OculusGraphy ERG — 323 人 1,975 条 ISCEV 标准全视野视网膜电图信号数据库

INFOBOX — oculusgraphy-erg 一屏速览

维度	内容
本质	全视野视网膜电图（ffERG）原始波形的功能性电生理信号库，不是图像库
官方名	OculusGraphy: Pediatric and Adults Electroretinograms Database
别名页	OculusGraphy: Ophthalmic Electrophysiological Signals Database（DataPort 另一记录页，同一库）
出处	IEEE DataPort，DOI 10.21227/y0fh-5v04 与 10.21227/r1wb-pg25
代表论文	USBEREIT 2023 pp.64–67（库描述）；Appl. Sci. 2022, 12:12365（小波尺度图）；Bioengineering 2024, 11(9):866（STFT + ViT）
采集设备	Tomey GmbH EP-1000 计算机化电生理工作站
采集地	俄罗斯叶卡捷琳堡，IRTC Eye Microsurgery Center
规模	323 名受试者 / 1,975 条信号（成人 + 儿童）
协议	五类：暗适应 2.0、明适应 2.0、最大反应 2.0、明适应 2.0 闪烁、暗适应振荡电位
采样	2 kHz，带通 0.1–300 Hz，单条 约 200–250 ms，DTL 纤维电极
载体	Excel（v2.xlsx，12.02 MB），开放获取、注册下载
库内近邻	cornorb（角膜地形图，形态学）、oct2017(311)（视网膜结构）、grape-glaucoma(860)（视野功能）
一句话消歧	本条目是"视网膜细胞对光的电反应"，是时间序列；cornorb 是"角膜表面的彩色地形图"，是图像。一个是功能，一个是形态

§0 导读：这个数据集解决什么问题

眼科 AI 的公开数据版图有一个明显的偏斜：结构影像多，功能信号少。眼底彩照、OCT、OCTA、角膜地形图、视野图——这些"看得见形状"的模态，公开数据集动辄上万例；而视网膜到底能不能正常工作这件事，临床上主要靠电生理来回答，公开可用的原始波形却屈指可数。OculusGraphy 补的正是这块空白。

视网膜电图（electroretinography, ERG）的原理不复杂：让眼睛看一次闪光，视网膜外层的感光细胞与内层的双极细胞、无长突细胞、神经节细胞会依次产生电位变化，把电极贴在角膜上就能把这些微伏级变化记录下来。波形上最先出现的是向下（负向）的 a 波，反映感光细胞外段的功能；紧随其后的向上（正向）b 波，反映双极细胞与 Müller 细胞的活动；b 波下降支上叠加的一串高频小波是振荡电位（oscillatory potentials, OP），与无长突细胞的抑制性环路相关；在明适应条件下用快速闪烁刺激，还能单独测量视锥通路的闪烁反应（flicker response）。这套分工使得 ERG 能在"结构还看得过去"的时候先发现功能异常——视网膜色素变性、先天性静止性夜盲、视锥营养不良、中毒性视网膜病变、青光眼早期，都能在 ERG 上留下痕迹。

OculusGraphy 提供的正是这样一批原始波形：323 名成人与儿童受试者，共 1,975 条记录，覆盖五类 ISCEV 体系内的刺激协议，全部在叶卡捷琳堡眼科显微手术中心用同一台 Tomey EP-1000 工作站采集，2 kHz 采样。它不是最大的 ERG 数据集，但它有一个罕见的组合：成人加儿童双队列、五协议齐全、原始波形公开、并且已经有一串方法学论文围绕它做参照系。

导读读法三则：

1. 想把这份数据当作信号分类的练手集：直奔 §2 与 §4。五类协议天然构成一个分类任务，1,975 条规模对深度模型偏小，但对经典机器学习与特征工程刚好够用；要小心的是类别不平衡与信号长度不齐。
2. 想用它做疾病诊断模型：先读 §5 与 §9。这份库的标注是"健康/病理"二元归属，没有病种、没有分期，直接训诊断模型会把不同疾病混成一个"病"类；它的真实价值在于正常值基线与特征方法验证。
3. 怕和 cornorb 或 OCT 类条目搞混：直奔 §8.1。ERG 是时间域的一维电信号，回答"功能行不行"；cornorb 是空间域的二维彩色地形图，回答"形态像不像圆锥角膜"；OCT 是结构断层，回答"层厚对不对"。三者模态互不替代。

§1 数据集速览：十问十答

Q1：OculusGraphy 这个名字是什么意思？
“Oculus”（眼）+ “graphy”（记录），直译"眼记录"。它不是某个公司的产品名，而是这个研究组给自己建的 ERG 数据库起的系列名——同族里还出现过"OculusGraphy: Norms for electroretinogram signals"（2021）、“OculusGraphy: Description of Electroretinograms Database”（2021）等多个标题变体，指的都是同一批采集数据的逐步披露与方法论文。

Q2：1,975 条与 323 人是同一口径吗？
是，但要注意"条"不是"人"。1,975 是信号条数，323 是受试者人数。一名受试者可以做多类协议、可以做双眼，因此人均记录数约为 6.1 条——这个数字本身就是一个重要提示：数据里既有"单人单协议"的稀疏记录，也有"单人五协议双眼"的完整记录，做划分时必须按人分组，不能按条随机切。

Q3：为什么说它是"ISCEV 标准"的？
国际视觉电生理学会（International Society for Clinical Electrophysiology of Vision, ISCEV）自 1989 年起陆续发布全视野 ERG 的标准协议，最新为 2022 版。OculusGraphy 的五类刺激——暗适应弱闪光、暗适应强闪光（最大反应）、明适应单闪、明适应 30 Hz 闪烁、暗适应振荡电位——正是 ISCEV 标准方案的标准组合。需要注意的是，数据库内部的协议命名沿用了设备软件的写法（"Scotopic 2.0""Maximum 2.0"“Photopic 2.0”），与文献里常见的 DA 0.01 / DA 3.0 / LA 3.0 命名不完全对应，混用时必须做映射。

Q4：波形有多长？采样多密？
采样率 2 kHz，即每毫秒 2 个点；单条信号时长最长约 250 ms，多数分析中截到 100 ms。按 250 ms 满长算，一条信号最多 500 个采样点；按 100 ms 算则是 200 个点。这个量级对深度学习来说是"极小样本"，对经典特征工程（峰谷提取、频带能量、小波系数）则刚好合适。

Q5：为什么五类信号的条数差这么多？
因为临床开单不是均匀的。最大反应（Maximum 2.0）是筛查主力，条数最多；振荡电位（OP）需要额外的滤波与判读，临床上开得最少，数据库里只有 20 条。这直接决定了五分类任务不可做——OP 类样本量太小，任何分层划分都会让某一折里出现零样本。

Q6：儿童数据占多少？
按 Appl. Sci. 2022 披露的子集统计，五类协议中儿童条数均多于成人：最大反应 80 对 42、明适应 74 对 32、闪烁 63 对 38、暗适应 53 对 23。这个偏斜不是随机波动，而是该中心儿童电生理开单量本身就高（儿童视觉发育评估、先天性视网膜病变筛查）。

Q7：标签是什么粒度？
只有健康（healthy）/ 病理（pathological）二元归属，外加年龄组（儿童/成人）。没有病种、没有分期、没有视力、没有基因型。这一点在数据库描述论文里写得很清楚，也是它作为"诊断数据集"的最大短板——它更像一个带粗标签的信号方法验证集。

Q8：数据长什么样？怎么下载？
以 Excel 表（.xlsx）承载，v2 版文件 12.02 MB。IEEE DataPort 开放获取，注册账号后即可下载，无需申请、无需签署 DUA。使用时须引用 Zhdanov 等 2022 年 Appl. Sci. 论文。

Q9：有官方基线吗？
没有统一的 leaderboard，但有一串可复现的方法论文：小波尺度图 + 决策树（2022）、STFT + 决策树/随机森林/ViT（2024）、聚类方法对照（IFMBE）。这些论文报告的是"相对提升"或"特定划分下的准确率"，不是标准基准。

Q10：这份数据和 cornorb 是什么关系？
没有血缘关系，只有器官重叠。cornorb 是 744 名患者 1,454 只眼的角膜地形图（形态学图像 + 临床表，圆锥角膜二分类）；oculusgraphy-erg 是 323 人的视网膜电图（功能信号，健康/病理）。一个在角膜前表面，一个在视网膜内层；一个是 PNG，一个是时间序列。两者同属眼科，但不可互换、不可合并、不可互作外部验证。

§2 数据构成与规格

2.1 五类协议：一份标准的"视网膜功能体检表"

ISCEV 全视野 ERG 的核心设计思想是用不同的适应状态与刺激强度，把视网膜的不同细胞通路分开考。OculusGraphy 的五类信号正对应这张"体检表"的五道题：

库内命名	标准命名对应	适应状态	主要反映	子集条数（儿童/成人）
Scotopic 2.0 ERG	DA 弱闪光（约 DA 0.01）	暗适应 ≥20 min	视杆通路整体功能	53 / 23
Maximum 2.0 ERG	DA 强闪光（DA 3.0）	暗适应	视杆 + 视锥混合最大反应	80 / 42
Photopic 2.0 ERG	LA 单闪（LA 3.0）	明适应 ≥10 min	视锥通路单闪反应	74 / 32
Photopic 2.0 Flicker	LA 30 Hz 闪烁	明适应	视锥通路的快速跟随能力	63 / 38
Scotopic 2.0 OP	DA 振荡电位	暗适应	无长突细胞抑制性环路	20（未分年龄）

表中条数为 Appl. Sci. 2022 披露的子集（合计 425 条），不是全库 1,975 条的逐类拆分；全库逐类条数未见公开，属遗留疑点。

2.2 波形成分：a 波、b 波、OP 与 PhNR

判读 ERG 波形的人，眼睛其实只盯几个点：

• a 波幅值（a-wave amplitude）：从基线到 a 波谷底的垂直距离，单位微伏。它衡量感光细胞外段的电荷分离能力，是视网膜色素变性最早受累的指标之一。
• a 波潜伏期（implicit time）：从闪光触发到 a 波谷底的时间，正常值在十几毫秒量级。潜伏期延长往往提示光转导级联变慢。
• b 波幅值：从 a 波谷底到 b 波峰顶的距离。它反映双极细胞与 Müller 细胞对感光细胞输出的放大。b/a 比值是临床最常用的判别量之一：比值下降提示内层传递受损（如先天性静止性夜盲、X 连锁视网膜劈裂）。
• b 波潜伏期：从闪光到 b 波峰顶，正常在 40–50 ms 量级。
• 振荡电位（OP）：b 波上升支与下降支上的 3–5 个小峰，需 75–300 Hz 带通滤波后单独提取。它的幅度对糖尿病视网膜病变的缺血程度敏感。
• 闪烁反应幅值：30 Hz 闪烁下波形的峰谷差，反映视锥通路的时相跟随能力。
• PhNR（photopic negative response）：b 波之后的一个缓慢负向成分，来源于视网膜神经节细胞。它不是 OculusGraphy 五类协议中单独列出的项目，但明适应单闪信号里天然含有，是通往青光眼功能评估的桥梁。

2.3 载体与字段结构

原始发布物是一张 Excel 表（v2 版 12.02 MB）。从方法论文的使用方式可以反推其结构：

• 一行一条信号：每行对应"某受试者 × 某只眼 × 某协议"的一次记录。
• 元数据列：协议类型、年龄组、诊断归属，以及受试者与记录编号。
• 幅度序列列：2 kHz 采样下 200–500 个连续的幅度值（微伏量级）。
• 无原始阻抗、无电极型号记录列：这意味着跨记录的信号质量差异无法从表中直接校正。

