信息速览

数据集名称ScientISST MOVE — 日常自由活动中的可穿戴多模态生物信号标注数据集

数据类型原始数据,时序数据,多模态数据

规模17 名健康志愿者（10 男 59% + 7 女 41%，Caucasian，中位年龄 24 岁）；合计 10.5 传感器-小时（约 37 分钟/人）

接入方式3 台可穿戴设备（2× ScientISST：Chest + Forearm；1× Empatica E4 腕带）采集 10 路传感器/7 模态（ECG×2/EDA×2/PPG×2/EMG/ACC×2/TEMP），分布于胸、腹、左腕、左食指、左肱二头肌；ScientISST 同步采样 500 Hz，Empatica E4 按模态 4-64 Hz；三格式交付（LTBio Biosignal / CSV / EDF+）

AI 就绪度

INFOBOX — ScientISST MOVE 一屏速览

维度内容

本质真实自然环境（free-living）下的可穿戴多模态生物信号数据集，非受控实验室采集

团队 Instituto Superior Técnico（IST）+ Instituto de Telecomunicações（IT），葡萄牙里斯本

作者 João Areias Saraiva、Mariana Abreu、Ana Sofia Carmo、Hugo Plácido da Silva、Ana Fred

论文 Scientific Data 2024；PhysioNet 1.0.1（doi:10.13026/hyxq-r919）；Zenodo v1.1（doi:10.5281/zenodo.8300972）

规模 17 名健康志愿者（10 男/7 女，中位 24 岁）；10.5 传感器-小时（约 37 分钟/人）

设备 3 台：2× ScientISST（Chest + Forearm）+ 1× Empatica E4 腕带

模态 7 种 / 10 路传感器：ECG、EDA、PPG、EMG、ACC（胸+腕）、TEMP

采样率 ScientISST 同步 500 Hz；Empatica E4：EDA 4 Hz / PPG 64 Hz / TEMP 4 Hz / ACC 32 Hz

活动 6 类主活动：抬举、问候、边说话边手势、跳跃、走（跑前/跑后）、跑；EDF 主标签 7 个

特色 每模态双视图（gel 低噪声 + dry 易受噪），后者作去噪算法评估目标

标注受试者按事件按钮 + 研究者事后复核；含子标签 sprint / walk_before_downstairs / lift-1 / lift-2

格式 LTBio Biosignal（精时间戳）/ CSV（上采样 500 Hz）/ EDF+（原采样率+NaN 中断）

获取 PhysioNet + Zenodo 双通道全开放，无需认证或申请

许可 CC BY 4.0（Creative Commons Attribution 4.0 International）

库内互链 mover(759)、apnea-ecg、bci-competition-iv-2a、adhd-200、abide 等生理信号类条目（rid 以 DB 反查为准）

ScientISST MOVE 是一个"把实验室搬到大街上"的数据集：绝大多数生理信号数据集都在安静、受控、坐着不动的条件下采集，而科学界真正想要的是人在真实生活里——抬椅子、跟人打招呼、边走边比划、蹦跳、跑步——身体发出的信号长什么样。这个数据集让 17 名健康志愿者戴上三台可穿戴设备在自然环境中完成六类日常活动，一路录下心电、皮电、脉搏波、肌电、加速度与皮温七种模态，并且每种模态都录了两路：一路用凝胶电极（低噪声）、一路用干电极（更易受运动噪声污染）。后者不是缺陷，而是故意的——它给了去噪算法一个"脏输入-干净目标"的天然配对。

导语读法三则：

只想下数据：直奔 §6 获取与许可——PhysioNet 与 Zenodo 双通道、CC BY 4.0、无需申请，是少见的三格式全开放数据集。
关心信号质量与去噪：直奔 §4 数据构成与 §5 标注体系——双视图设计与 gel/dry 配对是全文最核心的卖点。
要做活动识别或可穿戴对比：直奔 §7 评估生态——数据集本身无内置 benchmark，但有官方 notebook 与多篇第三方评测可对标。

§0 导读：这个数据集解决什么问题

生理信号的实际采集条件与算法开发所假设的条件之间存在一道裂缝。无论 ECG、EDA 还是 PPG，公开数据集大多在"静息、坐位、受控环境"下采集——受试者不动、房间安静、设备固定、信号干净。基于这类数据训练的去噪、特征提取与事件检测算法，一到真实生活场景就会失效：走路会引入运动伪影，出汗会改变电极阻抗，手势会污染肌电与加速度基线，跑步几乎把所有模态都搅浑。这不是算法不够好，而是训练数据的分布与部署时的分布根本不同。

ScientISST MOVE 的出发点正是这道裂缝，它的源头是一个更具体的临床需求。IST 与 IT 的团队在 PreEpiSeizures 项目中开发癫痫（epileptic seizure）检测与预测算法，用一条胸带采集患者的 ECG、呼吸（RESP）与加速度（ACC）。但过去这些数据都在神经内科住院部这类高度受控环境中采集——一旦患者出院、算法转向门诊（outpatient）与日常场景，现有处理流程能否还管用？团队给出的判断是"很可能不行"，于是决定主动去采集自由活动条件下的数据，作为算法去噪与稳健性研究的素材。这项采集成为作者 João Areias Saraiva 硕士论文工作，最终沉淀为 ScientISST MOVE。

数据集的做法可以概括为三个关键词。第一是自然化（naturalistic）：不设实验室，受试者在真实任务中活动，采集协议刻意覆盖"人类日常会做的一整套动作"，而非单一受控动作。第二是多模态多设备冗余：三台设备、七种模态、十路传感器，且刻意让同一模态有凝胶与干电极两路——制造"脏-净"配对。第三是标注可索引：每段活动都有起止标注，落在 EDF annotations 通道里，研究者可直接按活动切片、按通道索引、按时间区间取数。

这套设计使得 ScientISST MOVE 至少服务三类研究：信号去噪（用低质量路估计高质量路，或反之）、可穿戴设备对比（同一模态被两台不同设备重复测量，可做信号质量横向比较）、日常活动对生理的影响建模（六类活动对应的生理响应差异）。团队自己在论文里明确列出了这三条用途，也正因为用途明确，数据集没有做成挑战赛，而是做成"拿来就能训、就能测"的原始数据资源。

§0 读法三则：

这个条目是"数据集 + 数据描述论文 + 上手工具链"三合一：本体是 17 人×3 设备的信号记录，配套是官方 notebook 与 LTBio/MNE 生态，获取与许可是单层全开放（§6）。
全文数字以 PhysioNet 1.0.1 与 Zenodo v1.1 官方页为主口径；两站及镜像之间存在的若干表述差异（设备命名、CSV 分隔符、累积滞后、有效时长）已在坑点与 §9 逐条存照。
检索时注意第三方论文对 ScientISST MOVE 的描述可能有误（如某篇 MDPI 论文写成 20 人/1000 Hz/含 cycling）——这些不是官方口径，采信前务必回核官方页（坑 8）。

§1 数据集速览：十二问十二答

Q1：ScientISST MOVE 是什么，一句话？
一个在真实自然环境中、用可穿戴设备采集的多模态、多活动、多受试者生物信号数据集，17 名健康志愿者佩戴三台设备完成六类日常活动，录下七种模态共十路传感器信号，全开放获取。

Q2：为什么叫 “MOVE”？
因为采集场景就是"动起来"：抬举、问候、边说话边手势、跳跃、走、跑——这些带运动的活动正是污染生物信号的元凶。"MOVE"点题数据集的核心价值：研究运动中的生物信号。

Q3：谁做的？
Instituto Superior Técnico（IST，里斯本高等理工学院）与 Instituto de Telecomunicações（IT，里斯本电信研究所）：João Areias Saraiva、Mariana Abreu、Ana Sofia Carmo、Hugo Plácido da Silva、Ana Fred 五人，源自 PreEpiSeizures 癫痫检测项目的去噪子任务。

Q4：用了哪些设备？
三台：两台 ScientISST 板卡（分别戴在胸部与左前臂，称 ScientISST-Chest 与 ScientISST-Forearm），一台 Empatica E4 腕带。伦理审批于 IST 伦理委员会，内部参考号 22/2022。

Q5：采集了哪些模态？
七种：ECG（心电）、EDA（皮肤电活动）、PPG（光电容积脉搏波）、EMG（肌电，左肱二头肌）、ACC（三轴加速度，胸与腕各一路）、TEMP（腕部皮温）。共十路传感器，编号 S1-S10。

Q6：采样频率是多少？
两台 ScientISST 上的所有传感器同步以 500 Hz 采样；Empatica E4 按模态分别采样：EDA 4 Hz、PPG 64 Hz、TEMP 4 Hz、ACC 32 Hz。混合频率是 CSV 格式需要上采样统一的原因。

Q7：什么是"双视图"设计？
每类关键模态都录两路：一路用凝胶（gel）电极（信号更干净），一路用干（dry）电极（更易受运动噪声污染）。例如 ECG 的 S1（gel）与 S2（dry）、EDA 的 S3（gel）与 S4（dry）、PPG 的 S5（手指）与 S6（腕）。低质量路是刻意保留的"脏输入"，用于评估去噪算法。

Q8：有哪些活动？活动标签长什么样？
六类主活动：抬举（lift）、问候（greet）、边说话边手势（gesticulate）、跳跃（jump）、走路（walk）、跑步（run）。EDF annotations 通道的主标签为 { baseline, lift, greetings, jumps, walk_before, run, walk_after }，把"跑前走"与"跑后走"分开；部分会话还有子标签 sprint（冲刺）、walk_before_downstairs（下楼）、lift-1/lift-2（重复抬举）。

Q9：数据是什么格式？
三种：LTBio Biosignal 格式（保留 10E-6 精度原始时间戳、原始采样率，并含临床与人口学数据）、CSV（每受试者一个文件，低于 500 Hz 的传感器上采样到 500 Hz，每 2 ms 一行）、EDF+（保留原始采样率与单位，记录中断处为 NaN，事件在 annotations）。

Q10：规模多大？
17 名健康志愿者（10 男 + 7 女，Caucasian，中位年龄 24 岁）。PhysioNet 1.0.0 摘要口径为合计 10.5 传感器-小时，1.0.1 口径为平均 37 分钟/人的同步数据（两者自洽）。Zenodo 三格式压缩包共 2.7 GB，PhysioNet 1.0.1 解压后 446.9 MB。

Q11：怎么获取，要钱吗？要申请吗？
完全免费、全开放、无需认证、无需申请。两个官方通道：PhysioNet（Database Open Access，可 wget/aws s3 直链下载）与 Zenodo（records/8300972，三个 zip 直链含 md5）。

Q12：许可是什么？
CC BY 4.0（Creative Commons Attribution 4.0 International Public License）——署名即可自由使用、分发、改编，包括商用（需遵循 CC BY 条款）。

Q13：数据里有没有疾病标注？
没有。受试者是健康志愿者、保持正常窦性心律、无病理性事件。因此它不能直接训练疾病检测模型，但特别适合做"假阳性审计"——用一段无病数据量化模型在真实场景下的误报。

Q14：为什么说它适合"信号去噪"研究？
因为它刻意用凝胶电极（干净）和干电极（易受噪）录同一生理过程两路，天然构成"脏输入-干净目标"配对。这是其他数据集很难提供的。

Q15：和实验室数据集的本质区别？
采集场景不同。实验室数据"干净但失真"（不代表部署条件），ScientISST MOVE 在真实自然环境中采集（真实），从而暴露运动伪影等真实挑战。

Q16：数据可商用吗？
可以。CC BY 4.0 允许商用，条件是署名并保留许可声明。这也是它比"仅限学术研究"类数据集更开放的地方。

Q17：受试者编码为什么要随机？
用 4 位随机字母数字序列（如 KF93、ME93）替代真实身份，配合移除姓名/出生日期/session 日期并平移时间，以符合 HIPAA Safe Harbor 去标识标准。

Q18：数据是在哪个城市采集的？
葡萄牙里斯本（团队在 IST 与 IT，项目页描述"在里斯本街头跑步采集"）。

Q19：配套论文发在哪？
主数据描述论文发表于 Scientific Data（2024）；另有一篇 BIOSTEC 2023 的心电去噪自编码器会议论文（doi:10.5220/0011883400003414）。

Q20：为什么要保留"脏"数据，不是数据质量问题吗？
这正是设计意图——"脏"是研究对象而非缺陷。只有保留真实的运动伪影，才能开发与评测真正能在自由生活场景工作的去噪算法。

