OpenECG — 公开九中心 120 万条 12 导联心电基础模型基准

INFOBOX — OpenECG 一屏速览

维度	内容
本质	聚合式心电基准：把九个公开 12 导联 ECG 数据集统一进单一框架（非新采集、非挑战赛）
团队	南昌大学（第一单位，通讯 Wenfeng Duan）+ 佐治亚理工学院（Cheng Ding）；共同一作 Zhijiang Wan / Qianhao Yu
论文	arXiv:2503.00711（2025-03-02 提交，仅 v1，无期刊版）；论文 CC BY 4.0
数据	1,233,337 条记录 / 483,837 患者 / 9 中心；统一为 (n, 12, 1000)
来源	MIMIC-IV-ECG 800,035 + CODE-15 341,292（未标注）；Chapman 45,152 + PTB-XL 21,837 + CPSC 14,053 + Georgia 10,344 + PTB 549 + INCART 75（有标注）
标签	SNOMED CT 标准，24 类 ECG 相关疾病
方法	3 种自监督（SimCLR / BYOL / MAE）× 2 骨干（ResNet-50 / ViT）
评测	五折交叉验证 + LODO 留一数据集 + 数据规模缩放（1%→100%）
核心结论	BYOL/MAE 优于 SimCLR；BYOL/MAE 在 60-70% 数据量饱和、SimCLR 需 >80%；公开数据可匹敌专有数据
获取	无独立数据托管——须分别从九个源数据集原始入口获取
命名警告	PyPI 存在同名完全无关包 openecg（ECG tokenization 工具库，Apache-2.0）
库内互链	MIMIC-IV-ECG（上游源）、CODE-15（上游源）、PTB-XL（上游源）、Chapman-Shaoxing（上游源）、CPSC（谱系）、MIT-BIH Arrhythmia（ECG 方法学锚点）

OpenECG 是一个"把散落的心电图拼成一张地图"的基准工程：它不采集一条新数据，而是把全球九个公开的 12 导联心电数据集（从美国 MIMIC 重症监护波形，到巴西 CODE-15、中国的 CPSC、瑞典的 PTB-XL、绍兴的 Chapman）统一清洗成同一格式，凑出 123 万余条记录、48 万余患者的规模，然后在这个统一战场上回答一个尖锐的问题——只用公开数据，能训练出匹敌专有数据的心电基础模型吗？答案是肯定的，而且它顺手揭示了两个反直觉规律：特征一致性学习（BYOL）与生成式重建（MAE）比风头更盛的对比学习（SimCLR）更适合心电信号，而数据并非越多越好——跑到六七成就饱和了。

导语读法三则：

1. 只想下数据：直奔 §6——注意 OpenECG 没有独立数据包，你要分别去 PhysioNet（Challenge 2020 系 + MIMIC-IV-ECG）、Zenodo（CODE-15%）、figshare（Chapman）取九份原始数据再自行拼接。
2. 关心方法结论：直奔 §4 与 §5——三种 SSL 的横向对照、LODO 泛化表、数据规模饱和点三段连读，尤其"BYOL/MAE 60-70% 饱和"这个可迁移的工程结论。
3. 做心电基础模型评测：先读 §8 命名撞车警告（PyPI 的 openecg 包与本条目毫无关系），再按 §5 的对照表定位你的模型位置。

§0 导读：这个数据集解决什么问题

心电图（ECG, Electrocardiography）是诊断心血管疾病最基础、最普及的工具，但它的 AI 化长期被两个瓶颈卡住。第一是标注成本：24 类心律与形态学诊断需要心内科医生逐条判读，大规模专家标注昂贵且慢。第二是泛化困境：多数模型在单一中心、相对同质的数据集上训练与测试，一旦换到别的医院、别的设备、别的人群，性能就断崖式下跌——论文直指既往工作"only been tested or developed in single, small, or relatively homogeneous datasets"。

题名里的 Foundation Model（基础模型，FM） 是这一切的解题思路：先在海量无标注信号上做自监督预训练（Self-Supervised Learning, SSL），学一套通用表示，再迁到具体诊断任务上微调。但心电领域此前的 FM 各据一方——Apple 的模型只用单导联、且在同队列上测试；AnyECG、ECG-FM 虽然拼了多源数据，却没有系统评测泛化；ECG-Chat、MERL 一类则依赖 MIMIC-IV-ECG 单中心的波形-文本配对，跨人群能力存疑。没人把散落各处的公开数据真正拼成一张能公平比试的擂台。

OpenECG 的回答是一套三层工程。第一层是聚合：系统性地搜集所有公开可得的 12 导联 ECG 数据集，统一重采样到 12×1000 点、按患者切分防泄漏，把九中心 1,233,337 条记录、483,837 名患者凑成一个标准化框架。第二层是方法论对照：在同一战场里横评三种主流的 SSL 范式——对比学习（SimCLR）、特征一致性（BYOL）、掩码生成（MAE），各配 ResNet-50 与 Vision Transformer 两种骨干，用五折交叉验证、留一数据集（LODO）与数据规模缩放三套实验同时考察精度与泛化。第三层是结论与主张：证明公开数据经恰当整理后可产出临床可用的 FM，挑战"高性能 AI 必须依赖专有数据"的成见。

§0 读法三则：

1. 这个条目是"聚合数据集 + 方法论论文 + 评测协议"三合一：数据不是新采的（§2 逐一交代九个来源），价值在统一化协议（§3）与对照结论（§4-§5）。
2. 全文硬数字均出自论文正文与四张表格；正文与 Table 2/3 的几处冲突（CODE-15 样本数、中心数、排版错位）已在坑点与 §9 存照。
3. 检索 “OpenECG” 会撞上 PyPI 上一个同名工具包（ECG 离散化 tokenization，与本论文完全无关）——这是本条目最重要的检索陷阱（坑 1）。

0.1 为什么"聚合"本身就是一种贡献

初看这个数据集，容易产生一个误解：既然数据都是别人公开的，把九个数据集拼起来有什么价值？这个疑问恰恰触及 OpenECG 的方法论内核。数据的价值不在"拥有"，而在可比。

设想一个具体场景。研究者 A 在 PTB-XL 上把 SimCLR 调到 AUROC 0.94，研究者 B 在 CODE-15 上把 BYOL 调到 0.91，两篇论文都说自己的方法最好——但这两组数字根本不可比：训练集不同、测试集不同、预处理不同、类别定义不同、甚至"AUROC 怎么算"都可能不同。心电 AI 领域长期缺少一把所有人都同意的尺子，于是"谁的方法更好"这个最基础的问题，反而没有可靠答案。

OpenECG 的贡献，就是把散落的尺子熔成一把。它做的事可以类比为统一度量衡：秦始皇统一六国后最被低估的功绩不是打仗而是"书同文、车同轨"——把各说各话的度量统一，商业与治理才可能规模化。OpenECG 之于 ECG 基础模型，正是这一层基础设施。它不生产数据（秦国不生产尺子），它生产的是让数据可比较的协议。

这个定位带来三个直接后果，贯穿全条目：

1. 它没有"一批可下载的文件"（§6）——因为它的产出物是协议，不是数据。
2. 它的评分标准是"对照表的完备度"而非"数据量"——四张表格（来源规格 / 横向对照 / LODO / 缩放）才是核心资产。
3. 它必须用通用架构而非定制网络（§4.1）——只有"不偏袒任何一方"的基准线，对照才有意义。

理解了这一点，就能理解为什么它宁可拿 46.9/91.5 这样"不亮眼"的分数，也不去刷榜——因为它在扮演裁判，不是选手。

0.2 与库内三类条目的关系定位

库内已有的 ECG 相关条目大致分三类，OpenECG 与它们各成一格：

类型	库内代表	OpenECG 的关系
单一数据集	ptb-xl(70)、mimic-iv-ecg(172)、code-15(152)	上游来源——OpenECG 把它们当作组成部件
挑战赛	physionet-cinc-2017(162)、physionet-cinc-2016(382)、cpsc(132)	谱系邻近——同属 PhysioNet 评测传统
经典标注库	mit-bih-arrhythmia(69)、apnea-ecg(658)	方法学锚点——ECG 标注的鼻祖与近邻
聚合式基准	openecg（本条目）	库内首个此类：不新增数据、只整合协议的基准

这个"四类"框架本身就有检索价值：当用户检索 ECG 数据集时，看到 ptb-xl 会同时看到"它是 OpenECG 的九源之一"，看到 OpenECG 会看到"它整合了 ptb-xl"——两个方向都补全了信息，避免重复建设。

§1 数据集速览：十问十答

Q1：OpenECG 是一个新数据集吗？
不是。它是一个聚合式基准（aggregation benchmark）：把九个已经公开的 12 导联 ECG 数据集统一预处理到一个标准框架里，用于公平训练与评测心电基础模型。论文不采集任何新信号。

Q2：那"1.2 million"从哪来？
精确数字是 1,233,337 条 ECG 记录，来自 483,837 名患者、9 个中心。题名取整为 “1.2 Million”。构成见 Q3。

Q3：九个来源分别是什么？
未标注（作自监督预训练）：MIMIC-IV-ECG（800,035 条）、CODE-15（341,292 条）。有标注（作监督预训练与微调）：Chapman-Shaoxing（45,152）、PTB-XL（21,837）、CPSC（14,053）、Georgia（10,344）、PTB（549）、INCART/St Petersburg（75）。逐源规格见 §2.2。

Q4：为什么叫"九中心"不是"八中心"？
论文摘要与正文都写 “nine centers”（九中心）；但 Table 1 里 “Centers for training data” 记 8、“Centers for testing data” 记 6。这是"数据来源总数"与"交叉验证划分口径"两套计数（坑 2）。

Q5：数据被统一成了什么格式？
每条记录统一重采样为固定长度 1000 点，保留原始 12 导联结构，张量形如 (n, 12, 1000)；标签体系对齐 SNOMED CT 标准，选出 24 类 ECG 相关疾病作为分类目标。

Q6：用了哪几种自监督方法？
三种：SimCLR（对比学习，正负样本对）、BYOL（Bootstrap Your Own Latent，无负样本、特征一致性）、MAE（Masked Autoencoder，掩码重建生成式）。前两者配 ResNet-50 骨干，MAE 配 Vision Transformer 骨干。

Q7：怎么测泛化？
三套协议：五折交叉验证（按患者切分）、LODO 留一数据集（训练时排除一个数据集、再拿它当测试集，轮遍每个数据集）、数据规模缩放（训练量从 1% 递增到 100%，观察收敛与饱和）。

Q8：最重要的三个结论是什么？
（1）BYOL 与 MAE 一致优于 SimCLR，尤其在高变异数据集上；（2）BYOL/MAE 在 60-70% 数据量就饱和，SimCLR 需 >80%；（3）数据集多样性比规模更重要——CPSC、INCART 纳入预训练增益最大，而同质的 Chapman/PTB-XL 增益不足 1%。

Q9：我现在能直接下载"OpenECG"吗？
不能——没有独立的 OpenECG 数据包。你要按 §6 分别去九个源数据集的原始入口（PhysioNet / Zenodo / figshare）获取，再按 §3 的协议自行拼接。

Q10：为什么它对 AI-Ready 重要？
它是"无独立托管、纯协议聚合"这一类基准的代表样本：AI-Ready 得分取决于它所依赖的九份源数据是否各自可达与合规，而非一个中心化的发布页。它同时给出了一套可复用的多中心去偏预处理与应用范式，是评测型条目的另一种形态。

1.1 十问十答之外的五个"追问"

上面的十问覆盖了"是什么"，这里补五个常被追问的"怎么用"问题：

追问 1：如果我只有一台普通工作站，能复现吗？
部分能。OpenECG 的复现分两种规模：完整复现（九源全量 123 万条）需要约 1.5 TB 原始 WFDB 数据与可观算力，且卡在 MIMIC credential；小规模实训（仅 PhysioNet Challenge 2020 系约 4.3 万条标注记录）一台带单张消费级 GPU 的机器即可跑通预训练-微调全流程。建议从后者起步，验证管线后再扩。

追问 2：论文的"24 类"具体是哪些病？
论文没有在正文逐条列出 24 类，仅说明基于 SNOMED CT 标准、选取 24 种 ECG 相关疾病（参考文献 Lee 2013）。SNOMED CT 本身是包含数十万概念的临床术语标准，这里的 24 类是作者从挑战赛标签体系里筛出的子集。具体类别清单需回到 PhysioNet Challenge 2020 的 3 列 CSV（长描述/SNOMED 码/缩写）查看——这是复现阶段必须自行核对的细节（附录 T 列为待核项）。

追问 3：为什么用"通用架构"是优点不是缺点？
因为基准的使命是可比而非最强。若 OpenECG 用一套为 ECG 精心定制的网络，那它的分数就无法与其他研究对照——别人读到的只是"这个网络多好"，而非"公开数据这个池子多好"。用 ResNet-50 与 ViT 这两个被无数论文用过的标准骨干，任何后来者都能把自己的方法放进同一张表里对齐。这是"裁判不下场"的原则。

追问 4：它和最火的 ECG 大模型（如 ECGFounder）比，谁更强？
不能直接比，因为目标不同。ECGFounder 用 1,077 万条单中心数据、150 类标签，追求绝对规模与性能；OpenECG 用 123 万多中心数据、24 类标签，追求泛化评测的公平性。两者是"更大"与"更可比"两个维度。真要比，需要把 ECGFounder 的方法搬进 OpenECG 的 LODO 协议重跑——而论文没有做这件事（§9 待核）。