由于官方未公开逐列字段说明，上述结构为依据论文使用方式的推断，具体列名以下载文件为准。这一点在 §9 中列为遗留疑点。

2.4 与另两个"功能类"眼科数据的关系

库内已有的功能类眼科条目主要是视野类（如 grape-glaucoma 860 的纵向视野随访）与视力/屈光类。视野测的是"看得见多大范围"，ERG 测的是"视网膜产生多少电反应"，前者是心理物理阈值，后者是客观电生理。两者都属功能评估，但一个需要患者配合按键，一个不需要——这正是 ERG 在儿童与配合不良患者中的独特价值。

2.5 体量与"人均 6.1 条"的含义

1,975 / 323 ≈ 6.1。这个数字背后是三种可能的记录模式：

1. 完整方案：一名受试者做五类协议 × 双眼 = 10 条。
2. 单协议双眼：如只做最大反应，2 条。
3. 单眼单协议：1 条（另一眼因故未查）。

这意味着表中同一受试者的多条记录高度相关，直接在信号级随机划分训练/测试集，会让测试集里出现"训练集同一人另一只眼/另一协议"的样本。这类泄漏在生理信号文献里极其常见，也是评估结论虚高的主要来源之一。

§3 团队、机构与合作谱系

3.1 一个"工程学院 + 眼科医院"的典型组合

OculusGraphy 的作者阵容呈现出清晰的分工：

• 乌拉尔联邦大学（Ural Federal University, UrFU） 信息技术、电信与控制系统工程学院：Aleksei E. Zhdanov（项目主导）、Anton Yu. Dolganov、Vasilii I. Borisov、Mikhail Ronkin、Leonid Dorosinsky。他们负责信号处理、特征工程与机器学习建模。
• 叶卡捷琳堡眼科显微手术中心（IRTC Eye Microsurgery Ekaterinburg Center）：Vyacheslav O. Ponomarev（诊断科）、Victor N. Kazaijkin（玻璃体视网膜外科）、Alexander V. Lizunov（功能诊断与治疗控制）。他们负责临床采集、诊断判读与协议执行。
• 埃尔朗根-纽伦堡大学（FAU） 人工智能生物医学工程系：Zhdanov 兼挂、Dario Zanca、Andreas Maier。提供深度学习与医学影像分析的方法学支持。

这种"工科出方法、医院出数据"的组合，是东欧与俄罗斯医学 AI 数据集生产的典型形态：临床中心有稳定的检查量，工程院校有建模能力，双方的合作产出往往以会议论文 + 期刊论文的阶梯形式披露。

3.2 合作网络的国际延伸

后续论文的作者名单扩展到多个国家：Mikhail Kulyabin（韩国世宗大学）、Paul A. Constable（澳大利亚弗林德斯大学，视光与视觉科学）、Mohammed A. Al-Masni（约旦科技大学）、Faisal B. Albasu（UrFU 与世宗双挂）、Evdochim Lucian（Infineon Technologies Romania）、Xinqi Bao（伦敦国王学院）。这说明该数据库已经跳出单一课题组的自用范围，成为跨国合作的方法学试验床。

3.3 资助与合规

论文明确致谢俄罗斯联邦科学与高等教育部（UrFU Priority-2030 发展计划），以及 DAAD 的双边联合培养博士资助（Zhdanov）。伦理方面，Appl. Sci. 2022 声明已获得所有受试者知情同意，IRB 审查标注为"不适用"——这在回顾性使用临床检查数据的场景中常见，但也意味着伦理审查的细节无法从公开文献核验。

3.4 发表路径：会议先、期刊后

OculusGraphy 的披露节奏很典型：

1. 2020-09：IEEE DataPort 首次发布数据库（DOI 10.21227/y0fh-5v04）。
2. 2021：IEEE EDM 会议发表"正常值"论文；USBEREIT 2021 发表库描述论文。
3. 2022-12：Appl. Sci. 发表小波尺度图分析方法论文，同时在数据可用性声明里再次指向 DataPort DOI。
4. 2023-05：USBEREIT 2023 发表时域分析论文，给出"1,975 条 / 323 人"的总量口径。
5. 2024：USBEREIT 2024 与 Bioengineering 相继发表 STFT 系列分类论文。

这条路径说明：数据库是"基础设施"，论文是"使用说明书"。对使用者而言，把这几篇论文串起来读，比单看任何一篇都更能理解数据的边界。

§4 数据规模、类别分布与质量硬数字

4.1 总量口径

指标	数值	来源
受试者数	323	USBEREIT 2023 摘要
信号条数	1,975	USBEREIT 2023 摘要
信号条数（DataPort v2 页）	1,974	IEEE DataPort 2022 记录页
协议类别	5	全部论文一致
采样率	2 kHz	Bioengineering 2024
带通	0.1–300 Hz	Bioengineering 2024
单条时长	≤250 ms（多截 100 ms）	Appl. Sci. 2022 / Bioengineering 2024
文件体量	12.02 MB（xlsx）	IEEE DataPort
人均记录	≈6.1 条	1,975 / 323

4.2 年龄与协议交叉分布

按 Appl. Sci. 2022 的子集统计（425 条）：

协议	儿童	成人	儿童占比
Maximum 2.0	80	42	65.6%
Photopic 2.0	74	32	69.8%
Photopic Flicker	63	38	62.4%
Scotopic 2.0	53	23	69.7%
OP	20（合计）	—	—

儿童占比在 62%–70% 之间，这不是一个小偏斜，而是决定了数据集的"性格"：它本质上是一个以儿科为主的 ERG 库，成人数只是补充。任何声称"在成人 ERG 上验证"的研究，用到这份数据时都必须核对实际取用的成人条数。

4.3 诊断分布与不平衡量级

Appl. Sci. 2022 的分析子集里：儿童 65 条（健康 26 / 病理 39），成人 38 条（健康 11 / 病理 27）。合并后健康 37 / 病理 66，阳性率约 64%。

Bioengineering 2024 使用 DA2（Scotopic Maximum）120 条信号时明确写道：不健康样本数量是健康样本的两倍以上，需用 imbalanced-learn 的 A11KNN 欠采样做平衡。这个 2:1 到 2.5:1 的不平衡度，在生理信号二分类里属于"中等偏重"，直接训练会让模型偏向多数类，AUC 与 F1 的差距会被拉大。

4.4 信号质量与长度的一致性

原始信号最长约 250 ms，但多数样本约 100 ms。Bioengineering 2024 的处理方式是把长信号截断到 100 ms 以保持一致。这个选择有代价：ERG 的 b 波峰顶通常在 40–50 ms，100 ms 窗口刚好能覆盖 b 波与部分 OP，但会切掉 PhNR 与晚期慢成分。如果研究目标是神经节细胞功能，100 ms 截断就是硬伤。

4.5 为什么"人均 6.1 条"是个风险信号

前文已述，多协议、双眼的记录模式会让同一人的信号大量出现。Bioengineering 2024 的处理是在原始信号层面做 70:20:10 划分——这在技术上避免了"同一信号被切成多段后跨集"，但没有避免同一受试者跨集。以 120 条样本、323 人的母体来看，分层抽样后测试集里出现训练集同人的概率并不低。这是这份数据在评估严谨性上最需要使用者自行补课的地方。

4.6 质量硬数字小结

• 可用样本量：做五分类时有效样本 ≈ 1,975；做二分类时受限于有明确诊断归属的条数（论文子集中约 103 条），远小于总量。
• 协议覆盖完整度：四类协议各有数十至百余条，OP 仅 20 条，五分类中 OP 类基本只能做"出示样例"。
• 设备一致性：单台 EP-1000、单中心，硬件一致性极高；这既是优点（无域偏移）也是缺点（无泛化证据）。

§5 任务定义与标注协议

5.1 任务的三个层次

这份数据可以支撑三类任务，难度与合法性依次递减：

1. 协议分类（五分类/四分类）：给定一条波形，判断它属于哪类刺激协议。这是"信号本身长什么样"的任务，不涉及临床判断，标签绝对可靠。最适合作为方法学基线。
2. 健康/病理二分类：给定一条协议已知的波形，判断来自健康眼还是病理眼。这是论文实际做的任务，但受限于：标签粒度粗、类别不平衡、受试者级泄漏风险。
3. 正常值建模（normative modeling）：按协议 × 年龄组建模健康人群的参数分布，把偏离度作为异常分数。这是最贴合数据实际结构的任务，也是作者 2021 年 EDM 论文的方向。

5.2 标注从哪来

标签来自临床电生理诊断的判读结果，不是众包、不是自动阈值。具体流程在公开文献中没有逐步描述，但可以从机构构成推断：由 IRTC 眼科显微手术中心的功能诊断科（Ponomarev、Lizunov）依据 ISCEV 判读规范给出"健康/病理"归属，并记录年龄组。

这种标注方式的优点是专业性可靠，缺点是不可复核：没有双人独立判读的一致性系数（Cohen’s κ），没有分歧裁决记录，也没有病种细分。使用者无法判断"病理"里到底混了哪些病、比例如何。

5.3 标签的三处模糊地带

• "病理"是一个大口袋：视网膜色素变性、视锥营养不良、先天性静止性夜盲、糖尿病视网膜病变、青光眼、中毒性视网膜病变——它们的 ERG 表现方向完全不同（有的 a 波先掉，有的 b 波先掉，有的只有 OP 减弱）。把它们混成一个正类，等于要求模型学一个"什么都不对"的联合分布。
• 单眼患病 vs 双眼患病未区分：如果一名受试者一眼正常一眼患病，健眼是否被计入健康类？文献未说明。
• 年龄组边界：儿童与成人的分界年龄未公开。ERG 参数在青春期前后变化明显，边界不清会让正常值建模出现断层。

5.4 参数标注 vs 原始波形

数据库同时提供两种可用形态：原始波形（幅度序列）与可提取的经典参数（a/b 波幅值与潜伏期）。前者适合端到端学习，后者适合小样本可解释建模。Appl. Sci. 2022 的做法是两条腿走路：传统特征（CF：a、b、lₐ、l_b）与小波尺度图特征（WA）分别建树，再拼接对比。这种"手工参数 + 时频图像"的双轨设计，在样本量只有百余条的场合是最务实的方案。

5.5 推荐的标注增强

如果要在自己的研究里用这份数据，建议补三层元数据：

1. 受试者 ID 哈希：用于做 GroupKFold，杜绝跨人泄漏。
2. 协议标准化映射：把 Scotopic 2.0 / Maximum 2.0 等设备命名统一映射到 ISCEV 的 DA 0.01 / DA 3.0 / LA 3.0。
3. 质量标记：对每条波形做基线漂移、50/60 Hz 工频干扰、削顶（饱和）检测，标记为可用/可疑。

5.6 一个必须说清的事实

这份数据不是诊断金标准数据集。它没有病理确诊报告、没有基因检测、没有随访确认。它的"病理"标签是电生理判读的结论，而电生理判读本身依赖判读者经验。用它训练出来的模型，学到的是"这位判读者认为异常的模式"，不必然等于"疾病"。

§6 许可、获取与版本

6.1 一个平台，两个 DOI

OculusGraphy 在 IEEE DataPort 上以两条记录页并存：

记录页	DOI	创建/更新	声明的条数	文件
OculusGraphy: Pediatric and Adults Electroretinograms Database	10.21227/y0fh-5v04	2020 首发	—	xlsx
OculusGraphy: Ophthalmic Electrophysiological Signals Database	10.21227/r1wb-pg25	2022-09-16 创建，2022-12-10 更新	1,974	v2.xlsx，12.02 MB

两条 DOI 指向同一批采集数据的两个发布时点。论文的数据可用性声明在不同年份指向不同 DOI：Appl. Sci. 2022 指向 10.21227/y0fh-5v04，Bioengineering 2024 指向 10.21227/y0fh-5v04（引作 “Pediatric and Adults Electroretinograms Database”），DataPort 页面本身则以 10.21227/r1wb-pg25 为主。引用时两种 DOI 都能定位到数据，但学术规范上应引用论文推荐的那一个。

