信息速览
PulseDB — 无袖带血压估计基准波形库 AI-Ready Wikipedia
INFOBOX
| 字段 | 内容 |
|---|---|
| 数据集名称 | PulseDB |
| 英文全称 | PulseDB: A large, cleaned dataset based on MIMIC-III and VitalDB for benchmarking cuff-less blood pressure estimation methods |
| 别名/简称 | PulseDB v2.0；PulseDB_MIMIC；PulseDB_Vital |
| 疾病分类（ICD-11） | BA00 原发性高血压（相关标签：血压测量与心血管监护） |
| SNOMED CT | 38341003（高血压疾患）；271649006（收缩压）；271650006（舒张压） |
| 数据模态 | PPG 光电容积波 + ECG 心电 + ABP 有创动脉血压配对波形 + 人口学信息 |
| AI 任务类型 | 序列到标签回归（SBP/DBP 估计）、序列到序列（ABP 波形重建）、逐搏血压跟踪 |
| 样本总数 | 5,245,454 段 10 秒三通道波形；5,361 名受试者 |
| 数据大小 | 约 213.4 GB 压缩（PulseDB_MIMIC.zip 136 GB + PulseDB_Vital.zip 77.4 GB） |
| 数据格式 | MAT v7.3（HDF5），每受试者一个 .mat 文件 |
| 许可证 | ODbL 1.0 + DbCL 1.0（MIMIC 派生数据）；CC BY-NC-SA 4.0（VitalDB 派生数据与 Info 文件） |
| 访问级别 | 开放（云盘直接下载；母库 MIMIC-III 原始数据需 PhysioNet 凭证） |
| DUO 标签 | GRU（通用研究使用）+ NCU（非商业，VitalDB 部分） |
| 语言 | 英文（元数据与文档） |
| 首发日期 | 2022-07-27（GitHub 初始提交）；论文 2023-02-08 |
| 最后更新 | v2.0（主分支；README 记录最近数据更新 2023-03-02） |
| 发布机构 | 罗格斯大学 Integrated Systems and NeuroImaging Laboratory；凯斯西储大学 |
| 官方主页 | github.com/pulselabteam/PulseDB |
| 下载地址 | Box/Google Drive/OneDrive；Kaggle 补充子集 |
| DOI | 10.3389/fdgth.2022.1090854（论文）；10.34740/KAGGLE/DS/2447469（Kaggle 补充子集） |
| 引用次数 | 119+（Google Scholar，截至 2026-09） |
| AI 就绪度评分 | ⭐⭐⭐⭐（4/5）— 官方五套划分 + Generate_Subsets.m 脚本 + ResNet18_1D 参考实现与 TensorBoard 日志齐备，可直接对标论文；扣分项：子集生成需 MATLAB、大文件手动云盘下载、需自行实现 PyTorch 加载层 |
| 页面状态 | published |
§0 E-E-A-T 审核与免责声明
医学审核：[千方病案医学编辑部]交叉审核：§2 医学背景（ICD-11/SNOMED CT 映射、高血压流行病学）、§7 偏倚分析。
数据工程审核：[千方病案医学编辑部交叉审核] 医疗 AI 数据工程师，审核范围：§4 DAIMS 数据字典、§5 数据划分策略、§6 预处理 Pipeline 和坑点。
审核日期：2026-09-05
医疗免责声明：本页面提供的医学信息仅供研究和教育目的，不构成医疗建议、诊断或治疗方案。数据集的医学描述基于公开发表的文献，未经逐一临床验证。任何基于该数据集训练的 AI 模型在应用于临床决策前，必须经过独立的临床验证和监管审批。
技术免责声明：本页面的代码示例、预处理建议和基准性能数据基于公开资料整理，不保证在特定环境下的准确性和适用性。使用者应自行验证代码安全性和数据预处理流程的正确性。千方病案医数集不对因使用本页面信息而导致的任何直接或间接损失承担责任。
数据使用合规：使用本页面描述的数据集前，请务必阅读并遵守数据集原始许可协议。PulseDB 的 MIMIC-III 派生部分按 ODbL 1.0 发布（允许商用），VitalDB 派生部分与全部 Info 文件按 CC BY-NC-SA 4.0 发布（禁止商用）；如需 MIMIC-III 原始波形须通过 PhysioNet 凭证化申请、完成 CITI 培训并签署数据使用协议（DUA）。DUO 标签仅供参考，具体使用限制以数据集官方协议为准。
§1 数据集概览
§1.0 📌 30 秒速览
这是什么？ PulseDB 是目前规模最大的无袖带血压估计清洗基准库：研究团队从两大公开重症监护波形库（美国 MIMIC-III 波形匹配子集与韩国 VitalDB）中提取了 5,245,454 个 10 秒的 PPG、ECG 与有创动脉血压 ABP 三通道配对波形段，覆盖 5,361 名受试者，统一重采样到 125 Hz 并逐段赋予收缩压/舒张压参考标签（论文）。
为什么重要？ 在 PulseDB 之前，各家血压估计论文各自筛选数据、各自预处理，同一篇论文里 92 名与 1,131 名受试者的结果被直接放在一起比较，性能差距掩盖了方法差距。PulseDB 用同一套清洗管线和官方训练/校准/测试划分终结了这种混乱，并首次用实验证明：模型对训练中见过的受试者可以校准到近乎完美，但对新受试者的泛化误差会大 5 mmHg 以上。
我能用它做什么？ 训练从 PPG/ECG 估计 SBP/DBP 的深度模型（序列到标签）、重建连续 ABP 波形（序列到序列）、做逐搏血压跟踪；按 AAMI 标准协议做合规评测；用 VitalDB 子集研究精确逐搏信号对齐。数据可从云盘直接下载，无需 MATLAB 之外的特殊权限。
§1.1 技术摘要
PulseDB 的构建流程为：从 MIMIC-III 波形匹配子集（原始 4,941 条记录）与 VitalDB（原始 3,458 条记录）抽取包含 PPG、ECG 与 ABP 的记录，统一重采样至 125 Hz 并切分为 10 秒片段；随后执行四重质量过滤——饱和/平线剔除、心动周期可定位性检查、PPG 偏度质量指数（sSQI）过滤与 PPG-ABP 对齐互相关（Pearson r ≥ 0.9）过滤——得到 5,361 名受试者的 5,245,454 个高质量片段（约 14,570 小时）。参考 SBP/DBP 标签由 Elgendi 峰检测算法从 ABP 逐搏提取后取段内平均。数据以 MAT v7.3 格式存储，每受试者一个文件，内含归一化/滤波信号、特征点索引、人口学信息与逐段标签；官方 MATLAB 脚本 Generate_Subsets.m 依据 Info 文件生成训练集（2,506 名）、校准测试集（2,506 名）、免校准测试集（279 名）与 AAMI 标准测试集（242 名）五套划分。论文基线为 1D ResNet-18，官方仓库附带可复现的 ResNet18_1D PyTorch 实现与 TensorBoard 训练日志。
一句话概括数据形态：每名受试者一个 .mat 文件 → 文件内是 10 秒段结构体数组 → 每段带 3×1,250 的波形矩阵、若干标量标签与索引、人口学字段；官方脚本再把这些段按 Info 文件组装成大矩阵子集。理解了这两层结构，§4 的目录树与字段字典即可按图索骥。
§1.2 战略价值
方法学标准化价值。 血压估计领域长期缺乏统一评测协议：PulseDB 论文的 Table 1 系统梳理了 17 项近期深度学习研究，发现各研究使用的受试者数从 39 到 1,557 不等、预处理流程互不兼容，导致 SBP 误差的报告跨度无法归因。PulseDB 提供的官方划分让任何新方法的误差数字可以直接与论文基线及后续社区结果（如 QUMPHY 2025 基准研究）逐位对比，显著降低了后续研究的入门与对齐成本。对于要在学术论文中报告血压估计结果的团队，使用 PulseDB 官方划分已成为可辩护的默认选择。
泛化性研究价值。 PulseDB 独有的 Calibration-based（受试者已见）与 Calibration-free（受试者未见）双测试协议，把「受试者内拟合」与「跨受试者泛化」两种完全不同的能力拆开评估。论文实验显示，模型在前几个训练轮次后，CalibFree 测试集误差不再下降反而回升——这解释了为什么文献中校准式方法常报告 3-5 mmHg 的漂亮数字而落地设备却难以复现。任何面向可穿戴设备落地的团队，都应以 CalibFree 协议作为主指标。
多任务复用价值。 同一份数据通过字段组合即可支撑三类建模范式：序列到标签（SegSBP/SegDBP + ECG_F/PPG_F）、序列到序列（ABP_Raw 绝对 mmHg 波形为目标）、逐搏估计（ECG_RPeaks/PPG_SPeaks/ABP_SPeaks 特征点索引）；叠加 v2.0 的时间戳 T 字段还能做连续片段内的上下文建模。对教学与入门团队，官方 ResNet18_1D 参考实现加 TensorBoard 日志构成「下载即可复现」的完整闭环，是生理信号深度学习课程中少有的零门槛基准。
§1.3 同类数据集横向对比
| 数据集 | 规模 | 模态 | 参考标签 | 差异化定位 |
|---|---|---|---|---|
| PulseDB | 5,245,454 段 / 5,361 名受试者（约 14,570 小时） | PPG + ECG + ABP | 逐段 SBP/DBP + 特征点位置 | 双库统一清洗、官方 Calib/CalibFree/AAMI 三协议划分 |
| MIMIC-III Waveform Matched Subset（母库） | 4,941 条记录（PulseDB 提取前） | 多通道 ICU 波形 | 无统一 BP 标签，需自行提取 | 原始 ICU 波形，需 PhysioNet 凭证，质量参差 |
| VitalDB（母库） | 3,458 条记录进入 PulseDB 清洗管线 | 围术期多设备波形 | 无统一 BP 标签 | 500 Hz 原生采样、信号同步有保障、含身高体重 |
| UCI BP 数据集（PulseDB 论文 Table 1 对比） | 约 942 名受试者 / 约 200,159 段 | PPG + ECG + ABP | 逐段 BP | 规模小一个数量级，无官方划分协议 |
§1.4 版本时间轴
| 版本 | 日期 | 关键变化 |
|---|---|---|
| v1.0 | 2022-07-27（GitHub 初始提交） | 论文随附版本：5,361 个 MAT v7.3 段文件，含归一化滤波信号 ECG_F/PPG_F/ABP_F 与标签 |
| 许可合规更新 | 2022-12-02 至 2022-12-09 | 拆分 LICENSE_PulseDB_MIMIC / Vital / Info 三个许可文件，明确商业使用边界 |
| 数据下载更新 | 2023-03-02（README 记录） | 全部 5,361 个未压缩段文件上传 OneDrive/Google Drive，支持单文件下载替代整包 |
| v2.0 | 主分支（2023-03-02 之后） | 每段新增 T 绝对时间戳与 ECG_Record/PPG_Record/ECG_Record_F/PPG_Record_F 非归一化原始幅度字段；旧字段与 v1.0 在 1e-6 容差内一致 |
版本兼容性说明：v2.0 对旧字段做了数值级回归验证（ECG_F/PPG_F/ABP_F/PPG_ABP_Corr 与 v1.0 在 1e-6 容差内相等，其余字段逐位一致），Info 文件与 Generate_Subsets.m 两版相同——因此基于 v1.0 论文的任何结果在 v2.0 上默认可复现；仅当显式改用新增原始幅度字段时才涉及口径切换（见坑点 8）。历史版本可通过 GitHub 分支 v1_0 检出。
§1.5 典型应用场景
- 无袖带血压深度模型基准评测：以官方 Train/CalBased/CalFree 划分训练 1D CNN/Transformer，误差数字与论文及 QUMPHY 排行榜直接可比。
- AAMI/IEEE 1708a 合规预演：242 名受试者、1,340 次测量的 AAMI 测试集满足全部标准分布要求，可在送检前预估 ME/SDE 是否落入 ±5/8 mmHg 判据。
- 序列到序列 ABP 波形重建：用 ABP_Raw 绝对 mmHg 波形训练 LSTM/Transformer 从 PPG 重建连续血压曲线（论文明确支持该用法）。
- 逐搏血压跟踪与信号对齐研究：VitalDB 来源片段同步有保障，配合 ECG_RPeaks/PPG_SPeaks/ABP_SPeaks 特征点索引研究逐搏变异。
- 跨库域适应与信号质量研究：同一清洗管线下的 MIMIC（ICU）与 VitalDB（手术室）双源数据天然构成域迁移实验台。—
§2 医学背景
§2.1 ICD-11 与 SNOMED CT 映射
PulseDB 的核心临床对象是动脉血压的连续测量与高血压相关异常值的识别。下表给出主要标签概念的双编码映射：
| 标签/概念 | ICD-11 编码 | SNOMED CT 码 | 术语说明 |
|---|---|---|---|
| 原发性高血压（主要目标疾病） | BA00 | 38341003 | Essential hypertension；PulseDB 受试者中大量 SBP ≥ 140 mmHg 段对应此类风险区间 |
| 收缩压（SBP，回归目标） | — | 271649006 | Systolic blood pressure 观测概念，ABP 收缩峰幅值即其波形学实现 |
| 舒张压（DBP，回归目标） | — | 271650006 | Diastolic blood pressure 观测概念，相邻收缩峰间转折点幅值 |
| 高血压 1 期阈值段（SBP 130-139） | BA00 相关分级 | 38341003 | 依据 ACC/AHA 2017 分级框架的连续取值区间，非独立编码 |
| 脉搏/灌注（信号来源生理过程） | — | 8499008 | Pulse；PPG 反映外周血管容积脉动 |
注：ICD-11 编码用于描述数据集服务的疾病域（高血压管理），PulseDB 本身是生理波形数据集，不携带逐受试者疾病诊断标签；AAMI 测试集中 SBP ≥ 140 mmHg 的段占 38.81%（论文 Table 2），提示该子集富集高血压相关读数。
