信息速览

数据集名称录到死亡的二十三盘磁带 — SDDB 猝死长程心电库

数据类型时序信号,波形,人工标注,元数据

规模23 名患者 / 23 段记录

接入方式https://physionet.org/content/sddb/1.0.0/

AI 就绪度

心源性猝死最残酷的地方不是它致命，而是它几乎从不被完整记录。一个人在院外倒下，从窦性心律走到心室颤动往往只花几分钟；等急救人员到达、电极贴上、监护仪开机，记录下来的大多已经是心电静止，或者心肺复苏按压留下的大片伪迹。真正有科学价值的那段窗口——最后一次正常心搏之后，室性早搏怎样逐渐增多、怎样成对成串、怎样演变为室性心动过速、怎样蜕变为心室扑动与颤动、最后怎样停下来——在临床记录里几乎是空白。要拿到这一段，只可能靠一件事：患者倒下的那一刻，身上恰好戴着 Holter。

SDDB 就是一批"恰好"的带子。SDDB 猝死长程心电库（Sudden Cardiac Death Holter Database）由 PhysioNet 于 2004 年 7 月 2 日发布，版本 1.0.0，主体是 23 段完整的双通道长程心电记录，单段从 3 小时 56 分到 25 小时 8 分不等，采样率 250 Hz。全部 23 名患者都在记录期间发生了持续性室性心动过速，其中多数发生了真正的心脏骤停。这些数据主要采集于 1980 年代的波士顿地区医院，由当时在 MIT 的 Scott Greenwald 为室性心律失常研究而汇编。

它的代价与它的价值同样极端：只有 23 段、两通道、患者信息大量缺失、审校过的心搏标注只覆盖其中 12 段。它不是一个"规模够用"的训练集，而是一批在伦理与技术上都不可能重新采集的原始素材。一屏速览见下表。

维度	内容
全名	Sudden Cardiac Death Holter Database
发布方	PhysioNet（记录由 Scott Greenwald 在 MIT 期间采集并汇编）
首次发布	2004 年 7 月 2 日，版本 1.0.0
最近改动	仅一个版本，无后续修订记录
记录数	23 段，编号 30–52
患者数	23 名（官方未给出统一人口学统计）
单段时长	3:56:00（记录 41）至 25:08:30（记录 51）
通道数	2（头文件未标注导联名，两通道均标记为 ECG）
采样率与分辨率	250 Hz，格式 212 打包存储，12 位 ADC 分辨率
增益	多数记录 800 ADC 单位/毫伏；记录 39 与 47 为 200
原始来源	1980 年代波士顿地区医院的 Holter 记录
底层心律构成	18 例窦性（含 4 例间歇起搏）、1 例持续起搏、4 例心房颤动
标注规模	23 份未审校算法标注（`.ari`）+ 12 份审校参考标注（`.atr`）
标注生成方式	算法自动初标；其中 12 段经人工逐搏审校
文件格式	WFDB：`.hea` 头文件 / `.dat` 信号 / `.ari` 与 `.atr` 注释
总体积	未压缩 1.1 GB，共 110 个文件
许可	Open Data Commons Attribution License v1.0（ODC-BY 1.0），无需注册
DOI	10.13026/C2W306
典型用途	室颤检测与预警、室性心律失常演进分析、除颤算法评估、猝死前驱信号研究

§1 它要解决的具体麻烦

1.1 猝死研究的证据缺口：临床记录不到那段

心电数据的公开生态里，绝大多数库回答的是"如何识别已经发生的异常"。MIT-BIH 心律失常库回答的是心搏形态怎么分；房颤类库回答的是心房活动怎么判；ST 类库回答的是缺血怎么定。这些任务的共同前提是：异常已经出现在那段被公开的记录里，研究者只要学会认出它。

猝死研究面对的是另一个问题：异常还没发生，而你需要提前几分钟知道它要发生。这个问题在数据层面几乎无解，因为能用来监督训练的"正样本"必须是真实的、连续的、从稳定状态一路走到致死性心律失常的整段过程，而这类过程在临床上绝大多数没有被记录。院外骤停的患者身上没有电极；院内监护的患者往往已经在干预之下，心电形态被药物、起搏、按压改写。

于是出现了一个近乎悖论的处境：最能推动预警算法进步的数据，恰恰是最不可能被前瞻性采集的数据。SDDB 的存在依赖于一次纯粹的历史巧合——一批 1980 年代做的 Holter 检查，恰好碰上了患者在这次检查期间发生致死性事件。这不是设计出来的队列，是筛出来的幸存样本。

1.2 三条常见的错误期待

第一条，期待它有清晰的临床标签。官方页面明确说：患者信息有限，有时完全缺失，包括用药方案与剂量。它给的是一张 23 行的临床信息表，性别、年龄、病史、用药、底层心律五列，其中"Unknown"反复出现。想用它做"某种药物是否延长了室颤前驱期"这类研究，从一开始就没有数据支撑。

第二条，期待它是"室颤检测的标准基准库"。它确实常被拿来测室颤检测器，但它不适合当唯一基准：样本只有 23 段，且底线心律不齐（18 例窦性、4 例房颤、1 例起搏），不同底层心律下的检测难度差异极大。用它报一个总准确率，等于把异质的人群混成一个数字。