§1.1 数据集全景关系图

为帮助快速建立心智模型，下面用一张关系图概括 ScientISST MOVE 的构成与关联：

                    PreEpiSeizures 项目（癫痫检测/预测）
                                │ 去噪子任务（João Saraiva 硕士论文）
                                ▼
                    ┌───────────────────────────┐
                    │      ScientISST MOVE       │
                    │  17 健康志愿者 / 6 类活动   │
                    └───────────┬───────────────┘
          ┌────────────────────┼────────────────────┐
          ▼                    ▼                    ▼
   3 台设备             7 模态/10 路             3 种格式
   ├ ScientISST Chest   ├ ECG (gel/dry)         ├ LTBio Biosignal
   ├ ScientISST Forearm ├ EDA (gel/dry)         ├ CSV (上采样 500Hz)
   └ Empatica E4        ├ PPG (index/wrist)     └ EDF+ (原采样率)
                        ├ EMG (bicep)
                        ├ ACC (chest/wrist)
                        └ TEMP (wrist)
          │                    │                    │
          └────────────────────┼────────────────────┘
                               ▼
                    双通道开放（CC BY 4.0）
                    ├ PhysioNet 1.0.0 / 1.0.1
                    └ Zenodo v1.0 / v1.1
                               │
                               ▼
                    三类核心用途
                    ├ 信号去噪（双视图配对）
                    ├ 设备/电极信号质量对比
                    └ 活动生理响应建模 / 假阳性审计

§1.2 三句话版本（供快速引用）

是什么：葡萄牙 IST/IT 团队采集的、17 名健康志愿者在真实自然环境中完成 6 类日常活动时的可穿戴多模态生物信号数据集，7 模态/10 路/3 设备，CC BY 4.0 全开放。
独特在哪：每模态双视图（凝胶 vs 干电极）配对，给去噪算法天然的真值配对；自然场景而非实验室，保留真实运动伪影。
能干什么：信号去噪、设备/电极信号质量对比、活动生理响应建模、临床算法假阳性审计；不能干的是——直接做疾病检测训练（无病理标注）。

§2 身份、团队与版本谱系

§2.1 名称与身份

这个数据集有两套官方命名，分别在两个托管平台上使用，正文写作"Scien-tISST MOVE"时二者可互换，但引用时必须指明平台与版本：

平台	官方全称	版本	核心细节
PhysioNet	ScientISST MOVE: Annotated Wearable Multimodal Biosignals recorded during Everyday Life Activities in Naturalistic Environments	1.0.0 / 1.0.1	强调 “Annotated” 与 “in Naturalistic Environments”；提供 EDF+/CSV/LTBio
Zenodo	ScientISST MOVE: Annotated Multimodal Naturalistic Dataset Recorded During Everyday Life Activities Using Wearable Devices	v1.1	强调 “Dataset” 与 “Using Wearable Devices”；提供三 zip 包

两套名称共享 “ScientISST MOVE” 前缀和 “Everyday Life Activities” 的核心描述，差别在 “Wearable Multimodal Biosignals…in Naturalistic Environments”（PhysioNet）与 “Multimodal Naturalistic Dataset…Using Wearable Devices”（Zenodo）的措辞顺序。这不是两个数据集，而是同一份数据的两个镜像与两个发布版本，配套论文相同、作者相同。

slug 取 scientisst-move，与官方名主要单词一致，符合可检索性原则。库内查重结论：ls writing/ 中无 scientisst 目录，DB 中 url_name ILIKE '%scientisst%' 返回 0 行；%move% 仅命中 mover（record_id=759，另一个不同的数据集）。故不存在撞库风险。

§2.2 团队与机构

数据集出自由葡萄牙里斯本两个机构组成的团队，PhysioNet 页面给出的作者隶属为：

作者	隶属	ORCID
João Areias Saraiva	IST 生物工程系 / IST 计算机科学与工程系 / Instituto de Telecomunicações	0000-0003-3715-0304
Mariana Abreu	Instituto de Telecomunicações / IST	0000-0002-9340-6610
Ana Sofia Carmo	Instituto de Telecomunicações / IST 生物工程系	0000-0001-7954-3718
Hugo Plácido da Silva	Instituto de Telecomunicações	0000-0001-6764-8432
Ana Fred	Instituto de Telecomunicações / IST 生物工程系	0000-0003-1320-5024

Instituto Superior Técnico（IST）：里斯本高等理工学院，隶属里斯本大学（Universidade de Lisboa），葡萄牙最负盛名的工程院校之一。数据采集的伦理审批即由 IST 伦理委员会出具。
Instituto de Telecomunicações（IT）：里斯本电信研究所，葡萄牙国家级研究机构，Hugo Plácido da Silva 与 Ana Fred 均在此，生物信号处理与模式识别是其强项方向。

作者群的学术脉络值得注意：Ana Fred 是模式识别领域的资深学者（生物信号分类、聚类与特征选择方向积累深厚），Hugo Plácido da Silva 是可穿戴生物信号采集硬件 ScientISST 的核心推动者，二人的组合正是"硬件采集 + 信号算法"这一数据集定位的人才基础。第一作者 João Areias Saraiva 后续转向阿尔茨海默病 EEG 与生物信号处理流水线自动化研究（其 ORCID 显示 2025 年有多篇 EEG 与 LLM 自动化流水线的会议/期刊产出）。

§2.3 ScientISST 生态与非营利背景

理解这个数据集必须理解 ScientISST 这个机构。它不是商业公司，而是一个非营利教育机构，论文的利益声明明确写道：ScientISST 板卡与 LTBio 软件由其免费提供（provided free-of-charge）。这意味着：

硬件开源可复制：数据集用的两台采集设备基于 ScientISST Core 板卡（项目页面另称 ScientISST Sense），若有团队想复制采集协议，可直接采购/自制同类板卡。
软件栈免费：配套的 LTBio（LongTermBiosignals）是 PyPI 上可 pip install 的开源包，专为长时程生物信号设计，可统一加载 .biosignal 文件、索引通道与时间区间、快速可视化。
利益冲突已被披露：论文声明自动披露了这一非营利机构与研究的关联，属于合规做法。

这一点对使用者很重要：ScientISST MOVE 的"可复现性"不仅在于数据公开，还在于采集硬件与处理软件都是公开可及的——这是它相较于某些依赖封闭商用设备的数据集的显著优势。

§2.4 项目源头：PreEpiSeizures 与"Run Like a ScientISST"

数据集的"前传"是 PreEpiSeizures 项目（癫痫发作检测与预测）。该项目用一条 PreEpiSeizures 胸带采集癫痫患者的 ECG、RESP（呼吸）与 ACC，但数据长期局限于神经内科住院环境中采集。当研究转向门诊（outpatient）与自由生活场景时，团队意识到现有算法可能失效，需要专门的、在运动与日常活动中采集的数据来开发与验证去噪算法。

项目公开页面 “Run Like a ScientISST”（scientisst.com/projects/run-like-a-scientisst）描述了这一动机，并邀请健康志愿者"跑步 30 分钟"参与采集。页面写明的设备清单为：两条 ScientISST SENSE、一条 PreEpiSeizures 胸带、一台 Empatica E4 腕带。这一页面为理解数据集的实验设计提供了最直观的背景——目标就是让受试者戴着多台设备真的在里斯本街头跑起来。

需要留意的是，项目页面与最终论文的设备描述存在用词差异：项目页写 “ScientISST SENSE”，Zenodo 官方数据集描述写 “ScientISST Core”，PhysioNet 论文写 “crafted out of ScientISST Core boards”。ScientISST 的 Core 与 Sense 是其产品线的不同叫法/型号，条目并存两口径（详见坑 5）。

§2.5 版本谱系与时间线

数据集的发布经历了"Zenodo 先发 → PhysioNet 收录 → 双方各出修订版"的过程。梳理如下：

时点	事件	标识
2023-05-15	Zenodo 发布 v1.1	doi:10.5281/zenodo.8300972
2023（更早）	Zenodo 早期版本 v1.0	doi:10.5281/zenodo.7940438
2023-11-13	PhysioNet 收录 1.0.0	doi:10.13026/sg89-qq52
2024-03-12	GitHub 提交 “Fix notebooks after revision”	commit cfdf901
2024-03-25	PhysioNet 发布 1.0.1	doi:10.13026/hyxq-r919
2024	Scientific Data 论文发表	Areias Saraiva et al.

由此可读出两条线索：其一，Zenodo 版本号（v1.1）与 PhysioNet 版本号（1.0.X）命名体系不同，对照时不能直接等同，只能按日期与修订内容推断对应关系；其二，2024-03-12 的 GitHub 提交与 2024-03-25 的 PhysioNet 1.0.1 发布日期相近，且提交信息是 “Fix notebooks after revision”（修订后修复 notebook），提示 1.0.1 与 Zenodo v1.1 很可能是同一批审稿修订的产物。这一对应关系为待核遗留项（见 §9）。

PhysioNet 页面还给出 “DOI (latest) = 10.13026/0ppk-ha30”，与 1.0.1 的 “DOI (v1.0.1) = 10.13026/hyxq-r919” 并列。前者是"始终指向最新版"的 DOI，后者是"钉死在 1.0.1 版"的 DOI。引用时若需可复现，应使用版本钉死的 hyxq-r919；若引用一般性资源，可用 0ppk-ha30。

§2.6 伦理与合规

伦理链条清晰可查，这是该数据集可信度的重要支撑：

审批机构：Instituto Superior Técnico（里斯本）伦理委员会
内部参考号：22/2022
结论：采集协议获得一致通过（unanimously approved）
不良事件：研究期间无不良事件申报
受试者权益：志愿者被告知可在第三阶段活动间休息、感到不适可暂停、可在任一阶段甚至 session 结束后退出
去标识：无姓名、出生日期、session 日期或任何唯一标识符保留（符合 HIPAA Safe Harbor 去标识指南）；session 起始日期时间已做平移处理

这六条构成一个完整的合规档案。特别注意最后一条：session 日期时间的"平移"意味着数据的绝对日历时间被刻意抹去，使用者不能把信号关联到具体日期（这既是隐私保护，也意味着任何依赖"季节/时段"的分析都不可行）。

§3 数据构成与规格

§3.1 总体规模

维度	数值	口径来源
受试者	17 名（10 男 59% + 7 女 41%）	PhysioNet / Zenodo 摘要
年龄	中位 24 岁	同上
人种	Caucasian（白人）	PhysioNet 论文参与者节
有效时长（传感器-小时）	10.5	PhysioNet 1.0.0 摘要
有效时长（人均）	平均约 37 分钟同步数据	PhysioNet 1.0.1 摘要
设备数	3 台	两个平台一致
模态数	7 种	两个平台一致
传感器路数	10 路（S1-S10）	PhysioNet 论文硬件节
Zenodo 三格式压缩包	2.7 GB	Zenodo 页面
PhysioNet 1.0.1 解压	446.9 MB（ZIP 197.0 MB）	PhysioNet 文件区

有效时长的两个口径可以自洽核验：17 人 × 37 分钟 ≈ 629 分钟 ≈ 10.5 小时，两个数字描述的是同一件事，只是 1.0.0 用合计、1.0.1 用人均。条目同时保留两口径以便对照（见坑 6）。

§3.2 十路传感器规格表

这是数据集的核心规格，逐路列出（数据来自 PhysioNet 论文硬件节的传感器表）：

传感器	模态	单位	身体位置	电极类型	所属设备
S1	ECG	mV	胸部	凝胶（Gel）	ScientISST Chest
S2	ECG	mV	胸部	干导电织物（Dry conductive textile）	ScientISST Chest
S3	EDA	uS	左腕	凝胶（Gel）	ScientISST Forearm
S4	EDA	uS	左腕	干（Dry）	Empatica E4
S5	PPG	—	左食指	—	ScientISST Forearm
S6	PPG	—	左腕	—	Empatica E4
S7	ACC	g	胸部	—	ScientISST Chest
S8	ACC	g	左腕	—	Empatica E4
S9	EMG	mV	左肱二头肌	凝胶（Gel）	ScientISST Forearm
S10	TEMP	ºC	左腕	—	Empatica E4

从这张表可以读出几个设计要点：

单位被还原为物理量：ECG/EMG 为 mV、EDA 为 uS（微西门子）、ACC 为 g、TEMP 为 ºC。论文明确说"未对信号做任何滤波，但应用了正确的传递函数（transfer functions）"，因此数值直接是物理量而非原始 ADC 计数。这对使用者是重大便利——省去了逐设备标定传递函数的步骤。
ECG 用了 Lead I 等效配置：S1 接三片凝胶电极，两片对侧置于胸部（等效于心电图 Lead I），地电极置于左髂嵴，均用医用胶带固定。
S1 与 S2 的"双视图"是物理紧邻：S2 接一条无地面的 Polar 胸带的干触点，S1 电极就贴在其下方，因此两路捕捉的是同一生理信号的两种采集质量——一路更抗噪（S1 凝胶）、一路更易受噪（S2 干电极）。同样的配对设计复制到 S3-S4（EDA）与 S5-S6（PPG）。