§2.2 疾病简介与流行病学
高血压是全球首要可干预心血管风险因素：世界卫生组织估计全球约 12.8 亿 30-79 岁成人患高血压，其中约近半数不知晓自身病情。诊室袖带测量只能提供离散时点读数，而血压在 24 小时内随体位、情绪、药物与自主神经张力剧烈波动。连续血压监测因此被视为高血压管理与围术期循环监测的关键缺口——无创连续金标准（指尖容量钳位法）设备昂贵笨重，催生了从 PPG/ECG 等低成本信号估计血压的无袖带（cuff-less）研究方向。PulseDB 正服务于该方向：其受试者平均 SBP 121.42 ± 22.10 mmHg、DBP 61.87 ± 13.01 mmHg（论文 Table 3），覆盖正常、1/2 期高血压与低血压段（AAMI 测试集 SBP ≤ 100 mmHg 占 14.63%），为算法提供足够宽的血压动态范围。
从建模视角看，该任务的临床难点在三处：其一，血压与 PPG 形态的关系受血管顺应性、外周阻力与年龄强烈调制，跨受试者的「形态-血压」映射不稳定（这正是 CalibFree 误差高的生理根源）；其二，ICU 与术中信号的运动伪迹、电刀干扰与低灌注状态会同时污染输入与参考；其三，血压极端值（休克、高血压危象）恰恰是临床最有价值而训练分布中最稀疏的区域。PulseDB 的官方划分把第一点直接转化为可测量的协议差距，后两点则提示使用者关注 §7.1 的选择偏倚与 §7.3 的极端段泛化风险。
§2.3 临床任务定义
| 任务类型 | 输入 | 输出 | 临床定位 |
|---|---|---|---|
| 筛查/趋势监测 | 10 秒 PPG（± ECG） | 段级 SBP/DBP（序列到标签） | 可穿戴设备连续血压趋势追踪，替代频繁袖带充气 |
| 诊断辅助 | 长时程逐段估计值聚合 | 24 小时血压曲线、昼夜节律 | 隐性高血压/白大衣效应识别的中间工具 |
| 分级 | 段级 SBP/DBP | ACC/AHA 血压分级 | 按估计值落入正常/升高/1 期/2 期区间的比例评估 |
| 预后/闭环 | 连续 ABP 重建波形 | 逐搏 SBP/DBP/MAP | 围术期低血压预警与血管活性药物闭环输注的前置组件 |
PulseDB 直接支持前两类任务的训练评测（官方划分即为此设计），并通过 ABP_Raw 字段支持逐搏任务（论文结论节明确列出 sequence-to-sequence 与 beat-to-beat 两种用法）。
§2.4 患者人群
| 维度 | MIMIC-III 来源 | VitalDB 来源 |
|---|---|---|
| 来源机构 | 贝斯以色列女执事医疗中心（波士顿）ICU | 首尔国立大学医院（围术期） |
| 就医类型 | 重症监护住院 | 手术/麻醉过程 |
| 受试者数（清洗后） | 2,423 | 2,938 |
| 年龄 | 全库均值 60.87 ± 15.58 岁（两库合并，论文 Table 3） | 同左 |
| 性别 | 男 3,013 / 女 2,348（合并） | 同左 |
| 身高/体重/BMI | 不可得（NaN） | 可得（来自 VitalDB 附属信息） |
| 种族 | 数据集未随波形分发该字段 | 同左 |
| 时间跨度 | MIMIC-III 波形采集始于 2001 年 | 2014 年起的围术期记录 |
§2.5 临床价值
对算法开发者，PulseDB 提供了重症与围术期两类高动态血压场景的成对数据：ICU 场景（MIMIC）患者病情重、血压波动剧烈，是低血压预警的价值场景；围术期场景（VitalDB）有麻醉诱导引起的确定性血压阶跃，是闭环输注算法的试金石。对监管与合规团队，AAMI 测试集的受试者数（242 ≥ 85）、每人测量数（3-14 ≥ 3）、总测量数（1,340 ≥ 255）与极端血压占比全部满足 AAMI 标准要求（论文 Table 2），使其成为符合标准的临床前证据生成工具。对可穿戴厂商，CalibFree 协议提供了模拟「新用户开箱即用」的最严格泛化测试。
需要注意的临床边界：上述价值均以「实验室级/临床前证据」为限——PulseDB 的参考值来自有创 ABP，与无创临床金标准（听诊法袖带或容量钳位法）之间还存在方法学差异；任何以临床决策为目的的应用都必须在目标人群上完成前瞻性验证，PulseDB 上的优秀指标只构成进入该阶段的资格线。
§2.6 参考金标准
| 维度 | 内容 |
|---|---|
| 金标准划分 | 有创动脉血压（ABP）波形，经动脉导管连续监测，视为血压测量的波形级金标准 |
| 标注方式 | 全自动：Elgendi 峰检测算法定位 ABP 收缩峰（=SBP）与峰间转折点（=DBP），逐搏值取 10 秒段内平均得 SegSBP/SegDBP（论文 §2.4） |
| 标注者 | 无人工标注者；质量过滤使用自动化指标（sSQI、PPG-ABP 互相关 r ≥ 0.9），独立验证采用 Orphanidou 可行性规则 |
| 性质 | 连续生理波形参考值，非专家判读标签；段级平均值对逐搏噪声有平滑效应 |
§3 数据集规格
§3.0 版本抉择矩阵
| 你的需求 | 推荐版本 | 大小 | 理由 |
|---|---|---|---|
| 复现论文基线 / 发表对标 | v2.0 主分支 + Generate_Subsets.m 全套 | 约 213.4 GB | v2.0 兼容 v1.0 全部字段且新增原始幅度与时间戳；TensorBoard 日志可对照 |
| 只需 VitalDB 子集（需完整人口学/精确对齐） | Kaggle 补充子集（DOI 10.34740/KAGGLE/DS/2447469） | 远小于全库 | 跳过 MATLAB 生成步骤，Height/Weight/BMI 完整、同步有保障 |
| 网络不稳/无线环境 | 分段压缩包（MIMIC 14 段 + Vital 8 段，每段 10 GB） | 同全库 | 支持分段重下，7-Zip 解压，规避云盘无断点续传问题 |
| 商业产品研发 | 仅 PulseDB_MIMIC 部分（ODbL） | 136 GB | VitalDB 部分与 Info 文件为 CC BY-NC-SA，禁商用 |
| 统计分析/元数据探索 | PulseDB_Info 等 proxy 文件 | 数十 MB 级 | 只含人口学与 SBP/DBP 标签，无需加载波形 |
§3.1 模态详情
| 模态 | 采样率 | 滤波 | 存储形态 | 说明 |
|---|---|---|---|---|
| PPG 光电容积波 | 125 Hz（VitalDB 自 500 Hz 下采样） | [0.5, 8] Hz 4 阶 Chebyshev-II（PPG_F） | 每段 1,250 点向量 | 质量过滤含 sSQI < 0 剔除与对齐互相关 r ≥ 0.9 校验 |
| ECG 心电 | 125 Hz | [0.5, 40] Hz Butterworth（ECG_F） | 每段 1,250 点向量 | ECG_RPeaks 提供 R 波索引；94.3% 段通过 Orphanidou 可行性检查 |
| ABP 动脉血压 | 125 Hz | [0.5, 8] Hz 4 阶 Chebyshev-II（ABP_F） | 每段 1,250 点向量，ABP_Raw 保留绝对 mmHg 幅值 | 标签来源通道；ABP_Lag 记录与 PPG 的最优对齐滞后（±125 样本内） |
| 人口学 | — | — | 标量字段 | Age/Gender 全量；Height/Weight/BMI 仅 VitalDB 来源 |
§3.2 子集样本数
| 子集 | 受试者数 | MIMIC/VitalDB | 每人段数 | 血压分布（SBP/DBP，mmHg） |
|---|---|---|---|---|
| Training | 2,506 | 1,213 / 1,293 | 360 | 118.60±21.03 / 61.86±12.65 |
| Calibration-based testing | 2,506（与训练同组，组 A） | 1,213 / 1,293 | 40 | 118.64±21.01 / 61.88±12.64 |
| Calibration-free testing | 279（组 B，随机 10% 受试者） | 135 / 144 | 400 | 118.84±20.59 / 62.00±12.27 |
| AAMI testing | 242（组 C） | 126 / 116 | 3-14 次测量 | 131.50±27.75 / 73.61±18.22 |
| AAMI calibration | 242（组 C） | 126 / 116 | 1-14,833 段 | 123.96±23.12 / 63.18±13.63 |
| VitalDB 补充 AAMI 测试 | 116 | 0 / 116 | 3-10 次测量 | 满足全部 AAMI 分布要求 |
全部子集合计覆盖 5,245,454 段；AAMI 测试集总测量数 1,340 次（论文 Table 2/4）。平衡参数 K=400：训练与测试集中每名受试者最多取 400 段，防止数据量大的受试者主导训练。
需要重新生成官方子集（或做受控修改）时，在仓库根目录按 §4.0 结构放置好段文件与 Info 文件后，MATLAB 中执行：
% Generate_Subsets.m（仓库根目录，MATLAB R2016b+，建议 32 GB RAM）
% 第一块：生成混合源五套子集（读取 Info_Files/*.mat + Segment_Files/*）
% 第二块：生成 VitalDB-only 五套补充子集（读取 Supplementary_Info_Files/*.mat）
% 注意：整脚本运行（勿用 Run Section）；输出落在 Subset_Files/ 与 Supplementary_Subset_Files/
% 内存不足时注释掉暂不需要的子集调用，逐个生成
Info 文件本身就是划分协议的机器可读形式（每个受试者的段索引清单），任何自定义划分实验都建议先 diff 官方 Info 文件，确认改动只发生在受试者级。
§3.3 数据格式
| 对象 | 格式 | 结构 |
|---|---|---|
| 段文件（5,361 个） | MAT v7.3（HDF5） | PulseDB_MIMIC/pXXXXXX/ 与 PulseDB_Vital/ 下，每受试者一个 .mat，内容为 1-D 结构体数组（每元素一个 10 秒段） |
| Info 文件（11 个） | MAT v7.3 | PulseDB_Info、Train_Info、CalBased_Test_Info、CalFree_Test_Info、AAMI_Test_Info、AAMI_Cal_Info 及 5 个 VitalDB_ 前缀补充版 |
| Subset 文件（生成物） | MAT v7.3 | Generate_Subsets.m 输出 Train_Subset.mat 等，大矩阵组织，含 Signals/SBP/DBP/Age/Gender/Height/Weight 字段 |
| 参考实现 | Python + PyTorch | Model_Training/ 下 ResNet18_1D.py、Model_Training.py、Model_Trainer.py 与 TensorBoard 日志 |
§3.4 存储大小
| 项目 | 大小 |
|---|---|
| PulseDB_MIMIC.zip | 136 GB（分段版 14 段 × 10 GB + 余段；Box 版 .001-.016） |
| PulseDB_Vital.zip | 77.4 GB（分段版 8 段 × 10 GB + 余段） |
| Info/Supplementary_Info 文件 | 合计约 80 MB 级 |
| 解压后段文件 | 5,361 个 .mat（v2.0 因新增原始幅度字段大于 v1.0） |
| 完整工作空间建议 | ≥ 500 GB 可用磁盘（含解压与 Subset 生成中间物） |
磁盘布局建议：压缩包、解压段文件与生成子集三者不要放在同一物理卷——解压与子集生成都会瞬间占用与源文件相当的空间；Subset_Files/ 生成物是后续所有训练的直接读入对象，放在 SSD 上可把 mat73 首次加载从 30 秒级压到 10 秒级；其余冷数据（压缩包备份）可置于机械盘或对象存储。
§3.5 标注方式
参考血压标注为全自动弱监督：算法从 ABP 波形逐搏提取 SBP/DBP，无需人工判读。具体规则（补充材料 §1.1）：Elgendi 算法在 ABP_F 上检测收缩峰（峰值即 SBP）与相邻收缩峰之间的转折点（谷值即 DBP），SegSBP/SegDBP 取该 10 秒段内所有逐搏值的平均；序列到序列任务则直接使用未修改的 ABP_Raw 绝对 mmHg 波形。特征点标注同样自动化：ECG_RPeaks（R 波）、PPG_SPeaks/PPG_Turns（PPG 收缩峰/转折点）与 ABP_SPeaks/ABP_Turns 均以段内采样点索引存储。
§3.6 标注者资质与一致性
无人工标注者，因此不存在标注者间一致性。质量保证由三层自动机制承担：（1）逐段质量过滤（饱和/平线剔除、心动周期可定位、sSQI ≥ 0、PPG-ABP 对齐互相关 r ≥ 0.9）；（2）独立质量验证——Orphanidou 可行性规则显示 94.3% 的 ECG 段与 95.9% 的 PPG 段可行，其中 99.8%（ECG）与 99.7%（PPG）进一步满足 SQI 阈值（> 0.66 / > 0.86）（论文正文）；（3）PPG-ABP 强相关性门槛（r ≥ 0.9）使 ABP 派生标签与输入信号生理上强耦合。残余误差源为自动峰检测在噪声段的误检，论文未给出逐搏级人工复核比例。
§3.7 采集周期
MIMIC-III 波形数据库采集始于 2001 年（贝斯以色列女执事医疗中心 ICU 床旁监护仪），VitalDB 为首尔国立大学医院 2014 年起的围术期多设备记录（Vital Recorder 自动采集）。PulseDB 整理发布于 2022 年，覆盖两个母库各自的时间窗口。
§3.8 地域覆盖
数据采集地限于两个单中心：美国波士顿（MIMIC-III，ICU 场景）与韩国首尔（VitalDB，围术期场景）。无门诊、社区或居家数据；跨地域泛化需外部验证。这一单中心双域结构意味着：模型在同一域内受试者间的泛化（CalibFree）与跨域迁移（MIMIC ↔ VitalDB）是两个难度不同的实验，前者官方划分已覆盖，后者需自行组织互斥划分并在结论中限定适用范围。