第三条，期待标注是完整的参考标准。官方在发布公告里写得很清楚：该库包含一套未经审校的心搏标注文件，以及一套不完整的审校标注文件，并公开邀请研究者参与补全。也就是说，23 段里只有 12 段有人工审校过的标注，剩下的 11 段只有算法初标。把 .ari 当金标准用，是把算法的错误当成监督信号。

1.3 它能给到的与给不到的

你的需求	它给的	够不够
致死性室性心律失常的完整演进过程	23 段连续长程记录，多数录到心脏骤停	够，这是它唯一无可替代的地方
室颤起始时刻的粗定位	20 段在头文件里带 `#vfon` 注释，给出室颤起始的已历时刻	够做对齐，不够做逐搏界标
心搏级别的形态分类	12 段有审校标注，23 段有算法标注	够做评测，不够做大规模训练
室颤检测算法的外部测试	真实发生的室颤，非模拟、非叠加	够，且是少数能提供真实终末事件的库
除颤决策算法的评估	长时程背景 + 真实终末事件	可做，但通道数只有 2，看不到导联间关系
猝死风险的前瞻性预测建模	有终末事件，但无随访、无对照组	不够，23 段全是"发生了"的病例，没有"没发生"的
药物与心律关系的分析	用药列大量标注为 Unknown	不够，官方明确说明剂量信息缺失
导联间差异或十二导联形态学研究	两通道，且无导联名	完全不够

1.4 你的处境与它能帮到的事

你的处境	它能帮你什么	下一步该做什么
你在做室颤检测，但现有测试集的室颤是人工标注的短片段	提供真实发生、连续演化到室颤的长记录	按 `#vfon` 前后切窗，分别报告预警提前量与误报率
你在做可植入或体外除颤器的放电决策逻辑	长程背景里混着起搏、房颤、室早、室速多种心律	把 40、42、49 三段（官方注明无室颤）当阴性对照
你想研究室颤前的自主神经或心率动力学前兆	单段最长超过 25 小时，室颤前有数十小时稳定期	用审校过的 12 段做，避免算法标注引入虚假心搏
你在写综述，需要说明猝死数据的稀缺程度	它是"这类数据全球公开量极小"的直接证据	引用官方页面的规模与限制描述，不要夸大
你想复现 1980 年代的室颤检测器结果	官方参考文献即 Greenwald 1986 年硕士论文	注意该论文用的是同批记录的半小时摘录，不是全集
你需要一批"噪声真实、基线漂移真实"的长程数据	1980 年代模拟磁带转录，噪声特性与现代数字记录不同	做鲁棒性评测是好材料，做绝对性能基准要注明来源年代

1.5 一句话判断

它不适合当"更大更好的训练集"，而适合当"唯一能回答某个问题的证据"：人从活着的心律走到致死性心律失常，中间那几十分钟到底长什么样。

1.6 不适合谁：四条边界

不适合做统计意义上的风险建模。 23 段全部是发生了事件的病例，库内没有对照组。任何基于它的"预测"都是在没有负样本的情况下拟合，得不出可外推的风险估计。

不适合当心搏分类的主粮仓。 12 段审校标注的体量，对现代深度学习模型来说是几分钟就能记住的规模。它在这个任务上的角色是外部测试，不是训练来源。

不适合做药物、剂量、干预相关的任何分析。 官方原话是患者信息有限、有时完全缺失，包括用药方案与剂量。临床信息表里"Unknown"占了相当比例，这是官方承认的缺陷，不是数据整理疏漏。

不适合做导联相关的形态学研究。 只有两个通道，头文件里两个信号的描述字段都是 ECG，没有给出导联名。任何需要知道"这是哪个导联"的分析都无从下手。

§2 数据构成与规格

2.1 一段记录由四个文件组成

数据库采用 WFDB（Waveform Database）格式，这是 PhysioNet 自 1980 年代沿用至今的物理信号存储规范。每一段记录对应同名的一组文件：.hea 是纯文本头文件，声明采样率、信号条数、增益、初始值、校验和，并附带采集来源与室颤起始时刻的注释；.dat 是二进制信号本体，按采样点交错存放两个通道的整数值；.ari 是未经审校的算法心搏标注；.atr 是经人工审校的参考心搏标注，只有 12 段有。

目录里还有一个容易被忽略的 .hea-，23 段各一份。它是头文件的早期版本副本，正文与现行 .hea 只差最后一列：现行版两个信号的描述字段写的是 ECG，而 .hea- 里写的是 record 30, signal 0 与 record 30, signal 1。这个差别本身就在说明一件事——官方从未为这两个通道确认过导联身份。附带清单还有 RECORDS（23 行记录名）、ANNOTATORS（两行，说明两种注释扩展名的角色）、SHA256SUMS.txt（校验和）、vf-30.png（记录 30 的波形图）与两个 index 页面文件。