追问 5：这个条目对我做产品有什么实际用途？
三条可落地的用途：（1）预训练池设计——直接照搬它的九源清单与"按患者切分"原则，省去踩坑；（2）数据采购决策——它的 LODO 表告诉你哪些来源"难而有价值"（INCART/CPSC），哪些"易而增量为零"（Chapman），帮你把钱花在刀刃上；（3）评测协议模板——LODO + 五折 + 缩放三件套是可直接抄的多中心评测设计。

1.2 三分钟理解 OpenECG 的三个类比

给不同背景读者的三个类比，帮你快速建立直觉：

类比一（给数据工程师）：OpenECG 是 ECG 界的"数据标准化管道"（ETL 的 L 层）。就像数据仓库要把不同业务系统的数据抽取、转换、加载到统一 schema，OpenECG 把九个异构 ECG 来源 ETL 成一个 (n, 12, 1000) 的统一表 + 一个 24 类标签字典。它没有新增"源数据"，它新增的是这个管道与 schema。

类比二（给 ML 研究者）：OpenECG 是心电领域的"ImageNet 时刻"的评测版。ImageNet 的价值不只是图片，而是"所有人都用同一个测试集，于是进步可比较"。OpenECG 不提供预训练权重（不像 ImageNet 训练出的 backbone），但它提供了那个"所有人对着同一个测试协议说话"的公共参照系。

类比三（给临床研究者）：OpenECG 是"多中心临床试验"的数据基础设施。单中心研究的结论无法外推，就像只在宁波做的流行病学结论不能推广到巴西。OpenECG 的价值是把"多中心"从一句口号变成可量化（LODO 的 Δ 表告诉你每个中心贡献了多少泛化力），这是循证医学思维在 AI 数据层的落地。

1.3 一张图看懂全条目结构

本条目 11 个主章节的组织逻辑：

§0 导读     —— 为什么"聚合"有价值（统一度量衡）
§1 速览     —— 十问十答 + 追问（是什么/怎么用）
§2 数据     —— 九源规格 + 三处口径冲突 + 数据流全景
§3 方法     —— 统一预处理流水线 + 三种 SSL 范式 + 掩码增强
§4 结果     —— 横向对照 / LODO / 缩放 三套实验 + 统计卫生
§5 定位     —— 与 ECG-FM 谱系、专有数据辩论、其他基准的关系
§6 获取     —— 无独立数据包 + 九源入口 + 现实复现路线图
§7 生态     —— 谱系位置 + 命名撞车 + 对库内 ECG 条目生态的影响
§8 启示     —— 五条可迁移经验 + 最小可行基准清单
§9 互链     —— 库内条目家族图谱 + 检索矩阵
§10 避坑    —— 八个已踩过的坑
§11 总结    —— 三句话 + 适合谁 + 30 秒决策卡

§2 数据构成与规格

2.1 总量与口径

OpenECG 的核心规模数字在论文摘要与正文两处一致：1,233,337 条 12 导联 ECG 记录，483,837 名患者，9 个中心。题名的 “1.2 Million Records” 即由此取整。这一规模在论文 Table 1 的横向对照中处于一个特定位置——它不是最大的（ECGFounder 有 1,077 万余条），但它是唯一接近"用全公开数据凑规模"且做过多中心泛化评测的。

Table 1 转写（前 ECG 基础模型研究的数据对照，Ours 行加粗）：

研究	#患者	#ECG 记录	训练中心	测试中心	导联	类别
Apple Heart and Movement Study	106,643	3,743,679	1	1	1	2
AnyECG	53,563	53,101	6	6	12	5
ECG-FM	372,851	1,560,494	7	7	12	13
ECG-Chat	161,352	800,035	1	2	12	16
ECG Semantic Integrator	161,352	800,035	3	2	12	5
MERL	161,352	800,035	1	3	12	5
ECGFounder	1,818,247	10,771,552	1	3	12	150
Ours（OpenECG）	483,837	1,233,337	8	6	12	24

三个观察：

1. 患者数与记录数比（≈2.55 条/人） 处于中间档——比 Apple（35 条/人，可穿戴高频）低得多，比 AnyECG（≈1 条/人）高，反映多源合并后每条记录对应住院/门诊单次检查的自然节奏。
2. 训练/测试中心数（8/6）是 Table 1 中最多之一——这正是 OpenECG 相对 Apple（1/1）、ECG-Chat（1/2）的核心方法论优势：多中心才能谈泛化。
3. 24 类是 Table 1 中类别数第二多的（仅次于 ECGFounder 的 150）——SNOMED CT 标签体系带来的诊断粒度远高于 5 类心律粗分。

2.2 九来源数据集逐项规格

论文 Table 2 给出九个来源的关键特征。转写如下（"未标注"作自监督预训练、"有标注"作监督预训练与微调）：

标注	数据集	#患者	#样本	#导联	时长(s)	采样率(Hz)
未标注	MIMIC（MIMIC-IV-ECG）	161,352	800,035	12	10	500
未标注	CODE15	233,770	341,292	12	7-10	400
有标注	CPSC	14,053	14,053	12	6-60	500
有标注	Georgia	10,344	10,344	12	10	500
有标注	PTB	249	549	12	—	1,000
有标注	PTB-XL	18,885	21,837	12	10	500
有标注	St. Petersb.（INCART）	32	75	12	1,800	257
有标注	Chapman	45,152	45,152	12	10	500

各源的背景描述（论文口径）：

• MIMIC-IV-ECG：源自 MIMIC-IV 临床数据库，约 800,000 条记录、近 160,000 患者，全部 12 导联、500 Hz、10 秒，覆盖 2008-2019 年；与人口学、诊断、用药、化验等临床信息强关联，可用于急诊、病房、ICU 的心血管诊断研究。
• CODE-15：CODE 数据集的分层子集，345,779 条 12 导联记录、233,770 患者，时间跨度 2010-2016；由巴西米纳斯吉拉斯远程医疗网络（TNMG, Telehealth Network of Minas Gerais）采集，广泛用于自动诊断与心血管事件风险预测（如"ECG age"估算）。
• PhysioNet 2020：整合 CPSC、PTB、St Petersburg INCART、Georgia 12-lead、PTB-XL 及其他未披露来源，采样率以 500 Hz 为主（部分 1,000 Hz），时长 6 秒到数分钟。
• Chapman（Chapman-Shaoxing）：Chapman 大学联合绍兴市人民医院与宁波市第一医院创建，45,152 名患者的 12 导联记录，500 Hz、10 秒；经认证医生两轮标注，诊断标签（房颤、早搏、左右束支传导阻滞等）由经验丰富的医生确认，标注质量在九源中居前。

九源异质性的三个含义（对使用者的直接提醒）：

1. 采样率跨 257-1,000 Hz 近 4 倍差：INCART 仅 257 Hz 而 PTB 达 1,000 Hz，统一重采样到 1,000 点是主要的信息对齐手段，但高频细节在低采样源上不可逆丢失。
2. 时长跨 6 秒到 60 分钟（3,600 秒）：INCART 记录长达 30 分钟（1,800 秒）、St Petersburg Length 记 462,600 点，与 10 秒标准段完全不可比，需靠分段或裁剪对齐。
3. 标注深度分层：MIMIC/CODE15 完全无标注（只作预训练），Chapman 两轮医生标注，CPSC/Georgia/PTB/PTB-XL 各有单或多轮标签——合并后"标签质量"本身是分层的，评测时不可等量齐观。

2.3 三个数字口径冲突（存照）

冲突项	口径 A	口径 B	处理
中心数	摘要/正文"9 centers"	Table 1 训练 8 / 测试 6	正文按 9（数据来源总数），划分口径注 8/6
CODE-15 记录数	正文 345,779	Table 2 样本 341,292	以 Table 2 为引用主口径，正文值存照
CPSC 记录数	PhysioNet 页 6,877+3,453=10,330	Table 2 记 14,053	两套口径（是否含额外子集）存照

此外，论文 Table 2 表头把 “Georgia” 拼写为 “Geogria”——原文笔误，条目按正确拼写 Georgia 记录并在此存照（坑 6）。

2.4 与库内上游条目的映射

九来源并非都在库内，且命名不完全一致。映射关系如下：

OpenECG 来源名	库内对应条目	rid	说明
MIMIC（MIMIC-IV-ECG）	mimic-iv-ecg	172	直接命中
CODE15	code-15	152	命名为 CODE-15%
PTB-XL	ptb-xl	70	直接命中
Chapman	chapman-shaoxing	143	命名为 Chapman-Shaoxing
CPSC	cpsc	132	CPSC 谱系（经 Challenge 2020 的 CPSC 子集关联）
PTB / Georgia / INCART	无直接条目	—	作为 PhysioNet Challenge 2020 的子集存在
（挑战赛上游）	physionet-cinc-2017 / physionet-cinc-2016	162 / 382	PhysioNet 挑战赛谱系

对检索者的含义：OpenECG 是这五个库内 ECG 条目的"下游聚合视图"，从任一条目（如 ptb-xl rid 70）都应有一条通往 OpenECG 的"被用于多中心基准"的旁支。

2.5 数据流全景：从九源到统一张量

把 §2.2 的表格画成一条流水线，能更直观看到 OpenECG 的"整合"发生在哪一步：

九源原始信号（各自格式）
├── MIMIC-IV-ECG   800,035 × 500Hz × 10s      ┐
├── CODE-15        341,292 × 400Hz × 7-10s    │  未标注 -> 自监督预训练池
├── Chapman         45,152 × 500Hz × 10s      │
├── PTB-XL          21,837 × 500Hz × 10s      │
├── CPSC            14,053 × 500Hz × 6-60s    ├─ 有标注 -> 监督预训练 + 微调池
├── Georgia         10,344 × 500Hz × 10s      │
├── PTB                549 × 1000Hz           │
└── INCART              75 × 257Hz × 1800s    ┘
                    │
                    ▼  [统一层] 重采样 -> 固定 1000 点，保留 12 导联
         (n, 12, 1000) 标准化张量
                    │
                    ▼  [防泄漏层] 按患者 ID 分组切分 + 五折 CV
                    │
                    ▼  [标签层] 对齐 SNOMED CT，取 24 类
                    │
                    ▼  [训练层] SimCLR/BYOL(ResNet-50) · MAE(ViT)
                    │
                    ▼  [评测层] F1/AUROC · LODO 留一 · 数据规模缩放

这条流水线里有两个"不可逆"的决策点值得强调：

1. 重采样到 1000 点会丢信息：PTB 的 1,000 Hz、INCART 的 257 Hz 都被拉到同一长度 1000 点。对高频成分丰富的信号，降采样可能抹掉细微信号；对低频信号，上采样是插值、不增信息。这个"统一"是为可比性付出的代价，使用者心里要有数——你得到的不是"各源的最优表示"，而是"各源在同一尺子下的表示"。
2. 按患者切分改变了可用样本数：同一患者的多次记录被绑在一起切分，因此实际可独立使用的患者数（483,837）比记录数（1,233,337）才是真正的"有效样本量"。按 2.55 条/人算，若忽略患者级绑定会高估数据多样性约 1.5 倍。

2.6 与 PANDA-PLUS 式"重标注"的对照

库内已有一种"给旧数据贴新标签"的数据集工程（如 PANDA-PLUS 把 PANDA 的切片级标签升级为像素级），OpenECG 则是另一种——给旧数据换统一容器。两者对读：

维度	PANDA-PLUS 式（重标注）	OpenECG 式（聚合）
动的是	标签（切片级→像素级）	容器（各源→统一格式）
数据来源	单一上游（PANDA）	九个独立来源
新增信息	更高分辨率的真值	更高可比性的框架
核心产出	掩码文件	协议 + 对照表
失败模式	新标签仍有偏差	合并引入异质性噪声

一句话：一个是在旧瓶里装新酒，一个是把不同的瓶子换成同一套杯具。两者都属"数据再利用"的当代范式，但一个深挖标签、一个横向整合。

2.7 九源规模的两条"危险直觉"

使用九源数据时，有两个直觉会误导决策，值得提前点破：

危险直觉一：“总共 123 万条，数据很充足”。
实际拆分后，有标注数据仅约 10 万条（Chapman 45,152 + PTB-XL 21,837 + CPSC 14,053 + Georgia 10,344 + PTB 549 + INCART 75 ≈ 92,010），其余约 114 万条是无标注的 MIMIC（800,035）与 CODE-15（341,292）。这意味着：

• 自监督预训练池确实充足（114 万条）。
• 但监督微调、有标签评测的可用量小得多（约 9.2 万条），且分布不均（PTB 只有 549 条）。
• 因此"123 万"这个数字的适用场景是预训练，不是"有监督训练"——后者要按 10 万量级的预期去规划。

危险直觉二：“来源越多，数据越有代表性”。
实际上九源的人群代表性高度不均衡：美国的 MIMIC（重症）与 Georgia（东南部）、巴西的 CODE-15（远程筛查）、中国的 CPSC/Chapman、德国的 PTB/PTB-XL、俄罗斯的 INCART——覆盖了多国，但每国仅一两个中心，远非各地人群的随机抽样。附录 J 的实体表已逐条标注风险。跨人群泛化结论时，须承认这个"多中心 ≠ 全球代表性"的落差。