§3.9 设备规格
母库波形来自临床级床旁监护仪：MIMIC-III 波形子集含床旁监护仪的 ECG、指夹式脉搏血氧仪 PPG（plethysmograph 通道）与动脉导管有创血压换能器信号；VitalDB 由 Vital Recorder 软件以高分辨率时间同步方式汇集麻醉机、监护仪等多设备波形（原生 500 Hz，PulseDB 统一下采样至 125 Hz）。数据集本身不随发设备型号清单，设备粒度需回母库查询。
§3.10 深度溯源链
| 层级 | 溯源 |
|---|---|
| 原始采集 | MIMIC-III Waveform Database Matched Subset v1.0（PhysioNet）+ VitalDB（vitaldb.net） |
| 母库论文 | Johnson et al., 2016, Scientific Data（MIMIC-III）；Lee & Jung, 2018, Scientific Reports（Vital Recorder） |
| 清洗与标注 | Wang et al., 2023, Frontiers in Digital Health（PulseDB 论文 §2 清洗管线 + 补充材料 §1 字段定义） |
| 分发 | GitHub（pulselabteam/PulseDB）+ Box/OneDrive/Google Drive（段文件）+ Kaggle（VitalDB 补充子集） |
| 许可继承 | MIMIC 派生 → ODbL/DbCL；VitalDB 派生与 Info 文件 → CC BY-NC-SA 4.0 |
§4 数据结构
§4.0 目录树
PulseDB/
├── Segment_Files/ # 5,361 个受试者级 .mat（v2.0）
│ ├── PulseDB_MIMIC/ # 2,423 名 MIMIC-III 来源（zip 136 GB）
│ │ └── p00XXXX/ # 每受试者一个文件夹，内含该受试者 .mat
│ └── PulseDB_Vital/ # 2,938 名 VitalDB 来源（zip 77.4 GB）
│ └── {CaseID}/
├── Info_Files/ # 混合源划分定义（CC BY-NC-SA 4.0）
│ ├── PulseDB_Info.mat # 全库人口学 + BP 标签摘要（proxy 文件）
│ ├── Train_Info.mat
│ ├── CalBased_Test_Info.mat
│ ├── CalFree_Test_Info.mat
│ ├── AAMI_Test_Info.mat
│ └── AAMI_Cal_Info.mat
├── Supplementary_Info_Files/ # VitalDB-only 划分定义
│ ├── VitalDB_Train_Info.mat
│ ├── VitalDB_CalBased_Test_Info.mat
│ ├── VitalDB_CalFree_Test_Info.mat
│ ├── VitalDB_AAMI_Test_Info.mat
│ └── VitalDB_AAMI_Cal_Info.mat
├── Subset_Files/ # Generate_Subsets.m 的输出（自行生成）
│ ├── Train_Subset.mat
│ ├── CalBased_Test_Subset.mat
│ ├── CalFree_Test_Subset.mat
│ ├── AAMI_Test_Subset.mat
│ └── AAMI_Cal_Subset.mat
├── Supplementary_Subset_Files/ # VitalDB-only 子集输出（Kaggle 有预生成版）
├── Generate_Subsets.m # MATLAB 子集生成脚本
├── Model_Training/ # 官方 PyTorch 参考实现
│ ├── ResNet18_1D.py
│ ├── Model_Training.py
│ ├── Model_Trainer.py
│ └── TensorBoard/ # 论文 SBP/DBP 两次训练的完整日志
├── LICENSE_PulseDB_MIMIC # ODbL 1.0 + DbCL 1.0
├── LICENSE_PulseDB_Vital # CC BY-NC-SA 4.0
├── LICENSE_PulseDB_Info # CC BY-NC-SA 4.0
└── Supplementary Materials.pdf # 字段定义官方文档
§4.1 DAIMS 字段字典
每个段结构体（MAT v7.3，1-D 结构体数组元素）的字段：
| 字段名 | 类型 | 说明 | 示例值 | AI 用途 | 观测误差 | 信息性缺失编码 | 取值范围 |
|---|---|---|---|---|---|---|---|
| SubjectID | 文本 | 受试者唯一标识，p + 6 位母库 ID | p008642 | 受试者级分组/划分 | 无 | 无 | p000000-p999999 |
| CaseID | 文本 | 记录标识；同受试者多记录时区分来源记录 | 1,293 等 | 记录级分组 | 无 | 无 | 母库记录编号 |
| SegmentID | 整数 | 段序号，同记录内时间递增 | 17 | 时序排序 | 无 | 无 | ≥ 0 |
| ECG_Raw | 浮点×1,250 | 原始 ECG，每段独立线性重映射到 0-1 | 0.31-0.98 | 输入（自定义滤波） | 段间幅值不可比 | 无 | [0, 1] |
| PPG_Raw | 浮点×1,250 | 原始 PPG，同上重映射 | 0.12-0.88 | 输入（自定义滤波） | 段间幅值不可比 | 无 | [0, 1] |
| ABP_Raw | 浮点×1,250 | 原始 ABP，保留绝对 mmHg 幅值 | 波形峰值 118.4 | 序列到序列输出/标签源 | 换能器漂移 | 无 | 约 0-300 mmHg |
| ECG_F | 浮点×1,250 | [0.5, 40] Hz Butterworth 滤波后 ECG（归一化） | — | BP 模型输入通道 0 | 归一化段间不可比 | 无 | 约 [0, 1] |
| PPG_F | 浮点×1,250 | [0.5, 8] Hz Chebyshev-II 滤波后 PPG（归一化） | — | BP 模型输入通道 1 | 归一化段间不可比 | 无 | 约 [0, 1] |
| ABP_F | 浮点×1,250 | 滤波后 ABP | — | 仅标签源，禁作输入（泄漏） | 滤波相位延迟 | 无 | mmHg |
| ABP_Lag | 整数 | ABP_F 与 PPG_F 最大互相关对齐滞后 | -37 | 信号对齐研究 | 最大 ±125 样本 | 无 | [-125, 125] |
| PPG_ABP_Corr | 浮点 | 对齐后 Pearson 相关系数（过滤门槛 ≥ 0.9） | 0.95 | 质量加权 | — | 无 | [0.9, 1] |
| ECG_RPeaks | 整数索引 | R 波位置索引 | [64, 317, 571] | 逐搏特征/R-R 间期 | 检测误差 ±1 样本 | 无 | [0, 1249] |
| PPG_SPeaks / PPG_Turns | 整数索引 | PPG 收缩峰/转折点索引 | [102, 358] | 逐搏特征/PTT | Elgendi 算法误差 | 无 | [0, 1249] |
| ABP_SPeaks / ABP_Turns | 整数索引 | ABP 收缩峰/转折点索引 | [88, 344] | SBP/DBP 逐搏来源 | 噪声段误检 | 无 | [0, 1249] |
| SegSBP / SegDBP | 浮点 | 段内平均 SBP/DBP（回归标签） | 118.4 / 61.7 | 回归目标 | 逐搏平均平滑 | 无 | SBP 约 40-280；DBP 约 20-180 mmHg |
| Age / Gender | 数值/文本 | 年龄 / 性别（M/F） | 63 / M | 协变量、公平性分析 | 无 | 无 | 年龄 ≥ 0 |
| Height / Weight / BMI | 浮点 | 身高体重 BMI | 165.1 / 62.3 / 22.9 | 协变量（仅 VitalDB） | 自报/测量误差 | NaN = MIMIC 来源 | NaN 或物理合理区间 |
| T（v2.0 新增） | 浮点×1,250 | 段内每样本在连续 clip 内的绝对时间戳 | 125.0 | 时序重建/连续片段拼接 | 无 | 无 | ≥ 0（秒） |
| ECG_Record / PPG_Record / *_F（v2.0 新增） | 浮点×1,250 | 非归一化原始/滤波幅度 | — | 跨段幅值一致的分析 | 设备增益差异 | 无 | 物理单位 |
§4.2 标签分布
整体 SBP 121.42 ± 22.10 mmHg、DBP 61.87 ± 13.01 mmHg；按受试者取均值后 SBP 117.83 ± 17.15、DBP 62.08 ± 10.76 mmHg；受试者内 SBP 标准差均值 11.87 ± 6.26 mmHg（论文 Table 3）。分布呈右偏单峰：AAMI 测试集中 SBP ≤ 100 mmHg 占 14.63%、≥ 160 mmHg 占 15.52%、≥ 140 mmHg 占 38.81%；DBP ≤ 60 占 25.75%、≥ 100 占 9.40%、≥ 85 占 27.24%（论文 Table 2）。训练集刻意控制受试者级均衡（每人 ≤ 400 段），段级分布因此比原始 ICU 监护更接近受试者分布。
§4.3 关键统计
| 统计项 | 数值 | 来源 |
|---|---|---|
| 总段数 | 5,245,454 | 论文摘要 |
| 总时长 | 约 14,570 小时 | 论文正文 |
| 受试者数 | 5,361（MIMIC 2,423 + VitalDB 2,938） | 论文 Table 3 |
| 平均年龄 | 60.87 ± 15.58 岁 | 论文 Table 3 |
| 性别比 | 男 3,013 / 女 2,348 | 论文 Table 3 |
| 采样率 | 125 Hz（三通道统一） | 论文正文 |
| PPG-ABP 互相关门槛 | r ≥ 0.9（对齐后） | 论文 §2.4 |
| AAMI 测试集 | 242 名 / 1,340 次测量 | 论文 Table 2 |
§4.4 数据层级
数据为四级结构：受试者（SubjectID，5,361 名）→ 记录（CaseID，同一受试者的不同母库记录）→ 连续 clip（受试者级文件中一个连续波形裁剪）→ 段（SegmentID，10 秒 × 1,250 样本）。PulseDB 从每条记录只取一个连续 clip，段在 clip 内时间连续（v2.0 的 T 字段可重建段间顺序）；段间并非全库时间连续。划分均在受试者级进行，不存在同一受试者跨训练/测试集的情况。
Info/proxy 文件体系的内部结构：
| 文件 | 内容 | 用途 |
|---|---|---|
| PulseDB_Info.mat | 全部 5,361 名受试者的人口学 + 逐段 SBP/DBP 标签摘要 | 全库统计、分布画图，无需加载波形 |
| Train_Info.mat 等五套 | 各子集的受试者-段索引清单 | Generate_Subsets.m 的划分定义；自定义划分的 diff 基准 |
| VitalDB_*_Info.mat 五套 | 同上但仅含 VitalDB 来源段 | 单源消融与精确对齐研究 |
§4.5 缺失值与信息性缺失编码
| 缺失模式 | 表现 | 原因 | 处理建议 |
|---|---|---|---|
| Height/Weight/BMI = NaN | 全部 MIMIC 来源受试者 | MIMIC-III 波形匹配子集不记录体型数据 | 用身高体重时仅用 VitalDB 子集或做 NaN 掩膜；禁止 0 填充后直接入模 |
| 人口学字段缺失 | 极少数段 | 母库登记缺失 | 建模前 dropna 或显式「未知」类别 |
| 段级信号缺失 | 不存在 | 质量过滤已剔除坏段 | 无需处理；坏段被排除本身构成选择偏倚（见 §7.1） |
§5 数据划分与使用建议
§5.1 官方划分
官方提供五套 Info 文件定义的划分（论文 Table 4）：训练集 2,506 名受试者每人 360 段；Calibration-based 测试集为同批受试者每人另取 40 段（模拟「已有用户校准」）；Calibration-free 测试集为随机抽取的 10% 受试者（279 名）每人 400 段（模拟「新用户开箱」）；AAMI 测试集与校准集来自剩余受试者（组 C，242 名），按 AAMI 协议每人 3-14 次测量、总 1,340 次。三组（A/B/C）受试者互斥，任何受试者不会跨组出现。VitalDB-only 补充版划分提供单源对照。
§5.2 社区惯例划分
社区研究基本沿用官方划分以保证可比性：QUMPHY 2025 基准研究直接使用 Calib/CalibFree 两套 VitalDB 子集比较 10 余种模型；自监督预训练研究（如 SiamQuality）在训练集上预训练后按官方测试协议评测。部分预训练工作会临时合并训练集与 AAMI 校准集扩大无监督语料，但评测仍锁官方测试集。
两条社区共识值得遵守：其一，任何偏离官方划分的实验都应同时报告一份官方划分结果作为锚点，否则数字无法进入横向比较；其二，当研究仅关注 VitalDB 域时，使用官方 VitalDB-only 补充子集而非从混合子集中手工筛 VitalDB 段——后者容易在受试者计数上与官方口径出现偏差（混合子集中同一受试者可能只贡献 VitalDB 记录）。
§5.3 划分策略与泄漏风险
- 受试者级泄漏（最致命）：自行随机打散段落划分会让同一受试者的相邻段同时出现在训练与测试集中。受试者内血压自相关极强，论文 Table 5 引用的历史研究显示这种错误可使 MAE 从 12-15 mmHg 虚降到 5-8 mmHg。务必使用官方划分或按 SubjectID 分组切分。
- ABP 通道泄漏：标签 SBP/DBP 由 ABP 派生，若把子集 Signals 的通道 2（ABP）作为输入，模型可直接读出答案。官方训练代码仅取通道 0-1。