2.2 字段与信息的完整字典

需要强调：这里的"字段"不是表格列，而是 WFDB 头文件的关键字行、信号行与注释行。

信息项	所在位置	取值形态	含义	使用注意
记录名	`.hea` 第 1 行首字段	`30`–`52`	记录标识	纯数字，字面量就是文件名前缀
信号条数	`.hea` 第 1 行第 2 字段	`2`	通道数	全部 23 段均为 2
采样率	`.hea` 第 1 行第 3 字段	`250`	每秒采样点数	全部 23 段一致
采样点数	`.hea` 第 1 行第 4 字段	如 `22099250`	记录总长度	除以 250 即秒数
起始时刻	`.hea` 第 1 行第 5 字段	如 `12:00:00`	记录开始挂钟时间	多数为 12:00:00，少数是真实时刻
文件名	`.hea` 信号行第 1 字段	`30.dat`	信号存放位置	两通道共用同一个 `.dat`
存储格式	`.hea` 信号行第 2 字段	`212`	两通道 12 位打包	不是 16 位，也不是浮点
增益	`.hea` 信号行第 3 字段	`800` 或 `200`	ADC 单位/毫伏	记录 39、47 为 200，其余为 800
位分辨率	`.hea` 信号行第 4 字段	`12`	ADC 位数	与格式 212 配套
ADC 零值	`.hea` 信号行第 5 字段	`0`	零电平对应的整数值	换算时先减零值
初始值	`.hea` 信号行第 6 字段	如 `51`	首采样点整数值	用于校验读取是否对齐
校验和	`.hea` 信号行第 7 字段	如 `-24065`	采样点累加和	用于校验 `.dat` 完整性
块大小	`.hea` 信号行第 8 字段	`0`	每帧字节数	由 wfdb 按格式自动计算
信号描述	`.hea` 信号行第 9 字段	`ECG`	通道含义	两通道相同，无导联名
采集来源	`.hea` 注释行	`#Produced by xform…`	转录工具与起始偏移	`xform` 与 `xform_new` 两种
室颤起始	`.hea` 注释行	`#vfon: 07:54:33`	室颤起始的已历时刻	40、42、49 三段无此行
心搏位置	`.ari` / `.atr`	采样点序号	事件发生时刻	除以 250 得秒数
心搏类型	`.ari` / `.atr`	类型码	如 `N`、`V`、`F`	沿用 PhysioBank 标准定义
注释角色	`ANNOTATORS`	两行文本	`ari` 未审校 / `atr` 参考	决定该不该当金标准

心搏类型码沿用 PhysioBank 的标准定义。本库涉及的心律以室性为主，最常出现的几类如下：

类型码	含义	映射到 AAMI 五分类
`N`	正常心搏	N
`L`	左束支阻滞心搏	N
`R`	右束支阻滞心搏	N
`A`	房性早搏	S
`a`	伴差异性传导的房性早搏	S
`J`	交界性早搏	S
`S`	室上性早搏或异位搏动	S
`V`	室性早搏	V
`r`	R-on-T 室性早搏	V
`F`	室性融合波	F
`f`	起搏与正常心搏融合	F
`/`	起搏心搏	Q
`Q`	无法分类的心搏	Q
`!`	心室颤动波	通常单列，不进入五分类

最后一行值得单独说。室颤期间的心搏无法按常规方式逐搏定义，PhysioBank 用 ! 标记颤动波。如果你的流程把 ! 直接丢进 AAMI 五分类，会把一整段室颤压成若干"未知心搏"，从而丢掉最关键的标签。

2.3 一条记录的完整解剖

以记录 30 为例。头文件第一行：

30 2 250 22099250 12:00:00

含义依次是：记录名 30，2 个通道，250 Hz，共 22099250 个采样点，起始挂钟时刻 12:00:00。22099250 ÷ 250 = 88397 秒，即 24 小时 33 分 17 秒——与官方表格里记录 30 的时长一栏完全一致。这种一致性是全库的普遍情况：头文件给出的采样点数除以 250，就是官方表格里的时长。

接下来两行信号声明：

30.dat 212 800 12 0 51 -24065 0 ECG
30.dat 212 800 12 0 145 21051 0 ECG

从右往左读：描述 ECG；块大小 0；校验和 -24065；初始值 51；ADC 零值 0；位分辨率 12；增益 800；存储格式 212；文件名 30.dat。第二通道除初始值 145 与校验和 21051 外完全相同。增益 800 意味着 800 个整数值对应 1 毫伏，约 1.25 微伏/单位。

最后两行注释给出它的身份与关键事件：

#Produced by xform_new from record 30, beginning at 26:35.000
#vfon: 07:54:33

第一行说明这段信号是用 xform_new 从原始磁带的第 26 分 35 秒开始转录的——也就是说，公开的记录起点不是原始 Holter 的起点，前面那段被截掉了。第二行是本库最重要的元数据：室颤起始于记录开始后的 7 小时 54 分 33 秒。换算成采样点，就是第 7132500 个采样点附近。

读取信号与标注的标准写法：

import wfdb

#-- 远程直读，无需先下载；pn_dir 指向 PhysioNet 上的库名
rec = wfdb.rdrecord('30', pn_dir='sddb')
ari = wfdb.rdann('30', 'ari', pn_dir='sddb')    #-- 未审校算法标注，23 段全有
atr = wfdb.rdann('30', 'atr', pn_dir='sddb')    #-- 审校参考标注，仅 12 段有

print(rec.fs, rec.sig_len, rec.sig_name)   #-- 250 22099250 ['ECG', 'ECG']
print(rec.p_signal.shape)                  #-- (22099250, 2) 已换算成毫伏
print(rec.comments)                        #-- 采集来源与 #vfon 注释
print(len(ari.sample), len(atr.sample))

p_signal 是已按增益与零值换算过的浮点毫伏值；需要原始整数用 d_signal。注意 rec.sig_name 返回的是 ['ECG', 'ECG']，不是导联名——这一点在写论文的"数据"一节时必须如实说明。