6.2 获取路径：注册即下载

与需要签署数据使用协议（DUA）、提交伦理审批的临床数据不同，OculusGraphy 走的是 DataPort 的开放获取通道：

1. 打开 DOI 链接，进入 IEEE DataPort 数据集页。
2. 注册/登录 IEEE 账号（免费）。
3. 点击下载 xlsx 文件（12.02 MB）。
4. 使用时按页面要求引用指定论文。

这条路径的摩擦极低，是它被多篇方法论文当作"随手可取"试验床的原因之一。但要注意：IEEE DataPort 的"Open Access"标签指的是下载无需付费，不等于 CC-BY 一类的自由再分发许可。把数据二次打包进自己的公开发布物之前，应回到记录页确认条款。

6.3 版本链

时间	版本/事件	变化
2020-09	首发（y0fh-5v04）	初始发布，条数未在摘要中强调
2021	EDM 2021 正常值论文	建立儿童/成人正常值方向
2022-09	新记录页创建（r1wb-pg25）	标题改为 Ophthalmic Electrophysiological Signals Database
2022-12	v2.xlsx 更新	条数 1,974，12.02 MB
2023-05	USBEREIT 2023	总量口径写作 1,975 条 / 323 人
2024	USBEREIT 2024 + Bioengineering 2024	方法论文，未再改数据

版本差异的关键点：1,974 与 1,975 的差异（1 条）在公开材料中没有解释。可能是补录了一条信号，也可能是统计口径（是否计入某条质量不合格记录）不同。使用时应以自己下载的版本实际计数为准。

6.4 引用规范

数据库的引用要求明确写在 DataPort 页面上：使用该资源时须引用 Zhdanov 等的 Appl. Sci. 2022 论文。规范写法：

Zhdanov, A.; Dolganov, A.; Zanca, D.; Borisov, V.; Ronkin, M. Advanced Analysis of Electroretinograms Based on Wavelet Scalogram Processing. Applied Sciences 2022, 12, 12365. https://doi.org/10.3390/app122312365

若还使用了库的描述口径，建议同时引用：

Albasu, F. B.; Dey, S.; Dolganov, A. Yu.; El Hamzaoui, O.; Mustafa, W. M.; Zhdanov, A. E. OculusGraphy: Description and Time Domain Analysis of Full-Field Electroretinograms Database. In Proceedings of the 2023 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT), Yekaterinburg, 2023; pp. 64–67. https://doi.org/10.1109/USBEREIT58508.2023.10158887

6.5 与库内其他条目的获取摩擦对比

条目	平台	门槛	许可明确度
oculusgraphy-erg	IEEE DataPort	注册即可下载	页面未明示 CC 类型
cornorb	Zenodo	直接下载	CC-BY-NC 4.0 明确
oct2017（311）	Kaggle/Mendeley	注册	多为 CC BY 或自定义
grape-glaucoma（860）	机构申请	需签署协议	明确但严格

这份数据属于"门槛最低、许可最模糊"的一类。低门槛利于复现，模糊许可则要求在二次分发前多做一步确认。

§7 评估、基线与生态

7.1 三篇论文，三种方法路线

围绕 OculusGraphy 的方法论文构成了一条清晰的技术演进线：

论文	特征表示	模型	关键结论
Appl. Sci. 2022	CWT 尺度图 + 连通域几何特征（CF + WA）	决策树	成人相对提升 19%，儿童 20%
USBEREIT 2024	STFT 频谱图 + 手工强度特征	决策树	窗函数与尺寸/重叠影响显著；类别不平衡与分辨率权衡是主要障碍
Bioengineering 2024	STFT 频谱图（8 窗 × 21 组合）+ 四强度特征	DT / RF / DenseNet121 / ResNet50 / VGG16 / VGG19 / ViT-Small	ViT-Small + Hamming 窗 81.2%；RF + Boxcar/Bartlett 70.83%（AUC 72.22%）；DT 66.67%

7.2 Appl. Sci. 2022：把小波尺度图当"图像"来读

该文的方法链条值得细看，因为它代表了一种在没有大规模标注时仍然能做出论文的思路：

1. 对 ERG 信号做连续小波变换（CWT），基函数选 8 阶高斯小波，得到时间-频率-能量三维的尺度图。
2. 把尺度图值域映射到 0–255 的 8 位灰度。
3. 用 Otsu 法二值化，再用 3×3 核做腐蚀去掉数字处理伪影。
4. 用 OpenCV 的连通域分析找出"能量块"（markers），把尺度图切成 1–6 号分段。
5. 从每个分段提取亮度最大值 B_max、对应的时间与频率、亮度中位数/均值以及分位数极值。
6. 与传统特征（a、b、lₐ、l_b）组合，喂给决策树，5 折分层交叉验证。

结论的相对性：论文报告的是"比传统特征法提升 19%/20%"，不是绝对准确率。相对提升在没有基线绝对值的情况下，信息量有限。

作者自己承认的缺陷：在全量数据上先做特征选择、再交叉验证，可能引入数据泄漏；但因样本量太小无法避免。这句话值得所有使用者记住——小样本论文的交叉验证数字，普遍偏乐观。

7.3 Bioengineering 2024：窗函数的系统消融

这篇论文做了一件很"工程"的事：把 STFT 的参数空间扫了一遍。8 种窗（Boxcar、Hann、Hamming、Tukey、Bartlett、Blackman、Blackman-Harris、Taylor）× 21 种尺寸/重叠组合 = 168 种配置，每种配置生成频谱图后同时喂给经典 ML（手工特征）与深度模型（频谱图图像）。

值得记住的三条结论：

• 深度学习路线：ViT-Small + Hamming 窗达到 81.2%，是最优组合。ViT 的全局注意力对频谱图里"能量团块的空间关系"更敏感。
• 经典路线：随机森林 + Boxcar（矩形）或 Bartlett 窗平均 70.83%，AUC 72.22%；决策树 66.67%。手工四特征里 bmean 最重要，bmin 几乎无信息。
• 窗函数的影响在不同路线里方向不一致：对深度模型影响大，对经典 ML 影响小；而窗尺寸与重叠的影响比窗类型更大——大窗带来更好的频率分辨率。

必须先说清的前提：这篇论文只用了 120 条 DA2（暗适应最大反应）信号，不是全库 1,975 条。所以 81.2% 这个数字不能当作"OculusGraphy 基准"，只能当作"120 条样本、特定划分下的一次实验结果"。

7.4 为什么没有 leaderboard

与眼底图像挑战赛（REFUGE、JustRAIGS、FIVES）不同，OculusGraphy 从未组织过竞赛，也没有固定的训练/测试划分文件。每篇论文自己切分、自己预处理、自己截断信号长度，结果之间不可直接比较。这对方法学研究是自由的，对"选型参考"则是不友好的。

7.5 生态定位：谁在用它

从引文网络看，使用这份数据的工作集中在三类：

1. 信号处理组：STFT、小波、经验模态分解、聚类等时频方法的对照实验。
2. 生物医学工程教学：作为"小样本生理信号分类"的课堂数据集，规模适中、格式简单。
3. 眼科正常值研究：儿童 ERG 参数随年龄变化、双眼对称性等。

值得注意的是，它很少被用作"疾病诊断模型"的主数据集——因为标签粒度不支持。它更多扮演"方法验证的地基"角色。

7.6 复现骨架

一个能跑通的最小流程：

import pandas as pd, numpy as np
from sklearn.model_selection import GroupKFold
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score

df = pd.read_excel("Ophthalmic_Electrophysiological_Signals_Database_v2.xlsx")
# 1) 只取暗适应最大反应（DA2）子集
sub = df[df["protocol"].str.contains("Maximum", case=False)]
# 2) 按受试者分组，避免同人跨集
groups = sub["subject_id"].values
X = np.vstack(sub["waveform"].apply(lambda v: np.array(v, dtype=float)).values)
y = (sub["label"].str.lower() == "pathological").astype(int).values
# 3) 组内交叉验证
aucs = []
for tr, te in GroupKFold(n_splits=5).split(X, y, groups):
    clf = RandomForestClassifier(n_estimators=300, class_weight="balanced")
    clf.fit(X[tr], y[tr])
    aucs.append(roc_auc_score(y[te], clf.predict_proba(X[te])[:, 1]))
print("GroupKFold AUC:", np.mean(aucs))

上述列名（protocol / subject_id / waveform / label）为依据论文使用方式构造的示意名，实际列名以下载文件为准；这段代码的要点在 GroupKFold 而非具体字段。

7.7 常见失败模式

• 直接按行随机划分：AUC 虚高 5–15 个百分点，原因见 §4.5。
• 不同协议混在一起训练：波形形态差异巨大（暗适应是双相大波，闪烁是节律性小波），模型会先学"这是哪类协议"而不是"正常与否"。
• 不做基线校正：ERG 的绝对电位含电极偏移，必须先减去刺激前基线段的均值。
• 把 250 ms 信号统一补零到同一长度：补零会在频域引入阶跃，污染 STFT 结果。
• 忽略 50/60 Hz 工频：俄罗斯电网为 50 Hz，若不 notch 滤波，频谱图上会出现一条虚假亮线。

§8 生态定位与库内互链

8.1 与 cornorb 的消歧：本文最需要用力的地方

这是本条目最重要的一段，因为两条目同批产出、同属眼科，极易被读者误认为"同一件事的两种表述"。

维度	oculusgraphy-erg	cornorb
模态本质	时间域一维电信号（幅度 vs 毫秒）	空间域二维彩色图像（曲率/高度/厚度热图）
记录对象	视网膜对光的电反应	角膜前表面与后表面的几何形貌
设备	Tomey EP-1000 电生理工作站	Bausch & Lomb Orbscan 3 地形图仪
回答的问题	功能行不行（细胞还工作吗）	形态像不像圆锥角膜（形状对不对）
规模	323 人 1,975 条信号	744 人 1,454 只眼
标签	健康/病理（粗）	正常/圆锥角膜（二分类）
载体	xlsx	PNG + CSV
平台	IEEE DataPort	Zenodo
采集地	俄罗斯叶卡捷琳堡	阿尔及利亚 Tlemcen

一句话：ERG 测的是"眼睛会不会发电"，cornorb 拍的是"角膜长得像不像锥子"。前者是生理，后者是解剖。

两者的互补性其实很强：圆锥角膜主要影响角膜，视网膜功能通常正常，因此erg 与 cornorb 很少同时出现在同一患者身上——这恰恰说明它们测的不是一回事。若要做"眼科多模态综述"，两者可以并列，但不可合并计数。

8.2 与 oct2017（311）的关系：结构 vs 功能

OCT2017（Kermany 等）是视网膜 OCT 断层图像的分类数据集，四类：CNV、DME、Drusen、正常。它与 OculusGraphy 构成经典的"结构-功能"对照：

• OCT 看到的是层厚与形态（如 DME 的黄斑水肿、CNV 的视网膜下积液）。
• ERG 看到的是电活动强度（如糖尿病视网膜病变早期的 OP 减弱，此时 OCT 可能还正常）。

临床上两者经常联合使用：OCT 定位病灶，ERG 判断功能损伤程度。在 AI 研究里，把两者做成"结构 + 功能"双通道模型，是一个尚未被充分探索的方向。

8.3 与 grape-glaucoma（860）的关系：两种功能评估

GRAPE 是青光眼的纵向视野与眼底随访数据集，核心是视野（visual field）——患者盯着固视点按键，测的是"哪里看得见"。OculusGraphy 里的 PhNR 成分（虽未单列协议，但蕴含在明适应单闪中）反映的是神经节细胞功能，是视野缺损的"电生理前兆"。

两者的共同点：都是功能评估，都需要患者配合（ERG 需要固视与睁眼，视野需要按键）。不同点：视野是主观心理物理，ERG 是客观电生理。在青光眼早期，PhNR 往往先于视野缺损出现——这是 ERG 相对视野的优势，也是把两者放在一起研究的理由。