类别	记录数合计	占比	用途
无标注（MIMIC + CODE-15）	1,141,327	约 92.5%	自监督预训练
有标注（Chapman 等六源）	约 92,010	约 7.5%	监督预训练 + 微调 + 评测

这张表是"123 万条"最重要的注脚：九成是预训练燃料，一成是监督信号——两者在管线中的角色完全不同，不能混为一谈。

2.8 时间跨度与数据新鲜度

九源的时间覆盖差异很大，直接影响"模型学到的是哪个时代的 ECG 判读习惯"：

来源	覆盖时段	时代特征
MIMIC-IV-ECG	2008-2019	覆盖十余年，含设备与判读标准演进
CODE-15	2010-2016	巴西远程筛查扩张期
PTB-XL	1984-2021（原库跨期长）	德国数十年积累
Chapman	2010s 后期	中国两院联合标注
INCART	较早（Holter 时代）	低采样率长记录技术

含义有二：其一，跨源合并即跨时代合并——同一诊断在不同年代的判读标准（如 ST 段抬高的阈值）可能有细微差异，这是合并数据难以完全消除的"时代噪声"；其二，较老的源（INCART/PTB）可能携带过时的判读习惯，在评测"当代临床可靠性"时需打折看待。论文未做时间分层分析，这是使用者的隐性风险。

2.9 小结：九个来源的"角色分配"

把上面所有信息浓缩成一句话的角色表：

• MIMIC-IV-ECG：规模担当（65% 记录），但门槛最高、人群最偏（重症）。
• CODE-15：第二大规模担当，社区人群、易获取。
• Chapman-Shaoxing：标注质量担当（两轮医生）。
• PTB-XL / PTB：德国经典，结构良好、易学。
• CPSC / Georgia：高异质、高泛化增益担当。
• INCART：小而怪异，LODO 增益冠军。
• Chapman / PTB：时长/采样率极端值提供者。

理解这九种"角色"，比记住九串数字更有用——它解释了为什么 LODO 表里各源的 Δ 差异如此之大（§4.2）。

§3 数据处理与自监督方法

3.1 统一预处理流水线

论文的方法节把九个异质来源压成同一实验框架，步骤清晰可复用：

阶段 1 划分
  - PhysioNet 2020 拆为 5 个子数据集：CPSC / Georgia / PTB / PTB-XL / St. Peter
  - MIMIC-IV + CODE-15 -> 未标注预训练池
  - Challenge 系 + Chapman -> 监督预训练 + 微调池
阶段 2 重采样与定长
  - 保留原始 12 导联结构
  - 每条记录重采样到固定 1000 点
  - 统一张量格式 (n, 12, 1000)
阶段 3 增强
  - 离线增强（避免实时增强的时间开销）
  - 在线轻量增强（如随机置零 random zeroing）
阶段 4 防泄漏切分
  - 按患者切分（同一患者的不同样本不跨训练/验证/测试集）
  - 每个子数据集分 5 折做交叉验证
阶段 5 标签对齐
  - 基于 SNOMED CT 标准，选 24 类 ECG 相关疾病作为分类目标

设计亮点是"按患者切分"这一条：多来源 ECG 中同一患者常有多次随访记录，若按记录随机切分会造成患者级泄漏（模型可能凭"认人"而非"认病"得分）。论文显式声明 “the data is split by patient to ensure dataset independence”，这是多中心基准可信度的前提。

3.2 三种自监督学习范式

论文选了三个范式代表（而非调参竞赛），每个配一种主流骨干：

方法	范式	核心机制	骨干	论文选它的理由
SimCLR	对比学习（contrastive）	拉近同一样本的两个增强视图、推远不同样本	ResNet-50	从高维数据无监督提取细粒度特征的代表
BYOL	特征一致性（feature consistency）	去掉负样本，只让两个视图的表示相互预测	ResNet-50	简化训练、提升鲁棒性；无需负样本约束
MAE	生成式重建（generative）	随机掩码输入，要求重建原始信号	Vision Transformer	迫使模型捕捉局部与全局结构，模拟真实噪声/缺失

为什么用两种骨干：ResNet-50（CNN 系）与 ViT（Transformer 系）分别代表 ECG-FM 的两大架构路线。论文刻意用"常用而非专门设计"的架构，目的是考察预训练策略 × 架构组合的泛化差异，而不是造一个更强的 encoder。

3.3 掩码增强：模拟真实世界信号缺失

在预训练中，论文用两种掩码逼近真实场景的"信号中断与数据丢失"：

1. 时间掩码（Temporal Masking）：在信号中随机掩掉 100 个连续数据点，模拟噪声或数据丢失；掩码在全部 12 导联上同步施加，保证整条 ECG 的一致切除。
2. 导联掩码（Lead Masking）：在全部 12 导联上同时施加随机掩码，每条导联掩掉 100 点，模拟多导联信号损坏或记录同步中断。

这两者逼模型学习"能从缺失或损坏数据里恢复表示"的鲁棒表征——MAE 的重建目标与此天然契合，也成为 MAE 在 LODO 中表现稳健的机制性解释之一。

3.4 预训练与微调协议

• 预训练：五折交叉验证——全数据分五等份，每折轮流当测试集、其余四折训练；训练集内再轮取一折作验证集监控性能。
• 下游：24 类心律/形态学分类，报告 F1 score 与 AUROC。
• 泛化评测：LODO（见 §4.2）与数据规模缩放（见 §4.3）。

这一点值得强调：论文用的是**"预训练-微调"标准范式**而非线性探针（linear probe），因此 Table 3 的分数同时反映表示质量与微调适配性，不能直接当作"纯表示质量"排行榜读——这是与 PANDA-PLUS-Bench 那类"冻结编码器 + 线性探针"设计的口径差异（见 §9 方法学对照）。

§4 实验结果：三套实验回答三个问题

OpenECG 的实验设计围绕三个递进的问题展开：（1）与既往方法比，绝对性能如何？（2）去掉一个数据集后还能不能打（泛化）？（3）再加数据还有没有用（缩放）？

三套实验的关系可以形象地理解为一个三段式体检：

• Table 3（横向对照） = 常规体检——先看基础指标是否健康。
• Table 4（LODO） = 压力测试——拿走一个"器官"（数据集）看还能不能运转。
• Fig 3（缩放） = 负荷试验——逐步加"运动量"（数据量）看何时到极限。

单做一项都不足以判断"模型是否可靠"，三项合读才完整。这也是 OpenECG 作为基准的方法论示范（§4.5）。

4.0 实验设置速览

在读具体数字前，先把实验的"棋盘"交代清楚——不读设置直接看分数是最常见的误读来源：

设置项	具体	对读数的意义
骨干	ResNet-50（SimCLR/BYOL）、ViT（MAE）	通用架构，非定制 → 分数是"基准线"非 SOTA
预训练规模	九源合并（未标注 + 有标注）	最大来源是 MIMIC 80 万条
微调下游	24 类心律/形态学分类	类别多、分布偏 → F1/AUROC 需分集看
验证	五折 CV，按患者切分	防泄漏 → 分数可信度高于按记录切分的结果
测试集	各源独立测试	跨数据集 F1 不可直接横向比（§4.1）

一句话原则：这是一套"为公平牺牲峰值"的设置。理解这一点，才不会把"Ours 未夺榜首"误读为"方法不行"。

4.1 心律分类横向对照（Table 3）

在多个数据集上以 F1/AUROC 对照既往方法（Ours 三行加粗）：

方法	PhysioNet Challenge 2020	PTB-XL	CPSC 2018	Chapman	PTB	Georgia
ECG-Chat	55.9/94.1	80.1/95.7	—	—	—	—
MERL	48.1/91.9	72.8/92.6	—/87.9	—	—	—
ESI（ECG Semantic Integrator）	—/93.1	—	—	—	—	—
MAEFE	64.7/88.6	71.6/94.5	—	—	—	—
Ours-SimCLR	46.9/91.5	73.1/92.4	52.3/95.1	37.8/74.2	12.3/72.0	17.1/69.8
Ours-BYOL	47.7/91.1	72.8/92.6	51.5/94.8	36.1/73.4	26.2/68.5	11.7/70.3
Ours-MAE	48.1/90.9	74.5/93.2	50.8/94.2	35.4/72.6	25.3/67.9	10.5/71.2
3KG	43.2/88.3
Patient Contrastive Learning	36.2/85.7
AnyECG	28.3/—
ECG-FM	22.8/—

如何在 PhysioNet Challenge 2020 这一主战场上读这张表：

1. 绝对性能不占优：Ours 三法 AUROC 在 90.9-91.5，低于 ECG-Chat（94.1）与 MERL（91.9）。F1 亦低于 ECG-Chat（55.9）与 MAEFE（64.7）。论文对此的解释是刻意的公平性取舍——它用的是通用架构（ResNet-50/ViT）而非为 ECG 专门定制的网络，目标是可比而非刷榜。
2. 三法内部排序稳定：MAE 略高于 BYOL，两者高于 SimCLR（在 PhysioNet 2020 上 MAE F1 48.1 > BYOL 47.7 > SimCLR 46.9），与全文"BYOL/MAE 优于 SimCLR"的主线一致。
3. 跨数据集的成绩落差巨大：同一套 Ours 方法，在 PTB-XL 上 F1 高达 72-74，在 PTB 上却只有 12-26——这不是模型退化，而是各数据集的类别定义与难度不同（PTB 是诊断库、类别数偏少且分布极偏），跨表横向读 F1 必须结合数据集特性。

INCART 列的独立值（原表排版错位，单列于此）：Ours-SimCLR 41.5/89.6、Ours-BYOL 42.8/87.6、Ours-MAE 44.1/89.2。注意此处 MAE 的 F1（44.1）显著高于 SimCLR/BYOL（41.5/42.8）。

4.2 LODO 留一数据集：泛化的定向体检（Table 4）

设计：每次从预训练中排除一个目标数据集（w/o），训练完再拿被排除者当测试集；同时给出包含它（w/）的对照。差值 Δ 即"该数据集进入预训练带来的增益"。

目标集	BYOL w/	w/o	Δ	SimCLR w/	w/o	Δ	MAE w/	w/o	Δ
CPSC	71.9	69.3	3.6%	72.1	70.2	2.6%	70.5	68.3	3.1%
PTB-XL	91.1	90.4	0.8%	90.9	90.1	0.9%	92.0	91.3	0.8%
Chapman	94.8	94.6	0.2%	94.5	94.3	0.2%	94.2	94.1	0.1%
PTB	73.4	72.6	1.1%	73.8	72.9	1.2%	74.6	73.5	1.5%
Georgia	68.5	67.7	1.2%	69.2	68.4	1.2%	69.8	68.1	2.4%
INCART	70.3	67.2	4.4%	71.0	68.7	3.2%	71.5	69.4	2.9%

三个可直接迁移的结论：

1. 增益与数据的异质性正相关，而非与规模正相关：INCART（BYOL +4.4%）与 CPSC（+3.6%）增益最大——它们恰好是采样率最低（257 Hz）、环境最特殊、变异性最高的数据集；而 Chapman（+0.1-0.2%）与 PTB-XL（+0.8%）这类"结构良好、同质"的集，加入预训练几乎无增量。论文的措辞极具工程指导性：“the value of adding a dataset to pre-training depends on its variability and distinctiveness rather than just its size.”
2. BYOL/MAE 的增益普遍大于 SimCLR：在 INCART 上 BYOL +4.4% vs SimCLR +3.2%；在 Georgia 上 MAE +2.4% vs SimCLR +1.2%。特征一致性与生成式方法对高变异数据更友好。
3. "w/o 也够高"揭示基准的稳健性：即便完全排除目标集，各方法仍能拿到接近包含时的分数（差距多在 1-3 个百分点内）——说明多源联合表示本身已具泛化力，“少一个数据集不会崩”。

4.3 数据规模缩放：不会一直变好（Fig 3 + 讨论）

设计：训练数据量从 1% 逐步增到 100%，每档在固定测试集上评估，观察 AUROC 收敛。

结论	数值/表述	含义
BYOL/MAE 饱和点	总数据的 60-70%	特征一致性/生成式模型数据高效，过半即饱和
SimCLR 饱和点	>80% 仍继续提升	对比学习更依赖大数据、更"贪吃"
Chapman / PTB-XL	AUROC 随数据量平稳上升	结构良好的集显著受益于更多数据
PTB / Georgia	特定数据量处波动	单纯加量非总是有益，疑过拟合或集特异波动
CPSC / INCART	小数据时 AUROC 偏低，加量后大幅提升	低资源起点的集对数据量更敏感

关键警示（论文原文）：“overfitting or performance fluctuations in PTB and Georgia datasets at certain data sizes indicate that simply increasing dataset size is not always beneficial—data quality, diversity, and augmentation strategies play a crucial role.”——把"数据量→性能"的单调预期打破，是本文对工程实践最有价值的一记提醒。

为什么"饱和"这件事对工程这么重要？算一笔账就明白：假设你要给预训练池扩容，从现有 100 万条增加到 300 万条（三倍），若用的是 BYOL/MAE 且已过 60-70% 饱和点，则新增两百万条数据的边际收益接近零，但采集/清洗/存储成本是实打实的三倍。反过来，若你还在 30% 数据量阶段，加到 60% 可能带来显著提升。饱和点决定"该不该继续投数据"这个百万级决策——这是 §4.3 超越纯学术的价值所在。