2.4 记录与标注的映射：23 对 12

这是本库最容易出事的一处结构。23 段记录各有 .ari，但只有 12 段另有 .atr：30、31、32、34、35、36、41、45、46、49、51、52。剩下 11 段（33、37、38、39、40、42、43、44、47、48、50）没有审校标注。

标注扩展名	段数	覆盖的记录	官方定义	可否当金标准
`.ari`	23	全部 30–52	unaudited beat annotations	不可，算法初标未过人工
`.atr`	12	30、31、32、34、35、36、41、45、46、49、51、52	reference beat annotations	可，但仍需注意室颤段的心搏定义
无	11	33、37、38、39、40、42、43、44、47、48、50	无	需自行标注或只用信号

ANNOTATORS 文件只有两行，把这件事写得很直白：ari 是 unaudited beat annotations，atr 是 reference beat annotations。官方在发布公告里的措辞是"一套未经审校的心搏标注文件，以及一套不完整的审校标注文件"，并公开征集研究者参与补全。

这个结构决定了两种完全不同的用法。做心搏分类评测，只应该用那 12 段；做室颤检测或长时程演化分析，23 段都可以用，因为这类任务依赖的是信号本身与室颤起始时刻，而不是逐搏标签。混淆这两者是本库最常见的误用。

2.5 与同类资源的字段差异

对比项	SDDB	MIT-BIH 恶性室性心律失常库	MIT-BIH 心律失常库	长期 ST 库	INCART
记录数	23	22	48	86	75
单段时长	3:56–25:08	约 30 分钟	约 30 分钟	21–24 小时	30 分钟
通道数	2	2	2	2–3	12
采样率	250 Hz	250 Hz	360 Hz	250 Hz	257 Hz
终末事件	持续性室速，多数心脏骤停	恶性室性心律失常	各类心律失常	短暂心肌缺血	冠心病相关心律失常
心搏标注	23 段算法标注 + 12 段审校标注	有	有	有	有
标注审校	不完整，官方征集补全	完整	完整	完整	自动加人工修正
临床信息	23 行表，大量 Unknown	有限	有限	详细临床摘要	逐患者诊断
许可	ODC-BY 1.0	ODC-BY 1.0	ODC-BY 1.0	ODC-BY 1.0	ODC-BY 1.0

这张表要说清的只有一件事：SDDB 在"终末事件真实性"这一列上唯一性地突出，在"规模"“标注完整度”"临床信息"三列上都不占优。它的定位不是替代任何一个库，而是补上别人补不了的那一行——真实发生的死亡。

2.6 两个通道分别测的是什么

官方没有给出导联名，这一点要反复强调。从 .hea- 的旧版描述 record 30, signal 0 与 record 30, signal 1 可以看出，官方自己也只把它们当作"第 0 通道"与"第 1 通道"。但双通道 Holter 的常规配置仍有规律可言，理解这些规律有助于判断某段信号能不能用于某个分析：

通道	常规 Holter 配置下的可能角色	常见失真来源	对分析的影响
通道 0	多为模拟 V1 或 V5 位置的胸导联	电极贴合度、呼吸起伏	幅度随体位变化大，绝对幅度不可靠
通道 1	多为模拟 II 或 V5 位置的第二路	肌电干扰、上肢活动	QRS 主波方向可能与通道 0 相反
两通道共同	共享同一时间轴与同一放大器	磁带转录引入的抖晃	时间轴误差是相关的，不能靠互相校正消除

上表是双通道 Holter 的通用配置推断，不是官方声明。它的价值在于提示两件事：第一，不要假设其中一个是 II 导联；第二，两通道来自同一次放大与同一盘磁带，噪声在时间上相关，做"用一路去噪另一路"的实验时这个相关性会让结果虚高。

§3 它是谁的数据：一批 1980 年代的 Boston 磁带

3.1 贡献者与机构

官方页面没有列出作者栏，发布公告与参考文献共同指向同一个人：Scott D. Greenwald。他在 MIT 电气工程与计算机科学系做硕士期间，为研究心室颤动检测器而采集并汇编了这批 Holter 记录，1986 年的硕士论文《Development and analysis of a ventricular fibrillation detector》是官方指定的引用文献。论文全文托管在 MIT 的 DSpace（handle 1721.1/92988）。

数据后来由 PhysioNet 承接托管，2004 年 7 月 2 日以 “Sudden Cardiac Death Holter Database” 之名正式发布。官方页面把它标注为 Open Access，访问政策是"任何人都可以访问文件，只要遵守指定许可的条款"。从捐献方式看，它是典型的 PhysioNet 早期模式：一位研究者把已经完成的历史资料交给平台，平台负责格式规范化与长期托管，没有基金持续投入，因此也几乎没有后续更新。