§3.3 采样频率

采样频率呈现"两台 ScientISST 高而统一、Empatica E4 低而分模态"的格局：

设备	模态	采样频率
ScientISST Chest（S1 ECG-gel、S2 ECG-dry、S7 ACC）	ECG / ACC	全部同步 500 Hz
ScientISST Forearm（S3 EDA-gel、S5 PPG-index、S9 EMG）	EDA / PPG / EMG	全部同步 500 Hz
Empatica E4（S4 EDA-dry、S6 PPG-wrist、S8 ACC、S10 TEMP）	EDA	4 Hz
Empatica E4	PPG	64 Hz
Empatica E4	TEMP	4 Hz
Empatica E4	ACC	32 Hz

关键点：两台 ScientISST 上的所有传感器是同步 500 Hz 采样，这保证了胸、臂两处信号在时间上严格对齐。而 Empatica E4 因为商用腕带固件限制，只能按模态给出不同频率，最低的 EDA/TEMP 只有 4 Hz。正是这个频率异质性，迫使 CSV 格式对低于 500 Hz 的信号做上采样统一（见 §3.5）。

§3.4 通道命名

EDF 文件中每个传感器对应一个通道名，命名规则直观揭示了模态与采集方式：

{ ecg-gel, ecg-dry, eda-gel, eda-dry, ppg-index, ppg-wrist,
  acc-chest-AXIS, acc-wrist-AXIS, emg, temp }

其中 AXIS ∈ {x, y, z}（三轴加速度展开）。注意命名中的位置信息：ppg-index（食指）vs ppg-wrist（腕部）、acc-chest（胸）vs acc-wrist（腕），这直接对应 §3.2 的传感器表。EDF 文件的组织方式是按设备分组（scientisst_chest.edf 含 S1/S2/S7，scientisst_forearm.edf 含 S3/S5/S9，empatica.edf 含 S4/S6/S8/S10），每个文件含该设备的所有模态。

§3.5 三格式交付与各自取舍

数据集提供三种格式，各有明确的适用场景与代价，这是使用前必须理解的关键：

a) LTBio Biosignal 格式（时间精度最高，信息最全）

目录：biosignal/subject/x.biosignal，x ∈
每个文件含所有采集该模态的传感器信号（跨设备），与设备解耦
保留精确原始时间戳（10E-6 精度即微秒级）与原始采样率
额外含临床数据与人口学数据（年龄、性别、病史等关联信息）
加载：x = Biosignal.load(path)（LTBio 包）
索引：通道、活动、时间区间可用 [] 运算符直接取；x.preview.plot() 快速预览

b) CSV 格式（表格化，牺牲精度换规整）

目录：csv/subject.csv，每受试者一个文件，含整个 session 与所有模态
表结构：第一列时间轴、中间列各传感器、最后一列活动标签
低于 500 Hz 的传感器上采样到 500 Hz，因此每 2 ms 一行，规则采样
记录中断被离散化：无样本的单元格留空；中断后首样本按四舍五入落到前一或后一时间戳
代价：累积时间滞后（官方口径 ≤200 ms，镜像口径 ≤48 ms，见坑 3）
多标签分隔：Zenodo 描述写逗号 'run,sprint'，镜像写竖线 'run | sprint'（见坑 4）
加载：x = pandas.read_csv(path)

c) EDF+ 格式（临床与 MNE 生态友好）

目录：edf/subject/x.edf，x ∈
按设备分组，保留原始采样率与单位
记录中断期间信号为 NaN
活动事件写在 EDF annotations 通道
不保留 LTBio 的 biosignal/patient notes
加载：x = mne.io.read_raw_edf(path)（MNE 推荐）

选择建议：做精确时间对齐、逐样本去噪监督、需要人口学元数据 → 用 LTBio 格式；做快速统计、表格分析、活动切片 → 用 CSV；做临床信号处理、复用 MNE 生态 → 用 EDF+。三者的"信息量-便利度"权衡是使用这个数据集的第一道决策。

§3.6 受试者编码与文件布局

受试者以 4 位随机字母数字序列编码（如 3B8D、03FH、3RFH、4JF9、93DK、93JD、AP3H、F408、H39D、JD3K、K2Q2、KF93、KS03、LAS2、LDM5、LK27、ME93），随机生成以避免可识别性。PhysioNet 的 RECORDS.txt 列出了每个受试者的 empatica.edf/scientisst_chest.edf/scientisst_forearm.edf 三个文件，并附 subject-info.csv（受试者人口学/临床信息）、LICENSE.txt、SHA256SUMS.txt（完整性校验）。

从 RECORDS.txt 可观察到一个细节：并非每个受试者都有 empatica.edf——例如 93JD 只列了 scientisst_chest.edf 与 scientisst_forearm.edf，缺 empatica.edf。这印证了"并非所有受试者完成所有采集"的说明：Empatica E4 的部分数据缺失或因质量剔除。使用时应逐受试者核对可用模态，不能假设 17 人×10 路是完整满格矩阵。

§3.7 逐模态使用要点

把十路传感器按模态归类，逐类给出使用时的注意事项——这是拿到数据后最需要的一页速查：

ECG（S1 gel + S2 dry）

数据形态：两路单导联 ECG，等效 Lead I 配置，单位 mV，500 Hz。
使用要点：S1（gel）作参考、S2（dry）作待去噪输入，是去噪监督的黄金配对之一。由于两路电极物理紧邻，时间对齐误差小。
常见任务：R 峰检测、心率变异性（HRV）、运动伪影去除、心律失常误报审计（因受试者心律正常，可作负样本）。
注意：跑步段运动伪影最强，S2 可能出现饱和或基线漂移，做去噪评测时按活动强度分层报告更有意义。

EDA（S3 gel + S4 dry）

数据形态：两路皮肤电活动，单位 uS。S3 在 ScientISST（500 Hz）、S4 在 Empatica E4（4 Hz）——跨设备且频率差 125 倍。
使用要点：这是双视图配对里最需要配准的一组。要做逐样本监督，必须先把 S4 上采样并对齐到 500 Hz，且接受相位误差。EDA 常用分解为 tonic（慢变基线）+ phasic（快速反应）成分，运动伪影会污染两者。
常见任务：情绪/唤醒建模、应激反应检测、信号质量对比（凝胶 vs 干电极）。
注意：4 Hz 的 S4 对快速 phasic 成分是欠采样的，做 EDA 反应检测时优先用 500 Hz 的 S3。

PPG（S5 index + S6 wrist）

数据形态：两路光电容积脉搏波。S5 在左食指（ScientISST，500 Hz，金标准光学接口）、S6 在腕部（Empatica E4，64 Hz）。
使用要点：采集位置 + 设备双重差异，比 gel/dry 配对引入更多变量（手指与腕部的血流灌注本就不同）。做严格配对需谨慎解释差异来源。
常见任务：心率估计、脉搏波形态分析、可穿戴 PPG 信号质量研究（腕部 PPG 在运动中失效率更高，是本数据集能直接量化的现象）。
注意：PPG 无单位（表内标 “-”），是相对光强信号。

EMG（S9，单路）

数据形态：左肱二头肌肌电，单位 mV，500 Hz，仅有凝胶电极一路（无双视图）。
使用要点：抬举（lift）活动是其主要刺激源，可与加速度（S7 胸部）联用分析动作-肌肉协同。
注意：无干电极配对，不能做 EMG 的双视图去噪研究。

ACC（S7 chest + S8 wrist）

数据形态：两路三轴加速度，单位 g。S7 在胸部（ScientISST，500 Hz）、S8 在腕部（Empatica E4，32 Hz）。
使用要点：ACC 是活动识别的主力信号，也是估计运动强度、对齐其他模态运动伪影的参考。胸 vs 腕两种佩戴位置对应不同的动作模式。
常见任务：活动分类、步态分析、运动强度定量、作为噪声参考帮助其他模态去噪。
注意：两路 ACC 频率不同（500 vs 32 Hz），跨路分析需统一采样率。

TEMP（S10，单路）

数据形态：腕部皮温，单位 ºC，Empatica E4，4 Hz，仅一路。
使用要点：皮温变化缓慢，低采样率足够。主要反映体温调节与运动产热。
注意：单路、低采样率，适合做慢变量分析，不适合快速事件检测。

§3.8 与同类数据集对比

把 ScientISST MOVE 放进"生理信号数据集"的坐标系里，才能看清它的独特位置。下表对比几个常被并提的数据集（仅列公开可核的核心维度）：

数据集	受试者	场景	模态	采样率	特色
ScientISST MOVE	17	自然日常活动	7 模态/10 路	500 Hz（ScientISST）	双视图 gel/dry 配对；CC BY 4.0 全开放
mHealth	10	受控多动作	加速度/陀螺/磁力等	约 50 Hz	多部位、多活动，偏活动识别
WESAD	15	实验室（压力诱导）	ECG/EDA/EMG/ACC/TEMP	多档	情绪/压力识别基准
DREAMER	23	视频诱导情绪	ECG/EEG	多档	情绪识别
Empatica E4 单设备数据集	各异	各异	EDA/PPG/ACC/TEMP	4-64 Hz	商用腕带为主

对照后可提炼 ScientISST MOVE 的三个差异化点：

自然化程度最高：mHealth/WESAD 等活动相对受控或有固定协议，ScientISST MOVE 明确强调"真实自然环境"与"日常活动谱"。
双视图配对的唯一性：几乎没有其他公开数据集同时提供"同模态、同位置、两种采集质量"的配对——这是它最不可替代的价值。
开放程度最高：CC BY 4.0 允许商用，且双通道直链无需申请；相比之下部分同类数据集对商用或再分发设限。

选型建议：要活动分类 → mHealth；要压力/情绪识别 → WESAD/DREAMER；要信号去噪与质量研究 → ScientISST MOVE。三者互补而非替代。

§4 双视图设计与信号质量哲学

§4.1 为什么每模态要录两路

ScientISST MOVE 最独特的设计不是"多模态"本身（多模态数据集并不少见），而是同一模态刻意录两路、且两路的采集质量被人为拉开。这个设计背后有一个明确的研究动机：去噪算法需要一个"脏输入-干净目标"的配对。

要训练或评估一个把噪声信号恢复为干净信号的算法，理想数据是同一生理过程同时被两套设备记录——一套采得干净，一套采得脏——两路时间对齐。真实世界很难凑出这样的配对：你通常只有一路信号，没有"标准答案"。ScientISST MOVE 用物理设计硬造出这个配对：

模态	低噪声路（目标/参考）	高噪声路（输入/待去噪）	差异来源
ECG	S1（gel 凝胶电极）	S2（dry 干导电织物）	电极类型
EDA	S3（gel 凝胶电极）	S4（dry 干电极，Empatica E4）	电极类型 + 设备
PPG	S5（左食指，金标准光学接口）	S6（腕部，Empatica E4 光学）	佩戴位置 + 设备

论文原文的逻辑很清楚：S1 的两片凝胶电极就贴在 S2 干触点"正下方"，因此两路捕捉的是同一位点的同一生理信号，唯一系统性差异就是电极/采集方式——一路更抗噪（凝胶），一路更易受噪（干）。同样的紧邻配对复制到 EDA 与 PPG。

§4.2 双视图的三重用途

这一设计至少解锁三类研究：

去噪监督学习：把高噪声路当输入、低噪声路当监督目标，训练模型学会"从运动伪影中恢复干净生理信号"。这是数据集最核心的卖点，也是 PreEpiSeizures 项目的直接需求。
信号质量对比：同一模态被两台不同设备（如 ScientISST vs Empatica E4）或两种电极（gel vs dry）重复测量，可做横向信号质量研究——比如量化干电极在运动中的阻抗漂移、或商用腕带光学 PPG 在跑步时的失效率。
鲁棒性评测：把在受控数据上训练的模型直接放到 ScientISST MOVE 的自然活动数据上测试，量化性能跌落——这是第三方研究（如某篇用其做心律失常误报率评测的论文）采用的用法。

§4.3 双视图设计的边界与陷阱

双视图虽好，使用时有三条必须注意的边界（也是 §9 数据局限的一部分）：

第一，两路并非严格同时刻齐平。 gel 与 dry 采集路径不同（有时甚至是不同设备，如 EDA 的 S3 在 ScientISST、S4 在 Empatica E4），两路的时间戳不完全对齐。做逐样本去噪监督前必须做时间配准，尤其是跨设备的 EDA（ScientISST 500 Hz vs Empatica 4 Hz，频率差 125 倍，上采样后仍有相位误差）。