三条工程推论：

1. 先测饱和点，再定数据预算：用一条从小到大的缩放曲线确定自己的饱和位置，别凭感觉囤数据。
2. 饱和后把钱花在"质"而非"量"：转向数据清洗、增强策略、标签质量、来源多样性——论文明确指出这些"play a crucial role"。
3. 警惕"波动区"：PTB/Georgia 的波动说明某些数据量区间加数据反而有害，扩池时应监控而非盲增。

4.4 统计卫生：读这组数字的四条守则

1. 别把 Table 3 的绝对分当排行榜。Ours 用的是通用架构，论文明确不追求 SOTA；跨方法比要看"同数据集内的相对位置 + 泛化表现"，而非单看 PhysioNet 2020 那一列。
2. 别用跨数据集 F1 横向比较。同一方法在 PTB-XL（72-74）与 PTB（12-26）差三倍以上，根源是各集的类别体系与难度不同，不是模型退化。
3. "饱和点 60-70%"只适用于 BYOL/MAE。SimCLR 到 80% 还在涨——把"60-70% 饱和"当成普遍规律去为所有 SSL 省数据，会低估对比学习的数据需求。
4. Δ（LODO 增益）不能读成"数据质量排名"。Chapman 增益最小不等于它最差——恰恰因为它同质、易学，模型"早就会了"，增量才小；异质集增量大是因为"难学但学了有用"。

4.5 三套实验如何互证

若只看单套实验，很容易被误导；三套合读才拼出完整图景：

单看可能得出的结论	被哪套实验修正	修正后的结论
“Ours 分数不如 ECG-Chat，方法弱”	LODO（§4.2）	分数低是通用架构的取舍；泛化稳定性才是关键
“数据越多越好，应该堆到 100%”	缩放（§4.3）	BYOL/MAE 60-70% 即饱和，堆量边际递减甚至波动
“Chapman 增益最低，说明它最差”	LODO 解读（§4.2）	增益低 = 易学 = 模型早会，恰恰说明其质量高
“SimCLR 分数和 BYOL/MAE 差不多”	缩放 + LODO 合读	短期分数接近，但 SimCLR 更贪数据、高变异集上更吃亏
“跨数据集 F1 差距大，模型不稳”	Table 3 数据集特性（§4.1）	差异源于各集类别体系不同，非模型退化

这张表本身就是 OpenECG 作为"基准"的示范：它教的不只是结论，还有"如何不被单张表骗"的读表方法。

4.6 一个具体案例：INCART 为什么是"最有价值的难数据"

把 INCART 这条线单独拉出来，能看清 OpenECG 结论的机制。INCART（圣彼得堡 12 导联心律失常库）在九源中体型最小（75 条），采样率最低（257 Hz），记录最长（30 分钟）——从任何单一维度看它都是"边缘角色"。但 LODO 显示它却是 BYOL 增益最大的目标集（+4.4%）。为什么？

机制拆解：

1. 低采样率带来的是"另一种视角"：257 Hz 的信号被重采样到 1000 点后，其频谱特征与 500 Hz 的常规集明显不同——模型在它上面学到的是"降采样条件下的心率形态"，这是其他源没有的多样性。
2. 长记录包含罕见事件：30 分钟的 Holter 记录比 10 秒门控记录覆盖更长的心律变化窗口，包含更多瞬态异常。
3. “难学"意味着"有增量空间”：正因为它与主流集差异大，模型在它上面的初始表现低（CPSC/INCART 在小数据量时 AUROC 偏低，§4.3），所以加入预训练后提升空间也大。

这个案例给出的工程直觉是：建预训练池时，一个小而"怪异"的数据集，可能比一个大而"相似"的数据集更有价值。它与 §8.2 的"异质性 > 规模"结论互为印证。

§5 基准定位：OpenECG 与同类工作的关系

5.1 OpenECG 在整个 ECG-FM 生态中的位置

论文在 Table 1 布置了一个清晰的历史坐标：从 Apple（单导联、同队列测试）到 AnyECG/ECG-FM（多源但未评测泛化）、ECG-Chat/MERL（波形-文本配对、单中心）、再到 ECGFounder（千万级但单中心训练），每一代都补了一块短板。OpenECG 补的是最后一块——把"多中心"和"公平横向评测"同时做到，并用 LODO 把泛化从口号变成可测量。

5.2 与"专有数据 vs 公开数据"的辩论

论文的核心主张是一句挑战性结论：“publicly available ECG data can match or surpass proprietary datasets in training robust ECG-FMs”。其证据链是：OpenECG 只用公开数据，却在多中心 LODO 下拿到稳定泛化（w/o 目标集仍 67-94），说明"高性能必须靠专有数据"的成见不成立。这对资源受限的学术团队尤其重要——不必拥有医院私有数据，也能做出可发表、可比对的 FM。

5.3 与 PANDA-PLUS-Bench 型基准的方法学对照

库内已有的 PANDA-PLUS-Bench（病理图像鲁棒性基准）与本条目代表两种"基准"哲学，值得并置：

维度	OpenECG	PANDA-PLUS-Bench
基准性质	训练+评测一体（预训练-微调范式）	纯评测（冻结编码器+线性探针）
数据来源	聚合九个既有公开集	从单一本体派生（9 张 WSI 增强）
核心变量	数据集多样性（跨中心/跨源）	增强条件（8 种扰动光谱）
失效模式	泛化不足（跨中心性能跌落）	特征坍塌（学切片伪影而非生物信号）
结论形态	方法对照 + 缩放规律	伪影敏感性排名
可复现性入口	无独立数据包，需自行拼接九源	HF 直链 + Colab 开箱即评

一句话对照：OpenECG 测"换一个医院还灵不灵"，PANDA-PLUS-Bench 测"换了图像风格还认不认得"。前者是外推泛化，后者是域内鲁棒性——心电与病理两个模态各自演化出了自己的评测议程，但"用公开/派生数据构建可复现对照"的内核一致。

5.4 局限与自曝

论文主动承认的局限（也是 AI-Ready 评级要扣分处，见 §6.3）：

1. 未探讨跨数据集信号质量变化的影响——九源信号质量本就不齐，但论文没做质量分层分析。
2. 仅限 12 导联 ECG——单导联、可穿戴、其他格式（如 3 导联、心音-心电融合）未涉及。
3. 无独立数据托管——这是最实际的复现障碍：读者无法"下载 OpenECG"，只能自行拼接，九源的许可与登记流程各异，工作量大且易错。

5.5 与其他 ECG 基准的横向定位

2025 年前后，"ECG 基础模型评测"成了一个活跃赛道，除 OpenECG 外还有 BenchECG、xECG 等工作。它们的差异可用三个问题区分：

基准	核心问题	数据策略	独特贡献
OpenECG	公开数据能否匹敌专有？	聚合九源、多中心	LODO 泛化 + 缩放规律
BenchECG / xECG	如何标准化评测流程？	统一任务接口	评测协议工程
单数据集论文（PTB-XL 等）	在该集上谁最好？	单源	集内 SOTA

OpenECG 的差异化在于**"跨中心泛化"被放到了中心位置**——它不只提供分数，还提供了"为什么分数会这样变化"的机制解释（多样性 > 规模、方法范式差异）。这也是本条目把它与 PANDA-PLUS-Bench 并读的原因（§5.3）：两者都在回答"数据集/方法在换环境后是否可靠"这个更上位的问题。

5.6 实用决策：什么时候该选哪种 SSL

把本文的对照结论翻译成一张"选型表"，供工程决策直接抄：

你的情况	推荐方法	依据
数据量小（<60% 常规池）	BYOL 或 MAE	数据效率高、60-70% 即饱和
数据量巨大且持续增长	SimCLR 可考虑	它 >80% 仍在提升，能吃掉更多数据
数据跨多种设备/中心（高异质）	BYOL / MAE	高变异集上增益显著优于 SimCLR
信号常有缺失/损坏	MAE	掩码重建目标天然适配缺失场景
需要简单稳定的训练	BYOL	无负样本、少超参、论文称"简化训练"
追求可解释的对比基线	SimCLR	对比学习机制最直观、文献最多

一句话：默认选 BYOL 或 MAE，除非你有海量数据且愿意为 SimCLR 的数据胃口买单。这与论文"BYOL/MAE consistently outperform SimCLR"的主线一致。

5.7 对论文"first"宣称的谨慎态度

论文自称"the first comprehensive effort to unify all publicly available 12-lead ECG datasets into a single benchmark"。这类"首次"宣称在快速演进的领域需谨慎对待：2025 年同期已有 BenchECG、xECG 等工作在做类似的"ECG 基础模型评测"（§5.5）。它们与 OpenECG 的先后关系、是否独立、是否互引，本条目未能完全厘清（列为 §9 待核项）。引用时建议表述为"据该论文，这是首个系统性整合全部公开 12 导联 ECG 数据集的基准"，而非无条件断言"历史第一"——这是对"首次宣称"应有的学术审慎。

§6 获取与许可：一个"没有门的门"

6.1 为什么说它"没有独立数据包"

这是 OpenECG 最反直觉、也最关键的一点：它不是一个可下载的数据集，而是一套协议 + 一组来源引用。三轮精确搜索（arXiv + 项目官网 + PhysioNet/Zenodo/GitHub）均未发现 OpenECG 的官方数据仓或预处理代码仓。论文本身是"我们如何把公开数据拼起来"的方法学报告，产出物是知识（协议、结论、对照表）而非一批文件。

含义有二：其一，"OpenECG 能下载吗"这个问题的答案是不能；其二，它的 AI-Ready 属性完全继承自它所引用的九份源数据——源数据可达，则 OpenECG 的复现路径可达；源数据某一份关闭，则整条链断一环。

6.2 九源获取入口与许可分层

来源	托管平台	入口	许可	门槛
PhysioNet Challenge 2020 系（CPSC/CPSC-Extra/PTB/PTB-XL/Georgia/INCART/St Petersburg）	PhysioNet	physionet.org/content/challenge-2020/	CC BY 4.0	注册+签署数据使用协议
MIMIC-IV-ECG	PhysioNet	physionet.org（credentialed）	ODC-BY 1.0	credential 申请+培训考核（最严）
CODE-15%	Zenodo / SciLifeLab	DOI 10.17044/scilifelab.15169716.v1	Zenodo 常规开放	下载即得
Chapman-Shaoxing	figshare	DOI 10.6084/m9.figshare.25558926.v1	figshare 开放	下载即得
论文本体	arXiv	arXiv:2503.00711	CC BY 4.0	无

关键分层：MIMIC-IV-ECG 是九源里门槛最高的（PhysioNet credentialed 数据集，需完成 CITI 培训或等效认证才能下载），偏偏它还是贡献记录数最多的单一来源（800,035 条，占总量约 65%）。这意味着想完整复现 OpenECG 规模，MIMIC 的 credential 流程是绕不过的第一关。相对而言，Challenge 2020 系与 CODE-15、Chapman 的门槛低得多。

6.3 AI-Ready 评估：协议型基准的得失

以库内 AI-Ready 检查单过一遍：

• 机器可读元数据：论文开放获取全文（CC BY 4.0）+ 四张结构化表格（来源规格/LODO/缩放）——良好，但无 dataset card、无数据字典。
• 公开直链：本条目自身无直链（无独立托管）——最大失分项；命中依赖九源各自的入口。
• 许可明确性：九源许可不统一（CC BY 4.0 / ODC-BY 1.0 / figshare/Zenodo），使用者需逐源对齐"我训的模型受哪份协议约束"，合并数据的衍生物许可属灰色地带。
• 可复现性：协议描述充分（重采样、按患者切分、SNOMED 24 类），但无官方代码——复现需自实现预处理与 SSL 训练，工作量大且存在自由度（超参未披露）。
• 文档自洽：正文-表格三处数字漂移（坑 2/3/4）+ 表头拼写笔误（坑 6）——不影响主线，但自动抽取需指定以 Table 为准。

综合：AI-Ready 等级"中"——协议与结论质量高、元数据开放，但可获取性被"无独立托管"拖低，且继承九源的许可碎片化。它与 PANDA-PLUS（本体请求制、衍生直链）相反：OpenECG 是本体完全开放（因为全部来自公开源）但完全分散的形态。

6.4 库内可获取性光谱的对照

档位	库内参照	本条目对应
注册墙/credential（最严）	LMC2（rid 531）	MIMIC-IV-ECG（九源之一，占 65% 记录）
注册即下	多数 PhysioNet 条目	Challenge 2020 系（CPSC/PTB/PTB-XL/Georgia/INCART）
平台直链	Zenodo/figshare 型	CODE-15%（Zenodo）、Chapman（figshare）
中心化发布	HF/Zenodo 单包	无——本条目最大的结构特征

OpenECG 在光谱上的特殊之处：它自己不占任何一档，而是横跨四档。按"能否下载 OpenECG"过滤会零命中；按"能否复现 OpenECG"过滤则须同时打通四个档位。这正是"聚合式基准"在可获取性维度上的独特指纹。

6.5 复现的现实路线图

把"我要复现 OpenECG"拆成可执行的时间线建议（按门槛从高到低排序启动）：

T+0 周  启动 MIMIC-IV-ECG credential 申请（PhysioNet）
        —— 需完成数据使用培训/考核，审批周期数天到数周，是全局瓶颈
T+0 周  并行注册 PhysioNet 账号，下载 Challenge 2020 训练集
        （cpsc/cpsc_extra/incart/ptb/ptb-xl/georgia，共约 4.3 万条）
T+0 周  下载 CODE-15%（Zenodo）与 Chapman（figshare）—— 即时可得
T+1 周  用已到手的 PhysioNet 系 + CODE-15 + Chapman 搭预处理管线
        （重采样 -> (n,12,1000) -> 按患者切分 -> SNOMED 24 类映射）
T+2 周  跑通小规模预训练-微调验证（SimCLR/BYOL/MAE 各一次）
T+n 周  MIMIC credential 通过后补齐最大来源（80 万条），重跑完整版