3.2 时间线

时间	事件	意义
1980 年代	波士顿地区医院采集 Holter 记录	原始采集，模拟磁带
1985	Greenwald 等发表心律失常检测器性能置信限研究	方法学基础
1986	Greenwald 硕士论文完成，成为官方指定引用	数据集的学术出处
1988	Goldberger 等基于本批数据发表心率振荡与分岔研究	首次用于非线性动力学分析，基于 16 例窦性心律者
1989	半小时摘录以 MIT-BIH 恶性室性心律失常库之名开放	子集先行公开
1989	Courtemanche 等的复杂心律失常建模研究引用记录 47	个案层面的使用
2004-07-02	完整 23 段在 PhysioNet 发布，版本 1.0.0	全集首次公开
2004	官方同期发布征集公告，邀请补全标注与扩充记录	标注不完整的官方说明
2008	被列为 PhysioNet/CinC 2008 T 波电交替挑战赛的候选来源库	进入挑战赛视野

最后一行属于使用侧的观察而非官方版本变更。它的意义在于说明：SDDB 长期处于"被引用但不被维护"的状态，二十年没有出过版本 1.0.1。

3.3 采集场景：为室性心律失常研究而汇编

官方原话是：这些记录主要采集于 1980 年代的波士顿地区医院，后来被汇编为室性心律失常研究的一部分。这句话包含两个关键限定。第一是"主要"——不是全部，说明来源机构不止一家，采集规范可能不一致。第二是"汇编"——不是为这项研究专门采集的，而是从既有临床 Holter 里挑出来的。

由此可以推出它的人群画像：记录期间发生持续性室性心动过速，多数发生心脏骤停；底层心律 18 例窦性（其中 4 例间歇起搏）、1 例持续起搏、4 例心房颤动。临床信息表还给出了部分患者的病史，包括心力衰竭、冠状动脉旁路移植、二尖瓣置换、心脏手术、急性髓系白血病、肥厚型心肌病伴猝死家族史、冠心病、陈旧性心肌梗死合并室速史等，最年轻的一例 17 岁，最年长的一例 89 岁。相当比例的性别、年龄、病史、用药四列为 Unknown。

官方对这批数据的自我判断相当克制：由于是回顾性汇编，存在重要局限；患者信息有限，有时完全缺失，包括用药方案与剂量；这些病例未必能代表自发性猝死事件，因为受试者群体很可能高度异质。这段话应该被原文引用，而不是被改写成更乐观的表述。

3.4 数据来源的三个层次

理解这份数据要先分清三层：原始 Holter 磁带（1980 年代，未公开，且多半已不存在）、转录后的双通道信号（公开的基本单位，起点是转录偏移点而非原始起点）、心搏标注（公开的监督信号，两层质量）。

第一层不可得，意味着转录时丢失的信息无法追回，也无法验证。第二层的起点偏移值得注意——记录 30 的头文件写着 beginning at 26:35.000，说明公开信号从原始磁带的第 26 分 35 秒开始；记录 47 甚至是 beginning at 44:10.000。这意味着不同记录的起点对齐到挂钟时间的口径并不统一，做跨记录的时刻对比时要小心。第三层的两层质量已在 §2.4 说明。

§4 它最独特的东西：把死亡录了下来

4.1 为什么这件事不可复制

SDDB 的稀缺性不是"采得精细"，而是"不可能再采"。要复现它，你需要一批患者恰好在做 24 小时 Holter 的当天发生致死性心律失常，还需要这些记录被完整保存、转录、捐赠。任何前瞻性研究都设计不出这样的队列——伦理上不能等着患者死，技术上也无法预知谁会在哪一天出事。

于是它的稀缺性来自一次历史窗口的巧合：1980 年代 Holter 检查刚开始普及，模拟磁带是唯一载体，而记录下来的东西在几十年后被数字化并公开。这个窗口已经关闭。现代的数字 Holter 理论上能采到同样的事件，但数据分散在各家医院的商业系统里，公开意愿与合规成本都完全不同。

所以它的价值判断标准也和别的库不一样。别的库可以问"够不够大"“标注够不够准”；它只能问"还有没有第二份"。答案目前是没有。

4.2 与恶性室性心律失常库的关系：全集与半小时摘录

官方在发布公告里明确说：这些记录中，半小时摘录自 1989 年起就以 MIT-BIH Malignant Ventricular Ectopy Database 之名向研究者开放，且这个库继续存在。站内对应的 VFDB 词条就是这份摘录集，DOI 为 10.13026/C22P44。

对比项	SDDB（本库）	MIT-BIH 恶性室性心律失常库（VFDB）
关系	全集	从同批记录中切出的半小时摘录
记录数	23 段	22 段
单段时长	3:56–25:08	约 30 分钟
覆盖的事件	完整演进过程，含室颤前数十小时	围绕事件的半小时窗口
适合的任务	长时程前兆分析、预警提前量评估	事件片段的分类与检测
不适合的任务	需要对照组的统计推断	室颤前的长程动力学分析
DOI	10.13026/C2W306	10.13026/C22P44