8.4 与 hvdropdb（893）、rop-vl（909）的关系：儿科视网膜

HVDROPDB 是早产儿视网膜病变（ROP）的视网膜结构分割数据，ROP-VL 是 ROP 眼底图 + 临床知识的多模态数据。OculusGraphy 的儿童队列（占比 62%–70%）与这两者有天然交集：ROP 患儿在长大后做 ERG，常表现为视杆功能受损。但要注意：OculusGraphy 的儿童受试者是否包含 ROP 病史，公开材料未说明，不能默认。

8.5 与生理信号同类的横向对照

库里已有一批成熟的生理信号条目，可以给 OculusGraphy 提供"同类参照系"：

条目	信号类型	规模	采样率	与 ERG 的可比性
physionet-cinc-2017（162）	单导联 ECG	8,528 条	300 Hz	同为"短信号 + 多类"，可借鉴其划分策略
mimic-iv-ecg（172）	12 导联 ECG	80 万+	500 Hz	规模差三个量级，说明 ERG 数据的稀缺
openecg（802）	ECG	多变	—	可与 ERG 对照"小样本怎么办"
chb-mit-scalp-eeg（72）	头皮 EEG	长程	256 Hz	同为脑/神经电生理，但 EEG 是自发、ERG 是诱发
tuh-eeg-corpus（71）	EEG	中	—	诱发 vs 自发的对照

最有价值的对照是"诱发 vs 自发"：EEG 是自发电位，需要长时间记录才能捕捉事件；ERG 是诱发电位，每次闪光都有确定的锁时结构。这意味着 ERG 的预处理更依赖刺激锁时对齐，而 EEG 更依赖伪影剔除。

8.6 建议的互链结构

oculusgraphy-erg
├── 同器官·不同模态
│   ├── cornorb（角膜地形图，形态学）
│   ├── oct2017 (311)（视网膜 OCT 结构）
│   └── octa-500 (341)（视网膜血管）
├── 同器官·同为功能
│   ├── grape-glaucoma (860)（视野）
│   └── harvard-gdp (862)（OCT + 进展）
├── 同人群·儿科
│   ├── hvdropdb (893)
│   └── rop-vl (909)
└── 同数据形态·生理信号
    ├── physionet-cinc-2017 (162)
    ├── mimic-iv-ecg (172)
    └── chb-mit-scalp-eeg (72)

8.7 与库外生态的关系

ERG 领域的公开资源本就稀薄，除 OculusGraphy 外，可提及的还有 PERG/ERG 相关的少数机构数据集（多为单中心小样本，且常以论文附件形式发布）。OculusGraphy 的稀缺性正是它的价值：在一个几乎没有公开基准的细分领域里，1,975 条带标签的原始波形已经算"基础设施级"资源。

§9 局限、风险与合规

9.1 单中心单设备：一致性与泛化的两难

全部 1,975 条信号来自叶卡捷琳堡同一中心、同一台 Tomey EP-1000。这带来两个相反的结果：

• 好处：无域偏移。不同记录之间没有设备差异、没有协议执行差异，模型学到的就是信号本身。
• 坏处：无泛化证据。换一台设备、换一个中心，a 波幅值可能差 20% 以上，模型性能会断崖式下降。

这意味着任何"在 OculusGraphy 上达到 90%+"的宣称，都必须附加"仅限同设备"的限定。

9.2 标签粒度：一个正类装了太多病

"病理"这一标签把视网膜色素变性、视锥营养不良、糖尿病视网膜病变、青光眼、中毒性视网膜病变等全部装了进去。这些病的 ERG 表现：

• 视网膜色素变性：暗适应 a、b 波显著降低甚至熄灭。
• 视锥营养不良：明适应单闪与闪烁反应降低，暗适应相对保留。
• 糖尿病视网膜病变：OP 早期减弱。
• 青光眼：PhNR 降低，全视野 ERG 变化轻微。

它们的异常方向完全不同。把四者混成一个正类训练二分类器，模型只能学到"总体能量偏低"这种粗特征，无法区分病因。这是数据集的结构性限制，不是模型能力问题。

9.3 类别不平衡与样本量

病理:健康 ≈ 2:1 以上（DA2 子集）。1,975 条的总量对深度模型来说偏小，对 ViT 这类参数量大的架构尤其如此——Bioengineering 2024 的 ViT-Small 是在 120 条信号生成的 2,520 张频谱图上训练的，过拟合风险显著。

9.4 划分泄漏

论文采用信号级 70:20:10 划分，未做受试者级分组。同一受试者的不同协议、不同眼别的记录可能横跨训练与测试集。这是本数据集评估结论最需要打折的地方。使用者若要做严谨评估，必须自己按受试者分组重划。

9.5 信号截断的代价

多数分析把信号截到 100 ms。b 波峰顶在 40–50 ms，100 ms 窗口能覆盖主波，但切掉了 PhNR 与晚期慢成分。若研究目标是神经节细胞功能（青光眼方向），必须重新从原始 250 ms 信号里提取。

9.6 缺少质量元数据

没有阻抗记录、没有电极型号记录、没有刺激器校准日志、没有固视质量评分。使用者无法从表中区分"这条信号不好"与"这个病人真的异常"。只能靠信号本身的特征（削顶、基线漂移、工频噪声）做后验筛查。

9.7 口径存照：五处公开材料之间的差异

编号	差异点	材料 A	材料 B	处理
C1	信号条数	1,974（DataPort v2 页）	1,975（USBEREIT 2023 摘要）	存照，正文以 1,975 为主口径并标注
C2	协议命名	设备命名（Scotopic 2.0 / Maximum 2.0）	ISCEV 命名（DA 0.01 / DA 3.0）	存照，正文做映射表
C3	采样率	2 kHz（Bioengineering 2024）	未在 DataPort 页声明	存照，采信论文
C4	信号时长	约 200 ms（Appl. Sci. 2022）	最长 250 ms、多截 100 ms（Bioengineering 2024）	存照，两者分别指原始与处理后
C5	数据库标题	Pediatric and Adults Electroretinograms Database	Ophthalmic Electrophysiological Signals Database	存照，视为同一库两代命名

9.8 遗留疑点清单

• 全库 1,975 条信号逐类协议的具体条数（仅知 425 条子集）。
• 儿童与成人的分界年龄。
• 受试者的双眼记录比例、单眼记录比例。
• "健康"受试者是否经过完整眼科检查排除亚临床病变。
• IEEE DataPort 记录页的具体许可条款（CC 类型）。
• xlsx 文件的逐列字段名与数据组织方式。
• 2021 年 EDM 论文中"正常值"的具体数值表（未获得全文）。

9.9 合规提示

• 临床使用：本数据集仅用于研究，不能替代临床电生理检查与医生判读。
• 二次分发：IEEE DataPort 的开放获取不等于自由再分发，打包发布前须确认条款。
• 伦理：原始论文声明已获知情同意，但未提供伦理批件编号；若用于发表，建议在方法学部分说明"数据来自公开资源，伦理审查由原始研究承担"。
• 患者隐私：数据为波形与元数据，不含影像与人脸信息，去标识化风险低；但受试者编号若与其他临床数据可关联，仍应谨慎。

9.10 一个容易忽略的风险：过度解读"病理"

如果一篇论文报告"AUC 0.9 的 ERG 病理检测模型"，读者第一反应是"这能筛查视网膜病变"。但本数据集的"病理"是电生理判读结论，不是临床确诊。模型学到的是"与判读者判断一致的模式"，而判读者本身也依赖 ISCEV 标准参数阈值。换句话说，模型可能只是在复现一套阈值规则，而非发现新生物学信号。这一点在解读任何基于本数据集的性能数字时都必须牢记。

§10 方法论评注与 AI-Ready 启示

10.1 一份"基础设施型"数据集

OculusGraphy 的定位不同于挑战赛数据集：它没有排行榜、没有固定划分、没有统一的评测脚本。它更像一份公共波形档案——你取走、你预处理、你建模，结果自负。这种形态在生理信号领域很常见（PhysioNet 的多数库都是如此），它的价值在于"有"，而不在于"好用"。

10.2 小样本 + 时频图像 = 一条务实的路径

三篇方法论文的共同思路值得提炼：把一维短信号变成二维时频图，再用成熟的图像分类方法处理。这条路线的优点：

• 绕开了一维序列建模对小样本的不友好（RNN/Transformer 直接吃 200 个点，很难训）。
• 复用了 ImageNet 预训练权重（DenseNet、ResNet、VGG、ViT）。
• 时频图上的"能量团块位置"具有直观的生理含义（低频对应慢成分，高频对应 OP）。

缺点是：时频变换的参数（窗类型、窗长、重叠）本身成了超参数，而 168 种组合的搜索空间在 120 条样本上极易过拟合选择偏差。Bioengineering 2024 报告的"Hamming 窗最优"，很可能部分来自这次特定划分的偶然性。

10.3 正常值建模被低估了

作者 2021 年的 EDM 论文做的是"儿童与成人 ERG 正常值"。这在临床上其实是最有价值的方向：ERG 判读的核心是"与同龄正常人比"，而公开的正常值数据极少。如果能把 323 人中的健康子集做成按年龄分层的参数分布（均值、标准差、百分位），其临床价值远高于一个二分类器。

可惜这条线在后续论文里被分类任务盖过了。这是本数据集最值得重新挖掘的方向。

10.4 与 AI-Ready 五要素的对照

要素	现状	评价
可发现性（Findable）	有 DOI、有 DataPort 页面、有多篇论文引用	良好
可访问性（Accessible）	注册即下载，无需 DUA	良好
可互操作（Interoperable）	xlsx 单表，无标准生理信号格式（EDF/BDF）	偏弱
可复用（Reusable）	缺逐列字段说明、缺划分文件、许可条款不明	偏弱
可引用（Citable）	DOI + 指定引用论文	良好

最明显的短板是"可互操作"：生理信号领域的通用格式是 EDF/EDF+，而这里用 Excel 存波形。这意味着任何使用者都要自己写解析代码，且没有统一的元数据头（采样率、单位、电极位置）。若未来有 v3，转为 EDF+ 并附 JSON 侧车元数据，可用性会跃升一个台阶。

10.5 DAIMS 评估

DAIMS 维度	评分（1–5）	依据
数据文档完整度	3	有论文描述，无逐列字段字典
数据质量与一致性	4	单设备单中心，一致性好；缺质量标记
标注可靠性	2	专业判读但无一致性系数、无病种细分
规模充分性	2	1,975 条对深度模型偏小，OP 类仅 20 条
划分与防泄漏	2	信号级划分，未做受试者分组
许可清晰度	2	开放获取但 CC 类型未明示
格式标准化	2	xlsx 而非 EDF/BDF，无元数据头
可复现性	3	有公开方法论文，但无统一评测脚本
生态活跃度	3	多篇后续论文，但无挑战赛与 leaderboard
临床可用性	2	标签粒度粗，不能直接支撑诊断

综合判断：这是一份"方法学友好、临床直接可用性有限"的数据集。它的最佳用法是信号处理与特征工程的试验床，以及正常值建模的原料，而不是"疾病诊断模型的训练集"。

§11 全篇总结

OculusGraphy 是一个用工程院校的方法学能力，把眼科医院的日常电生理检查沉淀成公共档案的典型案例。它的核心资产不是标签、不是规模，而是 1,975 条未经修饰的原始 ERG 波形——在一个公开资源极度稀缺的模态上，这批数据的存在本身就是贡献。

三句话概括：

1. 它是什么：323 名成人与儿童、五类 ISCEV 协议、Tomey EP-1000 采集、2 kHz 采样的全视野 ERG 原始波形库，IEEE DataPort 注册即取。
2. 它能干什么：做信号处理与特征工程的方法验证、做儿童/成人正常值建模、做"结构-功能"多模态研究的电生理一端。它不适合直接训疾病诊断模型，因为标签只有"健康/病理"二元、无病种无分期。
3. 它的坑在哪：单中心单设备无泛化证据、信号级划分有泄漏风险、OP 类仅 20 条、xlsx 存储不利互操作、许可条款未明示。