第二，低噪声路不是"绝对真值"。 凝胶电极也可能受运动伪影影响，只是程度更轻。把 S1 当成完美 ground truth 会低估去噪任务的难度，且可能让模型学到"模仿凝胶电极的特性"而非"恢复真实生理"。使用时宜将低噪声路理解为"较好的参考"而非"金标准答案"。

第三，"脏"本身可能是有信息量的。干电极在运动中的信号退化模式（如基线漂移、饱和、丢失接触）反映了真实可穿戴场景的失效机制。如果只把高噪声路当"垃圾"丢弃，会错失研究设备失效模式的机会。

§4.4 与 mHealth 等数据集的关系

ScientISST MOVE 常被拿来与 mHealth 数据集并列（有第三方论文同时使用二者做活动识别评测）。二者的关键区别在于：mHealth 侧重"多传感器活动识别"，设备贴在多个固定部位、活动相对受控；ScientISST MOVE 侧重"自由活动中的信号质量与去噪"，且特意加入双视图设计。它们不是替代关系，而是互补关系——前者适合活动分类建模，后者适合信号去噪与质量研究。选型时按任务而非按"哪个数据量大"来定。

§5 标注体系与采集协议

§5.1 活动标签体系

活动标注落在 EDF annotations 通道中，采用两级标签结构：

主标签（7 个）：

主标签	中文	说明
`baseline`	基线	静息/基准状态段
`lift`	抬举	抬举物体（如椅子）
`greetings`	问候	与人打招呼
`jumps`	跳跃	原地或连续跳跃
`walk_before`	跑前行走	跑步之前的走路段
`run`	跑步	跑步段
`walk_after`	跑后行走	跑步之后的走路段

把 walk_before / run / walk_after 三段分开标注，是为了捕捉"运动强度递增-高峰-递减"的完整生理响应轨迹，而非只截取单一运动状态。这对建模心血管与皮电的动态响应很有价值。

子标签（部分 session，粒度更细）：

子标签	含义
`sprint`	跑步中的冲刺段
`walk_before_downstairs`	跑前行走中的下楼梯段
`lift-1` / `lift-2`	抬举动作的第 1/2 次重复

子标签并非每个受试者都有，取决于该 session 的具体情况。检索时若需子活动粒度，应先核对目标受试者的 annotations 是否含该标签。

Zenodo 页面的活动描述口径：Lift object、Greet people、Gesticulate while talking（边说话边手势）、Jumping、Walking、Running。注意 Zenodo 把 “Gesticulate while talking”（手势）列为独立主活动，而 EDF 主标签列表里没有单独的 “gesticulate” 标签——这是活动描述与标注标签粒度不完全一致的地方，使用前需回核具体受试者的 annotations 文件。

§5.2 标注的产生方式

标注流程是一个"受试者粗标 + 研究者精修"的两级流程：

受试者现场标记：在采集时，研究者会请求受试者按 Empatica E4 的事件按钮来标记每个活动的起止（onset 与 offset）。这相当于用受试者自己的"手动打点"给出活动边界的初始信号。
研究者事后复核：每个事件都被研究者逐条复核，用一套标准标签集重新标注（如 “run”、“lift” 等），并附加电极限位与通道名等关联信息——后者的标注对所有受试者是自动化统一流程。

这一设计的含义是：标注既有人工（受试者打点）的初始信号，又有专家的精修确认。代价是活动边界存在人为误差——按按钮存在反应时间延迟，"某段到底属于 baseline 还是 lift"在边界附近有主观性。做精确时间分割的研究需自行核对边界，不能假设标注达到仪器级精度。

§5.3 采集协议五阶段

每个受试者的 session 分为五个阶段：

简报与问卷（Briefing and Questionnaire）：采集人口学与临床信息（年龄、性别、相关病史、手术史、当前用药）。这些信息在第一阶段收集，后续与信号关联。
佩戴与调节硬件（Wearing and Adjusting the Hardware Setup）：将三台设备与电极戴到受试者身上；研究者逐传感器确认采集正常并向设备回传数据。使用两台手机（各跑 ScientISST Sense Web App 与 Empatica E4 Connect App）处理同步采集与数据存储。采集前在三台设备上标记 session 初始时点，用于事后同步。
活动采集（第三阶段）：受试者按研究者指示完成各项日常活动，期间可随时休息或中途暂停。这是有效数据产出的核心阶段。
（撤设备）：采集结束，移除设备。
（收尾）：结束 session。

去标识处理在这一流程之后进行：原始文件被 LTBio 序列化格式替代，原始文件被删除；姓名、出生日期、session 日期等唯一标识符一律不保留。

§5.4 同步机制

多设备同步是这类数据集的技术难点。ScientISST MOVE 的做法是：

两台 ScientISST 内部同步：所有传感器本就是同一板卡上的同步 500 Hz 采样，天然对齐。
跨设备同步：采集前在三台设备上分别标记 session 初始时点。
软件同步：用 LTBio 根据各设备的初始时点，把所有生物信号对齐（“According to the initial timepoints of each device, LTBio synchronises all biosignals”）。

这意味着精确的跨设备同步依赖 LTBio 的处理，因此用 LTBio Biosignal 格式最稳妥；若只用 CSV/EDF，需注意同步信息可能已经过处理/离散化。

§5.5 临床与人口学关联

LTBio Biosignal 格式额外携带临床与人口学数据，随每位受试者关联：年龄、性别、任何报告的医疗状况、手术史、当前用药（信息在第一阶段收集）。PhysioNet 还单独提供 subject-info.csv，每行一位受试者，列含采集时年龄、性别与相关临床史。

值得注意的一处第三方信息：有研究提到 17 名受试者中有 11 人 COVID-19 康复，并指出这使该数据集在主题上可与新冠相关数据集关联。但该信息在 PhysioNet/Zenodo 官方页面未明确强调，条目将其列为"第三方转述"而非官方事实，使用时需回核 subject-info.csv 原文（见 §9 疑点）。

§5.6 活动生理响应研究的价值

ScientISST MOVE 的活动设计不是随意凑数，而是覆盖了一条"运动强度递增-高峰-递减"的曲线，并配以多种非运动性日常动作，使其能支撑生理响应建模：

活动	运动强度	主要生理响应通道	研究价值
baseline	最低（静息）	全模态基线	提供每位受试者的个体对照
lift（抬举）	中低（短时爆发）	EMG + ACC 主导	局部肌肉活动与姿态变化
greetings（问候）	低（社交动作）	ACC（弱）、PPG 可能微变	轻动作对信号的干扰
gesticulate（手势）	低中（上肢动作）	EMG + 腕/指 ACC	说话手势对腕部信号的污染
jumps（跳跃）	中高（冲击性）	ACC 大幅、PPG/ECG 受冲击	冲击性运动对光学/电信号的干扰
walk_before / walk_after	中（稳态有氧）	ECG 心率升、PPG、EDA、TEMP	有氧活动的稳态响应与恢复
run	高（高强度有氧）	全模态剧烈变化	高强度运动下信号质量最差场景

这张表的用法：研究者可以按"强度"或"模态主导"两个维度切片，比较不同活动下同一模态的信号特征。例如比较 walk_before 与 run 的 ECG 心率变异性差异，或比较 jumps 与 gesticulate 的 ACC 频谱差异。

一个特别有价值的设计：walk_before（跑前走）与 walk_after（跑后走）分开标注，使研究者能观察"跑步前后的恢复差异"——同一个走路动作，在跑前（未疲劳）与跑后（刚剧烈运动）的生理信号可能不同。这种"同动作不同生理状态"的对照设计在多数数据集里是没有的。

§5.7 标注质量的经验判断

由于活动边界是"受试者按按钮 + 研究者复核"产生的，使用前应对标注质量有合理预期。经验上：

活动内部（如 run 段中间） 的标注通常可靠——受试者不太可能在活动进行中误标。
活动边界 存在 ±秒级误差——按按钮有反应延迟，"刚起步"与"已起步"的划分有主观性。
活动切换密集处（如 walk_before → run）边界可能模糊。
子标签（sprint、lift-1/2）只在部分会话存在，粒度依赖该 session 的具体采集情况。

实践建议：若研究对时间精度敏感（如事件相关电位式分析），应自行对标注边界做平滑或重定义；若只做活动级分类或分段统计，官方标注通常足够。

§6 获取与许可

§6.1 许可：单层全开放

ScientISST MOVE 的许可是难得的"单层简单"——没有请求制、没有分层异构：

CC BY 4.0（Creative Commons Attribution 4.0 International Public License）

这是 PhysioNet 1.0.1 明确标注的许可，Zenodo v1.1 亦标注 CC BY。含义：

可用：自由使用、复制、分发、改编、商用
条件：署名（attribution）——引用时给出作者、数据集名、版本与 DOI
无需申请：不需要向作者发邮件、不需要签署数据使用协议、不需要认证

这对数据集使用者是极大的便利：比对一下本库其他数据集动辄"向通讯作者申请"或"credentialed access"，ScientISST MOVE 属于最开放的一档。注意：CC BY 4.0 是针对数据集的许可；配套论文（Scientific Data）可能有自己的版权安排，引用论文时遵循期刊要求。GitHub 代码仓库的许可需另行核对（见 §9 疑点）。

§6.2 两个获取通道

通道一：PhysioNet（推荐用于信号处理工作流）

页面：https://physionet.org/content/scientisst-move-biosignals/1.0.1/
类型：Database Open Access（无需认证）
下载方式：
- 网页下载 ZIP（197.0 MB，解压 446.9 MB）
- 终端递归下载：wget -r -N -c -np https://physionet.org/files/scientisst-move-biosignals/1.0.1/
- AWS CLI 同步：aws s3 sync --no-sign-request s3://physionet-open/scientisst-move-biosignals/1.0.1/ DESTINATION
包含：EDF+ 文件 + CSV + 官方脚本 + RECORDS.txt + SHA256SUMS.txt + subject-info.csv + LICENSE.txt
版本可钉死：1.0.0（doi 10.13026/sg89-qq52）或 1.0.1（doi 10.13026/hyxq-r919）

通道二：Zenodo（推荐用于三格式含 md5 的完整包）

页面：https://zenodo.org/records/8300972
类型：直接下载
三个 zip 包（含 md5 校验）：
- biosignal.zip（263.1 MB，md5 7a74b451bf19a44f9abf3448526179cb）
- csv.zip（2.2 GB，md5 6e18d7913d5a06919f60035f4e9dfa96）
- edf.zip（217.3 MB，md5 fe0412ff2f475e1ab7fffcbff71672f6）
合计 2.7 GB
早期版本 v1.0：doi 10.5281/zenodo.7940438

两通道的差异：Zenodo 提供 biosignal 格式的独立 zip（含 LTBio 文件，这是保留精确时间戳的关键格式），PhysioNet 则以 EDF+/CSV 为主。若需要 LTBio Biosignal 格式，走 Zenodo 的 biosignal.zip 最直接；若需要 EDF 与 MNE 生态，走 PhysioNet。

§6.3 官方工具链

数据集配套一套上手资源，位于 GitHub 仓库 scientisst/ScientISST-MOVE：

目录	内容
`creation/`	数据集创建与标注脚本（含版权与作者信息）
`usage/`	3 个上手 notebook（含 `edf.ipynb`）
`README.md`	仓库说明

edf.ipynb 的功能：演示如何打开文件、索引感兴趣的活动区间，并给出信号预处理（滤波、归一化等）的示例。开发测试环境为 Python 3.10.4。推荐的 Python 依赖：

MNE：处理 EDF 文件的首选，且提供多种后处理方法
LTBio（LongTermBiosignals）：处理 .biosignal 格式，pip install LongTermBiosignals
Pandas / NumPy：处理 CSV 与数值计算

§6.4 获取决策树

你需要什么？
├── 精确时间戳 / 逐样本去噪监督 / 人口学元数据
│   └── Zenodo biosignal.zip（LTBio 格式，10E-6 精度时间戳）
├── 快速表格分析 / 活动切片 / 统计
│   └── CSV（Zenodo csv.zip 或 PhysioNet CSV；注意上采样与滞后）
├── 临床信号处理 / MNE 生态
│   └── PhysioNet EDF+ 文件
├── 想要完整性校验 + 三格式一次到手
│   └── Zenodo records/8300972（三 zip + md5）
└── 想要可复现的版本钉死引用
    └── PhysioNet 1.0.1（doi 10.13026/hyxq-r919）