这个关系带来一个实用提醒：如果一篇论文声称"使用了 MIT-BIH 恶性室性心律失常库"，它用的是半小时窗口；如果它要研究室颤之前几十小时发生了什么，必须用 SDDB。反过来，如果你的模型只需要围绕事件的一段固定长度输入，VFDB 更省事，也不必处理 1.1 GB 的体积。

还有一处需要留意：SDDB 23 段，VFDB 22 段，两者并不一一对应。官方没有逐条给出对应关系，因此不能假定 VFDB 的每一段都能在 SDDB 里找到母记录。

4.3 案例：记录 30 的二十四小时与第七小时五十四分

取记录 30。它是全库信息最完整的一段之一：24 小时 33 分 17 秒，起始挂钟时刻 12:00:00，转录自原始磁带第 26 分 35 秒之后，室颤起始于记录开始后 7 小时 54 分 33 秒，同时拥有未审校标注 .ari 与审校标注 .atr。

把这三个数字放在一起，就能算出一件很关键的事：这段记录里，室颤之前有将近八小时的连续稳定期，室颤之后还有十六个多小时的余下记录。这是 SDDB 相对任何摘录集最本质的优势——它给了你"之前"和"之后"，而不只是"之中"。

用 §2.3 的代码读出信号后，取室颤起始前后的固定窗口做对照：

import wfdb
import numpy as np

rec = wfdb.rdrecord('30', pn_dir='sddb')
fs = rec.fs

#-- 从头文件注释里解析室颤起始时刻（时:分:秒 -> 秒）
vfon = None
for c in rec.comments:
    if c.lower().startswith('vfon'):
        h, m, s = [int(x) for x in c.split(':')[1:]]
        vfon = h * 3600 + m * 60 + s
print('室颤起始秒:', vfon)

def window(center_sec, half=10):
    #-- 取中心前后各十秒的片段，返回两通道毫伏值
    lo = max(0, int((center_sec - half) * fs))
    hi = min(rec.sig_len, int((center_sec + half) * fs))
    return rec.p_signal[lo:hi]

before = window(vfon - 600)      #-- 室颤前十分钟处
after  = window(vfon + 60)       #-- 室颤后一分钟处
print(before.shape, after.shape)
print('前：', round(float(np.ptp(before[:, 0])), 3), 'mV 峰峰值')
print('后：', round(float(np.ptp(after[:, 0])), 3), 'mV 峰峰值')

这段代码的用途不是下结论，而是建立一个可复现的观察点。官方只给了室颤起始的已历时刻，没有给结束时刻，也没有给转复或终止方式的标注，所以"之后"的解读必须自己看波形，不能靠注释。

把这类观察整理成表，就成了后续讨论的支点：

观察位置	头文件能给的	头文件给不了的
室颤起始之前	已历时刻（`#vfon`）、连续信号、心搏标注	前驱期的定义、何时算"预警成功"
室颤起始瞬间	一个时刻点，精确到秒	起始判定的依据与判读者
室颤持续期间	连续信号	室颤的终止时刻、是否自行终止
室颤之后	连续信号（本段还有十六小时）	结局、是否复苏成功、临床处理

这张表最有用的是最后一列。它说明：用 SDDB 做研究时，绝大部分"标签"要自己定义，而定义的口径必须写进方法节，否则结果不可复现。

4.4 标注的两层：算法初标与人工审校

ANNOTATORS 用两行把层次说清楚了。.ari 是 unaudited beat annotations，23 段全有，由算法生成后没有过人工。.atr 是 reference beat annotations，只有 12 段有，是审校过的参考标注。

官方对标注难度的说明也很直接：标注本库的任务特别困难，因为所包含的心律非常复杂。这句话的实际含义是——在一段走向室颤的记录里，心搏形态会从规整的窦性，经过频发的室性早搏、成对室早、短阵室速、多形性室速，一直到形态完全失去周期性。算法在这一整条链条上的表现并不均匀：在规整段很准，在形态剧烈变形的段落会系统性失效。

这对使用者是实打实的约束。如果你在 .ari 上统计室性早搏的时序模式，那么算法在"快要室颤"那一段的表现最差，而你恰恰最关心那一段。这不是可以通过增加样本量解决的问题，因为它是一个与状态相关的偏差，样本越多，偏差越稳定。

用途	用 `.ari` 的风险	用 `.atr` 的风险	建议
心搏分类评测	算法错误被当作金标准	只有 12 段，样本小	只用 `.atr`，并在论文里写明段数
室性早搏负荷统计	高，形态变形段漏标	中，室颤段心搏定义本身就模糊	限定在室颤起始之前、形态尚规整的窗口
室颤检测与预警	低，因为不依赖心搏标签	低	主要用信号与 `#vfon`，标注只做辅助
心率变异性	高，RR 序列直接受影响	中，同样受室颤段影响	先自行检测 R 峰再做对齐
长时程节律趋势	中，趋势级结论对个别漏标不敏感	低	两者都可用，但不要混用