给不同读者的最短路径：

• 想快速跑个 baseline：§7.6 的代码骨架 + §2.1 的协议表，半天可跑通。
• 想做严谨评估：先读 §4.5、§9.4，把 GroupKFold 写进流程，再谈指标。
• 想写综述：§8 的互链结构给出一张可用的定位图，§8.1 的消歧表可直接引用。
• 想做临床转化：§10.3 指出正常值建模才是这份数据最有价值但被低估的方向。

附录 A：协议与参数速查卡

项目	内容
协议中文名	暗适应 2.0 / 最大反应 2.0 / 明适应 2.0 / 明适应 2.0 闪烁 / 暗适应振荡电位
标准映射	DA 弱闪（≈DA 0.01）/ DA 强闪（DA 3.0）/ LA 单闪（LA 3.0）/ LA 30 Hz 闪烁 / DA OP
关键参数	a 波幅值、a 波潜伏期、b 波幅值、b 波潜伏期、b/a 比值、OP 子波幅值、闪烁峰谷差
采样率	2 kHz
带宽	0.1–300 Hz
单条时长	≤250 ms，分析常用 100 ms
电极	DTL 纤维电极
设备	Tomey GmbH EP-1000
刺激	白色闪光 2 cd·s·m⁻²，暗背景
单位	幅值微伏（μV），时间毫秒（ms）

附录 B：波形判读要点

B.1 暗适应弱闪光（Scotopic 2.0 / DA 0.01）
纯视杆反应，波形圆钝、无 a 波或 a 波极小，以 b 波为主。b 波幅值降低是视杆功能受损的最敏感指标。视网膜色素变性早期即可见其降低。

B.2 最大反应（Maximum 2.0 / DA 3.0）
暗适应强闪光，a 波与 b 波同时出现且幅值最大。这是判读 b/a 比值的主战场：b/a < 1 提示内层传递障碍。

B.3 明适应单闪（Photopic 2.0 / LA 3.0）
视锥反应，a 波小、b 波快而窄，峰顶在 30 ms 左右。波形后段含 PhNR。

B.4 明适应 30 Hz 闪烁
节律性正弦样波形，看峰谷差与相位延迟。视锥通路受损时幅值下降、相位滞后。

B.5 振荡电位（OP）
需 75–300 Hz 带通提取，看 3–5 个子波的幅值总和。糖尿病视网膜病变缺血时最早减弱。

附录 C：坑点档案

坑 1：把 ERG 当图像处理
最常见的误解。ERG 是时间序列，不是像素阵列。虽然可以用 STFT/小波把它转成时频图再喂 CNN，但原始数据是一维的。直接套用图像增强（翻转、旋转、裁剪）会破坏时间语义——翻转会让 a 波跑到 b 波后面，物理上不可能。

坑 2：按行随机划分训练/测试集
1,975 条信号来自 323 人，人均 6.1 条。按行随机切分，测试集里必然混入训练集同人的其他记录，AUC 虚高。必须按受试者分组（GroupKFold）。

坑 3：忽视协议混训
五类协议的波形形态差异极大：暗适应是大而慢的双相波，闪烁是 30 Hz 节律波，OP 是高频小刺。混在一起训练二分类器，模型会先学会"分辨协议"而不是"分辨病理"。正确做法是按协议分别建模，或把协议作为条件输入。

坑 4：不做基线校正
ERG 的绝对电位包含电极-角膜接触电位偏移，不同记录之间基线可能相差数十微伏。不减去刺激前基线段均值，a 波幅值会被系统性污染。

坑 5：统一补零对齐长度
把 100 ms 与 250 ms 的信号都补零到 250 ms，会在信号末端产生阶跃。STFT 会把阶跃当成宽带冲击，频谱图上出现横贯全频带的亮线。正确做法是截断到最短公共长度或做重采样。

坑 6：忽略 50 Hz 工频
俄罗斯电网 50 Hz，恰好在 ERG 的有用频带（OP 段 75–300 Hz 之外，但 b 波主频附近）。不 notch 滤波，频谱图上会出现一条固定亮线，深度模型可能把它当成"病理特征"学走。

坑 7：把 81.2% 当基准
Bioengineering 2024 的 81.2% 是 120 条 DA2 信号、特定 70:20:10 划分、ViT-Small + Hamming 窗 的结果。换划分、换协议、换样本量，数字会大幅波动。把它当作"OculusGraphy SOTA"是误读。

坑 8：忽视儿童/成人混合
儿童占比 62%–70%，且儿童 ERG 的幅值随年龄增长而变化（视网膜尚未发育完全）。不分层建模，模型会把"年龄小"学成"健康"或反之。必须按年龄组分别建模或把年龄作为协变量。

坑 9：以为"病理"就是病种
"病理"是一个大口袋，装了 RP、视锥营养不良、DR、青光眼等多种病。用这个标签训出来的模型不能做病种诊断，只能做"是否偏离正常"的粗筛。

坑 10：忽视版本差异
1,974 与 1,975 的差异、两个 DOI 的差异，说明这份数据有小幅迭代。论文复现时应对齐自己下载的版本，而不是照抄论文里的条数。

坑 11：把 xlsx 直接当"标准格式"
生理信号界的通用格式是 EDF/EDF+，带标准头信息（采样率、单位、通道名）。xlsx 没有这些，跨工具链（MNE、EEGLAB）使用时需自行转换。

坑 12：用 ERG 数据回答形态学问题
“这只眼的角膜是不是圆锥”——ERG 答不了，要去 cornorb 那类地形图数据。反之"这个圆锥角膜患者的视网膜功能如何"——cornorb 也答不了。模态与问题必须匹配。

附录 D：DAIMS 全表与证据链

维度	评分	证据
文档完整度	3/5	4 篇论文描述方法，但无字段字典
数据质量	4/5	单设备单中心；缺质量标记
标注可靠性	2/5	专业判读，无 κ 系数，无病种细分
规模	2/5	1,975 条 / 323 人；OP 20 条
防泄漏	2/5	信号级划分
许可清晰度	2/5	开放获取，CC 类型未明示
格式标准	2/5	xlsx
可复现	3/5	方法论文完整，无评测脚本
生态活跃	3/5	多篇后续论文，无挑战赛
临床可用	2/5	标签粒度粗
均分	2.5/5	方法学可用、临床直接可用性有限

附录 E：与同类生理信号数据集的能力对照

能力	oculusgraphy-erg	physionet-cinc-2017（162）	chb-mit-scalp-eeg（72）	oct2017（311）
信号维度	1D 诱发	1D 自发	1D 自发	2D 图像
采样率	2 kHz	300 Hz	256 Hz	—
单条时长	≤250 ms	9–61 s	小时级	—
类别数	2（真实）/ 5（协议）	4	2	4
受试者数	323	12,186	23	5,000+
是否分组划分	否	部分	是（按患者）	否
许可	开放获取未明示	ODC-BY	ODC-BY	多为 CC BY

选型决策树：

1. 任务是不是"短时诱发信号 + 少量样本"？是 → oculusgraphy-erg 最合适。
2. 任务是不是"长时自发信号 + 事件检测"？是 → 转向 chb-mit-scalp-eeg 一类。
3. 任务是不是"多类心律失常"？→ physionet-cinc-2017。
4. 任务是不是"视网膜结构病变"？→ oct2017 一类图像数据。

组合用法：把 oculusgraphy-erg 当作"诱发信号预处理流程"的验证集，把方法迁移到 EEG 诱发电位（ERP）研究；两者的共同点是锁时平均与基线校正，可以互相借鉴。

FAQ 常见问题

A. OculusGraphy 和 cornorb 是同一份数据的两个版本吗？
不是。两者连模态都不同：OculusGraphy 是视网膜电图（一维时间序列），cornorb 是角膜地形图（二维彩色 PNG）。前者测功能，后者测形态；前者在俄罗斯采集，后者在阿尔及利亚采集；前者 323 人，后者 744 人。同属眼科，仅此而已。

B. 为什么条数有 1,974 和 1,975 两个说法？
DataPort 记录页在 2022 年更新时写 1,974 条，2023 年 USBEREIT 论文写 1,975 条。差 1 条，公开材料未解释。可能是补录或统计口径差异。使用时以自己下载的版本实际计数为准。

C. 采样率到底是 2 kHz 吗？
是。Bioengineering 2024 明确写"2 kHz"，并给出带通 0.1–300 Hz。Appl. Sci. 2022 也提到"高频（2 kHz）"。DataPort 页面未声明，但两篇方法论文一致，可采信。

D. 能直接用这份数据训疾病诊断模型吗？
技术上可以，但不建议。标签只有"健康/病理"，没有病种与分期。训出来的模型只能回答"是否偏离正常"，不能回答"是什么病"。若要做病种诊断，需要额外标注或换数据集。

E. 81.2% 的准确率算高吗？
在 120 条样本、二分类、类别不平衡的条件下，81.2% 属于"中等偏上"。但由于划分未按受试者分组、样本量小，这个数字的置信区间很宽。不能作为"该数据集已解决"的证据。

F. 为什么五分类不可做？
因为 OP 类只有 20 条，其他四类各有数十至百余条。五分类时 OP 类在任何分层划分下都会出现某折零样本，或者被迫重复采样导致过拟合。

G. 儿童数据为什么这么多？
因为采集中心是眼科显微手术中心，儿童电生理检查（视觉发育评估、先天性视网膜病变筛查）开单量大。这不是数据集设计的偏好，而是临床实际的自然结果。

H. 数据里有原始图像吗？
没有。全部是波形与元数据。没有眼底照、没有 OCT、没有地形图。若要"结构-功能"联合研究，需自行匹配其他模态数据。

I. 许可到底是什么？
IEEE DataPort 标注为开放获取，注册后可下载。但页面未明示 CC 类型。二次分发前应回到记录页确认，或直接联系作者。

J. 可以商用吗？
不确定。开放获取不等于允许商用。建议在商用前取得作者书面许可。

K. 有没有官方划分文件？
没有。每篇论文自己切分。若要复现某篇论文，需按其描述重建划分；若要严谨评估，建议自己按受试者做 GroupKFold。

L. 为什么信号要截到 100 ms？
因为多数原始信号约 100 ms，少数到 250 ms。为保持一致，论文把长信号截到 100 ms。代价是丢失 PhNR 与晚期慢成分。

M. 这份数据能用于青光眼研究吗？
可以，但要用对成分。青光眼主要影响 PhNR（b 波后的负向慢波），需要从明适应单闪信号中提取，且不能用 100 ms 截断（PhNR 在 70–100 ms 之后）。全视野 ERG 对青光眼不敏感，PhNR 才是关键。

N. 为什么说"正常值建模"更有价值？
因为 ERG 判读的本质是"与同龄正常人比"。公开的儿童 ERG 正常值极少，而这份数据有 62%–70% 的儿童记录。把健康子集做成按年龄分层的参数分布，临床上可直接用于判读参考。

O. 数据格式能转成 EDF 吗？
可以，但需要自己写转换脚本。关键是保留采样率（2 kHz）、单位（μV）、通道名（单通道 ERG）与刺激锁时点。转换后可用 MNE-Python 读取。

附录 F：ERG 与角膜地形图的设备学对照

F.1 两条完全不同的信号链

• ERG 信号链：闪光刺激 → 视网膜光电转换 → 细胞外电流 → 角膜电极拾取 → 放大器（0.1–300 Hz）→ 2 kHz 采样 → 数字波形。
• 角膜地形图信号链：Placido 环/裂隙光投射 → 角膜表面反射 → 相机成像 → 高度/曲率重建 → 彩色编码图。