§6.5 三格式实际文件结构示例

为便于使用者对照，下面给出三种格式的目录树示意（以受试者 KF93 为例）：

# a) LTBio Biosignal 格式（biosignal.zip 解压后）
biosignal/
├── KF93/
│   ├── acc_chest.biosignal    # 胸部三轴加速度
│   ├── acc_wrist.biosignal    # 腕部三轴加速度
│   ├── ecg.biosignal          # ECG（含 gel 与 dry 两路）
│   ├── eda.biosignal          # EDA（含 gel 与 dry 两路）
│   ├── emg.biosignal          # 左肱二头肌肌电
│   ├── ppg.biosignal          # PPG（含 index 与 wrist 两路）
│   └── temp.biosignal         # 腕部皮温
└── ...（其余受试者同构）

# b) CSV 格式（csv.zip 解压后）
csv/
├── KF93.csv    # 一位受试者一个文件：时间轴 + 各传感器列 + 活动标签列
└── ...         # 每 2 ms 一行（上采样到 500 Hz），中断处留空

# c) EDF+ 格式（edf.zip 解压后 / PhysioNet 文件区）
edf/
├── KF93/
│   ├── empatica.edf            # Empatica E4：EDA/PPG/ACC/TEMP
│   ├── scientisst_chest.edf    # 胸板：ECG×2 + ACC
│   └── scientisst_forearm.edf  # 臂板：EDA/PPG/EMG
└── ...
+ LICENSE.txt
+ subject-info.csv
+ RECORDS.txt        # 各受试者可用文件清单
+ SHA256SUMS.txt     # 完整性校验

注意三处结构差异：LTBio 格式按模态组织（一个模态一个文件，跨设备合并），EDF 格式按设备组织（一个设备一个文件，跨模态合并），CSV 按受试者组织（一人一文件，所有模态在一起）。加载前先明确组织维度，否则会找错文件。

§6.6 引用与署名实践

CC BY 4.0 要求署名，PhysioNet 页面提供的标准引用格式为：

Areias Saraiva, J., Abreu, M., Carmo, A. S., Plácido da Silva, H., & Fred, A. (2024).
ScientISST MOVE: Annotated Wearable Multimodal Biosignals recorded during Everyday
Life Activities in Naturalistic Environments (version 1.0.1). PhysioNet. RRID:SCR_007345.
https://doi.org/10.13026/hyxq-r919

若使用 Zenodo 版本，引用其对应 DOI（10.5281/zenodo.8300972）。PhysioNet 还要求一并引用其平台标准引用（Goldberger et al., 2000, Circulation 101(23):e215-e220）。

署名的合规建议：

论文/报告中致谢数据集作者与版本；
引用的 DOI 与实际下载的版本一致（1.0.0/1.0.1/Zenodo v1.1 不可混）；
若基于数据训练了模型或衍生数据集，在数据卡中标注上游来源与许可；
商用产品若内置该数据（如预训练权重），保留 CC BY 4.0 的署名义务。

§6.7 常见获取障碍与排查

现象	原因	解决
`biosignal.zip` 解压后无法用 pandas 打开	LTBio 格式非纯文本/表格	用 `LongTermBiosignals` 包加载
EDF 文件在 MNE 中通道名不全	EDF 按设备分组，单文件不含全部通道	分别读三个 EDF 再合并
CSV 活动列无法按逗号切分	官方页写逗号、镜像写竖线	先读原始行确认实际分隔符（坑 4）
跨设备信号对不齐	CSV 已离散化、EDF 未含同步元数据	改用 LTBio 格式（保留精确时间戳）
`aws s3 sync` 报权限错	未加 `--no-sign-request`	加上 `--no-sign-request` 匿名访问
`wget` 递归下载文件名异常	本地 locale 设置	指定 `--restrict-file-names=nocontrol` 或以英文 locale 运行

§7 评估、基准与第三方研究生态

§7.1 数据集本身没有内置 benchmark

必须先明确一点：ScientISST MOVE 不是挑战赛数据集，没有官方排行榜、没有固定 train/test 划分、没有内置基准指标。它是一个"原始数据资源"，把如何切分、如何定义任务、如何评测的决定权交给使用者。

这带来两面性：

正面：用途不受限，可以做去噪、设备对比、活动识别、生理响应建模等多种任务，不会被一个官方任务框死。
负面：没有统一评测口径，不同论文报出的"在同一数据集上的性能"不可直接比较——除非它们用相同的划分协议。复现或对标第三方结果时，必须核对对方的具体设置（哪些受试者、哪些活动、哪个模态、什么划分）。

§7.2 官方上手工具

数据集提供的评估支持集中在工程性（而非指标性）资源上：

edf.ipynb notebook：演示加载、活动区间索引、预处理（滤波/归一化）。
三个 usage notebook：覆盖不同的使用入口。
LTBio 库：把"按通道取数、按活动切片、按时间区间索引"变成一行 [] 操作，并支持转成 NumPy 数组或 DataFrame。这是本数据集最实用的评估辅助——它把复杂的多设备多模态对齐问题自动化了。

对使用者的实际建议：先在 notebook 上跑通"加载某受试者的 ecg，切出 run 段，画图"这条最短路径，再扩展到自己的任务。

§7.3 第三方研究生态

ScientISST MOVE 已被多篇第三方研究引用，可作为其学术影响力的证据（也提示了可能的评测协议参考）。以下为抓取到的几类用途：

研究	用途	与本数据集的关系
Frontiers in Bioengineering & Biotechnology 2025（doi 10.3389/fbioe.2025.1437877）	用 mHealth + ScientISST MOVE 双数据集做活动识别评测，报告混淆矩阵/Precision/Recall/F1/ROC	作为活动识别基准之一
MDPI Sensors 2026, 26(4):1135	用 ScientISST MOVE 作真实世界验证集，量化运动伪影下的心律失常误报率	该文对数据集描述严重失真（见坑 8）
CEUR-WS Vol-3896 paper28（Towards Digital Twins in Rehabilitation）	把 ScientISST MOVE 列为康复数字孪生候选数据集	生态前景引用；提到 11/17 人 COVID-19 康复
BIOSTEC/Bioinformatics 2023（doi 10.5220/0011883400003414）	同团队的心电去噪自编码器论文（数据增强/多模态/受试者与活动特异性）	数据集的算法配套研究
selectdataset.com / 遇见数据集	中文数据集索引收录	中文检索入口

这些引用共同说明：ScientISST MOVE 的定位已被社区接受为"自然活动生物信号"的标准参照之一，尤其在"运动伪影对信号质量的影响"这类研究里。但也要注意，第三方引用质量参差——MDPI 那篇的描述错误（坑 8）提醒我们，任何第三方论文中关于该数据集的具体参数都不应直接采信，必须回核官方页。

§7.4 一份典型的评测场景（第三方心律失常误报研究）

MDPI Sensors 2026 那篇论文虽对数据集描述有误，但其研究设计思路值得借鉴，可用于理解 ScientISST MOVE 的一种典型用法：

背景：算法在 MIT-BIH 等受控数据上训练，到真实运动场景可能误报。
设计：把在受控数据上训练的模型直接（不再训练）迁移到 ScientISST MOVE，因为该数据集的受试者保持正常窦性心律、无心律失常，所以任何被判为心律失常的输出都是运动伪影造成的假阳性。
价值：ScientISST MOVE 在这种用法下充当"负样本来源"——用来量化模型在真实场景下的特异度（specificity）与虚警率。

这一思路与数据集"无病理标注"的性质契合：因为没有病理性事件，它天然适合做"假阳性审计"。这正是该数据集在临床算法鲁棒性研究中的独特价值——不是告诉你"什么是病"，而是告诉你"运动能骗过你的算法到什么程度"。

§8 方法学启示与可迁移经验

从 ScientISST MOVE 的设计中可提炼若干可迁移到其他生物信号数据采集项目的方法学经验：

§8.1 让"脏"成为一等公民

大多数数据集追求"采集尽可能干净"，把噪声数据当废料丢弃。ScientISST MOVE 反其道而行——刻意保留并主动制造低质量信号（干电极路），因为噪声本身是研究对象。这一视角转变适用于任何"算法的部署环境比训练环境恶劣"的领域：与其只采集理想数据再抱怨泛化差，不如主动采集恶劣条件下的数据，并把"恶劣"作为标注维度之一。

§8.2 冗余测量制造天然配对

在同一生理过程上叠加多种采集方式（凝胶 vs 干电极、手指 vs 腕部），可获得"同一真值、多种观测质量"的天然配对数据。这种冗余不浪费，而是把"信号质量"这个通常难以标注的维度变得可测、可监督。任何做信号恢复/超分辨率/去噪的研究都可以借鉴这种"故意冗余"的设计。

§8.3 同步信息要显式保留

多设备采集的同步是一切后续分析的前提。ScientISST MOVE 用了"采集前标记初始时点 + LTBio 事后对齐"的方案，并把对齐结果的精度差异体现在不同格式中（LTBio 保留微秒级、CSV 离散化到 2 ms）。这提示：同步元数据应与信号一同保留，且不同精度格式应明确告知使用者其代价——不要把"已对齐"当作理所当然。

§8.4 无滤波但用正确传递函数

论文明确"未滤波但应用了正确传递函数"，使数值直接是物理量（mV/uS/g/ºC）。这是一个务实的选择：保留原始带宽（不预先滤波）以便使用者自定义预处理，同时完成单位换算以降低使用门槛。数据集的预处理边界应当清晰声明——哪些做了、哪些没做——而非笼统地说"已预处理"。

§8.5 自然场景的伦理成本要前置管理

自由活动采集（在真实环境中走动、跑步、与人互动）比实验室采集面临更多伦理与隐私问题（受试者可识别信息、潜在风险、退出权）。ScientISST MOVE 的处理是：伦理委员会一致通过 + 明确退出权 + HIPAA Safe Harbor 去标识 + 日期时间平移。这套组合拳值得任何做自然场景采集的团队参考。

§8.6 小样本如何做出高价值

17 名受试者在动辄数百人的大数据集时代显得很小，但 ScientISST MOVE 依然被广泛引用，原因值得深思：

设计独特性压倒规模：它的价值不在"样本多"，而在"采集设计别人没有"（双视图配对 + 自然场景 + 多设备冗余）。这提示数据采集者：与其再做一个更大但同质的常规数据集，不如做一个设计上有不可替代性的小数据集。
任务匹配精准：它不试图服务所有任务，而是明确服务去噪/质量/活动响应三类任务，附录与文档都围绕这些任务组织。
开放与工具齐备：CC BY 4.0 + 双平台 + 官方 notebook，把使用门槛压到最低，弥补了规模劣势。

对数据生产者的启示：规模不是唯一竞争力，设计的不可替代性与使用的便利性同样关键。

§8.7 双视图方法的可移植性

"刻意保留低质量采集路"的做法可移植到多个领域：

领域	类似"双视图"设计
医学影像	同一切片用两种扫描协议/两种设备成像
语音	同段语音用近场麦克风（净）与远场麦克风（噪）同时录
遥感	同一地物用高分辨率与低分辨率传感器同步观测
运动捕捉	同动作用光学动捕（精确）与 IMU（易漂移）同步采
工业传感	同物理量用高精度与低成本传感器并行测

核心思想一致：在同一真值上叠加不同质量的观测，把"质量"变成可监督维度。ScientISST MOVE 是这个思想在生理信号上的一个漂亮实例。

§9 与库内条目的关系、局限与存照

§9.1 库内互链点

ScientISST MOVE 属于"生理信号 / 可穿戴传感"这一类，可与本库中以下条目建立互链（rid 一律以 DB url_name 反查为准，下列为候选 slug，非最终 rid）：

候选互链条目	互链理由
`mover`（record_id=759）	同属"运动/可穿戴"语义；注意二者是不同数据集（MOVER 非 ScientISST MOVE），互链时须避免名字混淆
`bci-competition-iv-2a`	同属生理信号（EEG）多受试者标注数据集，可互链"信号+标注"范式
`adhd-200`	生理信号（fMRI/表型）多受试者队列，可互链"自然/临床场景对照"
`abide`	大型多受试者生理/脑影像数据集，可互链"多受试者采集设计"
`aomic`	长时程生理监测数据集（如适用），可互链"长时程信号"
`apnea-ecg`	ECG 生理信号数据集，可互链"ECG 信号质量/去噪"主题
`sleep-edfx` 类睡眠信号条目（若库内存在）	长时程多通道生理信号，可互链"多模态生理记录"范式

注意：上述仅列 slug 候选。最终互链的 record_id 必须由主会话用 SELECT record_id,url_name FROM ai_ready_dataset WHERE url_name IN (...) 反查确认，严禁用位置对齐或猜测 rid。