三条对工程管理的提醒：

1. credential 是关键路径——它的审批不确定性与 PANDA-PLUS 的"掩码请求制"性质相同，规划时按"不确定周期"处理，别把它排在最后。
2. 小规模先跑通——先用易获取的 4 万余条验证整条管线，能极早暴露格式/标签问题，避免等 MIMIC 到手才发现管线有 bug。
3. 记录每源的版本号——九源都可能更新，复现需可追溯；论文未固定源版本，这是复现自由度的来源之一。

§7 生态与影响：一个"元数据整理者"的贡献

7.1 在 ECG-FM 谱系中的位置

OpenECG 站在一条清晰的方法演进链上：

1. 单中心 FM 代（Apple、ECG-FM、ECG-Chat、MERL）：证明 SSL 与波形-文本配对可行，但泛化未证。
2. 多源但未评测代（AnyECG）：拼了多数据源，却缺系统泛化评测。
3. OpenECG：把"多中心"与"公平评测"同时做到，用 LODO 定义泛化。
4. 后续方向（论文展望）：扩展到多模态（临床文本、影像、基因），构建真正全面的心血管 AI 模型。

谱系逻辑是"整合者"的贡献——它不发明新的 SSL 算法或架构，而是发明如何公平地比较它们的协议。这类贡献在基准领域往往比单个 SOTA 模型更持久。

7.2 被生态清单收录

GitHub 上的生物信号基础模型综述清单 guxiao0822/Awesome-Biosignal-Foundation-Model 在 “Evaluation Benchmarks” 段收录 OpenECG，标注 [paper] 但无 [code]——这从第三方视角印证了本条目"有论文、无官方代码"的形态。同清单中还有 BenchECG、xECG 等同赛道基准，说明"ECG 基础模型评测"在 2025 年已成为一个活跃但尚未收敛的竞争领域。

7.3 命名撞车：OpenECG 之外的另一个 OpenECG

生态中最需要提醒检索者的一点：PyPI 上存在一个完全无关的同名包 openecg（作者 Hyung-Chul Lee / 用户名 lucid80，Apache-2.0）。它是一个心电图离散化 tokenization 与逐帧波分割工具库——提供 13-symbol RLE 编码格式、Conv+Transformer 逐帧 P/QRS/T 分类器，训练于 LUDB + QTDB + ISP 数据库。两者除了都叫 “openecg” 且都涉及 ECG 之外，没有任何关系：一个是 2025 年的多中心基准论文，一个是 2026 年发布的开源软件包。这个撞车会污染文献检索与包检索（详见坑 1）。

7.4 对库内 ECG 条目生态的影响

OpenECG 的聚合视图对库内 ECG 条目有实际的组织价值：

• 它把 mimic-iv-ecg（172） 从"最大院内波形库"进一步标记为"多中心基准的最大贡献源（65% 记录）"。
• 它把 code-15（152）、ptb-xl（70）、chapman-shaoxing（143） 从独立数据集串成"同一基准的组成部件"。
• 它给 cpsc（132）、physionet-cinc-2017（162）/ cin-C 2016（382） 提供了"挑战赛数据被用于 FM 预训练"的下游叙事。
• 它让 mit-bih-arrhythmia（69） 的经典地位有了对照——OpenECG 是"从经典小库到大规模 FM 基准"演进路径的当代节点。

检索建议：任何检索库内 ECG 数据集的用户，都应在结果里看到"OpenECG 聚合了其中若干"的提示，避免重复建设。

7.5 对"公开数据能否替代专有数据"这一争议的贡献

OpenECG 触及了医疗 AI 的一个根本争议：高质量医疗 AI 是否必须依赖医院私有的大规模数据？ 这个争议在商业上有直接利害——如果答案是"必须"，那数据壁垒就是商业护城河；如果答案是"不一定"，那公开数据路线就成立。

OpenECG 给出的是倾向于"不一定"的证据，但有边界：

• 支持面：它只用公开数据，却在多中心 LODO 下拿到稳定泛化（w/o 目标集仍 67-94），说明公开数据的"广度"可以部分补偿专有数据的"深度"。
• 保留面：它的规模（123 万）与顶尖专有数据（如某些医院千万级）仍有量级差距，且各类别标签质量不统一；"匹敌"是在特定任务（24 类分类）与特定评测（LODO）下的匹敌，不是全域超越。
• 未测面：罕见病、极端人群、前瞻性临床验证等专有数据优势最大的场景，OpenECG 未覆盖。

因此本条目建议的表述是：“OpenECG 证明公开数据在多中心分类任务上可以构成有竞争力的预训练底座”，而非"公开数据可以完全取代专有数据"。前者是论文证据支持的，后者是超出证据的推广。

7.6 命名撞车对文献计量的实际影响

"OpenECG"这个名字被两个完全不同的项目占用（论文 vs PyPI 包），这不是一个纯粹的技术问题，它会影响文献计量与检索质量：

影响面	具体问题	缓解方式
学术检索	搜 “OpenECG” 在 Google Scholar 会混入未区分来源的结果	加 ECG foundation model 或 2503.00711
代码检索	PyPI/GitHub 搜 “openecg” 命中工具包	加 arxiv 或作者名
引用统计	引用数可能被误计（本条目抓取时点 7-8 次口径不一）	以 Google Scholar 的 arXiv 条目为准
术语对话	两个社群的读者可能互相误解对方在说什么	显式区分"基准论文"与"tokenization 包"

这条撞车也提醒数据/项目命名实践的教训：在起名阶段就应做跨平台查重（arXiv + PyPI + GitHub + 域名），否则后续检索与品牌会被长期污染。OpenECG 论文（2025-03）与 PyPI 包（2026-05 首次发布）的时间差说明这个撞车可能是无意的，但代价已经产生。

§8 方法学启示：三条可迁移的经验

8.1 "按患者切分"是多中心基准的信任底线

九源合并最隐蔽的坑是患者级泄漏：ECG 数据中同一患者常有多条随访记录，若按记录随机切分，训练集与测试集会共享患者，模型可能记住个体而非病症，导致泛化分数虚高。OpenECG 显式按患者切分，是它声称"多中心泛化可信"的技术前提。任何自建 ECG 基准的项目都应把这条当作硬约束。

8.2 数据价值 = 异质性 × 可学性，而非规模

LODO 实验给出一个反直觉但可操作的结论：增益最大的是最难学、最异质的数据集（INCART +4.4%、CPSC +3.6%），而非最大的。这颠覆了"往池子里塞更多数据总没错"的直觉。落地建议：建预训练池时优先考虑跨设备、跨人群、跨信号质量的多样性来源，而非单纯堆量；同质数据集的边际价值可能接近于零（Chapman +0.1%）。

8.3 数据规模不是超参数，饱和点因方法而异

“60-70% 饱和” vs “SimCLR >80% 仍在涨"这一对照给出的工程教训是：缩放策略必须绑定具体的学习范式。用 BYOL/MAE 时，超过 60-70% 的数据投入可能买不到相应性能；用 SimCLR 时过早停手则未收敛。而 PTB/Georgia 的波动进一步说明，加量过程中要监控"是否在买噪声”——数据质量与增强策略同样决定上限。

8.4 与病理标注生产视角的对照

把 OpenECG 与库内病理条目并置，可看到一个跨模态的结构相似性：两者都面对"标签质量异构"这一核心难题。PANDA-PLUS 用"学生注释+专家终审"流水线统一病理标签质量；OpenECG 用"SNOMED CT 统一标签体系+按患者切分+五折 CV"统一心电标签质量与评估口径。两条路径的共识是：大规模数据集的真正难点不是采集，而是让异构标签在同一把尺子下可比。这也是"聚合式基准"（整理既有数据）与"重标注数据集"（生产新标签）在方法论上的同族关系——承认真值的分布性，用协议把分歧规整成信息。

8.5 对基准设计者的五条清单

若你要自建一个多模态或多中心基准，OpenECG 提供了五条可直接抄的设计原则：

1. 按实体（患者/受试者）切分，而非按样本——防"认人"泄漏，这是多来源合并的信任底线。
2. 用通用架构当裁判——基准是擂台不是选手，定制网络会让对照失去意义。
3. 同时报三套实验：绝对性能 + 留一泛化 + 数据缩放——单套结论易被误读，三套合读才稳。
4. 明确"来源总数"与"划分口径"的区别——OpenECG 的 9 vs 8/6 就是没把这层讲清留下的坑（坑 2）。
5. 给出所有来源的获取路径与许可——聚合式基准的价值天花板，就是它引用的源数据的可达性与合规性。

8.6 一条"反直觉"的设计哲学

最后值得单独记下的一条：OpenECG 用**“分数不亮眼"换来了"结论可迁移”**。它本可以叠更多技巧把 PhysioNet 2020 的 AUROC 推到 94+，但那样它就从裁判变成了又一个选手，LODO 表的公平性也随之崩塌。这种"克制"在设计评审里常被误判为保守，实则是基准类工作的核心素养——一个可信的基准线，比一个漂亮的冠军更有长期价值。这一点与 PANDA-PLUS 的"自曝方法缺陷"（机构偏斜、单专家终审）是同一种学术品质：把局限摊在桌面上，让读者自己判断可信边界。

8.7 "聚合式基准"的可迁移性再讨论

OpenECG 作为一类工作的范式，其可迁移性值得展开。任何"数据散落、标准不一"的模态都可能复制这一路径：

模态	是否已存在类似聚合基准	难点
ECG	OpenECG（本条目）	采样率/时长/导联不统一，已解决
EEG	PhysioNet/BNCI 系零散	电极蒙太奇（montage）差异比 ECG 更大
心音（PCG）	PhysioNet CinC 2016 系	数据集数量少，规模受限
病理切片	PANDA-PLUS 等（重标注路径）	需像素级标签，聚合难
影像（CT/MRI）	诸多挑战赛	采集协议差异大，DICOM 元数据不齐

方法论上，OpenECG 证明了两件事：（1）只要有足够多"同模态但异质"的公开数据集，就能凑出有泛化价值的预训练池；（2）"可比性"本身可以设计（LODO + 五折 + 缩放）。这两条对 EEG、PCG 等尚无一统基准的模态都是现成的路线图。

8.8 一份给临床 AI 团队的"最小可行基准"清单

如果临床团队时间有限，想快速搭一个"够用的多中心评测"，可以从 OpenECG 抽最小要素：

最小可行基准（MVP）四件套
1. 来源 ≥3 个不同机构/设备（保证异质性）
2. 统一预处理（重采样 + 定长 + 标签对齐到公共词表）
3. 按患者切分 + 留一数据集（LODO）
4. 报三组数：绝对性能 + 留一泛化 Δ + 规模缩放曲线

这四件套不依赖大规模数据，也不依赖算力——一台工作站、三个来源即可起步。它的价值在于：让你的模型在换环境时的可靠性变得可测量，而不是停留在"我在这份数据上分数很高"的单点宣称。

8.9 一个方法论警示：别把"聚合"当"采集"

OpenECG 的成功容易催生一种误读：只要把公开数据拼起来就能做出高影响力工作。但论文的价值绝非"拼接"这个动作本身，而是拼接背后的十几个决策：采哪些源、如何统一、怎样防泄漏、用什么协议评测、如何解释结果。这些"看不见的功夫"才是贡献所在。

反例思维：如果只是机械地把九个来源丢进一个目录就说"我做了 123 万条的基准"，那得到的是一堆格式冲突、患者重叠、标签打架的数据泥浆，而非可用基准。OpenECG 与"数据泥浆"的差别，正是 §3.1 流水线里每一步的严谨——尤其"按患者切分"与"SNOMED 对齐"这两步，任何一步省略，结论都不可信。

这个警示对写作者与评审者都适用：评价一个聚合式基准时，看协议的质量，而非来源的数量。

§9 与库内条目的关系

9.1 家族图谱

• mimic-iv-ecg（rid 172）：直接上游与最大贡献源。占 OpenECG 记录数约 65%（800,035/1,233,337），且是门槛最高的 credential 数据集。两篇同读才能拼出"MIMIC 波形如何汇入多中心基准"的完整路径。
• code-15（rid 152）：上游未标注预训练源。巴西远程医疗 ECG，贡献 341,292 条记录；CODE-15 的分层子集特性（CODE 的分层抽样）是本条目对源数据集的新增说明点。
• ptb-xl（rid 70）：上游有标注源（21,837 条）。OpenECG 的 LODO 实验里 PTB-XL 是"同质、增益最小（+0.8%）"的代表——这为"PTB-XL 为何是易学基准"提供了一个来自多中心实验的量化证据。
• chapman-shaoxing（rid 143）：上游有标注源（45,152 条），九源中标注质量最高（两轮医生标注）。在 LODO 中增益最小（+0.1-0.2%），印证其"结构良好、同质"特性。
• cpsc（rid 132）：谱系相关。OpenECG 经 PhysioNet Challenge 2020 的 CPSC 子集关联到中国生理信号挑战赛谱系；LODO 中 CPSC 增益最大之一（+3.6%），是高变异数据的代表。
• physionet-cinc-2017（rid 162）/ physionet-cinc-2016（rid 382）：PhysioNet 挑战赛谱系锚点，与 OpenECG 依赖的 Challenge 2020 同属一个评测传统。
• mit-bih-arrhythmia（rid 69）：ECG 方法学经典锚点（心律失常标注的鼻祖库），为"从经典小库到大规模 FM 基准"的演进提供起点参照。
• apnea-ecg（rid 658）：ECG/生理信号邻近条目，共享信号处理与生理信号建模主题。
• cxr-cardiomegaly（rid 606）：跨模态心血管互链点（胸片心大生物标志物），代表"心血管 AI"的另一模态入口。