前者测的是电荷随时间的移动，后者测的是光在表面的反射几何。两者在物理层面毫无交集。

F.2 为什么"眼科"这个标签会让人混淆

因为临床上它们常在同一间检查室、同一次就诊中完成：患者先做地形图看角膜形态，再做 ERG 看视网膜功能。但设备、操作者、输出物完全不同。数据科学上，把两者放进同一个"眼科数据集"类目是合理的分类，但不能视为同一模态的不同版本。

F.3 对建模的具体建议

• 不要试图把 ERG 波形"渲染"成图像再与地形图做像素级融合。
• 多模态融合只能在患者级做：同一患者的 ERG 特征向量 + 地形图特征向量 → 拼接或晚期融合。
• 注意两者的采集时间可能相隔数天，状态不可比。

F.4 与 cornorb 的最终确认

cornorb 的 1,454 只眼是角膜地形图，回答"是不是圆锥角膜"；OculusGraphy 的 1,975 条是视网膜电图，回答"视网膜功能是否正常"。两个数字、两种单位、两套设备、两个国家。任何把它们加总或互作验证的说法都是错的。

附录 G：一页速查卡

你要做的事	去哪里	关键提醒
下载数据	IEEE DataPort，DOI 10.21227/y0fh-5v04	注册免费，引用 Appl. Sci. 2022
了解协议	§2.1 表 + 附录 A	设备命名与 ISCEV 命名不同，先做映射
跑 baseline	§7.6 代码骨架	用 GroupKFold，别按行切
判断数据能不能用	§9 + 附录 D	方法学可用，临床直接可用性有限
和 cornorb 区分	§8.1 消歧表	功能信号 vs 形态图像
找同类数据	§8.5 横向对照表	生理信号条目可横向借鉴
提取 PhNR	§9.5 + FAQ M	不能用 100 ms 截断
做正常值	§10.3	这是被低估的方向
复现论文	§7.1 表	先确认用的是 120 条还是 425 条子集

附录 H：不同角色的阅读路径

H.1 信号处理研究者
§2.2 波形成分 → §7.2/§7.3 方法论文 → §7.6 复现骨架 → 附录 C 坑点。重点是窗函数、截断、基线校正三件事。

H.2 眼科医生 / 临床研究者
§0 导读 → §2.1 协议表 → 附录 B 波形判读 → §9.2 标签粒度 → FAQ M。重点是明白这份数据的标签不能当确诊。

H.3 机器学习工程師
§1 十问十答 → §4 规模与分布 → §9.4 划分泄漏 → §7.6 代码。重点是样本量与分组划分。

H.4 数据集策展人 / 元数据研究者
§6 许可与版本 → §10.4 AI-Ready 五要素 → 附录 D DAIMS → §9.7 口径存照。重点是版本链与格式短板。

H.5 综述写作者
§8 互链结构 + §8.1 消歧表 → §10 方法论评注。这两节可以直接作为"眼科功能数据"章节的骨架。

附录 I：常见误解澄清

误解一：OculusGraphy 是"眼科影像数据集"。
不是影像，是信号。它没有像素，只有幅度-时间序列。把它归入"医学影像"是分类错误；正确的上位类是"生理信号"。

误解二：1,975 条信号 = 1,975 个病人。
差了一个数量级。323 人是真实人数，人均 6.1 条。这直接决定了划分策略。

误解三：五类协议意味着可以做五分类任务。
技术上 425 条子集勉强能凑，但 OP 类仅 20 条，全库五分类会崩。四分类（去掉 OP）更现实。

误解四：数据来自"俄罗斯某医院"，所以只适用于俄罗斯人。
人群偏倚确实存在，但 ERG 的波形生成机制是跨族群的生物学共性。主要问题是设备与协议，不是族群。跨设备迁移比跨族群迁移更棘手。

误解五：有了 ERG 就不需要 OCT。
恰恰相反。ERG 说"细胞工作不工作"，OCT 说"层还在不在"。两者互补：有的病 OCT 已明显异常而 ERG 尚正常（如早期黄斑水肿），有的病 ERG 已异常而 OCT 结构未变（如早期 DR 的 OP 减弱）。

误解六：81.2% 说明这个数据集"已经被解决了"。
120 条样本、信号级划分、单次实验。这个数字连置信区间都没报。远谈不上解决。

误解七：儿童数据多，所以数据集"面向儿科"。
儿童多是采集中心开单结构的副产品，不是设计目标。数据集本身没有声明偏重儿科。

误解八：IEEE DataPort 上的数据都是 CC BY。
不是。DataPort 是一个平台，各数据集的许可由上传者设定。OculusGraphy 的许可类型未明示，不能默认 CC BY。

附录 J：术语中英对照

中文	英文	简释
视网膜电图	electroretinogram, ERG	视网膜对光的电反应记录
全视野 ERG	full-field ERG, ffERG	全视网膜均匀闪光刺激
图形 ERG	pattern ERG, PERG	棋盘格翻转刺激，反映黄斑功能
a 波	a-wave	初始负向波，源于感光细胞
b 波	b-wave	随后正向波，源于双极/Müller 细胞
振荡电位	oscillatory potentials, OP	b 波上的高频子波
明视负反应	photopic negative response, PhNR	b 波后负向慢波，源于神经节细胞
暗适应	dark adaptation, DA	暗环境适应后的状态
明适应	light adaptation, LA	明环境适应后的状态
闪烁反应	flicker response	快速重复闪光下的节律反应
潜伏期	implicit time	从刺激到波峰/谷的时间
国际视觉电生理学会	ISCEV	制定 ERG 标准的国际组织
短时傅里叶变换	short-time Fourier transform, STFT	时频分析
连续小波变换	continuous wavelet transform, CWT	多尺度时频分析
尺度图	scalogram	小波变换的能量分布图
DTL 电极	DTL electrode	角膜表面用的细纤维电极
电生理工作站	electrophysiology workstation	刺激与记录一体化设备

附录 K：时间线年表

时间	事件
1865	Holmgren 首次在青蛙上记录视网膜电反应
1877	Dewar 首次在人眼记录 ERG
1989	ISCEV 发布首版全视野 ERG 标准
2020-09	OculusGraphy 数据库在 IEEE DataPort 首发
2021	EDM 2021 发表 ERG 正常值论文；USBEREIT 2021 发表库描述
2022-09	DataPort 新记录页创建（Ophthalmic Electrophysiological Signals Database）
2022-12	v2.xlsx 更新（1,974 条，12.02 MB）；Appl. Sci. 12:12365 发表
2023-05	USBEREIT 2023 发表时域分析论文（1,975 条 / 323 人）
2024-05	USBEREIT 2024 发表 STFT + 决策树论文
2024-08	Bioengineering 11(9):866 发表 STFT + ViT 论文（81.2%）
2026-10	本条 AI-Ready Wikipedia 条目成稿

附录 L：五类协议的刺激参数对照

协议	适应状态	闪光强度	背景光	典型用途
暗适应弱闪	暗适应 ≥20 min	约 0.01 cd·s·m⁻²	无	视杆功能筛查
最大反应	暗适应	3.0 cd·s·m⁻²	无	混合功能、b/a 比值
明适应单闪	明适应 ≥10 min	3.0 cd·s·m⁻²	约 30 cd·m⁻²	视锥功能、PhNR
30 Hz 闪烁	明适应	3.0 cd·s·m⁻²	约 30 cd·m⁻²	视锥时相跟随
振荡电位	暗适应	3.0 cd·s·m⁻²	无	内层缺血评估

注：表中强度为标准体系的通行值；库内命名写"2.0"，实际刺激强度以设备日志为准，公开材料未逐条给出，属遗留疑点。

附录 M：数据处理流程建议

M.1 读取与解析
从 xlsx 读出每条信号的幅度数组与元数据。注意 Excel 可能把长数值序列自动截断为科学计数法，读取时须指定 dtype 为 float。

M.2 基线校正
取刺激前 10–20 ms 的均值作为基线，从整段信号中减去。这一步不做，a 波幅值不可比。

M.3 工频滤波
对 50 Hz 及其谐波做 notch，或用 45–55 Hz 带阻。OP 分析时反而需要保留 75–300 Hz，故滤波策略应按任务区分。

M.4 重采样与截断
若与其他数据集联合，统一重采样到同一采样率；截断长度按任务定：看 b 波用 100 ms，看 PhNR 用 250 ms。

M.5 特征提取

• 时域：a/b 波幅值与潜伏期、b/a 比值、曲线下面积。
• 频域：各频带功率（0–30、30–75、75–150、150–300 Hz）。
• 时频：STFT 频谱图或小波尺度图。

M.6 划分
按受试者分组，5 折 GroupKFold；若样本太少，改用留一受试者交叉验证（LOSO）。

M.7 评估
报告 AUC、灵敏度、特异度、F1，并给出置信区间（bootstrap）。不要只报准确率。

附录 N：与库内眼科条目的全景定位

库内眼科条目可按模态分为四层：

1. 结构影像层：oct2017（311）、octdl（690）、octa-500（341）、octa-25k（859）、harvard-gdp（862）、duke-dme（744）、oimhs（745）、woives-octa（865）、rossa（890）、neh-ut-oct（891）。
2. 形态地形层：cornorb、pentacam-kc（857）、corn-nerve（894）、age-as-oct（858）。
3. 眼底彩照层：eyepacs（58）、messidor（59）、aptos-2019（61）、idrid（191）、ddr（201）、drive（241）、rfmid（271）、brset（351）、fives（741）、justraigs（746）、g1020（764）。
4. 功能评估层：grape-glaucoma（860，视野）、oculusgraphy-erg（本条目，电生理）。

关键观察：前三层合计三十余条，第四层此前只有视野一条。OculusGraphy 的入库，让"功能评估"这一层从 1 条变成 2 条，且第一次覆盖了客观电生理这个子类。这是本条目的结构性意义——不是又多了一个眼科数据集，而是补齐了一个空层。

附录 O：复现 checklist

• [ ] 确认下载的版本（1,974 或 1,975 条）
• [ ] 映射协议命名到 ISCEV 标准
• [ ] 按任务选择截断长度（100 ms 或 250 ms）
• [ ] 基线校正（刺激前 10–20 ms 均值）
• [ ] 工频 notch（50 Hz）
• [ ] 按受试者做 GroupKFold
• [ ] 报告 AUC 与置信区间，不只报准确率
• [ ] 声明单设备单中心的外推限制
• [ ] 引用 Appl. Sci. 2022 与 USBEREIT 2023
• [ ] 说明"病理"标签的粒度限制

附录 P：本条目与同批 cornorb 的交付说明

本条目与 cornorb 同批成稿，两者在写作上作了明确切分：

• cornorb 的重心是"图像 + 表格的多模态融合"、“患者级划分”、“报告级图像的捷径学习风险”。
• 本条目 的重心是"一维短信号的时频表示"、“小样本下的特征工程”、“诱发信号与自发信号的区别”、“正常值建模”。

两者共享的只有"眼科"这个上位域。为避免读者混淆，本条目在 §8.1、附录 F、FAQ A、附录 C 坑 12 四处重复强调模态差异。这种重复是有意为之：同批交付的条目最容易被误读为"系列版本"，必须在多处设置消歧锚点。

附录 Q：ERGa 与 ERGb 的历史脉络（为什么波形长这样）

Q.1 从青蛙到人眼

1865 年，瑞典生理学家 Holmgren 把一对电极接到青蛙的离体眼球上，用光一闪，检流计指针动了。这是人类第一次记录到视网膜的电活动。此后十余年，Dewar 在 1877 年把这套方法搬到人眼——受限于当时的检流计灵敏度，他只能在强闪光下看到微弱的偏转。

真正让 ERG 成为"可判读波形"的，是 20 世纪中叶的三件事：电子管放大器让微伏级信号可被放大；示波器让波形可被看见；Granit 的成分分析把 ERG 分解为 PI、PII、PIII 三个成分，分别对应现在的 c 波、b 波、a 波。这三件事合起来，才让"a 波反映感光细胞、b 波反映内层"成为可验证的命题，而不是猜测。