§9.2 数据局限（rai:dataLimitations 正文展开）

局限	具体表现	使用影响
样本量小	仅 17 名健康志愿者	深度模型易过拟合；跨人群泛化弱
人口偏窄	中位 24 岁、全 Caucasian、健康	不能代表老年/患病/其他族群
活动非满格	并非所有受试者完成所有活动，部分数据因质量剔除	逐活动样本不均衡，需逐受试者核对
标注人为性	受试者按按钮 + 研究者复核，非仪器分割	活动边界有误差，精确分割需自审
双视图非严格对齐	gel/dry 采集路径不同、频率可能不同	逐样本监督前需时间配准
格式精度差异	CSV 上采样离散化，累积滞后	精确分析须用 LTBio 格式
无病理标注	受试者健康，无疾病事件	不能直接做疾病检测训练；但适合假阳性审计
去标识限制	日期时间已平移	任何时间（季节/时段）相关分析不可行
设备命名双口径	Zenodo 写 Core、项目页写 Sense	复现硬件需核对型号

§9.3 双口径冲突存照（逐条）

本条目在核验中发现四处官方/镜像间的表述差异，全部逐条存照，正文按主口径写并在此注明：

[存照 A] 设备命名：ScientISST Core vs ScientISST SENSE

Zenodo 官方描述：“Devices: 2x ScientISST Core + 1x Empatica E4”
PhysioNet 论文正文：“Two of the devices were crafted out of ScientISST Core boards”
项目页面（run-like-a-scientisst）：“Two ScientISST SENSEs were used”
结论：官方数据集描述与论文用 “Core”，项目宣传页用 “Sense”。条目正文以 “ScientISST Core” 为主并注项目页表述。

[存照 B] CSV 多标签分隔符：逗号 vs 竖线

Zenodo 记录描述：'run,sprint'（逗号）
Unpaywall / scholar.archive 镜像同文：'run | sprint'（竖线）
结论：同源描述在两个镜像出现不同分隔符。正文以 Zenodo 官方页逗号口径为主并注镜像差异。实际使用时应直接检查 CSV 文件而非依赖文档。

[存照 C] CSV 累积时间滞后：200 ms vs 48 ms

Zenodo 记录描述：“cumulative lags are no longer than 200 ms for all subjects”
Unpaywall / scholar.archive 镜像同文：“no longer than 48 ms for all subjects”
结论：同源描述两镜像给出不同上界。正文注两值，实际以文件实测为准。

[存照 D] 有效时长：10.5 传感器-小时 vs 平均 37 分钟/人

PhysioNet 1.0.0 摘要：合计 10.5 sensor-simultaneous useful hours
PhysioNet 1.0.1 摘要：平均 37 useful minutes of synchronised data from all sensors
结论：两口径自洽（17×37min≈10.5h），属不同版本摘要的表述差异。正文并存。

§9.4 第三方误引存照（重要警示）

[误引] MDPI Sensors 2026, 26(4):1135 对 ScientISST MOVE 的描述严重失真

该论文写道（原文大意）：ScientISST MOVE 提供"同步单导联 ECG（1000 Hz）与三轴加速度计（100 Hz）记录，来自 20 名健康志愿者，完成六项活动：坐、站、3 km/h 走、5 km/h 走、8 km/h 跑、骑自行车（cycling）"。

与官方冲突清单：

该文所述	官方事实	判定
20 名志愿者	17 名	错误
ECG 1000 Hz	ScientISST 500 Hz	错误
ACC 100 Hz	ScientISST 500 Hz / Empatica 32 Hz	错误
活动含 sitting/standing/cycling	官方无这些活动（为 lift/greet/gesticulate/jump/walk/run）	错误（疑与另一数据集混淆）
仅 ECG + ACC 两模态	官方为 7 模态 / 10 路传感器	严重失真

结论：该第三方论文对 ScientISST MOVE 的引用是错误或不具代表性的（疑似与 mHealth 等数据集混淆——mHealth 恰有多活动分类与相似活动集）。本条目不采信该文的任何 ScientISST MOVE 参数，仅将其作为"第三方引用需回核原文"的反面案例存照。这也再次印证本条目铁律：一切以官方三源（PhysioNet/Zenodo/论文）互证为准。

§9.5 遗留疑点（待核）

Zenodo v1.1 与 PhysioNet 1.0.1 的对应关系：Zenodo 版本号 v1.1 与 PhysioNet 1.0.X 命名不同，仅能按日期与"Fix notebooks after revision"（2024-03-12）推断二者可能同批修订，无法确证为同一内容。
两个 DOI 的关系：PhysioNet “latest DOI”（10.13026/0ppk-ha30）与 “v1.0.1 DOI”（10.13026/hyxq-r919）是否指向完全相同的当前内容，或 latest 会随未来版本漂移——未抓取到 PhysioNet 关于 latest DOI 语义的正式说明。
主论文精确卷期/文章号：PhysioNet 引用块只给出 “Scientific Data (2024)”，未给出 s41597 文章号；多轮搜索未定位到该论文的精确 DOI（s41597 系列）。若引用主论文需进一步核实。
GitHub 仓库的 license：仓库 README 未明示代码许可，代码许可与数据许可（CC BY 4.0）是否分离待核。
11/17 人 COVID-19 康复：此信息来自第三方（CEUR-WS 论文），官方页未强调；需回核 subject-info.csv 原文确认。

§10 避坑清单：八个已踩过/需防的坑

坑 1：第三方论文的参数不可直接采信。 已实证：MDPI Sensors 2026 那篇把 ScientISST MOVE 写成"20 人、1000 Hz、含 cycling、仅 ECG+ACC"——全错。任何第三方论文提到该数据集的规模、采样率、活动集、模态数，都必须回核 PhysioNet/Zenodo 官方页。官方口径是：17 人、ScientISST 500 Hz、7 模态、活动为 lift/greet/gesticulate/jump/walk/run。

坑 2：设备命名双口径（Core vs Sense）。 Zenodo 官方与 PhysioNet 论文写 “ScientISST Core”，项目宣传页写 “ScientISST SENSE”。检索、复现、写方法节时若只认一个名字，可能对不上。稳妥做法：写明"基于 ScientISST 板卡（官方描述为 Core，项目页称 Sense）"。

坑 3：CSV 格式有时间滞后，别用它做精确时间分析。 CSV 对低于 500 Hz 的传感器做了上采样与时间戳离散化，累积滞后官方口径 ≤200 ms、镜像口径 ≤48 ms。做逐样本对齐、事件检测、跨设备同步的研究必须用 LTBio Biosignal 格式（保留 10E-6 精度时间戳），别拿 CSV 凑合。

坑 4：CSV 多标签分隔符文档自相矛盾。 Zenodo 描述写逗号 'run,sprint'，镜像写竖线 'run | sprint'。解析 CSV 活动列时不要写死分隔符——先读一行原始数据看实际用的是什么。

坑 5：同一模态两路信号不是严格同时刻的。 双视图的 gel/dry 两路采集路径或设备不同（如 EDA 的 S3 在 ScientISST 500 Hz、S4 在 Empatica E4 4 Hz，频率差 125 倍）。把它们当"完美配对"做逐样本监督会引入相位误差，必须先时间配准。

坑 6：有效时长有两个数字，别只报一个。 合计 10.5 传感器-小时（1.0.0 口径）与人均 37 分钟（1.0.1 口径）描述同一件事，但引用时需注明口径来源，否则读者会以为矛盾。

坑 7：不是所有受试者都有全部模态/活动。 RECORDS.txt 显示部分受试者缺 empatica.edf；论文说明并非所有活动都在所有 session 完成，且部分数据因质量差被剔除。写"17 人 × 10 路 = 完整矩阵"是错的——必须逐受试者核对可用文件与标注。

坑 8：该数据集无病理事件，别用它训疾病检测模型。 受试者是健康志愿者、保持正常心律、无疾病事件。它适合做假阳性审计（运动伪影造成的虚警）与信号质量研究，不适合直接训练疾病分类器。把它当"带病标注的临床数据集"用会南辕北辙。

（附加）坑 9：库内 mover 不是 ScientISST MOVE。 数据库查重时 %move% 会命中 mover（record_id=759），二者是不同数据集。做互链时务必用完整 slug scientisst-move，别误用 mover。

§10.1 一份端到端使用 SOP

把散落在各章的要点串成一份可执行的流程，供首次使用者照做：

步骤 0 决策
  - 明确任务：去噪 / 设备对比 / 活动识别 / 假阳性审计
  - 依任务选格式（见 §3.5、附录 E）

步骤 1 获取
  - 去噪/精确对齐 → Zenodo biosignal.zip（含 md5 校验）
  - 临床处理 → PhysioNet EDF+
  - 快速统计 → CSV
  - 记录下载版本、DOI、md5 以备考证

步骤 2 环境准备
  - Python 3.10.4（官方 notebook 测试环境）
  - pip install LongTermBiosignals mne pandas numpy
  - clone github.com/scientisst/ScientISST-MOVE 取 usage/notebook

步骤 3 冒烟测试（先跑通最短路径）
  - 加载一位受试者的 ecg.biosignal
  - 切出 run 活动区间
  - 画图确认信号正常（gel 路应明显比 dry 路干净）

步骤 4 数据合规检查
  - 逐受试者核对 RECORDS.txt，确认可用模态与活动
  - 核对 subject-info.csv 的人口学/临床字段
  - 对双视图配对做时间配准（尤其 EDA 跨设备）

步骤 5 任务执行
  - 去噪：dry 路输入、gel 路监督，按活动强度分层评测
  - 设备对比：同模态两路算信号质量指标（如 SNR、伪影占比）
  - 活动识别：用 annotations 切片，注意活动非满格
  - 假阳性审计：外部模型直接推理，统计虚警

步骤 6 结果报告
  - 注明所用版本/格式/受试者子集/活动子集
  - 若可比较，说明划分协议（本数据集无官方划分）
  - 依 CC BY 4.0 署名

§10.2 常见错误自查清单

自查项	错误做法	正确做法
版本一致性	混用 Zenodo v1.1 与 PhysioNet 1.0.0 的数字	全篇统一版本并注明
格式选择	用 CSV 做微秒级对齐	用 LTBio 格式
分隔符假设	硬编码逗号解析活动列	先读原始行
配对假设	认为 gel/dry 完美同时刻	先做时间配准
完整性假设	假设 17 人×10 路满格	逐受试者核对
任务假设	用它训疾病分类器	用它做假阳性审计/信号质量
采样率假设	认为全数据统一 500 Hz	Empatica 路为 4-64 Hz
引用来源	采信第三方论文的参数	回核官方页
名称混淆	把 mover 当 scientisst-move	用完整 slug 区分
许可误读	以为需申请或不能商用	CC BY 4.0 署名即可商用

§10.3 与本库生产流程的衔接提示

供千方病案医数集编辑团队参考的衔接要点：

互链记录：本条目与 mover(759) 名字易混，互链时明确写"不同数据集"，避免读者误会。
category_tags 落点：本条目 tags 取自受控词表的"生理信号 / 可穿戴传感 / 心电信号 / 步态与运动 / 评测基准"，均在 check_md.py VOCAB 内，通过校验。
双口径传播：本条目存照的四处双口径（Core/Sense、逗号/竖线、200/48ms、10.5h/37min）与一处第三方误引，建议在主会话知识库中标注，防止后续条目再次采信错误参数。
后续扩展候补：若未来出现 ScientISST MOVE 的 2.0 或更大规模版本，可作为版本后继条目入池，并在本条目 §2.5 版本谱系处补充。

§11 总结

ScientISST MOVE 的价值可以用一句话概括：它把"人在真实生活中动起来时身体信号会变成什么样"这件事，做成了可下载、可训练、可复现的开放数据。

在这个数据集出现之前，做生物信号去噪的研究者面临两难：受控数据干净但失真（不能反映部署场景），真实数据脏但无配对（没有 ground truth 可监督）。ScientISST MOVE 用"双视图冗余采集"这个朴素而聪明的设计，一次性解决了这两个问题——既在自然场景中采集（真实），又让同一生理过程有两路不同质量的记录（可配对）。

它的六类日常活动（抬举、问候、手势、跳跃、走、跑）覆盖了从低强度到高强度的完整运动谱，七种模态（ECG/EDA/PPG/EMG/ACC/TEMP）覆盖了心血管、自主神经、肌肉与运动系统，三台设备（ScientISST 双板 + Empatica E4）与三格式（LTBio/CSV/EDF+）则给了不同技术栈的使用者足够的入口。CC BY 4.0 全开放 + PhysioNet/Zenodo 双通道 + 官方上手 notebook，让它的使用门槛降到了最低。