9.2 检索路径建议

• 检索词组合："OpenECG" + "ECG foundation model" + "1.2 million"；若检索包/代码，务必加 arxiv 或 2503.00711 以避开 PyPI 同名包（坑 1）。
• 若目标是拿到数据：按 §6.2 逐源获取——先 PhysioNet（Challenge 2020 系，注册即下）→ CODE-15%（Zenodo）→ Chapman（figshare）→ MIMIC-IV-ECG（credential，耗时最长，建议最先启动申请）。
• 若目标是引用泛化结论：引 §4.2 的 LODO 表（INCART +4.4% 最高、Chapman +0.1% 最低）与 §4.3 的饱和点（60-70% vs >80%），并注明这来自 arXiv v1、无正式期刊版。

9.3 互链检索矩阵

把库内相关条目的"与 OpenECG 的关系方向"整理成矩阵，便于检索时双向提示：

条目（rid）	关系方向	具体关系	建议动作
mimic-iv-ecg(172)	↑ 上游	九源之一、占 65% 记录	从 172 提示"被 OpenECG 聚合"
code-15(152)	↑ 上游	九源之一（未标注）	同上
ptb-xl(70)	↑ 上游	九源之一（有标注）	同上
chapman-shaoxing(143)	↑ 上游	九源之一（有标注）	同上
cpsc(132)	↗ 谱系	经 Challenge 2020 子集关联	交叉提示挑战赛谱系
physionet-cinc-2017(162)	↗ 谱系	PhysioNet 评测传统	交叉提示
physionet-cinc-2016(382)	↗ 谱系	PhysioNet 评测传统	交叉提示
mit-bih-arrhythmia(69)	↔ 方法学锚点	ECG 标注经典	演进路径参照
apnea-ecg(658)	↔ 邻近模态	生理信号 ECG	主题邻近
cxr-cardiomegaly(606)	↔ 跨模态	心血管 AI 另一模态	主题邻近

9.4 双向互链的数据库实现建议

为了让互链在检索时真正生效，库内维护可按以下规则建立关系：

关系类型：OpenECG 聚合 mimic-iv-ecg / code-15 / ptb-xl / chapman-shaoxing
关系类型：OpenECG 谱系 cpsc / physionet-cinc-2017 / physionet-cinc-2016
关系类型：OpenECG 同族 mit-bih-arrhythmia / apnea-ecg
关系类型：OpenECG 跨模态 cxr-cardiomegaly

实现原则：
  1. 从上游条目（如 ptb-xl 70）显示"被 openecg 聚合"的反向链接
  2. 从 OpenECG 显示全部九源的存在映射（含无库内条目的 PTB/Georgia/INCART）
  3. 相关度计算可用 category_tags 交集（生理信号/心电信号/评测基准/心血管疾病）

其中"心电信号（L2）"“生理信号（L1）”“评测基准（L1 医学问答与基准）”"心血管疾病（DISEASE）"这组标签，正是 OpenECG 与库内多数 ECG 条目的交集所在，也是互链算法能自动发现相关性的依据。

§10 避坑清单：八个已踩过的坑

坑 1：PyPI 存在同名完全无关的 openecg 包。PyPI 上 openecg（作者 Hyung-Chul Lee，Apache-2.0，0.2.0 发布于 2026-05-08）是一个 ECG 离散化 tokenization + 逐帧波分割工具库（13-symbol RLE codec、Conv+Transformer 分类器，训练于 LUDB/QTDB/ISP），与本条目论文毫无关系。检索 “openecg” 时极易命中它。区分方法：本条目对应 arXiv:2503.00711、聚焦多中心 FM 基准；PyPI 包聚焦信号 tokenization。

坑 2：中心数口径 9 vs 8/6。摘要与正文写 “nine centers”（9）；Table 1 的 “Centers for training data” 记 8、“Centers for testing data” 记 6。9 是数据来源总数，8/6 是交叉验证划分口径——引用时须注明用的是哪一套。

坑 3：CODE-15 记录数正文与表格冲突。正文描述 CODE-15 为 345,779 条记录、233,770 患者；Table 2 记 #Sample 341,292。两条数字并存（差约 4,487 条），自动化抽取建议以 Table 2 为准并注漂移。

坑 4：CPSC 记录数两套口径。PhysioNet Challenge 2020 页面记 CPSC 6,877 + CPSC-Extra 3,453 = 10,330 条；Table 2 记 CPSC 14,053 条。差异疑源于子集是否包含额外数据，两套并存存照。

坑 5：OpenECG 没有独立数据包。三轮搜索（arXiv/官网/PhysioNet/Zenodo/GitHub）均无 OpenECG 官方数据仓或代码仓。它只是"论文+协议+来源清单"，复现者须自行从九个源数据集拼接——把"下载 OpenECG"当作一个动作会完全落空。

坑 6：论文表头拼写笔误 “Geogria”。Table 2 表头把 Georgia 拼成 “Geogria”。这是原文笔误，检索/引用按正确拼写 Georgia。

坑 7：LODO 的 Δ 不是"数据质量排名"。增益最小的 Chapman（+0.1-0.2%）恰恰标注质量最高——因为它同质易学，模型"早就会了"。把 Δ 读成数据优劣会把因果读反：Δ 大 = 数据难学且异质，Δ 小 = 数据已被广泛覆盖。

坑 8：绝对性能不占优，别当 SOTA 引用。Table 3 中 Ours 在 PhysioNet 2020 上的 AUROC（90.9-91.5）低于 ECG-Chat（94.1）、MERL（91.9）。这是论文刻意用通用架构追求可比性所致，不是最优结果。引用时须说明"通用架构基准线"这一定位，避免误传为 SOTA。

§11 总结

11.1 三句话总结

1. OpenECG 用九中心 1,233,337 条 12 导联 ECG 证明：合理的多中心公开数据池能训练出匹敌专有数据的心电基础模型，并为公平比较提供了标准协议。
2. 它揭示了两个可迁移规律：BYOL/MAE 优于 SimCLR，且 60-70% 数据量即饱和（SimCLR 需 >80%）；数据异质性比规模更能提升泛化。
3. 它的最大复现障碍是没有独立数据包——价值全在协议与结论，而非一批可下载的文件。

11.2 适合谁

• 心电 AI / 生理信号团队：找多中心预训练协议与泛化评测范式。
• 自监督学习研究者：需要 SimCLR/BYOL/MAE 在同口径下的对照证据。
• 资源受限的学术团队：想用纯公开数据做出可对标的 FM。
• 做多中心泛化研究的工程团队：LODO 与按患者切分的标准流程可直接复用。

11.3 不适合谁

• 想要即插即用数据包的团队（须自行拼接九源，工作量大）。
• 需要单导联/可穿戴格式研究的项目（论文仅限 12 导联）。
• 追求 SOTA 排行榜数字的团队（论文用通用架构，绝对性能非最优）。

11.4 30 秒决策卡

你的情况	行动
想复现 OpenECG	先启动 MIMIC-IV-ECG credential 申请（最耗时），并行下 PhysioNet 系 + Zenodo + figshare
要横向对照 SSL 方法	读 §4.1 表 + §4.2 LODO 表（BYOL/MAE > SimCLR）
要设计预训练池	§8.2——优先异质性来源，别只堆量；§8.1 按患者切分
要规划数据规模	§4.3——BYOL/MAE 60-70% 饱和、SimCLR >80%
要引用本数据集	§9.2 + 附录 W BibTeX；注明 arXiv v1、无期刊版
检索时撞到同名包	见坑 1——PyPI 的 openecg 与本论文无关

11.5 给不同读者的三条行动建议

给研究者：把你的模型放进 OpenECG 式的 LODO 协议（而非单集排行榜）再报告成绩——这是"泛化可验证"的最低门槛，成本极低、说服力大增。

给工程师：建 ECG 预训练池时，照抄"异质性优先 + 按患者切分 + 三套评测"，能把"数据很多"变成"数据有用且可信"。

给决策者：如果预算有限，别急着买/申请大规模专有数据——先用公开九源（合计约 114 万条预训练燃料）验证"公开数据路线"在你的任务上是否成立，再决定是否投入专有数据。

11.6 一句话收束

OpenECG 的真正遗产，不是 123 万条数据，也不是某个 SOTA 分数，而是一套让心电 AI 从"各说各话"走向"同台可比"的协议——以及它证明的一个朴素道理：在数据世界里，整理比占有更稀缺，可比比更大更值钱。

FAQ（高频问答 32 问）

A. 基础认知

Q1：OpenECG 是挑战赛吗？
不是。它没有比赛、没有 leaderboard，是一个把公开 12 导联 ECG 数据集聚合起来做 FM 评测的研究基准。

Q2：名字里的 “Open” 指什么？
指"只用公开数据"（public datasets）——论文核心主张就是公开数据经恰当整理可匹敌专有数据。

Q3：谁来做的？
南昌大学（第一单位，通讯 Wenfeng Duan）联合佐治亚理工学院（Cheng Ding）；共同一作 Zhijiang Wan 与 Qianhao Yu。

Q4：发表在哪里？
arXiv:2503.00711（2025-03-02 提交，仅 v1，IEEE 模板），截至抓取时点无正式期刊版与出版社 DOI。

Q5：1.2 million 精确是多少？
1,233,337 条 ECG 记录，来自 483,837 名患者、9 个中心。

Q6：它和普通数据集有什么不同？
它不新增数据，而是把九个既有公开数据集统一进同一格式与评估协议——是"基准（benchmark）“而非"数据集（dataset）”。

Q7：最大的卖点一句话？
它证明"只用公开数据也能训出匹敌专有数据的心电 FM"，并给出 BYOL/MAE 优于 SimCLR、60-70% 数据饱和两条可迁移结论。

Q8：它自己有什么局限？
无独立数据托管、仅 12 导联、未分析跨源信号质量差异、超参与算力未披露——论文与结构层面均有自曝。

Q9：论文是什么许可？
CC BY 4.0（arXiv 口径）。

Q10：数据是什么许可？
分层：Challenge 2020 系 CC BY 4.0、MIMIC-IV-ECG ODC-BY 1.0、CODE-15%（Zenodo）、Chapman（figshare）——须逐源对齐。

B. 数据与获取

Q11：九来源具体是哪九个？
MIMIC-IV-ECG、CODE-15（未标注）；CPSC、Georgia、PTB、PTB-XL、INCART/St Petersburg、Chapman（有标注）——后者中五者来自 PhysioNet Challenge 2020。

Q12：为什么 MIMIC 和 CODE-15 是"未标注"？
它们只提供原始波形、无诊断标签，因此被用作自监督预训练；有诊断标签的六个集用于监督预训练与微调。

Q13：数据被统一成什么格式？
每条记录重采样到 12×1000 点，张量 (n, 12, 1000)，保留原始 12 导联结构。

Q14：标签体系是什么？
SNOMED CT 标准，选取 24 类 ECG 相关疾病作为分类目标。

Q15：怎么防数据泄漏？
按患者切分——同一患者的不同记录不跨训练/验证/测试集，确保数据集独立性。

Q16：能直接下载 OpenECG 吗？
不能，无独立数据包。须按 §6.2 从九个源数据集原始入口逐个获取再拼接。

Q17：哪个源最难搞定？
MIMIC-IV-ECG（PhysioNet credentialed，需培训考核），偏偏它占记录数约 65%——建议最先启动申请。

Q18：能商用吗？
取决于具体源数据的许可。MIMIC-IV-ECG（ODC-BY 1.0）允许，CC BY 4.0 系允许（需署名），但合并数据的衍生模型许可边界需逐源确认，无统一答案。

C. 方法与结果

Q19：用了哪三种自监督方法？
SimCLR（对比学习）、BYOL（特征一致性）、MAE（掩码生成式）；前两者配 ResNet-50，MAE 配 ViT。

Q20：哪种方法最好？
BYOL 与 MAE 一致优于 SimCLR，尤其在高变异数据集（CPSC、INCART）上。论文不选单一"冠军"，而是给方法范式画像。

Q21：什么叫 LODO？
Leave-One-Dataset-Out 留一数据集：训练时排除一个数据集、再拿它当测试集，轮遍每个数据集，量化模型对未见数据分布的外推能力。

Q22：LODO 最重要的发现？
数据集的异质性而非规模决定其预训练增益——INCART（+4.4%）、CPSC（+3.6%）增益最大，同质的 Chapman（+0.1%）、PTB-XL（+0.8%）几乎无增量。

Q23：数据规模饱和点是多少？
BYOL/MAE 约在总数据 60-70% 饱和；SimCLR 到 >80% 仍在提升。

Q24：为什么 SimCLR 更"贪吃"？
对比学习依赖大量高质量负样本对才能有效，而 BYOL（无负样本）与 MAE（重建目标）在数据分布约束更宽松的情况下也能学到好表示。