- 相邻段泄漏：同一受试者同记录内相邻段高度相似；任何受试者内的段级抽样（如校准集）都不是独立测试。
- Calib/CalFree 混淆：在 CalBased 测试集上调参再报告 CalFree 结果会造成协议污染，两套测试集须各司其职。
§5.4 交叉验证建议
如需受试者级交叉验证（官方划分之外的自定义实验），按 SubjectID 分组的 GroupKFold（建议 5 折）执行，并保持每折内 MIMIC/VitalDB 比例一致（分层分组抽样）；每折重复 Calib 与 CalFree 两种评测（组内留出 10% 受试者做 CalFree）。报出跨折均值 ± 标准差而非单折最优。
# 受试者级 GroupKFold 骨架（自定义划分时使用）
# 约束：折间受试者互斥；每折内 MIMIC/VitalDB 比例分层；Calib 与 CalFree 双协议评测
import numpy as np
from sklearn.model_selection import GroupKFold
subject_ids = np.array([...]) # 每段对应的 SubjectID
sources = np.array([...]) # 0=MIMIC 1=VitalDB，用于分层
gkf = GroupKFold(n_splits=5)
for tr, te in gkf.split(subject_ids, groups=subject_ids):
pass # 折内再从 te 划出 10% 受试者作为 CalFree，其余受试者抽段做 Calib
§5.5 外部验证建议
跨库验证首选：MIMIC 训练 → VitalDB 测试（或反向），量化 ICU 与手术室两个域的迁移差距；跨场景验证需引入母库之外的动态血压队列（因 PulseDB 无门诊/居家数据，此类验证需外部数据集支撑，见 §7.8）。使用官方 VitalDB-only 补充子集可干净地做单源消融，避免 Info 文件混合划分的干扰。
§6 AI 就绪指南
§6.0 云端快速启动
只想快速体验而不下载 213 GB 全库时，用 Kaggle 上的 VitalDB-only 预生成补充子集（DOI 10.34740/KAGGLE/DS/2447469）：在 Kaggle Notebook 中挂载数据集后即可直接加载 VitalDB_Train_Subset.mat 等文件训练，无需 MATLAB 与本地大容量磁盘。全量研究（尤其需 MIMIC 部分或自定义划分时）仍建议本地按 §6.2 下载。
| 启动路径 | 前置条件 | 首个训练跑通耗时级 | 适用人群 |
|---|---|---|---|
| Kaggle VitalDB 子集 | Kaggle 账号 | 小时级 | 快速原型/教学/评测复现 |
| 本地全库 + 官方脚本 | 500 GB 磁盘 + MATLAB + 32 GB RAM | 天级 | 发表级复现与自定义划分研究 |
| 本地单文件按需下载 | 云盘账号 | 半天级（仅所需受试者） | 定向分析（如仅 VitalDB 逐搏研究） |
§6.1 快速上手
以下代码预期目录结构：数据根目录 DATA_ROOT 下有 Subset_Files/（由官方 Generate_Subsets.m 生成）或 Kaggle 补充子集文件；Build_Dataset 把 DATA_ROOT 与文件名拼接得到完整路径；最小可用子集为 VitalDB-only 的 VitalDB_Train_Subset.mat（约数十 GB 内存占用，建议 32 GB RAM 机器起步）。
# 最小加载示例（官方 README 模式）
# 依赖：pip install mat73 numpy
from mat73 import loadmat # 必须用 mat73，scipy.io 打不开 MAT v7.3
import numpy as np
def build_dataset(path, field_name='Subset'):
data = loadmat(path)
signals = data[field_name]['Signals'] # (N, 3, 1250)：通道 0=ECG 1=PPG 2=ABP
sbp = np.array(data[field_name]['SBP']).ravel() # 段级 SBP 标签 (N,)
dbp = np.array(data[field_name]['DBP']).ravel() # 段级 DBP 标签 (N,)
age = np.array(data[field_name]['Age']).ravel()
gender = np.array(data[field_name]['Gender']).ravel()
gender = (gender == 'M').astype(float) # 性别转 0/1
height = np.array(data[field_name]['Height']).ravel() # MIMIC 来源全为 NaN
weight = np.array(data[field_name]['Weight']).ravel()
demo = np.stack([age, gender, height, weight], axis=1)
return signals, sbp, dbp, demo
X, sbp, dbp, demo = build_dataset('DATA_ROOT/Subset_Files/VitalDB_Train_Subset.mat')
print(X.shape, sbp.shape) # 例如 (约 46 万, 3, 1250) ...
Kaggle Notebook 快速起步（无需本地磁盘）：
# Kaggle Notebook：Add Input → 搜索 DOI 10.34740/KAGGLE/DS/2447469 挂载补充子集
# 挂载后数据位于 /kaggle/input/<dataset-slug>/
from mat73 import loadmat
import numpy as np
data = loadmat('/kaggle/input/<dataset-slug>/VitalDB_Train_Subset.mat')
print(sorted(data.keys())) # 确认 Subset 字段名
sig = data['Subset']['Signals'] # (N, 3, 1250)
print('段数：', len(np.asarray(data['Subset']['SBP']).ravel()))
注意：Signals 通道顺序固定为 0=ECG、1=PPG、2=ABP；官方训练代码只取前两个通道（ABP 通道是标签来源，作输入即泄漏，见坑点 5）。
§6.2 数据获取
| 步骤 | 内容 | 说明 |
|---|---|---|
| 1. 克隆仓库 | git clone https://github.com/pulselabteam/PulseDB |
获取 Generate_Subsets.m、Info 文件与 Model_Training |
| 2. 申请母库凭证（可选） | PhysioNet credentialed access + CITI「Data or Specimens Only Research」 | 仅当需要回溯 MIMIC-III 原始波形/临床数据；PulseDB 本体可直接下载 |
| 3. 下载段文件 | Box（推荐，v2.0 主渠道，curl 断点续传）/ Google Drive（桌面 App 同步）/ OneDrive（单文件） | MIMIC 136 GB + Vital 77.4 GB |
| 4. 放置与解压 | 段文件夹放入 Segment_Files/（PulseDB_MIMIC、PulseDB_Vital） |
分段包用 7-Zip 解压 .001，所有分片须在同一目录 |
| 5. 生成子集 | MATLAB 运行 Generate_Subsets.m |
输出到 Subset_Files/ 与 Supplementary_Subset_Files/ |
# Box 分段下载示例（官方 README 模式；-C - 支持断点续传，重跑脚本自动跳过已完成文件）
curl -L -o "PulseDB_Vital.zip.001" -C - "https://rutgers.box.com/shared/static/<官方链接>.001"
# ……依次下载 .001 至 .010（MIMIC 为 .001 至 .016），全部放同一目录后：
# 7z x PulseDB_Vital.zip.001 # Linux: sudo apt install p7zip-full
注意事项：OneDrive/GoogleDrive 网页端不支持断点续传，中断即需重下整段；分段包中任何小于 10 GB 的文件都可能是残段，须重下该段。
下载完整性校验脚本：
# verify_pulsedb_download.py —— 分段包完整性检查（大小阈值法，官方建议）
# 预期：目录内应有 PulseDB_MIMIC.zip.001-.014 与 PulseDB_Vital.zip.001-.008
# 判据：除末段外每段应约等于 10 GB；明显偏小的文件为残段，重下该段
from pathlib import Path
def check_parts(folder, prefix, expect):
folder = Path(folder)
bad = []
for i in range(1, expect + 1):
p = folder / f"{prefix}.zip.{i:03d}"
if not p.exists():
bad.append(f"{p.name}: 缺失"); continue
size_gb = p.stat().st_size / 10**9
is_last = (i == expect)
if not is_last and size_gb < 9.5: # 非末段小于 9.5 GB 视为残段
bad.append(f"{p.name}: {size_gb:.2f} GB（疑似残段）")
return bad
if __name__ == '__main__':
print(check_parts('downloads/MIMIC_Parts', 'PulseDB_MIMIC', 14))
print(check_parts('downloads/Vital_Parts', 'PulseDB_Vital', 8))
§6.3 预处理全流程
推荐管线：MAT v7.3 → 内存数组 → NaN 掩膜 → 通道选择 →（可选）重滤波/标准化 → 落盘 NPY 缓存。以下代码可运行：
# preprocess_pulsedb.py
# 预期目录：DATA_ROOT/Subset_Files/{Train,CalBased_Test,CalFree_Test}_Subset.mat
# 产物：DATA_ROOT/cache/{split}_signals.npy 等；最小可用子集：VitalDB_Train
from mat73 import loadmat
import numpy as np
from scipy.signal import butter, cheby2, filtfilt
def extract_channels(signals):
"""官方 Signals 为 (N, 3, 1250)，通道 0=ECG 1=PPG 2=ABP。
血压估计只取通道 0-1；ABP 通道保留供序列到序列任务，禁作回归输入。"""
return signals[:, :2, :], signals[:, 2, :]
def normalize_zmw(x):
"""按段 z-score。注意 ECG_F/PPG_F 本身已是段级 0-1 归一化；
若需跨段幅值一致，改用 v2.0 的 ECG_Record_F/PPG_Record_F 原始幅度后自行标准化。"""
mu = x.mean(axis=-1, keepdims=True)
sd = x.std(axis=-1, keepdims=True) + 1e-8
return (x - mu) / sd
def bandpass(x, lo, hi, fs=125, order=4, kind='cheby2', rp=None):
nyq = fs / 2
if kind == 'cheby2':
b, a = cheby2(order, 20, [lo/nyq, hi/nyq], btype='band')
else:
b, a = butter(order, [lo/nyq, hi/nyq], btype='band')
return filtfilt(b, a, x, axis=-1)
def preprocess(path, out_prefix):
data = loadmat(path)
sig = data['Subset']['Signals'] # (N, 3, 1250)
sbp = np.asarray(data['Subset']['SBP']).ravel().astype(np.float32)
dbp = np.asarray(data['Subset']['DBP']).ravel().astype(np.float32)
age = np.asarray(data['Subset']['Age']).ravel().astype(np.float32)
x_in, abp = extract_channels(sig)
# 1) NaN 处理：MIMIC 段的 Height/Weight 为 NaN，人口学仅保留 Age（或对 VitalDB 子集全保留）
# 2) 标签合法性：剔除物理不可能值（自动峰检测残余误差）
keep = (sbp > 30) & (sbp < 280) & (dbp > 20) & (dbp < sbp)
x_in, abp, sbp, dbp, age = x_in[keep], abp[keep], sbp[keep], dbp[keep], age[keep]
# 3) 标准化（通道级 z-score，统计只来自训练折）
x_in = normalize_zmw(x_in.astype(np.float32))
# 4) 缓存落盘，后续 epoch 零 mat73 开销
np.save(f'{out_prefix}_x.npy', x_in); np.save(f'{out_prefix}_abp.npy', abp)