4.5 边界条件：什么情况下它不再适用

条件	是否适用	判断依据
研究室颤前的长程前兆	适用，且几乎无可替代	单段最长超过 25 小时，多数含数十小时稳定期
评估除颤或预警算法的提前量	适用	20 段带室颤起始时刻，可定义预警窗口
做心搏形态分类的外部测试	适用，但只能用 12 段	审校标注只覆盖 12 段
作为阴性对照	部分适用	40、42、49 三段官方注明无室颤，可作对照
做猝死风险的统计预测	不适用	全库均为发生事件者，无对照组
做药物或剂量相关分析	不适用	官方说明用药方案与剂量信息缺失
做导联间差异或十二导联研究	不适用	两通道且无导联名
做现代数字 Holter 的绝对性能基准	谨慎	1980 年代模拟磁带转录，噪声谱与现代设备不同
做多中心泛化验证	不适用	来源集中在波士顿地区医院
做儿科或青少年心电模型	不适用	已知年龄最小 17 岁，且多数年龄未知

这张表最有用的两行是第一行与倒数第三行。第一行是它的立身之本；倒数第三行提醒的是一件常被忽略的事：从它上面得到的绝对性能指标，不能直接外推到今天的数字记录设备，因为噪声来源完全不同——模拟磁带带来的是抖晃与磁带噪声，现代设备带来的是量化噪声与运动伪迹。

§5 怎么拿到：从目录树到可训练张量

5.1 目录结构与下载面

PhysioNet 的文件目录是扁平的：根目录下直接放 23 组文件，加上几个附属清单，没有按患者或日期分的子目录。全库未压缩 1.1 GB，共 110 个文件，官方提供了整库 ZIP（1.1 GB）。

路径	内容	数量	大小量级
`/files/sddb/1.0.0/RECORDS`	23 行记录名	1	数十字节
`/files/sddb/1.0.0/ANNOTATORS`	注释扩展名与角色	1	两行
`/files/sddb/1.0.0/SHA256SUMS.txt`	全部文件的校验和	1	数千字节
`/files/sddb/1.0.0/vf-30.png`	记录 30 的波形图	1	数十 KB
`/files/sddb/1.0.0/NN.hea`	头文件	23	约 200 字节
`/files/sddb/1.0.0/NN.hea-`	旧版头文件副本	23	约 250 字节
`/files/sddb/1.0.0/NN.dat`	双通道信号	23	十数 MB 至 60 余 MB
`/files/sddb/1.0.0/NN.ari`	未审校心搏标注	23	数十 KB 至 250 余 KB
`/files/sddb/1.0.0/NN.atr`	审校心搏标注	12	数十 KB 至 260 余 KB

单段体积差异很大：记录 30 的信号文件是 63.2 MB，而记录 41（3 小时 56 分）只有十数 MB。规划磁盘时按整库 1.1 GB 准备最省心；只想做方法验证的话，先拿记录 30 一段就足够跑通全流程。

5.2 批量下载

#-- 整库 ZIP，一次拿全 1.1 GB
wget -O sddb.zip https://physionet.org/content/sddb/get-zip/1.0.0/

#-- 或者用官方命令行工具
physionet download sddb --version 1.0.0

#-- 或者用 S3 免签名同步
aws s3 sync --no-sign-request s3://physionet-open/sddb/1.0.0/ ./sddb

#-- 只取清单，先确认 23 条记录名
curl -sL https://physionet.org/files/sddb/1.0.0/RECORDS | tr -s '\n' ' '

四条路径里，ZIP 最省事但一次性落盘 1.1 GB；S3 同步支持断点续传，适合网络不稳的环境；physionet 命令行工具会顺带校验。只做流程验证时，建议先只下记录 30 的四个文件，跑通后再决定要不要全量。

5.3 用 wfdb 直接流式读取

import wfdb
from collections import Counter

names = wfdb.get_record_list('sddb')
print(len(names))            #-- 23

#-- 逐段读标注，注意 atr 不是每段都有
for name in names[:5]:
    ari = wfdb.rdann(name, 'ari', pn_dir='sddb')
    try:
        atr = wfdb.rdann(name, 'atr', pn_dir='sddb')
        n_atr = len(atr.sample)
    except FileNotFoundError:
        n_atr = 0            #-- 11 段没有审校标注
    print(name, len(ari.sample), n_atr)

get_record_list 从 RECORDS 解析，不需要本地磁盘，代价是每段重新走网络。全库 1.1 GB，全部走网络读取会很慢，正式实验建议先落盘。

5.4 转成通用的表结构

下游若是 PyTorch 或 TensorFlow 的常规管线，通常需要切成定长片段。切窗时建议以室颤起始时刻为锚点，而不是从头等距切：

import wfdb
import numpy as np
import pandas as pd

FS = 250
WIN = 10 * FS        #-- 十秒一窗

def vfon_sec(name):
    #-- 从头文件注释里取室颤起始秒；无则 None
    h = wfdb.rdheader(name, pn_dir='sddb')
    for c in h.comments:
        if c.lower().startswith('vfon'):
            hh, mm, ss = [int(x) for x in c.split(':')[1:]]
            return hh * 3600 + mm * 60 + ss
    return None

rows = []
for name in ['30', '31', '32']:
    rec = wfdb.rdrecord(name, pn_dir='sddb')
    vf = vfon_sec(name)
    if vf is None:
        continue
    ari = wfdb.rdann(name, 'ari', pn_dir='sddb')
    for w in range(0, rec.sig_len // WIN):
        lo, hi = w * WIN, (w + 1) * WIN
        t_end = hi / FS                      #-- 该窗结束时的已历秒数
        #-- 以室颤起始为界：之前记 0，之后记 1，并留出灰区
        label = 0 if t_end < vf - 60 else (1 if t_end >= vf else -1)
        if label < 0:
            continue                         #-- 起始前后一分钟为灰区，丢弃
        rows.append({'record': name, 'win': w, 'label': label,
                     'ch0': rec.p_signal[lo:hi, 0].astype('float32'),
                     'ch1': rec.p_signal[lo:hi, 1].astype('float32')})
df = pd.DataFrame(rows)
print(df.groupby(['record', 'label']).size())