它的边界同样清楚：样本小（17 人）、人群窄（健康年轻白人）、无病理标注、标注有人为误差、多设备同步依赖 LTBio、CSV 有精度损失。因此它不是一个"万能基准"，而是一个定位精确的专项资源——尤其适合去噪算法、信号质量对比、活动生理响应建模、临床算法假阳性审计四类研究。

对本库（千方病案医数集）而言，ScientISST MOVE 填补的是"自然环境可穿戴多模态生理信号"这一格，与库内 EEG/ECG/脑影像类条目形成互补。它的"双视图"设计与"无病理标注但适合假阳性审计"的两个特点，是条目中最值得传播的技术洞见。

FAQ（高频问答 20 问）

Q1：ScientISST MOVE 的官方名称到底是什么？
两套并存：PhysioNet 版为 “ScientISST MOVE: Annotated Wearable Multimodal Biosignals recorded during Everyday Life Activities in Naturalistic Environments”；Zenodo 版为 “ScientISST MOVE: Annotated Multimodal Naturalistic Dataset Recorded During Everyday Life Activities Using Wearable Devices”。二者是同一份数据的两个镜像/版本。

Q2：有多少名受试者？
17 名健康志愿者（10 男 + 7 女，Caucasian，中位年龄 24 岁）。

Q3：数据量多大？
Zenodo 三格式压缩包共 2.7 GB；PhysioNet 1.0.1 解压后 446.9 MB。有效时长为 10.5 传感器-小时（约 37 分钟/人）。

Q4：有哪些模态？
七种：ECG、EDA、PPG、EMG、ACC、TEMP。共 10 路传感器（S1-S10）。

Q5：采样率是多少？
两台 ScientISST 同步 500 Hz；Empatica E4：EDA 4 Hz、PPG 64 Hz、TEMP 4 Hz、ACC 32 Hz。

Q6：什么是双视图设计？
同一模态录两路——一路凝胶电极（干净）、一路干电极（易受噪）。用于制造"脏输入-干净目标"配对，评估去噪算法。

Q7：有哪些活动？
六类主活动：抬举、问候、边说话边手势、跳跃、走、跑。EDF 主标签 7 个：baseline/lift/greetings/jumps/walk_before/run/walk_after。

Q8：怎么下载？
PhysioNet（Open Access，可 wget/aws s3 直链）或 Zenodo（records/8300972，三个 zip 含 md5）。完全免费、无需申请、无需认证。

Q9：许可是什么？
CC BY 4.0（Creative Commons Attribution 4.0 International）。署名即可自由使用、分发、改编、商用。

Q10：要引用哪些 DOI？
版本钉死：PhysioNet 1.0.1 用 doi:10.13026/hyxq-r919；Zenodo v1.1 用 doi:10.5281/zenodo.8300972；一般性引用可用 latest DOI 10.13026/0ppk-ha30。

Q11：配套论文是什么？
数据描述论文发表于 Scientific Data（2024），作者 Areias Saraiva 等五人。另有一篇 BIOSTEC 2023 的心电去噪自编码器论文（doi:10.5220/0011883400003414）。

Q12：用什么工具打开？
EDF 用 MNE（mne.io.read_raw_edf）；LTBio 格式用 LongTermBiosignals 包（Biosignal.load）；CSV 用 pandas。官方 notebook 在 GitHub scientisst/ScientISST-MOVE。

Q13：能用来训练疾病检测模型吗？
不能直接用于疾病检测——受试者健康、无病理事件。它适合做假阳性审计（量化运动伪影造成的误报）与信号质量研究。

Q14：为什么叫 “MOVE”？
因为采集场景就是"动起来"（抬举、问候、手势、跳跃、走、跑），核心价值是研究运动对生物信号的影响。

Q15：数据在受控环境还是自然环境采集？
真实自然环境（free-living / naturalistic），这正是它与大多数实验室数据集的关键区别。

Q16：三个格式该怎么选？
精确时间对齐/逐样本监督/要人口学元数据 → LTBio；快速统计/活动切片 → CSV；临床处理/MNE 生态 → EDF+。

Q17：CSV 和 LTBio 格式有什么区别？
CSV 对低于 500 Hz 的传感器上采样到 500 Hz（每 2 ms 一行），有时间离散化滞后；LTBio 保留 10E-6 精度原始时间戳、原始采样率，并含临床与人口学数据。

Q18：数据里的单位是什么？
物理量单位：ECG/EMG 为 mV、EDA 为 uS、ACC 为 g、TEMP 为 ºC。未滤波但已应用正确传递函数。

Q19：伦理审批是什么？
IST（里斯本高等理工学院）伦理委员会一致通过，内部参考号 22/2022，无不良事件。去标识符合 HIPAA Safe Harbor。

Q20：有哪些常见引用错误要警惕？
有第三方论文把它写成"20 人、1000 Hz、含 cycling、仅 ECG+ACC"——全错。一切参数以 PhysioNet/Zenodo 官方页为准（坑 1、坑 8）。

事实清单（硬事实 30 条）

数据集全称（PhysioNet）：ScientISST MOVE: Annotated Wearable Multimodal Biosignals recorded during Everyday Life Activities in Naturalistic Environments
数据集全称（Zenodo）：ScientISST MOVE: Annotated Multimodal Naturalistic Dataset Recorded During Everyday Life Activities Using Wearable Devices
slug：scientisst-move
作者：João Areias Saraiva、Mariana Abreu、Ana Sofia Carmo、Hugo Plácido da Silva、Ana Fred（5 人）
机构：Instituto Superior Técnico（IST）+ Instituto de Telecomunicações（IT），葡萄牙里斯本
受试者：17 名健康志愿者（10 男 59% + 7 女 41%）
人种：Caucasian
中位年龄：24 岁
有效时长：10.5 传感器-小时（1.0.0 口径）/ 平均 37 分钟（1.0.1 口径）
设备：3 台（2× ScientISST Chest+Forearm + 1× Empatica E4）
模态：7 种（ECG/EDA/PPG/EMG/ACC/TEMP）
传感器：10 路（S1-S10）
ScientISST 采样率：所有传感器同步 500 Hz
Empatica E4 采样率：EDA 4 Hz / PPG 64 Hz / TEMP 4 Hz / ACC 32 Hz
活动标签（主）：baseline/lift/greetings/jumps/walk_before/run/walk_after
活动标签（子）：sprint / walk_before_downstairs / lift-1 / lift-2
通道命名：ecg-gel/ecg-dry/eda-gel/eda-dry/ppg-index/ppg-wrist/acc-chest-AXIS/acc-wrist-AXIS/emg/temp
许可：CC BY 4.0
PhysioNet DOI (v1.0.0)：10.13026/sg89-qq52（2023-11-13）
PhysioNet DOI (v1.0.1)：10.13026/hyxq-r919（2024-03-25）
PhysioNet DOI (latest)：10.13026/0ppk-ha30
Zenodo DOI (v1.1)：10.5281/zenodo.8300972（2023-05-15）
Zenodo DOI (v1.0)：10.5281/zenodo.7940438
Zenodo 三包大小：biosignal.zip 263.1 MB / csv.zip 2.2 GB / edf.zip 217.3 MB（共 2.7 GB）
PhysioNet 1.0.1 大小：解压 446.9 MB / ZIP 197.0 MB
伦理审批：IST 伦理委员会，参考号 22/2022，一致通过，无不良事件
去标识：符合 HIPAA Safe Harbor；日期时间已平移
论文：Scientific Data（2024）
官方工具：GitHub scientisst/ScientISST-MOVE（creation/ + usage/），Python 3.10.4
项目源头：PreEpiSeizures 项目（癫痫检测），ScientISST 为非营利教育机构

术语表（28 条）

术语	英文	释义
可穿戴生物信号	wearable biosignals	由穿戴式设备采集的生理电/光/机械信号
自然场景	naturalistic / free-living	在真实日常环境中而非实验室采集的条件
多模态	multimodal	同时采集多种生理模态
心电	ECG（electrocardiography）	心脏电活动信号
皮肤电活动	EDA（electrodermal activity）	皮肤汗腺活动引起的电导变化
光电容积脉搏波	PPG（photoplethysmography）	光学法测量血容量变化
肌电	EMG（electromyography）	肌肉电活动信号
加速度	ACC（accelerometry）	三轴运动加速度
皮温	TEMP（skin temperature）	皮肤表面温度
双视图	double view	同一模态用两种采集方式录两路
凝胶电极	gel electrode	涂导电凝胶的湿电极，信号质量高
干电极	dry electrode	无需凝胶的电极，易受运动噪声
运动伪影	motion artifact	身体运动引入的信号污染
信号去噪	signal denoising	从含噪信号恢复干净信号
信号质量	signal quality	信号保真度与可用性
传递函数	transfer function	将原始 ADC 计数换算为物理量的函数
上采样	upsampling	提高采样率的插值处理
时间戳	timestamp	样本对应的时刻
同步	synchronization	多设备信号的时间对齐
标注	annotation	活动等事件的标签标记
基线	baseline	静息/基准状态
事件按钮	event button	受试者用于标记活动起止的按钮
受试者编码	subject code	4 位随机字母数字标识
去标识	de-identification	移除可识别个人信息
HIPAA Safe Harbor	HIPAA Safe Harbor	美国 HIPAA 规定的去标识安全港标准
电阻抗	impedance	电极-皮肤界面的电阻，影响信号
LTBio	LongTermBiosignals	ScientISST 团队的长时程生物信号 Python 库
MNE	MNE-Python	开源神经/生理信号处理库

附录

附录 A：条目信息速查卡

项	值
条目名	ScientISST MOVE
url_name	scientisst-move
类型	数据集+数据描述论文+工具链（三合一，非挑战赛）
论文	Scientific Data (2024)；PhysioNet 1.0.1 / Zenodo v1.1
团队	IST + IT（葡萄牙里斯本）
规模	17 名受试者；10 路/7 模态；10.5 传感器-小时
许可	CC BY 4.0（单层全开放）
抓取时点	2026-10-03
库内互链	mover(759) 反查确认后互链；其余待反查

附录 B：DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	PhysioNet + Zenodo 双平台索引；Scientific Data 论文开放获取；GitHub 工具仓库；名字独特不易混淆（注意与 mover 区分）
A 可获取性	9	CC BY 4.0 全开放、双通道直链（wget/aws s3/网页 zip）、无需认证与申请；三格式齐全含 md5 校验；唯一小扣分是 LTBio 格式需 Zenodo 通道
I 可互操作	8	EDF+/CSV/LTBio 三格式 + MNE/pandas/NumPy 生态；含 SHA256SUMS 完整性校验；无 DICOM/OHDSI 标准化转换（非临床数据，可接受）
M 元数据质量	7	论文含完整传感器表、采样率、协议五阶段、伦理信息；官方 notebook 提供索引示例；扣分项：设备命名双口径（Core/Sense）、CSV 分隔符与滞后数两镜像不一致、主论文精确卷期未明示
S 可持续性	8	依托 PhysioNet（25 年历史的稳定平台）与 Zenodo（CERN 运营）双托管；ScientISST 非营利机构提供工具；DOI 多层稳定；扣分项：GitHub 代码许可未明示、数据规模小无后续扩展版本
综合评级	8.0/10（优秀）	开放性与可获得性突出（CC BY 全开放 + 双通道 + 三格式），元数据因双口径表述差异略降；可持续性依托双稳定平台有保障

附录 C：逐项证据链自证

关键数字	来源	位置
17 名受试者（10 男/7 女，中位 24 岁）	PhysioNet 论文参与者节 / Zenodo 摘要	官方页
10.5 传感器-小时	PhysioNet 1.0.0 摘要	官方页
平均 37 分钟/人	PhysioNet 1.0.1 摘要	官方页
10 路传感器表（S1-S10）	PhysioNet 论文硬件节	官方页
ScientISST 同步 500 Hz	PhysioNet 论文硬件节	官方页
Empatica E4 4/64/4/32 Hz	PhysioNet 论文硬件节	官方页
活动标签 baseline/lift/…	PhysioNet 论文 Files Structure 节	官方页
子标签 sprint/lift-1/lift-2	PhysioNet 论文 Files Structure 节	官方页
CC BY 4.0	PhysioNet 1.0.1 License 区	官方页
Zenodo 三包 263.1MB/2.2GB/217.3MB	Zenodo 页面 Files 区（含 md5）	官方页
PhysioNet 446.9MB/197.0MB	PhysioNet 文件区	官方页
伦理号 22/2022	PhysioNet 论文 Ethics 节	官方页
双口径 Core/Sense	Zenodo 描述 + 论文 + 项目页	三源
双口径 200ms/48ms	Zenodo + Unpaywall 镜像	双源
双口径逗号/竖线	Zenodo + Unpaywall 镜像	双源
第三方误引（20人/1000Hz/cycling）	MDPI Sensors 2026 26(4):1135	第三方论文