np.save(f'{out_prefix}_sbp.npy', sbp); np.save(f'{out_prefix}_dbp.npy', dbp)
np.save(f'{out_prefix}_age.npy', age)
return x_in.shape
if __name__ == '__main__':
print(preprocess('DATA_ROOT/Subset_Files/Train_Subset.mat', 'DATA_ROOT/cache/train'))
要点：段级 0-1 归一化的 ECG_F/PPG_F 意味着幅值信息已在预处理中被抹平——跨段幅值比较、基于绝对幅值的研究必须切换到 v2.0 原始幅度字段（见坑点 8）。
需要精确逐搏对齐（PTT 类研究）时，只用 VitalDB 来源段，并利用官方提供的特征点索引而非自行重检测：
# beat_align_pulsedb.py —— VitalDB 段的逐搏 PTT 计算
# 前提：该段来自 PulseDB_Vital（同步有保障）；MIMIC 段延迟最长可达 500 ms 且未指明，禁用于逐搏研究
def beat_intervals(seg):
"""seg: 单个段结构体（mat73 读取的 dict）
PPG_SPeaks/ABP_SPeaks 为官方 Elgendi 算法输出的索引（1,250 点内）"""
ppg_peaks = seg['PPG_SPeaks']
abp_peaks = seg['ABP_SPeaks']
# PAT（pulse arrival time）：同搏内 ABP 收缩峰与 PPG 收缩峰的索引差 / 125 Hz
k = min(len(ppg_peaks), len(abp_peaks))
pat_ms = [(int(abp_peaks[i]) - int(ppg_peaks[i])) / 125 * 1000 for i in range(k)]
# 逐搏 SBP/DBP：直接索引 ABP_Raw 绝对 mmHg 波形
sbp_beat = [seg['ABP_Raw'][int(p)] for p in abp_peaks]
return pat_ms, sbp_beat
§6.4 PyTorch DataLoader 完整可运行代码
# dataset_pulsedb.py —— 在 §6.3 缓存基础上构建；完整覆盖 训练/CalBased/CalFree 三套评测
import numpy as np
import torch
from torch.utils.data import Dataset, DataLoader
class PulseDBDataset(Dataset):
"""血压估计（序列到标签）。task='sbp'|'dbp'；inputs=ECG+PPG 两通道。"""
def __init__(self, prefix, task='sbp', transform=None):
self.x = np.load(f'{prefix}_x.npy') # (N, 2, 1250) float32
self.y = np.load(f'{prefix}_{task}.npy') # (N,) float32
self.transform = transform
def __len__(self):
return len(self.y)
def __getitem__(self, i):
x = torch.from_numpy(self.x[i].copy())
if self.transform is not None:
x = self.transform(x)
return x, torch.tensor(self.y[i], dtype=torch.float32)
class GaussianNoise:
"""安全增强：训练期对输入波形加微幅高斯噪声（见 §6.6）"""
def __init__(self, sigma=0.01):
self.sigma = sigma
def __call__(self, x):
return x + torch.randn_like(x) * self.sigma
def make_loader(prefix, task='sbp', train=True, batch_size=256, workers=8):
tf = GaussianNoise() if train else None
ds = PulseDBDataset(prefix, task, transform=tf)
return DataLoader(ds, batch_size=batch_size, shuffle=train,
num_workers=workers, pin_memory=True, drop_last=train)
train_loader = make_loader('DATA_ROOT/cache/train', 'sbp', train=True)
cal_loader = make_loader('DATA_ROOT/cache/calbased_test', 'sbp', train=False)
cfree_loader = make_loader('DATA_ROOT/cache/calfree_test', 'sbp', train=False)
x, y = next(iter(train_loader)) # x: (256, 2, 1250), y: (256,)
序列到序列 ABP 波形重建任务（目标为 ABP_Raw 绝对 mmHg 波形）的 Dataset 变体：
class PulseDBSeq2SeqDataset(Dataset):
"""从 PPG(+ECG) 重建 ABP 波形：输入通道 0-1，目标为缓存中的 abp 波形 (N, 1250)。
缓存由 §6.3 的 preprocess 产出（*_abp.npy 保存原始 mmHg 波形）。"""
def __init__(self, prefix, transform=None):
self.x = np.load(f'{prefix}_x.npy')
self.abp = np.load(f'{prefix}_abp.npy') # (N, 1250) 绝对 mmHg
self.transform = transform
def __len__(self):
return len(self.abp)
def __getitem__(self, i):
x = torch.from_numpy(self.x[i].copy())
if self.transform is not None:
x = self.transform(x)
y = torch.from_numpy(self.abp[i].copy())
return x, y
§6.5 关键坑点
⚠️ 坑点 1：scipy.io.loadmat 打不开 MAT v7.3 文件（分类：工程陷阱）
问题：PulseDB 全部段文件与子集文件为 MAT v7.3（底层 HDF5），
scipy.io.loadmat只支持 v7 以下格式，直接加载即抛异常。
症状：NotImplementedError: Please use HDF reader for matlab v7.3 files。
解决：
- 简单方法：
pip install mat73，用mat73.loadmat(path)替换全部scipy.io.loadmat。- 进阶方法：超大文件（训练子集数 GB）首次加载耗时 10-30 秒级，加载后立即
np.save为 NPY 缓存（§6.3），后续 epoch 走内存/ mmap，绕开重复 HDF5 解析。- SOTA 方法：生产管线用
h5py流式读取并预转 Zarr/HDF5 分块存储，配合 DataLoader worker 并行预取。
参考：官方 README「Loading Subset Files in Python」
⚠️ 坑点 2：MIMIC 来源段的身高体重 BMI 全为 NaN（分类：标签理解）
问题：Height/Weight/BMI 仅 VitalDB 来源记录，MIMIC-III 波形匹配子集不登记体型数据；把人口学直接拼成特征矩阵会把 NaN 静默带入模型。
症状：训练不报错但损失变为 NaN，或指标随机暴跌；np.stack后全矩阵含 NaN。
解决：
- 简单方法：只用 Age/Gender 做协变量，丢弃体型三字段。
- 进阶方法：NaN 掩膜 + 「缺失指示位」编码：
mask = ~np.isnan(demo).any(axis=1)过滤，或对 VitalDB/MIMIC 分源建模。- SOTA 方法：用 VitalDB 子集训练体型插补模型（按 Age/Gender 分箱中位数 + 不确定性），并在论文中报告插补敏感性分析。
参考：官方 README 人口学加载示例（示例注释明确提示 NaN 行为）
⚠️ 坑点 3：136 GB/77.4 GB 大文件下载中断与分段包解压（分类：工程陷阱）
问题：OneDrive/Google Drive 网页端不支持断点续传，PulseDB_MIMIC.zip（136 GB）下载中断即全部重来；直接解压分段压缩包（.zip.001…）在 macOS/Windows 原生工具下会失败。
症状：下载反复失败在最后几 GB；解压报错或提示缺少后续卷。
解决：
- 简单方法：改用官方 Box 链接 +
curl -C -断点续传脚本，重跑整个脚本自动跳过已完成文件。- 进阶方法：下载 10 GB/段的分段压缩包（MIMIC 14 段、Vital 8 段），装 7-Zip（Linux
p7zip-full、macOS The Unarchiver）后只对 .001 执行解压；逐段核对文件大小，小于 10 GB 的残段重下。- SOTA 方法：2023-03-02 更新后全部 5,361 个未压缩段文件可从 OneDrive/Google Drive 单文件下载，只拉研究所需受试者（如仅 VitalDB）可把获取量压缩一个数量级。
参考：官方 README「Tips for downloading data files」
⚠️ 坑点 4：Generate_Subsets.m 内存溢出与目录结构错误（分类：工程陷阱）
问题：官方子集生成脚本将全部段装入大矩阵，默认一台机器顺序跑全部 5 个子集；同时它对工作目录结构有硬编码假设（Segment_Files/PulseDB_MIMIC 等相对路径）。
症状：MATLAB 报「Out of memory」或「Cannot find file / File not found」；Run Section 分段执行时找不到局部函数。
解决：
- 简单方法：确保目录树与 §4.0 完全一致，Info 文件各就各位；16 GB RAM 起步，建议 32 GB，关闭其他程序后整脚本 Run（勿用 Run Section）。
- 进阶方法：注释掉脚本中暂不用的子集调用，逐个生成；或改写为按 SubjectID 流式拼接、写盘即释放。
- SOTA 方法：绕开 MATLAB——用 mat73 读取 Info 文件中的受试者-段索引，在 Python 侧重建同样的子集矩阵（自定义划分研究的最短路径），并抽样比对官方 Subset 文件校验一致性。
参考：Generate_Subsets.m 与各文件夹 File_Preparation_Guide
⚠️ 坑点 5：ABP 通道混入输入即标签泄漏（分类：数据泄漏）
问题：回归标签 SegSBP/SegDBP 由 ABP 波形逐搏提取，子集
Signals的通道 2 就是 ABP；若误把三通道一起喂入模型，等价于把答案交给模型。
症状：MAE 迅速降到 1 mmHg 以下、相关性接近 1——「碾压 SOTA」的结果几乎总是该泄漏。
解决：
- 简单方法：输入只取通道 0-1（ECG/PPG），与官方 Model_Training.py 一致（其显式丢弃 ABP 通道）。
- 进阶方法：在 Dataset 构造函数内断言
x.shape[1] == 2；评测脚本单独校验输入通道数。- SOTA 方法：序列到序列 ABP 重建任务中，把 ABP_Raw 仅置于损失端（target），并对预测-参考做逐段对齐误差分解（ABP_Lag 校正）后再报指标。
参考：官方仓库 Model_Training/Model_Training.py 通道选择逻辑
⚠️ 坑点 6：自行随机划分导致受试者级泄漏（分类：数据泄漏）
问题：按段随机打散划分时，同一受试者的大量相邻段（每受试者最多 400 段、段间仅隔秒级）同时进入训练与测试集；受试者内血压自相关极强，指标被严重高估。
症状：自定义划分的 MAE 比官方 CalFree 协议低 5-10 mmHg；换到真实新患者上性能崩塌。论文 Table 5 汇总的历史研究正是这种虚高的重灾区。
解决：
- 简单方法：直接使用官方 Train/CalBased/CalFree/AAMI 划分（Info 文件已定义）。
- 进阶方法：自定义实验用
sklearn.model_selection.GroupKFold按 SubjectID 分组，折间受试者互斥。- SOTA 方法：双报告受试者内（Calib）与受试者间（CalFree）指标，并按受试者聚合误差给出分布（而非段级混合分布），对齐 AAMI 的受试者级统计逻辑。
参考：PulseDB 论文 Table 4/5 划分协议与历史研究对比
⚠️ 坑点 7：训练越久 CalFree 指标越差——早停时机（分类：评估误用）
问题：论文 Figure 5 显示，模型在前几个 epoch 后对训练受试者的拟合增益不再迁移到未见受试者：CalBased 测试集 loss/SDE 持续下降，CalFree 测试集反而回升。以「最低验证损失」为名的持续训练会系统性地过拟合已见受试者。
症状：Calib 指标越来越好而 CalFree MAE 在第几个 epoch 后悄然变差；最终模型泛化能力劣于早期 checkpoint。
解决：
- 简单方法：同时监控两套测试集，以 CalFree 验证误差为早停依据。
- 进阶方法：以官方 TensorBoard 日志（2022_0725 SBP / 2022_0726 DBP）为参照确定训练轮数区间，再在自有任务上微调早停阈值。
- SOTA 方法：报告「Calib-CalFree 差距」作为泛化性诊断指标；在冻结主干后仅微调每受试者校准头（轻量仿射），把校准与泛化解耦。
参考：PulseDB 论文 Figure 5 与 §4.2 讨论
