一点 | 这是它区别于其它帕金森数据的地方 |
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 项目页与它的文件目录，把两张受试者汇总表与第一、第二批的数据子目录清单逐项对照，并取回第二批的一份会话文件查看首尾各两行以确认列语义与总时长。核对中确认了三件事：其一，两批受试者数相加恰为八十五，与官方口径一致；其二，公开会话文件为八十四份，少于按设计应有一百余份，缺口与官方描述不符，正文按两个口径并列处理；其三，第二批汇总表没有 file_2 列，交替手指敲击列几乎全空，与第一批不一致。论文侧只读了 Europe PMC 的摘要，未读全文，更正记录只确认其存在与 DOI，未核对其具体改动了哪处数值。未覆盖的内容包括：时间分辨率数字的统计对象、nQi 的完整算法、会话缺口的成因、批次效应的量级、受试者的病程与用药状态。这些均标为官方未说明。
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- tappy — 共享标签：生理信号 / 神经科学 / 帕金森病 / 可穿戴传感
- tremordb — 共享标签：生理信号 / 神经科学 / 帕金森病
- pc-gita — 共享标签：生理信号 / 神经科学 / 帕金森病
- noneeg — 共享标签：生理信号 / 神经科学 / 可穿戴传感
- consumer-grade-wearables — 共享标签：生理信号 / 神经科学 / 可穿戴传感
- gaitdb — 共享标签：生理信号 / 帕金森病 / 可穿戴传感
- multimodal-nback-music — 共享标签：生理信号 / 神经科学 / 可穿戴传感
- daphnet-fog — 共享标签：生理信号 / 帕金森病 / 可穿戴传感
- brain-wearable-monitoring — 共享标签：生理信号 / 神经科学 / 可穿戴传感
- nebula-reaching-eeg — 共享标签：生理信号 / 神经科学 / 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。