Q.2 ISCEV 的标准化为什么重要

在 1989 年之前，各实验室的刺激强度、适应时间、电极类型、滤波带宽都不一样。同一只眼在不同医院做 ERG，结果可能差出一倍。ISCEV（国际视觉电生理学会）从 1989 年起发布标准方案，把"暗适应多久、闪光多强、背景多亮、带通多宽"全部固定下来。

标准化带来一个副作用：数据库的可比性大幅提升，但设备命名开始分叉。同一套标准，不同厂商的软件界面会用不同的名字：Tomey 写"Scotopic 2.0"“Maximum 2.0”，Roland 写"DA 0.01"“DA 3.0”，Diagnosys 又是一种写法。OculusGraphy 里的协议命名（Scotopic 2.0 / Maximum 2.0）正是 Tomey 软件的习惯，这是使用者必须做映射的根本原因，不是作者的疏忽。

Q.3 为什么 a 波在下、b 波在上

角膜电极记录的是角膜相对参考电极的电位。闪光后，感光细胞外段先发生超极化（K⁺ 通道关闭），光感受器电流改变，在角膜端表现为负向偏转——这就是 a 波朝下的物理原因。随后双极细胞去极化、Müller 细胞 K⁺ 通量改变，产生正向偏转——b 波朝上。

理解这一点对建模有实际意义：a 波的"下"与 b 波的"上"不是任意的极性问题，而是细胞层面电流方向的映射。任何信号翻转（例如把信号取负）都会让 a/b 变成倒相，若不想清楚就做数据增强，模型学到的特征会失去生理含义。

Q.4 OP 的发现与临床意义

振荡电位最早由 Yonemura 等在 1960 年代系统描述。它们的频率在 75–300 Hz 之间，幅值只有几微伏到十几微伏，叠加在 b 波上，裸眼看像一串小锯齿。临床上把它们单独滤波提取后，用于评估视网膜内层的缺血状态——糖尿病视网膜病变在眼底还没有明显出血点时，OP 往往已经减弱。

这正是 OculusGraphy 把 OP 单列为五类协议之一的原因：它是一个"独立诊断信息通道"，虽然条数少（20 条），但临床价值独特。

Q.5 从"看波形"到"喂模型"

传统 ERG 判读依赖医生对几个参数的目测：a 波多深、b 波多高、潜伏期多长。这套方法的问题是可重复性差——不同医生对同一条波形可能给出不同判断。ISCEV 的应对是给出正常值范围（percentile 表），超出即异常。

机器学习路线的出现，本质上是把"目测几个参数"换成"提取几百个特征"。OculusGraphy 的方法论文正是这条线的体现：小波尺度图的连通域、STFT 频谱图的能量分布、b 波的四统计量（bmax、bmin、bmean、bmedian）。这些特征比人工目测更细，但也更容易过拟合到特定样本。

附录 R：生理信号数据集的通用评估陷阱

R.1 陷阱：把"同一信号的切片"当成独立样本

在长时信号（如 EEG、ECG）里，研究者常把一条长记录切成多个窗口。如果按窗口随机划分，相邻窗口高度相关，测试集几乎等于训练集的平移版本。OculusGraphy 的信号本身已经很短（100–250 ms），切片风险较低，但同一受试者的不同协议、不同眼别构成了同型问题。

R.2 陷阱：把"类别平衡"当成"数据增强"
对少数类做 SMOTE 或随机过采样，会让模型在合成样本上学到不存在的模式。A11KNN 欠采样相对安全（它只删样本不造样本），但会丢失信息。在 1,975 条这种规模上，代价敏感学习（class_weight）通常比重采样更稳妥。

R.3 陷阱：只报准确率
类别不平衡时准确率会骗人。健康 1 : 病理 2 的分布下，全预测"病理"就有 66% 准确率。必须报 AUC、灵敏度、特异度，最好再报 PR-AUC。

R.4 陷阱：忽略信号单位
ERG 的幅值单位是微伏，但不同设备导出的数据可能以毫伏或任意单位存储。不做单位归一，幅值特征会差三个数量级。OculusGraphy 的 xlsx 未明确标注单位列，使用前应先看数值量级推断。

R.5 陷阱：把"预处理"当"无偏"
滤波、去基线、截断，每一步都引入了人为假设。不同的预处理顺序会得到不同的模型性能。论文之间比性能，往往比的是预处理而非模型。这是生理信号领域公开的"秘密"。

R.6 陷阱：忽视采样率差异
2 kHz 与 256 Hz 的数据不能直接混合训练。降采样会丢失 OP 的高频成分（75–300 Hz，按奈奎斯特需 ≥600 Hz 采样）。若要跨数据集联合，必须统一到最高采样率或分频段处理。

附录 S：本文使用的来源清单

编号	来源	用途
S1	Albasu F.B., Dey S., Dolganov A.Yu., El Hamzaoui O., Mustafa W.M., Zhdanov A.E. OculusGraphy: Description and Time Domain Analysis of Full-Field Electroretinograms Database. USBEREIT 2023, pp.64–67. DOI 10.1109/USBEREIT58508.2023.10158887	总量口径（1,975 条 / 323 人）、五类协议
S2	Zhdanov A., Dolganov A., Zanca D., Borisov V., Ronkin M. Advanced Analysis of Electroretinograms Based on Wavelet Scalogram Processing. Appl. Sci. 2022, 12, 12365. DOI 10.3390/app122312365	子集条数（425 条）、设备、伦理声明、数据可用性
S3	Albasu F., Kulyabin M., Zhdanov A., Dolganov A., Ronkin M., Borisov V., Dorosinsky L., Constable P.A., Al-Masni M.A., Maier A. Electroretinogram Analysis Using a Short-Time Fourier Transform and Machine Learning Techniques. Bioengineering 2024, 11(9), 866. DOI 10.3390/bioengineering11090866	2 kHz 采样、带通、DTL 电极、120 条 DA2 子集、81.2% / 70.83% / 66.67%
S4	Albasu F.B., Kulyabin M., Zhdanov A., Dolganov A., Borisov V., Ronkin M. ERG Classification by Using ML Methods Based on STFT. USBEREIT 2024, pp.318–321. DOI 10.1109/USBEREIT61901.2024.10583978	类别不平衡、分辨率权衡
S5	Zhdanov A.E. 等. OculusGraphy: Pediatric and Adults Electroretinograms Database. IEEE DataPort, 2020. DOI 10.21227/y0fh-5v04	首发 DOI、引用要求
S6	Zhdanov A., Dolganov A., Borisov V., Ronkin M., Ponomarev V., Zanca D. OculusGraphy: Ophthalmic Electrophysiological Signals Database. IEEE DataPort, 2022. DOI 10.21227/r1wb-pg25	1,974 条口径、v2.xlsx 12.02 MB、Excel 格式、下载量
S7	ResearchGate 全文：OculusGraphy: Description of Electroretinograms Database（USBEREIT 2021）	作者单位、EP-1000 设备、儿童/成人分列（80/42）
S8	ISCEV Standard for full-field clinical electroretinography (2022 update), Documenta Ophthalmologica	协议标准名称（DA 0.01 / DA 3.0 / LA 3.0 / 30 Hz flicker）

来源交叉核对结论：总量（1,975 / 323）在 S1 三个索引页（IEEE Xplore、SciSpace、Mendeley）一致；采样率（2 kHz）与带通（0.1–300 Hz）仅 S3 给出，S2 提到"高频 2 kHz"可旁证；协议条数（425 条子集）仅 S2 给出，S1 未拆类。凡单一来源的数字，本文均已标注出处或列入遗留疑点。

附录 T：条目维护记录

日期	动作	说明
2026-10-17	初版成稿	本条目由写手代理 agent-e-oculusgrap 依任务头 oculusgraphy-erg 执行；核验三源后成稿；与同批 cornorb 做模态消歧
2026-10-17	自检	check_md / preflight / acceptance 三闸门

后续维护建议：

1. 若 IEEE DataPort 页面更新（如新增 v3 或明确许可），更新 §6。
2. 若出现新的基准论文（如全库 1,975 条上的统一评测），更新 §7.1 与 §7.4。
3. 若库内新增其他 ERG 条目（如 PERG、mfERG），更新 §8 互链结构。
4. 若 cornorb 入库并取得 record_id，把 §8.1 与 frontmatter relatedLink 中的 /0 占位替换为真实 rid。

附录 U：逐章阅读导航与内容地图

本条目篇幅较长，为便于检索，此处给出一张"章 → 关键词 → 直达问题"的映射表。读者可据此跳过不相关章节。

章节	核心关键词	这一章回答什么
§0 导读	功能 vs 结构、缺的是什么	为什么眼科 AI 需要信号而不只是图像
§1 十问十答	名称、口径、协议、采样、标签	上手前的十个基础疑问
§2 数据构成	五类协议、a/b 波、OP、PhNR、xlsx	数据长什么样，每一列是什么
§3 团队机构	UrFU、IRTC、FAU、资助	谁做的，为什么可信
§4 规模分布	1,975/323、儿童占比、2:1 不平衡	数字有多大，偏斜有多重
§5 任务标注	三层任务、标签模糊地带	能做什么任务，标签能不能信
§6 许可获取	双 DOI、注册下载、版本链	怎么拿到，能不能再分发
§7 评估基线	小波尺度图、STFT、ViT 81.2%	别人做到什么水平
§8 生态互链	cornorb、OCT、视野、生理信号	它在库里处于什么位置
§9 局限风险	单中心、标签粗、泄漏、截断	用它要小心什么
§10 方法评注	时频图像路线、正常值、DAIMS	方法学上它教了什么
§11 总结	三句话概括	只读一段该读哪段
附录 A–T	速查卡、坑点、FAQ、来源	查阅型内容

按问题直达：

• “这个数据集是干什么的？” → §0 + §1 Q1
• “有多少数据？” → §4.1
• “怎么下载？” → §6.2
• “有没有基准？” → §7.1 + FAQ E
• “能不能做诊断？” → §9.2 + FAQ D
• “和 cornorb 什么关系？” → §8.1 + 附录 F
• “踩过什么坑？” → 附录 C
• “怎么复现？” → §7.6 + 附录 O

附录 V：关于"1,975 条"这个数字的进一步推敲

这个数字值得单独用一段来推敲，因为它是全文出现频率最高的硬数字。

V.1 它是怎么来的

USBEREIT 2023 的摘要原文为 “The database includes 1975 signals from 323 patients, consisting of both adults and children.”。这是一句非常简洁的总量陈述，没有给出逐类拆分，也没有说明统计截止时间。

V.2 与 1,974 的关系

DataPort 的 2022 年页面写的是 1,974 条（页面描述 “This database includes 1974 electroretinogram signals.”）。两个数字相差 1。可能的解释有三种：

1. 补录：2023 年论文写作时，库里补进了一条此前遗漏的记录。
2. 口径：某条质量不合格的记录在 DataPort 版本中被排除，论文版本计入。
3. 笔误：其中一处写错了。

三种解释都无法从公开材料证实，故列入 §9.7 口径存照 C1。

V.3 它对建模的影响

差 1 条对任何统计结论都没有实质影响。但它提示了一个更重要的事实：这份数据在被持续维护。使用者在论文里写"我们使用了 1,975 条"时，最好加上"截至某版本"，否则未来版本变化会让复现对不上。

V.4 与 425 条的关系

Appl. Sci. 2022 给出的 425 条是当时用于分析的子集，不是全库。两者不矛盾：全库 1,975 条，其中 425 条有详细协议分布记录，另有一个 120 条的 DA2 子集被用于 STFT 研究。三个数字分别是"全库"“有分布记录的样本”“某次实验的样本”。