Q25：加数据一定变好吗？
不一定。PTB 与 Georgia 在特定数据量出现性能波动/过拟合——数据质量、多样性、增强策略同样关键。

Q26：Ours 在 PhysioNet 2020 上是 SOTA 吗？
不是。Ours AUROC 90.9-91.5，低于 ECG-Chat 94.1 与 MERL 91.9；论文用通用架构，定位是可比基准线而非刷榜。

D. 对照与生态

Q27：它和 ECG-FM、AnyECG 什么关系？
进化关系：AnyECG/ECG-FM 拼了多源但未系统评测泛化；OpenECG 补上"多中心 + 公平评测"，是这一代的集成者。

Q28：它和 ECGFounder 什么关系？
规模对照：ECGFounder（1,077 万条）数据量大得多但单中心训练；OpenECG 数据量较小（123 万条）但多中心评测——规模与泛化评测深度是两个维度。

Q29：PyPI 的 openecg 包是这个吗？
不是，完全无关（坑 1）。PyPI 包是 ECG tokenization/波分割工具库（Apache-2.0，2026 年发布）。

Q30：有官方代码吗？
没有。Awesome-Biosignal-Foundation-Model 清单收录 OpenECG 时也只标 [paper] 无 [code]。

E. 生产与库内

Q31：本条目和库内 ECG 条目冲突吗？
不冲突，是聚合关系。它把 mimic-iv-ecg（172）、code-15（152）、ptb-xl（70）、chapman-shaoxing（143）等串成"同一基准的组成部件"，互为上下游。

Q32：为什么本条目反复强调"坑点"？
因为 OpenECG 的文档本身带着双口径（中心数 9/8/6、CODE-15 记录数）、表头笔误（Geogria）与同名包撞车——这些正是 AI-Ready 质检要抓的典型缺陷样本，条目全部存照并给出处理口径。

F. 复现与工程细节

Q33：九源合并时最大的技术坑是什么？
采样率与时长的不对齐。INCART 是 257 Hz / 30 分钟，PTB 是 1,000 Hz，其余多为 500 Hz / 10 秒——统一重采样到 1000 点不是简单缩放，长记录需先分段。论文只讲了"重采样到 1000 点"的结论，分段细节未披露，复现需自行设计。

Q34：标签映射到 SNOMED CT 24 类，具体映射表在哪？
论文未附完整映射表。SNOMED CT 码来自各源自带标签，PhysioNet Challenge 2020 提供 3 列 CSV（长描述/SNOMED 码/缩写）可作起点，但 24 类的确切取舍清单需自行整理——这是复现的已知盲区。

Q35：MIMIC 到底 402 万还是 80 万？
80 万条（Table 2 记 800,035）/ 近 16 万患者。注意别与 MIMIC-III Waveform（更高频波形，约 3.7 万条）或 MIMIC-IV（整个临床库）混淆——MIMIC-IV-ECG 只是其中 10 秒 12 导联的诊断级 ECG 子集。

Q36：CODE-15 的 341,292 是怎么来的？
CODE-15% 是 CODE 全库的分层子集（约 15% 抽样），Table 2 记 341,292 条样本 / 233,770 患者。正文另写 345,779（坑 3），两值差约 4,487。

Q37：为什么按患者切分这么重要？
ECG 常有同一患者多次随访，若按记录随机切分，测试集可能含训练患者的新记录，模型凭"认人"（个体波形特征）就能高分——泛化分数虚高。按患者切分把这层泄漏堵死，是"多中心泛化可信"的技术前提（§8.1）。

Q38：预训练用的掩码增强会不会破坏标注？
不会——预训练阶段本就不用标签（自监督），掩码只作用于输入信号；到微调阶段才用标签，且此时不再施加掩码。时间掩码（100 连续点）与导联掩码（各导联 100 点）都只服务于"学鲁棒表示"。

Q39：我能在自己数据上复现这套评测协议吗？
能，且强烈推荐。把 LODO + 五折 + 缩放三件套照搬到你的 ECG 数据上，就能得到"跨中心/跨源泛化"与"数据规模饱和点"的量化答案——协议本身比数据更可迁移。

Q40：论文的 60-70% 饱和结论能直接省钱吗？
能，但只对 BYOL/MAE。若你用 SimCLR，饱和点在 80% 以上，过早停手会欠拟合。且"饱和"是针对整体性能的均值，个别难集（CPSC/INCART）可能仍需更多数据才收敛。

Q41：为什么论文没放官方代码？
论文未说明。可能原因：数据不统一（无中心化发布）导致代码难以开箱即用、或作者未开源。生态清单收录时只标 [paper] 无 [code]，说明截至抓取时点确无公开代码（§7.2）。复现需自实现。

Q42：如果我只记住一件事？
OpenECG 的价值在协议不在文件——它证明了公开数据经统一整理可匹敌专有数据、BYOL/MAE 优于 SimCLR、数据 60-70% 即饱和；但你要拿到它，得自己去九个地方取数据。

Q43：这个条目后续会更新什么？
维护触发点见附录 T：优先级最高的是"官方代码/数据仓上线"（一旦有，§6 获取节整体改写、AI-Ready 评级上调）；其次是论文 v2 或期刊版出现（日期口径、DOI 补全）；再次是 BenchECG/xECG 等同赛道工作的先后关系厘清（§9 待核）。

Q44：OpenECG 和库内 PANDA-PLUS 条目能一起读吗？
可以，且推荐。两者代表"聚合式基准"与"重标注数据集"两种数据再利用范式（§5.3 对照表），同读能理解"如何让异构数据可比"这一跨模态共性难题。

---

事实清单（硬事实 40 条）

1. OpenECG 整合九中心 1,233,337 条 12 导联 ECG 记录 / 483,837 名患者，题名取整 “1.2 Million”。
2. 论文 arXiv:2503.00711，2025-03-02 03:26:14 UTC 提交，仅 v1，无期刊版、无出版社 DOI。
3. 论文 DOI：10.48550/arXiv.2503.00711（arXiv DataCite）；论文 license CC BY 4.0。
4. 第一单位南昌大学（通讯 Wenfeng Duan）；合作单位佐治亚理工学院（Cheng Ding，共同通讯）。
5. 共同一作：Zhijiang Wan（zhijiangwan@ncu.edu.cn）与 Qianhao Yu。
6. 资助：国家自然科学基金 62461039 + 江西省自然科学基金 20242BAB25059、20232BAB212029。
7. 未标注预训练源：MIMIC-IV-ECG 800,035 条 / 161,352 患者；CODE-15 341,292 条 / 233,770 患者。
8. 有标注源：Chapman 45,152、PTB-XL 21,837、CPSC 14,053、Georgia 10,344、PTB 549、INCART/St Petersburg 75。
9. 统一格式：每条重采样至 12×1000 点；张量 (n, 12, 1000)。
10. 标签体系：SNOMED CT 标准，24 类 ECG 相关疾病。
11. 数据划分按患者切分（防患者级泄漏）；每子集五折交叉验证。
12. 三种 SSL 方法：SimCLR、BYOL、MAE；骨干 ResNet-50（前两者）与 ViT（MAE）。
13. 掩码增强：时间掩码（掩 100 个连续点）+ 导联掩码（12 导联各掩 100 点）。
14. Table 1 Ours 行：#患者 483,837 / #记录 1,233,337 / 训练中心 8 / 测试中心 6 / 导联 12 / 类别 24。
15. 中心数口径：摘要/正文 “nine centers”（9）vs Table 1 训练 8 / 测试 6。
16. CODE-15 记录数口径：正文 345,779 vs Table 2 341,292（存照）。
17. CPSC 记录数口径：PhysioNet 页 6,877+3,453 vs Table 2 14,053（存照）。
18. MIMIC-IV-ECG：约 80 万条 / 近 16 万患者，12 导联 500 Hz 10 秒，2008-2019 年。
19. CODE-15：CODE 分层子集，345,779 条 / 233,770 患者，2010-2016 年，巴西 TNMG 采集。
20. Chapman-Shaoxing：Chapman 大学联合绍兴市人民医院、宁波市第一医院，经认证医生两轮标注。
21. PhysioNet 2020 拆为 CPSC、Georgia、PTB、PTB-XL、St. Peter 五个子集（论文口径）。
22. Table 3 PhysioNet 2020 上 Ours：SimCLR 46.9/91.5、BYOL 47.7/91.1、MAE 48.1/90.9（F1/AUROC）。
23. Table 3 Ours 在 PTB-XL：SimCLR 73.1/92.4、BYOL 72.8/92.6、MAE 74.5/93.2。
24. Table 3 Ours 在 CPSC 2018：SimCLR 52.3/95.1、BYOL 51.5/94.8、MAE 50.8/94.2。
25. INCART 列独立值：SimCLR 41.5/89.6、BYOL 42.8/87.6、MAE 44.1/89.2（原表排版错位）。
26. 对照方法：ECG-Chat（55.9/94.1）、MERL（48.1/91.9）、ESI（—/93.1）、MAEFE（64.7/88.6）等。
27. LODO 增益最大的目标集：INCART（BYOL +4.4%）、CPSC（BYOL +3.6%）。
28. LODO 增益最小的目标集：Chapman（MAE +0.1%、BYOL/SimCLR +0.2%）。
29. 数据规模饱和：BYOL/MAE 约 60-70%；SimCLR >80% 仍在提升。
30. PTB 与 Georgia 在特定数据量出现性能波动/过拟合。
31. 核心主张：公开数据经恰当整理可匹配或超越专有数据训练鲁棒 ECG-FM。
32. 论文自称：“first comprehensive effort to unify all publicly available 12-lead ECG datasets into a single benchmark”。
33. OpenECG 无独立数据托管（无官方 GitHub/PhysioNet/Zenodo 数据仓）——三轮搜索确认。
34. 源数据集许可分层：Challenge 2020 系 CC BY 4.0、MIMIC-IV-ECG ODC-BY 1.0、CODE-15%（Zenodo）、Chapman（figshare）。
35. MIMIC-IV-ECG 是 PhysioNet credentialed 数据集（需培训考核），占记录数约 65%。
36. 命名撞车：PyPI openecg（Hyung-Chul Lee，Apache-2.0，0.2.0 于 2026-05-08 发布）为 ECG tokenization/波分割工具库，与本论文无关。
37. 生态收录：GitHub guxiao0822/Awesome-Biosignal-Foundation-Model 收录 OpenECG 标 [paper] 无 [code]。
38. 论文 Table 2 表头拼 “Geogria”（应为 Georgia）——原文笔误。
39. 论文自曝局限：未探讨跨数据集信号质量变化；仅限 12 导联；未涉及非 12 导联格式。
40. 库内可互链：mimic-iv-ecg(172)、code-15(152)、ptb-xl(70)、chapman-shaoxing(143)、cpsc(132)、physionet-cinc-2017(162)、physionet-cinc-2016(382)、mit-bih-arrhythmia(69)、apnea-ecg(658)、cxr-cardiomegaly(606)。

---

术语表（28 条）

术语	释义
ECG	Electrocardiography，心电图，记录心脏电活动的信号
12 导联（12-lead）	标准心电图配置，胸前 6 导联 + 肢体 6 导联
ECG-FM	ECG Foundation Model，心电基础模型，大规模预训练的心电表示模型
Foundation Model（FM）	基础模型，在海量数据上预训练、可迁移到多任务的大模型
自监督学习（SSL）	Self-Supervised Learning，用数据自身结构造监督信号、无需人工标注
SimCLR	对比学习 SSL 方法，拉近同一样本增强视图、推远不同样本
BYOL	Bootstrap Your Own Latent，无负样本、靠两个视图表示互相预测
MAE	Masked Autoencoder，随机掩码输入并重建，生成式 SSL
ResNet-50	50 层残差 CNN 骨干，ECG-FM 常用架构之一
Vision Transformer（ViT）	将输入切成 patch 序列用 Transformer 处理的架构
对比学习（contrastive learning）	靠正负样本对学习表示的 SSL 范式
掩码重建（masked reconstruction）	遮住部分输入、要求模型还原的生成式训练目标
LODO	Leave-One-Dataset-Out，留一数据集，训练排除某集再做测试
留一数据集	LODO 的中文译名
数据规模缩放（data scaling）	逐步增加训练数据量观察性能变化的实验
饱和点（saturation）	数据量增大而性能不再提升的临界点
泛化（generalization）	模型在未见数据分布上的表现能力
域漂移（domain shift）	训练与测试数据分布不一致导致的性能下降
SNOMED CT	系统化临床医学术语标准，本文标签体系
心律分类（rhythm classification）	按心律异常类型给 ECG 打标签的下游任务
AUROC	受试者工作特征曲线下面积，分类性能指标
F1 score	精确率与召回率的调和平均，分类性能指标
MIMIC-IV-ECG	麻省理工 MIMIC-IV 临床库的心电波形子集
CODE-15	巴西 TNMG 采集的 12 导联 ECG 分层子集
PTB-XL	德国 PTB 的 21,837 条临床 12 导联 ECG 库
CPSC	中国生理信号挑战赛（China Physiological Signal Challenge）心电数据
Chapman-Shaoxing	绍兴/宁波医院与 Chapman 大学合作的 12 导联心律失常库
INCART / St Petersburg	圣彼得堡 12 导联心律失常数据库（257 Hz，长时长）
五折交叉验证	数据分五份轮流当测试集的验证策略
按患者切分	保证同一患者样本不跨训练/测试集的划分法，防泄漏
时间掩码（temporal masking）	掩掉信号中连续时间段的增强
导联掩码（lead masking）	多导联同步掩码的增强
credential 数据集	需申请并经培训考核才能下载的受限数据（如 MIMIC）