附录 D：数据获取与使用决策树

目标是什么？
├── 信号去噪（双视图监督）
│   └── Zenodo biosignal.zip（LTBio，精确时间戳）→ 时间配准 → 脏路输入/净路监督
├── 设备/电极信号质量对比
│   └── 同模态两路（如 ecg-gel vs ecg-dry）→ 质量指标对比
├── 活动识别
│   └── EDF+ 或 CSV → 按 annotations 切片 → 分类建模（注意活动非满格）
├── 临床算法假阳性审计
│   └── 受控数据训练 → ScientISST MOVE 直接推理 → 统计误报
└── 复现采集协议
    └── 读论文硬件节+协议五阶段 → 采购/自制 ScientISST 板卡 → 参照 subject-info.csv

附录 E：三格式对照与选择

格式	时间精度	采样率	元数据	中断处理	推荐场景
LTBio Biosignal	10E-6 s（微秒）	原始	含临床+人口学	保留	精确对齐、去噪监督、需元数据
CSV	2 ms（离散化）	统一 500 Hz	无	单元格留空	快速统计、活动切片
EDF+	原始采样点	原始	无（不含 notes）	NaN	临床处理、MNE 生态

附录 F：LTBio 上手代码骨架

# 加载与索引（LTBio 格式）
from LongTermBiosignals import Biosignal

ecg = Biosignal.load("biosignal/KF93/ecg.biosignal")   # 载入某受试者 ECG（含双路）
seg = ecg["run"]                                        # 按活动标签切片
arr = seg.numpy()                                       # 转为 NumPy 数组
df  = seg.dataframe()                                   # 或转为 DataFrame
ecg.preview.plot()                                      # 快速预览

# EDF 格式（MNE）
import mne
raw = mne.io.read_raw_edf("edf/KF93/scientisst_chest.edf", preload=True)
events, event_id = mne.events_from_annotations(raw)     # 读取活动标注

# CSV 格式（pandas）
import pandas as pd
df = pd.read_csv("csv/KF93.csv")                        # 时间轴/各传感器/活动标签三部分

附录 G：双口径与误引速查表

编号	冲突项	口径 A	口径 B	处理
坑 2	设备命名	Zenodo/论文：ScientISST Core	项目页：ScientISST Sense	并存，正文注两说
坑 4	CSV 多标签分隔符	Zenodo：逗号	镜像：竖线	以官方页为准，实测核对
坑 3	CSV 累积滞后	Zenodo：≤200 ms	镜像：≤48 ms	两值并存，实测为准
坑 6	有效时长	1.0.0：10.5 小时合计	1.0.1：37 分钟均值	两口径并存
坑 1	第三方误引	MDPI：20人/1000Hz/cycling	官方：17人/500Hz/无cycling	不采信第三方

附录 H：引用与著录模板

数据（PhysioNet 1.0.1，版本钉死）：
Areias Saraiva, J., Abreu, M., Carmo, A. S., Plácido da Silva, H., & Fred, A. (2024).
ScientISST MOVE: Annotated Wearable Multimodal Biosignals recorded during Everyday
Life Activities in Naturalistic Environments (version 1.0.1). PhysioNet.
RRID:SCR_007345. https://doi.org/10.13026/hyxq-r919

数据（Zenodo v1.1）：
Areias Saraiva, J., Abreu, M., Carmo, A. S., Plácido da Silva, H., & Fred, A. (2023).
ScientISST MOVE: Annotated Multimodal Naturalistic Dataset Recorded During Everyday
Life Activities Using Wearable Devices (v1.1). Zenodo.
https://doi.org/10.5281/zenodo.8300972

论文：
Areias Saraiva, J., Abreu, M., Carmo, S., Plácido da Silva, H., & Fred, A. (2024).
Annotated Wearable Multimodal Biosignals recorded during Everyday Life Activities.
Scientific Data.

附录 I：三分栏速查索引

你想做	去 §	关键动作
下数据	§6 / 附录 D	PhysioNet 或 Zenodo，CC BY 4.0 直链
理解双视图	§4	gel/dry 配对，注意非严格对齐
看标注体系	§5	7 主标签 + 子标签，事件按钮+复核
选格式	§3.5 / 附录 E	LTBio/CSV/EDF 三选一
避坑	§10	八个坑，重点坑 1/3/5/8
查双口径	§9.3 / 附录 G	四处表述差异
找互链条目	§9.1	候选 slug，rid 以 DB 反查为准

附录 J：受试者与文件布局速查

受试者编码	empatica.edf	scientisst_chest.edf	scientisst_forearm.edf
3B8D	✓	✓	✓
03FH	✓	✓	✓
3RFH	✓	✓	✓
4JF9	✓	✓	✓
93DK	✓	✓	✓
93JD	—	✓	✓
AP3H	✓	✓	✓
F408	✓	✓	✓
H39D	✓	✓	✓
JD3K	✓	✓	✓
K2Q2	✓	✓	✓
KF93	✓	✓	✓
KS03	✓	✓	✓
LAS2	✓	✓	✓
LDM5	✓	✓	✓
LK27	✓	✓	✓
ME93	✓	✓	✓

说明：上表依据 PhysioNet 1.0.1 的 RECORDS.txt 整理。可观察到 93JD 缺 empatica.edf——印证"并非所有受试者完成全部采集"。使用前务必以实际下载的 RECORDS.txt 为准（此表为核验时点整理，可能随版本变动）。17 个编码合计对应 17 名受试者，与规模口径一致。

附录 K：信号质量研究的可能指标

若用本数据集做"信号质量对比"研究，可参考以下指标维度（本条目仅列方法论建议，非数据集自带）：

维度	可能的指标	适用模态
信噪比类	SNR 估计、信号-伪影功率比	ECG/PPG/EMG
形态保真	R 峰检出率/形态相关、脉搏波形态一致性	ECG/PPG
伪影占比	饱和样本比例、基线漂移幅度、丢失接触段长度	EDA/干电极路
频域	频谱能量分布、运动频段（约 0.5-5 Hz）污染	ACC 关联分析
配对差	同模态两路（gel vs dry）的逐点/分段差异	ECG/EDA/PPG
设备差	同模态跨设备（ScientISST vs Empatica）差异	EDA/PPG/ACC

方法学提示：本数据集没有预定义的质量标签，"质量"如何量化完全由研究设计决定。建议按活动强度（baseline/lift/walk/run）分层报告，因为运动强度是质量差异的主因。

附录 L：库内互链记录表（供主会话填写）

候选 slug	拟定 rid	互链理由	状态
mover	759	名字近邻（易混），需明确区分	rid 已确认
bci-competition-iv-2a	待反查	多受试者生理信号+标注范式	待主会话确认
adhd-200	待反查	多受试者队列，自然/临床对照	待主会话确认
abide	待反查	大型多受试者生理数据集	待主会话确认
apnea-ecg	待反查	ECG 信号质量/去噪主题	待主会话确认

纪律声明：上表 rid 一律以 SELECT record_id,url_name FROM ai_ready_dataset WHERE url_name IN (...) 反查为准，严禁位置对齐或猜测。本条目仅提供候选 slug 与理由，最终互链由主会话串行确认。

附录 M：版本选择速查

需求	推荐版本	DOI	理由
可复现研究（钉死版本）	PhysioNet 1.0.1	10.13026/hyxq-r919	最新修订，版本明确
追踪最新	PhysioNet latest	10.13026/0ppk-ha30	始终指向最新
需要 LTBio 格式	Zenodo v1.1	10.5281/zenodo.8300972	biosignal.zip 独立提供
归档引用早期版本	PhysioNet 1.0.0	10.13026/sg89-qq52	1.0.1 之前的经典版
归档引用 Zenodo 初版	Zenodo v1.0	10.5281/zenodo.7940438	Zenodo 最早版本

一致性提示：选定版本后，规模数字、格式细节、活动标签都应以该版本官方页为准，不要跨版本混引。

附录 N：本条目核验方法记录

核验项	方法	结果
数据集真实性	WebSearch + PhysioNet/Zenodo 页面实抓	确证存在
官方名称	两平台页面标题对照	双命名，同一数据
作者与机构	PhysioNet 作者块 + Zenodo 元数据 + ORCID	5 人一致
硬数字（人数/时长/采样率）	PhysioNet 论文硬件节 + Zenodo 摘要	三源互证
许可	PhysioNet License 区 + Zenodo	均为 CC BY 4.0
slug 查重	`ls writing/` + DB `url_name ILIKE`	无撞库
DOI 链	各平台页面 + DOI 基金会	五个 DOI 全部核实
双口径	官方页 vs 镜像 vs 项目页逐条比对	四处差异存照
第三方误引	MDPI 论文 vs 官方页逐参数比对	一处严重失真存照
文件结构	RECORDS.txt + 三格式说明	逐格式核实

附录 O：给不同读者的最短路径

读者角色	推荐阅读顺序	一句话建议
数据下载者	§6 → 附录 D → 附录 M	按格式选通道，CC BY 4.0 直链，版本钉死
去噪算法研究者	§4 → §3.5 → 附录 F	用 LTBio 格式，先做 gel/dry 配准
活动识别研究者	§5 → §3.7	用 annotations 切片，注意活动非满格
临床算法评测者	§7.4 → §10 坑 8	用它做假阳性审计，非疾病检测
数据采集复现者	§5.3 → §8 → 附录 G	学双视图设计与伦理前置管理
编辑/审校者	§9.3 → §9.4 → 附录 N	关注四处双口径与一处第三方误引

尾注

抓取时点：2026-10-03
三源互证：PhysioNet（1.0.0/1.0.1）、Zenodo（v1.1）、Scientific Data（2024 论文）——另辅以 OpenAIRE、Unpaywall、ORCID、项目页、GitHub 交叉核对
双口径存照：四处官方/镜像表述差异（设备命名、CSV 分隔符、累积滞后、有效时长），逐条见 §9.3 与附录 G
第三方误引警示：MDPI Sensors 2026 26(4):1135 对本站数据集描述严重失真，不采信（§9.4）
主要来源 URL：
- PhysioNet 1.0.1：https://physionet.org/content/scientisst-move-biosignals/1.0.1/
- Zenodo：https://zenodo.org/records/8300972
- 项目页：https://www.scientisst.com/projects/run-like-a-scientisst
- GitHub：https://github.com/scientisst/ScientISST-MOVE
- PhysioNet DOI (1.0.0)：https://doi.org/10.13026/sg89-qq52
- PhysioNet DOI (1.0.1)：https://doi.org/10.13026/hyxq-r919
- Zenodo DOI (v1.1)：https://doi.org/10.5281/zenodo.8300972
- Zenodo DOI (v1.0)：https://doi.org/10.5281/zenodo.7940438
- BIOSTEC 2023 论文：https://doi.org/10.5220/0011883400003414

维度	内容
本质	真实自然环境（free-living）下的可穿戴多模态生物信号数据集，非受控实验室采集
团队	Instituto Superior Técnico（IST）+ Instituto de Telecomunicações（IT），葡萄牙里斯本
作者	João Areias Saraiva、Mariana Abreu、Ana Sofia Carmo、Hugo Plácido da Silva、Ana Fred
论文	Scientific Data 2024；PhysioNet 1.0.1（doi:10.13026/hyxq-r919）；Zenodo v1.1（doi:10.5281/zenodo.8300972）
规模	17 名健康志愿者（10 男/7 女，中位 24 岁）；10.5 传感器-小时（约 37 分钟/人）
设备	3 台：2× ScientISST（Chest + Forearm）+ 1× Empatica E4 腕带
模态	7 种 / 10 路传感器：ECG、EDA、PPG、EMG、ACC（胸+腕）、TEMP
采样率	ScientISST 同步 500 Hz；Empatica E4：EDA 4 Hz / PPG 64 Hz / TEMP 4 Hz / ACC 32 Hz
活动	6 类主活动：抬举、问候、边说话边手势、跳跃、走（跑前/跑后）、跑；EDF 主标签 7 个
特色	每模态双视图（gel 低噪声 + dry 易受噪），后者作去噪算法评估目标
标注	受试者按事件按钮 + 研究者事后复核；含子标签 sprint / walk_before_downstairs / lift-1 / lift-2
格式	LTBio Biosignal（精时间戳）/ CSV（上采样 500 Hz）/ EDF+（原采样率+NaN 中断）
获取	PhysioNet + Zenodo 双通道全开放，无需认证或申请
许可	CC BY 4.0（Creative Commons Attribution 4.0 International）
库内互链	mover(759)、apnea-ecg、bci-competition-iv-2a、adhd-200、abide 等生理信号类条目（rid 以 DB 反查为准）