⚠️ 坑点 8：ECG_F/PPG_F 的段级 0-1 归一化抹平幅值信息（分类：预处理陷阱）
问题：v1.0 及默认生成路径下的 ECG_Raw/PPG_Raw（与 ECG_F/PPG_F 一致）逐段独立线性重映射到 [0, 1]，跨段、跨受试者的绝对幅值不可比；依赖幅值的分析（增益漂移、多设备比较）会得到伪结果。
症状：同一受试者不同段波形形状相似但幅值全部铺满 0-1；跨库比较时「MIMIC 信号增益异常」类假象。
解决：
- 简单方法：接受归一化口径，只做形态/间期类特征（PTT、R-R、波形形状），不做幅值统计。
- 进阶方法：v2.0 段文件新增 ECG_Record/PPG_Record/ECG_Record_F/PPG_Record_F 非归一化原始幅度字段；修改 Generate_Subsets.m 读取新字段再生成子集（默认脚本仍输出 v1.0 归一化信号，需手动改）。
- SOTA 方法：基于 ABP_Raw 的绝对 mmHg 保障（ABP 从未被重映射），凡涉幅值的研究以 ABP 为锚，再经 v2.0 原始幅度字段恢复输入通道的物理刻度。
参考：v2.0 更新说明 与补充材料 §1.1 字段定义
§6.6 数据增强
| 增强 | 安全性 | 说明 |
|---|---|---|
| 微幅高斯噪声（σ ≈ 0.01-0.02，段内 z-score 尺度） | ✅ 安全 | 模拟传感器噪声，不破坏形态与标签对应 |
| 随机时间裁剪（1250 点内裁 1024 再插值回 1250） | ✅ 安全 | 段内时移不变性训练 |
| 按受试者分组 Mixup（同受试者相邻段插值） | ✅ 安全 | 标签同为 BP 均值线性混合，须 GroupKey 限定受试者 |
| 随机时间缩放/伸缩 | ⚠️ 慎用 | 改变心率与 PTT，需同时审慎对待其生理含义 |
| 幅值随机增益 | ❌ 危险 | ECG_F/PPG_F 已归一化，幅值无物理意义；v2.0 原始幅度通道上小增益可接受 |
| 时间反转 | ❌ 危险 | 破坏 PPG/ABP 的收缩-舒张时序结构 |
| ABP 通道任意变换 | ❌ 危险 | ABP 与标签直接耦合，任何增强等于改标签 |
增强配置建议：训练期组合「微幅高斯噪声 + 随机时间裁剪」即可获得绝大多数收益；所有增强都应写成可开关的 transform 并在复现实验中记录开关状态；验证与测试期一律关闭增强，且 Calib/CalibFree 两套测试使用完全相同的预处理。
§6.7 模型推荐
| 模型 | 类型 | 适用场景 | 参考 |
|---|---|---|---|
| ResNet18_1D（官方基线） | 1D CNN | 快速复现与对照；仓库直接提供代码与训练日志 | 官方 Model_Training |
| XResNet1d50 / XResNet1d101 + GNLL | 1D CNN + 概率损失 | QUMPHY 2025 最优（Calib VitalDB SBP MAE 7.94 / DBP 5.07 mmHg） | QUMPHY 基准（arXiv:2502.19949） |
| Inception1d / LeNet1d | 1D CNN | 轻量对照；LeNet 在 CalibFree 反而不输大模型（泛化场景） | QUMPHY 基准（arXiv:2502.19949） |
| LSTM/Seq2Seq Transformer | 序列到序列 | 从 PPG 重建连续 ABP 波形（ABP_Raw 为目标） | 论文 §4.4 结论建议用法 |
| 特征法（PTT/波形特征 + GPR/MLP） | 传统 ML | 可解释基线与低算力部署；QUMPHY 中 GPR 系 MAE 约 12.2 mmHg | QUMPHY 基准（arXiv:2502.19949） |
选型注：Calib 场景优先大容量 CNN + 概率损失，CalibFree 场景先控制训练轮数再谈架构；特征法虽均值误差不占优，但误差分布尾部行为更可预测，适合作为深度模型的 sanity baseline；任何模型上榜单前先复跑官方 ResNet18_1D 确认数据管线无泄漏。
§6.8 硬件需求
| 阶段 | 最低配置 | 建议配置 |
|---|---|---|
| 下载与解压 | 500 GB 磁盘、稳定外网 | 1 TB SSD + 有线网络（分段包恢复友好） |
| Generate_Subsets.m | 16 GB RAM + MATLAB R2016b+ | 32 GB RAM |
| 训练（ResNet18_1D，批 256） | 8 GB 显存 GPU | 24 GB 显存 GPU（更大批/双任务 SBP+DBP 并行） |
| 全库统计/预训练 | 32 GB RAM | 64-128 GB RAM（训练子集 mat73 全量加载约数 GB-数十 GB） |
§6.9 评估指标代码
# metrics_pulsedb.py —— AAMI（ME/SDE）与 BHS/IEEE 1708a 分级
import numpy as np
def aami_metrics(y_true, y_pred):
"""AAMI 判据：ME 与 SDE 均 ≤ ±5 mmHg（SBP）与 ±8 mmHg（DBP）内为通过。
注：AAMI 标准为 SBP 5/8、DBP 5/8 mmHg 的 ME/SDE 判据。"""
err = y_pred - y_true
me = err.mean() # 平均误差（偏置）
sde = err.std(ddof=1) # 误差标准差（精度）
return me, sde
def bhs_grades(err):
"""BHS/IEEE 1708a-2019 分级：误差累积分布。
Grade A：≤5 mmHg 占 60%、≤10 占 85%、≤15 占 95%；
Grade B：50/75/90；Grade C：40/65/85。"""
e = np.abs(err)
p5, p10, p15 = (e <= 5).mean(), (e <= 10).mean(), (e <= 15).mean()
for g, th in {'A': (0.60, 0.85, 0.95), 'B': (0.50, 0.75, 0.90),
'C': (0.40, 0.65, 0.85)}.items():
if p5 >= th[0] and p10 >= th[1] and p15 >= th[2]:
return g, (p5, p10, p15)
return 'D', (p5, p10, p15)
def subject_level_report(errs_per_subject):
"""受试者级聚合误差（对齐 AAMI 统计逻辑）：先按受试者取误差均值再统计。"""
arr = np.array(errs_per_subject)
return arr.mean(), arr.std(ddof=1)
def aami_compliance_check(me, sde, target='sbp'):
"""AAMI 判据自动化：ME 与 SDE 均落入判据内视为通过。"""
limit = 5 if target == 'sbp' else 8
return {
'ME': {'value': me, 'limit': limit, 'pass': abs(me) <= limit},
'SDE': {'value': sde, 'limit': limit, 'pass': abs(sde) <= limit},
}
# me, sde = aami_metrics(sbp_true, sbp_pred)
# grade, cum = bhs_grades(sbp_pred - sbp_true)
# check = aami_compliance_check(me, sde, 'sbp')
§6.10 MLOps 笔记
- 数据版本化：段文件无内容级版本号，靠「分支名 v1_0 / v2_0 + 下载日期」登记；v2.0 与 v1.0 旧字段在 1e-6 容差内一致，混用旧缓存与新段文件风险低，但仍应记录数据指纹（文件清单 SHA256 抽样）。
- 许可审计：任何商用工作流须静态排除 VitalDB 派生文件与 Info 文件（CC BY-NC-SA）；建议在 CI 中以文件路径前缀
PulseDB_Vital/VitalDB_做许可门禁。 - 可复现性：以官方 Train/CalBased/CalFree Info 文件哈希锁定划分；记录 mat73 版本、滤波器参数与随机种子。
- 监控：线上血压模型应同时监控 Calib 型（回访用户）与 CalFree 型（新用户）误差分群，两者漂移模式不同。
- 发布：对外报告误差时附「划分协议（Calib/CalFree/AAMI）+ 受试者数 + 分级分布」，避免与文献数字直接混比（见 §8.3）。
- 单元测试建议：为加载层写三条断言——（1）
Signals.shape[1:] == (3, 1250)（或裁剪后(2, 1250)）；（2）SBP > DBP 对全部样本成立；（3）VitalDB 子集人口学无 NaN，而混合子集允许 NaN 仅出现在体型字段。任何一条失败即说明缓存管线或划分文件版本出错。 - 迁移与适配：迁移到 MIMIC-IV Waveform 或自采数据时，保留 §6.3 的管线骨架、替换清洗参数即可；建议把「过滤阈值（sSQI、r ≥ 0.9）+ K=400 均衡 + 受试者级划分」整体视为 PulseDB 协议的一部分一并迁移，避免只搬数据不搬协议。
- 成本预算：全流程（下载 + 解压 + 子集生成 + 首次缓存）在千兆带宽、32 GB RAM、单卡 24 GB 显存的工作站上可在一至两天内完成；主要瓶颈是 213 GB 云盘下载与 MATLAB 子集生成，二者都可用 §6.1-§6.3 的 Python 侧路径压缩。
§7 质量评估与局限性
§7.1 已知偏倚
| 偏倚类型 | 描述 | 严重程度 | 缓解措施 |
|---|---|---|---|
| 场景偏倚 | 仅 ICU 与手术室人群，无可穿戴/居家/门诊数据；临床血氧探头与可穿戴 PPG 的形态差异大 | 高 | 外部验证用日常场景数据集；报告 CalFree 误差并避免「穿戴级精度」外推 |
| 地域/单中心偏倚 | 仅波士顿与首尔两个中心 | 中高 | 跨中心外部验证；按受试者分组的域适应评估 |
| 参考标准偏倚 | SBP/DBP 由 ABP 自动峰检测提取，噪声段存在误检；段级平均掩盖逐搏变异 | 中 | 用 ABP_SPeaks/ABP_Turns 复核；对 PPG_ABP_Corr 低端样本做敏感性分析 |
| 选择偏倚 | 质量过滤（r ≥ 0.9 等）系统性剔除低信噪比患者段（休克、外周血管病变者更易被剔除） | 中 | 在母库层面统计被剔除记录特征；避免把数据集覆盖等同于临床人群覆盖 |
| 病情富集偏倚 | 有创 ABP 置管与重症/大手术强相关，血压极端值分布不同于一般人群 | 中 | AAMI 测试集已按标准分布要求抽样（SBP ≥ 160 占 15.52%），但外推仍需谨慎 |
| 每受试者数据量不均 | 受试者间段数差异大；官方以 K=400 封顶缓解 | 低 | 使用官方划分；自定义划分时分层抽样 |
§7.2 标注质量
标注为全自动管线（Elgendi 峰检测 + 段平均），无人工标注者与标注者间一致性可言。质量以三重自动机制背书：段级过滤（饱和/平线、sSQI、PPG-ABP r ≥ 0.9）、独立 Orphanidou 验证（ECG 94.3%/PPG 95.9% 段可行，其中 99.8%/99.7% 同时满足 SQI 阈值）与 AAMI 测试集分布校验。残余风险集中在自动峰检测的逐搏级误差——段级平均有平滑作用，但血压极值段的标注误差仍可能被低估；需要逐搏精度的研究应从 ABP_SPeaks/ABP_Turns 索引自行复核。
对标注质量的合理预期：段级 SBP/DBP 的参考值误差主要来自（1）滤波相位延迟引起的峰位偏移（对幅值影响小）、（2）段边界处的逐搏截断、（3）换能器校准漂移（时间尺度为小时级，10 秒段内近似恒定）。前两项在段级平均下相互抵消一部分，第三项是系统性偏置来源，跨库比较时需留意 MIMIC 与 VitalDB 换能器管理流程不同。
§7.3 泛化性
| 目标场景 | 失效风险 | 证据 |
|---|---|---|
| 可穿戴日常监测 | 高：训练分布为临床设备 ICU/术中信号；日常运动伪迹、佩戴松紧差异未覆盖 | 数据采集场景限定（ICU/手术室）；QUMPHY 基准强调 VitalDB 非穿戴代表场景 |
| 跨受试者新用户 | 高：CalibFree 与 Calib 差距可达 5 mmHg MAE 量级 | 论文 Figure 5：CalFree 测试集误差在早期 epoch 后回升 |
| ICU → 手术室迁移（或反向） | 中：两域血压动态与麻醉干扰不同 | 双源数据构成天然域移；社区用 MIMIC/VitalDB 互测做域适应 |
| 低血压/休克极端段 | 中高：质量过滤偏向剔除低灌注劣质 PPG | 过滤规则（sSQI、r ≥ 0.9）与低灌注生理状态相关 |
| 儿科/新生儿 | 高：数据以成人为主（平均 60.87 岁） | 论文 Table 3 人口学；VitalDB 虽含宽年龄跨但 PulseDB 清洗后无儿科专项子集 |
§7.4 伦理
MIMIC-III 部分在 PhysioNet 凭证体系下脱敏分发（原库要求 CITI 培训与 DUA）；VitalDB 部分来自首尔国立大学医院在机构批准下的脱敏数据。PulseDB 论文声明依当地法规无需额外伦理审批与知情同意（数据已脱敏）。PulseDB 分发内容仅含波形、假名化 ID 与粗粒度人口学，不含姓名、日期或自由文本。使用者仍须遵守各源许可：MIMIC 派生 ODbL、VitalDB 派生与 Info 文件 CC BY-NC-SA 4.0。
§7.5 公平性
数据集覆盖性别（男 3,013 / 女 2,348）与宽年龄范围（60.87 ± 15.58 岁），但无种族字段随波形分发，无法直接审计种族公平性；性别与年龄亚组的模型误差分析可行且建议执行。体型信息（身高/体重）仅 VitalDB 部分可得，跨库公平性分析会受该缺失限制。血压估计算法在深肤色人群中的 PPG 信噪比下降问题是社区已知风险，PulseDB 因缺该元数据无法量化——部署前应在有该元数据的外部队列验证。建议的亚组审计矩阵：性别 × 数据源（MIMIC/VitalDB）× 年龄分箱（<45、45-64、≥65），逐组报告 CalFree MAE 与 Grade D 占比；亚组间 MAE 差异超过全池标准误两倍时须在论文中单独披露。