V.5 与 323 人的关系

323 人是受试者数，不是记录数。这个数字本身也有推测成分：论文只说 “323 patients”，未说明是否包含重复就诊者。若同一患者在不同时间做了多次检查，是否计为一人？公开材料未说明。

附录 W：五类协议在临床开单中的真实占比

这是一个不在论文里、但对理解数据分布至关重要的问题：为什么 OP 只有 20 条？

W.1 临床开单的实际情况

在常规眼科电生理检查中，医生最常开的是"全视野 ERG 五项"套餐，但不同项目的执行成本不同：

• 最大反应：单次闪光、判读简单，是最常做的项目。
• 明适应单闪与闪烁：需要 10 分钟明适应，耗时较长，但仍属常规。
• 暗适应弱闪：需要 20 分钟以上暗适应，儿童难以配合，开单相对少。
• 振荡电位：需要额外的滤波与人工判读，且临床指南对它的定位（“辅助指标”）不如 a/b 波明确，因此开单最少。

W.2 对数据集的影响

OP 只有 20 条，直接导致：

1. 五分类不可行（见 FAQ F）。
2. 任何"OP 相关的模型"都无法在这份数据上训练。
3. 若研究目标是糖尿病视网膜病变的早期 OP 改变，这份数据只能做"示例"而非"训练集"。

W.3 儿童占比高的临床解释

儿童电生理检查的主要指征是：先天性视网膜病变筛查（如 Leber 先天性黑矇）、视觉发育评估、外伤后视功能评估。这些指征在儿童中相对集中，而成人 ERG 更多用于视网膜色素变性随访、药物毒性监测，开单分散在多个专科。这解释了为什么儿童条数在每一类协议中都多于成人。

附录 X：如何把这个条目用在真实项目里

X.1 场景一：做一个"ERG 信号质量自动筛查"工具

目标不是诊断，而是在医生判读前先剔除质量不合格的记录。做法：

1. 用 OculusGraphy 的全部 1,975 条作为"正常质量"基线（假设数据库已做过质量筛选）。
2. 另外构造扰动样本：加 50 Hz 工频、加基线漂移、随机削顶、加高斯噪声。
3. 训练一个二分类器区分"原始 vs 扰动"。
4. 部署时用该分类器的输出作为质量分。

这个用法完全避开了"病理标签粒度粗"的问题，是这份数据最"安全"的用法之一。

X.2 场景二：做一个"协议自动识别"模块

在多中心数据汇总时，常出现"这条信号不知道是哪类协议"的情况。做法：

1. 用五类协议的标签训练分类器（注意 OP 类只有 20 条，需特殊处理或剔除）。
2. 特征用 STFT 频谱图 + 波形统计量。
3. 输出协议概率，低于阈值则标"未知"。

这是一个纯技术任务，标签绝对可靠（协议是采集时记录的，不是判读的），因此模型性能可以做到很高。

X.3 场景三：建立儿童 ERG 正常值参考

1. 取健康子集中的儿童记录。
2. 按年龄分箱（需自行推断年龄，数据中可能只有年龄组）。
3. 计算各协议下 a/b 波幅值与潜伏期的均值、标准差、5%/95% 分位。
4. 输出一张 percentile 表，供临床判读参考。

这是作者 2021 年 EDM 论文的方向，也是本文 §10.3 反复强调的"被低估的方向"。

X.4 场景四：作为方法论文的对照数据集

若你的方法针对"小样本生理信号分类"，OculusGraphy 是一个合适的对照：

• 规模适中（1,975 条），不会让实验跑不完。
• 类别不平衡真实存在，考验方法的鲁棒性。
• 已有 3–4 篇基线论文，可横向比较（注意划分不同，只能比趋势不能比绝对值）。

X.5 不应该做的四件事

1. 不要用它训"视网膜疾病诊断"模型并宣称临床可用。
2. 不要把它与 cornorb 合并成"眼科多模态数据集"。
3. 不要按行随机划分后报告高 AUC。
4. 不要把 100 ms 截断信号用于 PhNR 研究。

附录 Y：与其他 ERG 相关公开资源的粗略对照

ERG 领域的公开资源分布极不均匀。除 OculusGraphy 外，可提及的方向有：

资源类型	典型形态	公开程度	与 OculusGraphy 的差异
单中心论文附件	数十至数百条波形	需向作者索取	规模小、无统一格式
设备厂商示例库	演示用波形	随机附赠	无标签、无元数据
多中心联盟库	标准化 EDF	需 DUA	规模大但门槛高
教学用数据集	少量典型波形	公开	只用于教学，不适合建模

OculusGraphy 的稀缺性定位：它恰好落在"公开但有一定规模、有标签但标签粗、有论文支撑但无排行榜"这个中间地带。这个位置使它既容易获得，又不足以支撑强结论——使用者必须自己补上严谨性。

附录 Z：全篇术语缩写表

缩写	全称	中文
ERG	electroretinogram	视网膜电图
ffERG	full-field ERG	全视野视网膜电图
PERG	pattern ERG	图形视网膜电图
mfERG	multifocal ERG	多焦视网膜电图
DA	dark-adapted	暗适应
LA	light-adapted	明适应
OP	oscillatory potentials	振荡电位
PhNR	photopic negative response	明视负反应
ISCEV	International Society for Clinical Electrophysiology of Vision	国际视觉电生理学会
STFT	short-time Fourier transform	短时傅里叶变换
CWT	continuous wavelet transform	连续小波变换
DTL	Dawson-Trick-Litzkow electrode	DTL 角膜电极
RF	random forest	随机森林
DT	decision tree	决策树
ViT	vision transformer	视觉 Transformer
AUC	area under ROC curve	ROC 曲线下面积
LOSO	leave-one-subject-out	留一受试者交叉验证
DAIMS	Data and Information Management System（本文用作数据质量评估框架简称）	数据评估维度框架
IRTC	ISTC Eye Microsurgery（叶卡捷琳堡眼科显微手术中心）	采集机构
UrFU	Ural Federal University	乌拉尔联邦大学
FAU	Friedrich-Alexander-Universität	埃尔朗根-纽伦堡大学

附录 AA：同一受试者的信号相关性有多强

这一节讨论一个在使用这份数据时无法回避、但公开材料完全没谈的问题：同一受试者的多条记录之间，相关性到底有多大？

AA.1 为什么必须关心

1,975 条 / 323 人 ≈ 6.1 条/人。如果同人记录的相关系数在 0.8 以上，那么"按行随机划分"等价于把训练集的行复制一份放进测试集。若相关系数只有 0.3，影响就小得多。这个数字决定了 §9.4 的严重程度。

AA.2 从生理学推断

同人不同协议的相关性不高：暗适应弱闪与明适应单闪由不同细胞通路主导，波形形态差异极大，相关系数可能很低。但同人同一协议的左右眼相关性很高：双眼视网膜的发育、退变进程高度同步，a/b 波幅值的左右差异通常在 10% 以内（临床上把左右差异当作对称性指标）。因此：

• 左眼 → 右眼：相关性高，泄漏风险大。
• 暗适应 → 明适应：相关性低，泄漏风险小。

AA.3 对划分的实践含义

如果研究只在单一协议上建模（例如只用最大反应），那么同人双眼记录的泄漏是主要风险，必须按人分组。如果研究跨协议混训，同人跨协议的泄漏较小，但"同人同协议双眼"的泄漏仍然存在。结论：无论哪种情况，按受试者分组都是必须的。

AA.4 如何自测

在没有受试者 ID 的情况下（若字段缺失），可用波形相似度做无监督聚类：对同一协议的信号两两计算 DTW 距离或相关系数，若出现明显的成对高相似簇，即为同人双眼记录。这可以作为"受试者 ID 恢复"的替代方案。

附录 AB：信号预处理顺序的敏感性实验设计

生理信号论文的可复现性差，很大一部分来自预处理顺序未报告。这里给出一个可执行的最小敏感性实验设计，供使用者在自己的研究里做补充报告。

AB.1 四个步骤的排列

设四步为：B（基线校正）、F（50 Hz notch）、T（截断到 100 ms）、N（幅值归一化）。四步共有 24 种排列。理论上 B 必须在 F 之前（否则 notch 的瞬态会污染基线），T 必须在 N 之前（否则归一化基于不同长度），其余可交换。

AB.2 最小报告要求

即便不做 24 组全排列，至少应报告：

1. 基线窗口的起止（如 −20 至 0 ms）。
2. notch 的 Q 值与谐波数量。
3. 截断长度与是否补零。
4. 归一化方式（逐条 z-score / 全局 min-max / 不归一）。

AB.3 预期结论

按经验，归一化方式对结果影响最大，其次是截断长度，再次是 notch 参数，基线窗口影响最小。如果一篇论文只报模型结构不报预处理，其结果基本不可复现。

附录 AC：为什么这份数据适合做"教学用数据集"

从教学角度看，OculusGraphy 有几个罕见的优点：

1. 规模刚好：1,975 条对课堂作业来说不会跑不完，也不至于太少而无法分层交叉验证。
2. 格式极简：一个 xlsx，无需专用读取库。
3. 物理意义清晰：a 波、b 波、OP 都有明确的细胞来源，学生能"看见"信号与生理的对应。
4. 缺陷真实：类别不平衡、信号长度不齐、受试者分组问题，全是真实世界的坑，适合作为"数据质量"课程的案例。
5. 有配套论文：三篇方法论文构成一条从传统特征到深度学习的教学线。

教学建议的六个实验：

• 实验一：读数据，画五类协议各十条波形，肉眼分辨差异。
• 实验二：提取 a/b 波幅值与潜伏期，画分布直方图。
• 实验三：做按行随机划分 vs 按受试者分组划分的对比，观察 AUC 差异。
• 实验四：STFT 频谱图 + 随机森林基线。
• 实验五：换窗函数，观察性能波动。
• 实验六：讨论"81.2% 意味着什么"，写一份 500 字的批判性评述。

附录 AD：条目自评与待改进项

AD.1 本条目做得较好的地方

• 双口径（1,974 / 1,975）与双 DOI 全部存照，未擅自取舍。
• 与 cornorb 的消歧在四处重复设置锚点，降低误读概率。
• 所有硬数字标注来源编号（S1–S8），可回溯。
• 明确区分"论文报告的数字"与"推断的结构"（如 xlsx 列名）。

AD.2 本条目已知的不足

• 未能获得 IEEE DataPort 记录页的许可条款原文，§6.1 只能写"以页面为准"。
• 未能获得 2021 年 EDM 论文全文，正常值的具体数值未纳入。
• xlsx 逐列字段结构为推断，未做实际下载核验（受网络预算与沙箱限制）。
• 五类协议全库逐类条数未公开，只给出 425 条子集的分布。

AD.3 若后续能补

1. 下载 v2.xlsx 实际读取列名与条数，替换 §2.3 的推断描述。
2. 获取 DataPort 页面许可条款，补齐 §6.1。
3. 若能取得 EDM 2021 全文，补一张儿童/成人正常值参考表。
4. 若能联系作者，确认儿童/成人分界年龄与双眼记录比例。

---

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：

• woives-octa — 共享标签：眼科影像 / 医学图像分割 / 评测基准
• tuab — 共享标签：生理信号 / 脑电信号 / 评测基准
• bigp3bci — 共享标签：生理信号 / 脑电信号 / 评测基准
• neurocritical-pediatric — 共享标签：生理信号 / 脑电信号 / 评测基准
• eeg-power-anesthesia — 共享标签：生理信号 / 脑电信号 / 评测基准
• ltrsvp — 共享标签：生理信号 / 脑电信号 / 评测基准
• tusz — 共享标签：生理信号 / 脑电信号 / 评测基准
• drive — 共享标签：眼科影像 / 医学图像分割 / 评测基准
• hmc-sleep-staging — 共享标签：生理信号 / 脑电信号 / 评测基准
• g1020 — 共享标签：眼科影像 / 医学图像分割 / 评测基准

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