附录

附录 A：条目信息速查卡

项	值
条目名	OpenECG
url_name	openecg
类型	聚合式基准（协议 + 论文，无独立数据包）
论文	arXiv:2503.00711（2025-03-02，v1）
团队	南昌大学（通讯 Wenfeng Duan）+ 佐治亚理工学院（Cheng Ding）
规模	1,233,337 条记录 / 483,837 患者 / 9 中心
许可	论文 CC BY 4.0；数据继承九源分层许可
抓取时点	2026-10-03
库内互链	mimic-iv-ecg(172)/code-15(152)/ptb-xl(70)/chapman-shaoxing(143)/cpsc(132)/physionet-cinc-2017(162)/mit-bih-arrhythmia(69)

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	7	arXiv 开放获取可索引；但名称与 PyPI 无关包撞车、无独立项目页，检索需精确短语
A 可获取性	5	无独立数据包（最大失分项）；九源许可碎片化、MIMIC 需 credential，复现门槛叠加
I 可互操作	7	统一 (n,12,1000) 格式 + SNOMED CT 标准对齐；但无官方转换脚本，源格式 WFDB/MAT 各异
M 元数据质量	7	四张结构化表格完备（来源规格/LODO/缩放）；但正文-表格三处数字漂移、表头笔误降分
S 可持续性	6	依赖 PhysioNet（稳定）与 Zenodo/figshare（稳定），但 MIMIC credential 与无中心化托管带来单点与流程风险
综合评级	6.4/10（中上）	协议与结论质量高、元数据开放；可获取性被"无独立托管 + 许可碎片化"拖低

附录 C：逐项证据链自证

关键数字	来源	位置
1,233,337 记录 / 483,837 患者 / 9 中心	论文摘要 + 正文 I 节	arXiv:2503.00711v1
提交日期 2025-03-02 / 仅 v1	arXiv abs 页 Submission history	arXiv:2503.00711
论文 CC BY 4.0	arXiv 页脚 License	arXiv:2503.00711
Table 1 Ours 行（8 训练中心 / 6 测试中心）	论文 Table 1	arXiv HTML v1
九源规格（Table 2）	论文 Table 2	arXiv HTML v1
心律分类对照（Table 3）	论文 Table 3	arXiv HTML v1
LODO 增益（Table 4）	论文 Table 4	arXiv HTML v1
60-70% 饱和 / SimCLR >80%	论文 V 讨论节	arXiv HTML v1
时间掩码/导联掩码 100 点	论文 III-B 节	arXiv HTML v1
按患者切分	论文 III-A2 节	arXiv HTML v1
PhysioNet Challenge 2020 许可 CC BY 4.0	medRxiv PMC10964144	physionet.org / medRxiv
43,101 公开标注记录	medRxiv 论文摘要	medRxiv 2020.08.11.20172601
PyPI 同名 openecg 包	PyPI project page（0.2.0）	pypi.org/project/openecg
生态收录 [paper] 无 [code]	Awesome-Biosignal-Foundation-Model	GitHub guxiao0822

附录 D：数据获取决策树

目标是什么？
├── 只想引用泛化/方法结论
│   └── 读 arXiv:2503.00711 §IV-V（无需下载任何数据）
├── 想复现完整 OpenECG 规模
│   ├── 1) 最先启动 MIMIC-IV-ECG credential 申请（PhysioNet，耗时最长）
│   ├── 2) 并行下 PhysioNet Challenge 2020 系（注册即下）
│   ├── 3) 下 CODE-15%（Zenodo DOI 10.17044/scilifelab.15169716.v1）
│   ├── 4) 下 Chapman（figshare DOI 10.6084/m9.figshare.25558926.v1）
│   └── 5) 按 §3.1 协议重采样到 (n,12,1000) 并按患者切分
├── 想先小规模练手
│   └── 先用 PhysioNet Challenge 2020 系（易获取）搭预训练-微调管线
└── 只是检索到 "openecg"
    └── 确认是 arXiv:2503.00711 还是 PyPI 包（坑 1）

附录 E：九来源速查与许可

来源	记录数	标注	采样率	许可	门槛
MIMIC-IV-ECG	800,035	无	500 Hz	ODC-BY 1.0	credential
CODE-15	341,292	无	400 Hz	Zenodo 开放	低
Chapman-Shaoxing	45,152	有（两轮）	500 Hz	figshare 开放	低
PTB-XL	21,837	有	500 Hz	CC BY 4.0	注册
CPSC	14,053	有	500 Hz	CC BY 4.0	注册
Georgia	10,344	有	500 Hz	CC BY 4.0	注册
PTB	549	有	1,000 Hz	CC BY 4.0	注册
INCART/St Petersburg	75	有	257 Hz	CC BY 4.0	注册

附录 F：统一预处理复现骨架（SOP 模板）

阶段 0 许可与获取
  - 逐源登记：PhysioNet（Challenge 2020 系）/ Zenodo（CODE-15）/ figshare（Chapman）/ MIMIC credential
  - 记录每源的许可与版本号（复现需可追溯）
阶段 1 数据规整
  - 读入各源原始格式（WFDB / MATLAB v4）
  - 保留 12 导联；重采样至 1000 点；张量 (n, 12, 1000)
  - 标签对齐 SNOMED CT，映射到 24 类
阶段 2 防泄漏切分
  - 按患者 ID 分组，保证同患者不跨集
  - 每子集分 5 折
阶段 3 增强
  - 离线增强 + 在线轻量增强（随机置零）
  - 时间掩码（100 连续点）+ 导联掩码（各导联 100 点）
阶段 4 自监督预训练
  - SimCLR / BYOL（ResNet-50）；MAE（ViT）
  - 五折交叉验证，训练集内再取验证集
阶段 5 评测
  - 微调下游 24 类分类，报 F1 / AUROC
  - LODO：逐数据集排除-训练-测试
  - 缩放：1% -> 100% 递增，画 AUROC 曲线找饱和点

附录 G：LODO 增益速查（Δ = w/ − w/o）

按 BYOL 增益降序：
  INCART  +4.4%   （257 Hz，长时长，最异质）
  CPSC    +3.6%   （6-60 s，跨人群）
  Georgia +1.2%
  PTB     +1.1%
  PTB-XL  +0.8%   （结构良好，同质）
  Chapman +0.2%   （两轮医生标注，最易学）

规律：Δ 正相关于数据集"异质性/难学度"，非规模。
落地：建预训练池优先异质来源；同质集边际价值近零。

附录 H：SSL 方法与骨干对照骨架（代码）

# OpenECG 三方法三骨干的组合示意（论文口径）
COMBOS = {
    "SimCLR": {"backbone": "resnet50", "objective": "contrastive", "negatives": True},
    "BYOL":   {"backbone": "resnet50", "objective": "feature_consistency", "negatives": False},
    "MAE":    {"backbone": "vit",      "objective": "masked_reconstruction", "negatives": None},
}

# 掩码增强（论文 III-B）：时间掩码 + 导联掩码
def mask_signal(x, n_points=100):
    """x: (12, 1000) 张量。
    时间掩码：全部导联同步掩掉 100 个连续点（模拟信号中断）。
    导联掩码：每条导联各掩掉 100 点（模拟多导联损坏）。
    """
    # 实现思路：随机选起点，将对应区间置零；论文对两种掩码分别采样
    ...
    return x_masked

# 预期结论（论文口径）：
#   BYOL / MAE  >  SimCLR（尤其高变异数据集）
#   BYOL / MAE 在 60-70% 数据量饱和；SimCLR >80% 仍提升

附录 I：SSL 方法与"数据效率"速查

方法	范式	负样本	饱和点	数据效率	高变异集表现
SimCLR	对比学习	需要	>80%	低（贪数据）	较弱
BYOL	特征一致性	不需要	60-70%	高	强
MAE	生成式重建	不适用	60-70%	高	强

附录 J：九来源覆盖的实体与人群

来源	地理/系统	人群特点	代表性风险
MIMIC-IV-ECG	美国单中心（ICU/病房）	重症与住院人群	重症偏倚，非社区人群
CODE-15	巴西远程医疗网络	社区筛查人群	地域/种族分布特定
Chapman-Shaoxing	中国绍兴/宁波	门诊住院混合	东亚人群为主
PTB / PTB-XL	德国	临床诊断人群	欧洲人群
Georgia	美国东南部	特定人口学	区域特异性
INCART	俄罗斯圣彼得堡	长时程 Holter	采样率最低（257 Hz）
CPSC	中国	挑战赛人群	6-60 秒不等

这张表解释了 LODO 的核心发现：异质性 = 地理 × 人群 × 设备 × 时长的多维差异，越异质的来源纳入预训练增益越大（INCART/CPSC），越同质者增量越小（Chapman/PTB-XL）。

附录 K：多中心评测三件套（协议速查）

协议 1 —— 五折交叉验证（可信度基线）
  全数据 -> 5 等份；每折当测试，余 4 折训练；训练内再取 1 折作验证
  目的：在数据有限时给稳定的性能估计

协议 2 —— LODO 留一数据集（泛化体检）
  逐数据集：排除它 -> 训练 -> 拿它测试；再纳入它对照
  输出：Δ 增益表，揭示"哪个来源最有增量"

协议 3 —— 数据规模缩放（效率曲线）
  训练量 1% -> 100% 递增，画 AUROC 曲线
  输出：饱和点（BYOL/MAE 60-70% vs SimCLR >80%）

附录 P：待核清单（复现前需自行确认）

待核项	现状	影响
24 类 SNOMED CT 完整清单	论文未列，须回 PhysioNet CSV 整理	直接影响标签工程
SSL 超参（温度/投影头/掩码比例）	论文未披露	影响复现一致性
源数据版本号	论文未固定	影响可追溯性
INCART 分段方法	论文未详述	影响长记录处理
官方代码/数据仓	截至抓取时点无	若上线需整体改写获取节
BenchECG/xECG 先后关系	未厘清	“first” 宣称的边界

附录 S：双口径冲突存照汇总

冲突项	口径 A	口径 B	条目处理
中心数	9（摘要/正文）	8 训练 / 6 测试（Table 1）	9 为主，8/6 注
CODE-15 记录数	345,779（正文）	341,292（Table 2）	Table 2 为主
CPSC 记录数	10,330（PhysioNet 页）	14,053（Table 2）	并存存照
Georgia 拼写	Geogria（Table 2 表头）	Georgia（正文）	按 Georgia

附录 T：条目维护计划

触发点	优先级	动作
官方代码/数据仓上线	高	改写 §6 获取节，AI-Ready 评级上调
论文发期刊版/v2	高	补 DOI/日期，核对数字是否有更新
九源任一关闭或许可变更	中	更新 §6.2 获取表
BenchECG/xECG 关系厘清	中	更新 §5.5 与"first"宣称存照
第三方复现结果出现	低	附录收录对照

附录 W：BibTeX 引用

@article{wan2025openecg,
  title   = {OpenECG: Benchmarking ECG Foundation Models with Public 1.2 Million Records},
  author  = {Wan, Zhijiang and Yu, Qianhao and Mao, Jia and Duan, Wenfeng and Ding, Cheng},
  journal = {arXiv preprint arXiv:2503.00711},
  year    = {2025},
  doi     = {10.48550/arXiv.2503.00711},
  note    = {Submitted 2 Mar 2025; v1 only; no journal version as of 2026-10}
}

附录 X：一句话总结卡

若你的问题是……	一句话答案
这是什么？	九中心 123 万条 ECG 的聚合式基础模型基准
能下载吗？	不能，无独立数据包，须从九源自行拼接
最强方法？	BYOL/MAE 优于 SimCLR（非选冠军）
数据要多少？	BYOL/MAE 60-70% 饱和，SimCLR >80%
哪些数据最有用？	最异质的（INCART/CPSC），非最大的
论文在哪？	arXiv:2503.00711（2025-03-02，仅 v1，CC BY 4.0）
有什么坑？	同名 PyPI 包、中心数口径、无官方代码（见 §10）

---

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：

• mit-bih-afdb — 共享标签：生理信号 / 心电信号 / 评测基准 / 医学问答与基准 / 心血管疾病
• mit-bih-arrhythmia — 共享标签：生理信号 / 心电信号 / 评测基准 / 医学问答与基准 / 心血管疾病
• chapman-shaoxing — 共享标签：生理信号 / 心电信号 / 评测基准 / 医学问答与基准 / 心血管疾病
• leipzig-heart-center-ecg — 共享标签：生理信号 / 心电信号 / 评测基准 / 医学问答与基准 / 心血管疾病
• qt-database — 共享标签：生理信号 / 心电信号 / 评测基准 / 医学问答与基准
• code-test — 共享标签：生理信号 / 心电信号 / 评测基准 / 心血管疾病
• ecg-arrhythmia — 共享标签：生理信号 / 心电信号 / 评测基准 / 心血管疾病
• ecg-fragment-high-risk-label — 共享标签：生理信号 / 心电信号 / 评测基准 / 心血管疾病
• ludb — 共享标签：生理信号 / 心电信号 / 评测基准 / 心血管疾病
• physionet-cinc-2017 — 共享标签：生理信号 / 心电信号 / 医学问答与基准 / 心血管疾病

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。