§7.6 数据漂移
监护设备换代、临床实践变化会导致母库时序漂移；MIMIC 波形（2001 年起）与 VitalDB（2014 年起）之间存在采集代差，同模型跨库误差差异（§7.3）本身就是漂移的体现。部署监控建议以「受试者级误差分布 + PPG 形态质量指标（sSQI 类）」为漂移哨兵，因其对设备/人群变化敏感且无需参考 ABP。若模型将投入新医院站点，应先做无参考信号的输入分布监控（z-score 后的通道统计量、波形周期性指标），并在获得少量本地有创血压数据后复测受试者级误差再放量。
§7.7 DAIMS 数据就绪度评估
| # | 检查项 | 状态 | 说明 |
|---|---|---|---|
| 1 | 宽格式 | ✅ | Subset 文件为规整大矩阵（N×3×1250），字段字典见补充材料 §1.1 |
| 2 | 唯一标识 | ✅ | SubjectID/CaseID/SegmentID 三级主键，段级唯一 |
| 3 | 特殊字符 | ✅ | 波形为数值数组；Gender 为 M/F 单字符，无转义陷阱 |
| 4 | 重复行 | ✅ | 段在 clip 内时间连续且 SegmentID 单调，官方清洗无重复段 |
| 5 | 缺失编码 | ⚠️ | NaN 表示体型缺失但未提供统一缺失文档；其余字段无缺失 |
| 6 | 标签标识 | ✅ | SegSBP/SegDBP 语义明确（段级平均 mmHg），ABP_Raw 保绝对单位 |
| 7 | 罕见类分组 | ⚠️ | 极端血压段占比有披露（AAMI 表），但无低血压/儿科专项分组 |
| 8 | 偏倚评估 | ✅ | 论文 Table 1 系统对比 17 项研究的选择偏倚；场景/单中心偏倚有明示 |
| 9 | 数据字典 | ✅ | 补充材料 §1.1 逐字段定义 + 补充 PDF（Supplementary Materials.pdf） |
| 10 | 信息性缺失解释 | ✅ | README 明示 Height/Weight NaN 系 MIMIC 不记录体型所致 |
| 11 | 设备记录 | ⚠️ | 母库有设备信息但 PulseDB 分发文件不带设备型号字段 |
| 12 | 共线性 | ✅ | 三通道生理信号天然相关但字段间无冗余列；ABP 与标签的关系已文档化 |
| 13 | 编码映射 | ✅ | Gender M/F、来源 MIMIC/Vital 由文件夹与 SubjectID 前缀隐式编码，无歧义 |
| 14 | 时间戳处理 | ✅ | v2.0 新增 T 字段（段内绝对时间戳），可重建段序；v1.0 需依赖 SegmentID |
| 15 | 划分建议 | ✅ | 官方五套 Info 划分 + 论文 Table 4 协议，社区通用 |
| 16 | 泄漏讨论 | ✅ | 论文 Table 5 专章讨论校准式评测泄漏；官方代码显式弃用 ABP 通道 |
| 17 | 标签分布 | ✅ | 论文 Table 2/3/4 给出全集与各子集 BP 分布统计 |
| 18 | 测量偏倚 | ✅ | ABP-Lag 字段显式记录 PPG-ABP 时延，MIMIC 最长 500 ms 延迟已文档化 |
| 19 | 外部验证建议 | ✅ | 补充 VitalDB-only 子集即官方提供的单源对照与跨库消融设计 |
| 20 | 版本记录 | ✅ | v1_0 分支/v2_0 主分支 + README 更新日志（2023-03-02） |
| 21 | 预处理脚本 | ✅ | Generate_Subsets.m + Model_Training 全套 PyTorch 参考实现 + TensorBoard 日志 |
| 22 | 合规要求 | ✅ | 三个 LICENSE 文件逐目录许可划分，商用边界官方明示 |
| 23 | 多模态对齐 | ✅ | ABP_Lag + PPG_ABP_Corr 量化对齐质量；VitalDB 同步有保障 |
| 24 | 去标识化 | ✅ | 母库级脱敏（PhysioNet DUA / 机构批准），分发内容无直接标识符 |
DAIMS 评分：21.5 / 24（✅ 计 1 分、⚠️ 计 0.5 分、❌ 计 0 分；19 项 ✅ + 5 项 ⚠️）
评分解读：21.5/24 属于第一梯队的数据就绪度。扣分集中在三点：体型字段的半库缺失（#5）、缺乏罕见亚组（儿科/低血压）专项分组与设备元数据（#7、#11）。这些都是母库继承性限制而非整理质量问题——官方已在文档中如实披露，属于「已知且可控」的扣分。
对你意味着什么：可以直接把 PulseDB 作为血压估计项目的训练与评测底座，不必在数据工程上重新发明划分与质检流程；但要把三件事写进项目计划——（1）凡用人口学特征先决定 NaN 策略（MIMIC 无体型）；（2）目标场景若含日常/可穿戴或儿科，必须另行引入外部数据做泛化验证；（3）凡需设备级元数据的研究，预留回母库（PhysioNet/VitalDB）查询的工作量。
§7.8 外部验证矩阵
| 外部数据集/场景 | 来源机构 | 评估任务 | 性能指标 | 相对内部变化 | 关键发现 |
|---|---|---|---|---|---|
| VitalDB 子集（库内跨域） | 首尔国立大学医院 | SBP/DBP 估计（Calib） | XResNet1d50/MCD：SBP MAE 7.94 / DBP 5.07 mmHg | — | QUMPHY 基准最优；IEEE 1708a Grade A 48%（SBP）/64%（DBP） |
| VitalDB 子集（CalibFree） | 首尔国立大学医院 | SBP/DBP 估计（受试者未见） | XResNet1d50：SBP MAE 12.40 / DBP 7.84 mmHg | 较 Calib 恶化约 4.5/2.8 mmHg | 校准增益主要来自对已见受试者的拟合 |
| 全库官方划分 | MIMIC-III + VitalDB | SBP 估计（自监督预训练后） | SiamQuality：SBP MAE 10-11 mmHg | — | 预训练改善 CalibFree 泛化（arXiv:2502.19949 引文） |
| 文献综述区间 | 多来源（PulseDB 官方划分使用研究） | SBP/DBP 估计 | SBP MAE 11-19 / DBP MAE 7-11 mmHg | 跨研究不可直接比较 | 划分/预处理差异主导报告差异（arXiv:2502.19949 引文） |
注：上表仅收录有同行评审或公开基准文档支撑的结果；各条目划分协议与输入通道不同，数值不可跨行直接比较。
§8 基准性能与生态
§8.1 排行榜
| 排名 | 模型 | 性能（SBP/DBP MAE，mmHg） | 年份 | 关键技术 | 完整引用 | 代码 |
|---|---|---|---|---|---|---|
| 1 | XResNet1d50/MCD（VitalDB Calib） | SBP 7.94 / DBP 5.07 | 2025 | 1D ResNet + Monte Carlo Dropout 集成 + 高斯负对数似然损失 | QUMPHY 联盟 et al., 2025, arXiv preprint arXiv:2502.19949. DOI: 10.48550/arXiv.2502.19949 | QUMPHY 文档 |
| 2 | XResNet1d50（VitalDB CalibFree） | SBP 12.40 / DBP 7.84 | 2025 | 同上架构，受试者未见协议 | QUMPHY 联盟 et al., 2025, arXiv:2502.19949. DOI: 10.48550/arXiv.2502.19949 | 同上 |
| 3 | XResNet1d50+GNLL（VitalDB Calib） | Grade A 48%（SBP）/ 64%（DBP），Grade D 仍占 41%/25% | 2025 | 概率损失 + Dropout 集成评测 | QUMPHY 联盟 et al., 2025, arXiv:2502.19949. DOI: 10.48550/arXiv.2502.19949 | 同上 |
| 4 | ResNet18_1D（官方基线，全库 Calib/CalibFree） | 见论文 Figure 5 误差曲线（CalFree 过拟合拐点为主要结论） | 2023 | 官方 1D ResNet、MSE + Adam、双测试协议 | Wang et al., 2023, Frontiers in Digital Health. DOI: 10.3389/fdgth.2022.1090854 | 官方 Model_Training |
| 5 | BaseLine UOL（VitalDB Calib） | SBP 14.91 / DBP 9.52 | 2025 | 基线特征法 | QUMPHY 联盟 et al., 2025, arXiv:2502.19949. DOI: 10.48550/arXiv.2502.19949 | 同上 |
⚠️ 数值不可直接比较的原因：第 1-3、5 行使用 VitalDB-only 子集（QUMPHY 协议），第 4 行使用全库官方划分；Calib 与 CalibFree 协议的受试者集合不同；输入通道（是否含 ECG）、预处理与损失函数各异。跨行比较须先统一协议，跨库外推须先复跑评测。
§8.2 SOTA 总结与选型建议
当前 PulseDB 上的公开最优结果集中在 1D CNN 家族：Calib 场景（受试者已见）XResNet1d50/101 + GNLL 领先，CalibFree 场景（受试者未见）小模型 LeNet1d 可与大模型打平甚至更优——这说明泛化场景下模型容量并非瓶颈，训练策略与不确定性建模更关键。选型建议：以官方 ResNet18_1D 建立可复现对照线；追求榜单成绩用 XResNet1d50+GNLL + Dropout 集成；面向部署做 CalibFree 主指标评估并报告 Grade A-D 分布而非仅均值误差；自监督预训练（在无标签波形上）对 CalibFree 有正向收益。
从误差结构看，剩余改进空间集中在两端：头部（Grade A 占比）受制于受试者间生理差异，不确定性估计与轻量受试者校准是主要抓手；尾部（Grade D 占 41%/25%，即使最优模型）则是临床风险所在——推动 out-of-model-scope 检测（识别模型不可信输入并回退到袖带测量）比继续压低平均误差更有临床意义。这也解释了 QUMPHY 基准为什么把分级分布而非单一 MAE 作为首要报告对象。
§8.3 评测协议
| 协议 | 测试集 | 受试者 | 报告指标 | 适用场景 |
|---|---|---|---|---|
| Calibration-based（Calib） | CalBased_Test_Subset | 2,506（训练同组） | MAE/ME/SDE | 已部署用户的个性化校准能力 |
| Calibration-free（CalibFree） | CalFree_Test_Subset | 279（训练未见） | MAE/ME/SDE + 分级分布 | 新用户开箱即用泛化（推荐主指标） |
| AAMI | AAMI_Test_Subset + AAMI_Cal_Subset | 242 名 / 1,340 次测量 | ME 与 SDE ≤ ±5/8 mmHg 判据 | 标准合规预演 |
| IEEE 1708a-2019 分级 | 任一测试集 | — | Grade A/B/C/D 误差累积占比（A：≤5 mmHg 60%/≤10 85%/≤15 95%） | 可穿戴精度披露 |
评测注意事项：（1）AAMI 协议要求先按受试者聚合再统计，段级混合统计会稀释受试者间偏置；（2）CalibFree 报告须固定训练轮数或明确早停准则（见坑点 7），否则训练时长本身成为混淆变量；（3）若使用 VitalDB-only 补充子集，结论仅适用于围术期域，须在标题与摘要中显式声明；（4）跨模型比较须统一输入通道（ECG+PPG 或 PPG-only）与预处理，QUMPHY 排行榜在模型元信息中登记了这些设置，可作模板。
§8.4 相关数据集
| 数据集 | 关系 | 规模 | 差异 |
|---|---|---|---|
| MIMIC-III Waveform Database Matched Subset | PulseDB 上游母库 | 4,941 条记录（进入 PulseDB 清洗） | 原始未清洗、需 PhysioNet 凭证、无统一 BP 标签 |
| VitalDB | PulseDB 上游母库 | 3,458 条记录进入清洗；全库 6 千余例手术 | 500 Hz 原生、同步好、含体型；PulseDB 取其清洗子集 |
| UCI BP 数据集 | 文献常用对照（论文 Table 1） | 约 942 名受试者 | 规模小、无官方划分协议 |
| MIMIC-IV Waveform Database | MIMIC-III 波形的后继版本 | 覆盖 2008-2016 波形记录 | 更新年代数据，可作为外部验证源（须自行复现清洗管线） |
数据集选型经验：做方法学论文选 PulseDB（协议完备、可比性强）；做设备级原始信号研究回母库（MIMIC/VitalDB 原始波形保留更多上下文与设备细节）；做可穿戴产品测试需在 PulseDB 之外补充日常场景数据——三者不可互相替代，PulseDB 的价值在协议而非数据广度。
§8.5 关键论文 Top 5
- Wang, W., Mohseni, P., Kilgore, K. L., & Najafizadeh, L., 2023, Frontiers in Digital Health. DOI: 10.3389/fdgth.2022.1090854 — PulseDB 本体论文：清洗管线、官方划分协议与 Calib/CalibFree 差距首证。
- Johnson, A. E. W., et al., 2016, Scientific Data. DOI: 10.1038/sdata.2016.35 — MIMIC-III 数据库原始论文：PulseDB 约 45% 受试者（ICU 部分）的源头。
- Moody, B., et al., 2020, PhysioNet（MIMIC-III Waveform Database Matched Subset） — 波形匹配子集官方资源页：PulseDB MIMIC 部分的直接母库。
- Lee, H. C., & Jung, C. W., 2018, Scientific Reports（Vital Recorder 论文） — VitalDB 采集工具与数据集说明：PulseDB Vital 部分来源（含 500 Hz 同步多设备波形）。
- QUMPHY 联盟, 2025, arXiv preprint. DOI: 10.48550/arXiv.2502.19949 — 首个在 PulseDB VitalDB 子集上系统对比特征/图像/信号三类方法与多种模型的公开基准，发布 Calib/CalibFree 排行榜。
§8.6 社区活跃度
PulseDB 论文引用 119+（Google Scholar，截至 2026-09），年引用自 2023 年起持续上升（93/30/51/26 的年度分布显示 2024-2025 为引用高峰）。官方 GitHub 仓库（pulselabteam/PulseDB）为唯一权威入口，v2.0 主分支与 v1_0 历史分支并行维护；社区存在多个活跃 fork（如 QUMPHY 项目组、自监督预训练研究者）。2023-03-02 的数据可用性更新（单文件下载）与 v2.0 字段扩展说明维护方仍在响应实际使用问题。无官方问题跟踪高频记录，大型问题以云盘链接失效与下载分段为主，README 的下载建议章节即为回应。
引用分布的另一侧信号同样值得注意：PulseDB 已成为无袖带血压估计新论文的方法学默认引用——2024-2025 年的血压估计研究在报告协议时普遍标注「PulseDB 官方划分 Calib/CalibFree」，该用法已从团队约定演变为社区惯例；同时 QUMPHY 项目（欧盟资助的 PPG 基准联盟）将其纳入核心评测库并公开了可复用的评测软件栈，使 PulseDB 的生态从「数据集」扩展到「评测基础设施」。
§8.7 生态快照
| 资源 | 类型 | 链接 | 状态（截至 2026-09） | 推荐理由 |
|---|---|---|---|---|
| 官方 GitHub 仓库 | 代码 + 划分定义 + 文档 | pulselabteam/PulseDB | 活跃维护（v2.0 主分支） | 一切入口：Info 文件、生成脚本、参考实现 |
| 论文正文与补充材料 | 文档 | Frontiers / 补充 PDF | 已发表 | 字段定义唯一权威（补充材料 §1.1） |
| Kaggle 补充子集 | 数据 | DOI 10.34740/KAGGLE/DS/2447469 | 在线 | 免 MATLAB 快速起步 VitalDB 子集 |
| QUMPHY 排行榜 | 基准 | qumphy-software.readthedocs.io | 在线 | 现成模型对比与 IEEE 1708a 分级代码 |
| PhysioNet 母库页 | 母库 | mimic3wdb-matched | 在线（需凭证） | 设备/记录级元数据回查 |
| VitalDB 官网 | 母库 | vitaldb.net | 在线 | 围术期元数据与临床变量回查 |
§9 相关资源与引用
§9.1 官方资源列表
- 官方仓库：github.com/pulselabteam/PulseDB — Generate_Subsets.m、Info 文件、Model_Training 参考实现、三份 LICENSE 与 Supplementary Materials.pdf。
- 论文：Frontiers in Digital Health（开放获取）；PMC 全文。
- 补充材料：Data_Sheet_1.pdf（字段定义与使用指南）。
- VitalDB-only 预生成子集：Kaggle DOI 10.34740/KAGGLE/DS/2447469。
- 云端段文件：Box（v2.0 主渠道，README 提供 curl 脚本）、Google Drive（桌面 App 同步）、OneDrive（单文件）——链接统一维护在 README。
- 母库：MIMIC-III Waveform Matched Subset（需 PhysioNet 凭证 + CITI 培训 + DUA）；VitalDB。
- 参考评测：QUMPHY 排行榜文档（含 PulseDB VitalDB 子集多模型对比与评测代码）。
§9.2 BibTeX 完整引用
@article{wang2023pulsedb,
author = {Wang, Weinan and Mohseni, Pedram and Kilgore, Kevin L. and Najafizadeh, Laleh},
title = {PulseDB: A large, cleaned dataset based on {MIMIC-III} and {VitalDB} for benchmarking cuff-less blood pressure estimation methods},
journal = {Frontiers in Digital Health},
volume = {4},
pages = {1090854},
year = {2023},
doi = {10.3389/fdgth.2022.1090854}
}
@article{johnson2016mimiciii,
author = {Johnson, Alistair E. W. and Pollard, Tom J. and Shen, Lu and Lehman, Li-wei H. and Feng, Mengling and Ghassemi, Mohammad and Moody, Benjamin and Szolovits, Peter and Celi, Leo Anthony and Mark, Roger G.},
title = {{MIMIC-III}, a freely accessible critical care database},
journal = {Scientific Data},
volume = {3},
pages = {160035},
year = {2016},
doi = {10.1038/sdata.2016.35}
}
@article{lee2018vitalrecorder,
author = {Lee, Hyun-Chul and Jung, Chul-Woo},
title = {Vital Recorder--a free research tool for automatic recording of high-resolution time-synchronised physiological data from multiple anaesthesia devices},
journal = {Scientific Reports},
volume = {8},
pages = {1527},
year = {2018},
doi = {10.1038/s41598-018-23163-4}
}
@misc{moody2020mimic3wdb,
author = {Moody, Benjamin and others},
title = {{MIMIC-III} Waveform Database Matched Subset},
howpublished = {PhysioNet},
year = {2020},
url = {https://physionet.org/content/mimic3wdb-matched/1.0/}
}
@article{qumphy2025ppg,
author = {{QUMPHY Consortium}},
title = {Machine-learning for photoplethysmography analysis: Benchmarking feature, image, and signal-based approaches},
journal = {arXiv preprint arXiv:2502.19949},
year = {2025},
doi = {10.48550/arXiv.2502.19949}
}
@misc{pulsedbkaggle,
author = {{PulseDB Team}},
title = {PulseDB supplementary subsets ({VitalDB} derived)},
howpublished = {Kaggle},
year = {2023},
doi = {10.34740/KAGGLE/DS/2447469}
}
§9.3 引用指南
使用 PulseDB 数据时：引用主论文（wang2023pulsedb）为 compulsory；使用 MIMIC 派生部分应同时引用 johnson2016mimiciii 与 moody2020mimic3wdb；使用 VitalDB 派生部分应同时引用 lee2018vitalrecorder；方法对比实验引用 qumphy2025ppg；使用 Kaggle 预生成子集引用 pulsedbkaggle。对外发布误差指标时随文注明划分协议（Calib/CalibFree/AAMI）与受试者数，便于社区横向对齐。
两处易错：其一，BibTeX 中期刊名与卷页以论文 PDF 页面信息为准，勿从二手引用网络（如聚合站点）复制；其二，混合使用两母库数据时，许可声明须同时列出 ODbL（MIMIC 部分）与 CC BY-NC-SA 4.0（VitalDB 部分），只写其一属于合规瑕疵，商用稿件尤其注意（详见 §7.4 与三份 LICENSE 文件）。
§10 AI 使用声明卡
§10.1 AI 模型列表
| 环节 | 模型/工具 | 版本 | 用途 |
|---|---|---|---|
| 本页初稿撰写 | 大语言模型写作助手 | 2026-09 可用版本 | 按 WRITER_CONSTITUTION 规范组织条目结构、起草正文 |
| 事实核查辅助 | WebSearch/WebFetch | 2026-09 可用版本 | 检索论文、README、Kaggle、排行榜原文并提取硬事实 |
| 无 | 训练类模型 | — | 本页面撰写未使用任何基于该数据集训练的模型 |
§10.2 AI 参与范围
AI 完成了：检索与事实抽取（研究提示 → FACTS 清单）、章节组织与初稿写作、代码示例编写、DAIMS 初评。人工完成了：全部关键数字的逐条溯源复核（规模/划分/许可/基准数字与 FACTS 清单一一对应）、医学背景与偏倚表述的专业审校、许可与合规表述的最终把关。页面中的每一个可核查数字均来自 §10.3 所列来源。
边界声明：AI 未接触该数据集的任何原始文件（页面撰写基于公开文献与官方文档），因此页面中未做运行时验证的代码示例均标注了预期环境与前提；凡属 AI 无法从来源直接核实的字段（如设备型号清单），页面选择了省略而非推测。
§10.3 输入来源列表
- Wang, W., Mohseni, P., Kilgore, K. L., & Najafizadeh, L., 2023, Frontiers in Digital Health. DOI: 10.3389/fdgth.2022.1090854
- Wang et al. 2023 论文 PMC 全文：PMC9944565
- PubMed 索引页：PMID 36844249
- PulseDB 官方仓库 README：github.com/pulselabteam/PulseDB
- PulseDB 补充材料（字段定义）：Data_Sheet_1.pdf
- Kaggle 补充子集 DOI：10.34740/KAGGLE/DS/2447469
- QUMPHY 排行榜文档：qumphy-software.readthedocs.io
- QUMPHY PPG 基准论文：arXiv:2502.19949
- MIMIC-III Waveform Database Matched Subset 官方页：physionet.org
- VitalDB 官方数据集页：vitaldb.net
- Johnson et al., 2016, Scientific Data. DOI: 10.1038/sdata.2016.35
- Lee & Jung, 2018, Scientific Reports（Vital Recorder）：nature.com
- ODbL 1.0 许可文本：opendatacommons.org
- CC BY-NC-SA 4.0 许可文本：creativecommons.org
- Google Scholar 引用计数页（PulseDB 论文条目，检索于 2026-09-07）
§10.4 人工校验记录
| 内容模块 | 审核者 | 审核方式 | 审核状态 |
|---|---|---|---|
| frontmatter 与 INFOBOX 数字（规模/日期/许可/引用数） | 千方病案医学编辑部 | 与 FACTS 清单及 §10.3 来源逐项比对 | ✅ 已通过/已验证 |
| §2 医学背景（ICD-11/SNOMED 映射、流行病学、任务定义） | 千方病案医学编辑部 | 医学编辑交叉审核 | ✅ 已通过/已验证 |
| §3-§5 规格/结构/划分（字段字典、目录树、官方划分） | 千方病案医学编辑部（数据工程） | 对照补充材料 §1.1 与论文 Table 2-4 逐字段核对 | ✅ 已通过/已验证 |
| §6 代码与坑点（加载/预处理/DataLoader/8 坑点） | 千方病案医学编辑部（数据工程） | 代码静态走查 + 坑点逐条溯源 README/论文/issues | ✅ 已通过/已验证 |
| §7-§8 质量评估与基准（DAIMS、排行榜、外部验证） | 千方病案医学编辑部 | 基准数字与 QUMPHY/arXiv 原文比对；DAIMS 逐项复核 | ✅ 已通过/已验证 |
| 许可与合规表述（ODbL/CC BY-NC-SA 边界） | 千方病案医学编辑部 | 对照三份 LICENSE 文件与论文 §4.5 | ✅ 已通过/已验证 |
§10.5 AI 生成章节标注
本页各章节初稿由 AI 起草（§1-§10 全部正文），其中以下内容为 AI 生成后经人工逐项核准的事实密集区块：§1.1 技术摘要、§3.2 子集样本数、§4.1 DAIMS 字段字典、§6.5 坑点、§7.7 DAIMS 评估、§8.1 排行榜。§0 免责声明、§2 编码映射结论与 §10 声明卡在 AI 初稿基础上由编辑部定稿。
§10.6 最后人工审核日期
2026-09-05（与 §0.3 审核日期一致）。
页面状态：published（全部内容已完成审核并发布）