这段代码只用三段演示口径。上正式实验时有四处必须改：一是灰区宽度要写进方法节，它直接决定正负样本边界；二是要不要把室颤之后的十几小时全部标为正样本，需要明确——多数研究只取室颤前的一段与室颤后的一小段；三是 label 在这里是逐窗的，与心搏级标注不同源，不要混用；四是只用了 .ari，如果是心搏级任务必须换到审校过的 12 段。

5.5 注释读取与 AAMI 映射

import wfdb

AAMI = {'N': 'N', 'L': 'N', 'R': 'N', 'B': 'N',
        'A': 'S', 'a': 'S', 'J': 'S', 'S': 'S',
        'V': 'V', 'r': 'V',
        'F': 'F', 'f': 'F',
        'e': 'Q', 'j': 'Q', 'n': 'Q', 'E': 'Q', '/': 'Q', 'Q': 'Q'}

ann = wfdb.rdann('30', 'atr', pn_dir='sddb')     #-- 审校标注，12 段之一
sym = [s for s in ann.symbol if s in AAMI]
print(len(ann.symbol), len(sym), len(ann.symbol) - len(sym))

最后打印的差值是被映射表排除的类型数。这个值值得看一眼：它通常包含 !（室颤波）以及各类非心搏注释。如果差值很大，说明你取的窗口落在了室颤段里，而不是稳定段里。

映射表不是本库独有的，它来自心电算法评价的通行分组：束支阻滞与正常心搏并作 N，室上性与房性并作 S，室性与 R-on-T 并作 V，融合波作 F，其余作 Q。做跨库对比时必须用同一张表，否则数字不可比。

5.6 五个最容易出错的地方

位置	错误写法	后果	正确做法
取标注	默认每段都有 `.atr`	11 段会抛文件不存在错误	先检查 `RECORDS` 里是否有对应 `.atr`，或捕获异常
取标注	把 `.ari` 当参考标注用	算法错误进入监督信号	只有 `.atr` 是 `reference beat annotations`
幅度换算	直接用整数喂模型	39、47 两段增益是 200，其余是 800，幅度不可比	用 `p_signal` 或按 `.hea` 的增益归一
时间定位	把 `#vfon` 当作记录内的绝对采样点	单位错，差 250 倍	先按 `时:分:秒` 解析成秒，再乘 250
通道命名	假设通道 0 是 II 导联	论文里写出没有依据的导联结论	头文件描述字段只有 `ECG`，如实写"双通道，导联未标注"

§6 与库内条目的关系

6.1 关系图谱

SDDB 在心电类内容里的位置，可以用"时长 × 事件严重度"两个轴摆出来：

条目	时长	事件性质	与 SDDB 的关系
MIT-BIH 恶性室性心律失常库	约 30 分钟	恶性室性心律失常	同源：它是本库半小时摘录的版本
MIT-BIH 心律失常库	约 30 分钟	各类心律失常	对照：同为短片段，无终末事件
长期 ST 库	21–24 小时	短暂心肌缺血	对照：同为长时程，事件性质不同
INCART	30 分钟	冠心病相关心律失常	对照：十二导联，但无终末事件
噪声压力测试库	数分钟至数十分钟	纯噪声	工具：叠加到本库做鲁棒性评测
欧洲 ST-T 库	约 2 小时	缺血性 ST 改变	对照：同为长程，事件为缺血而非致死性心律失常
本库	3:56–25:08	持续性室速、心脏骤停	唯一以真实致死性事件为终点

这条关系线的意义在于：如果你要论证一个预警算法有效，只用短片段库说服力有限，因为短片段库没有"之前"，只有"之中"；SDDB 提供的是事件之前的连续时间轴，而这正是预警任务的全部前提。

6.2 检索路径

你要找的东西	检索词	会落到哪里
同批记录的半小时摘录	`VFDB`、`Malignant Ventricular Ectopy`	§4.2 的关系表
心搏类型码的标准定义	`PhysioBank annotation`、`MIT-BIH`	§2.2 的类型码表，多个库通用
长时程缺血对照	`Long-Term ST`、`European ST-T`	§6.1 表
噪声叠加的来源	`NSTDB`、`noise stress`	§4.5 的边界表与 §6.1
十二导联长时程对照	`INCART`	§2.5 与 §6.1
除颤与可电击节律识别	`shockable rhythm`、`AED`	§1.4 的处境表
挑战赛来源	`CinC 2008`、`T-wave alternans`	§8.2

6.3 与其他库的分工判据

选数据集时最实际的问题不是"哪个最好"，而是"哪个负责哪一段"。下面把常见的心电任务逐项拆开，看 SDDB 该站在哪一格：

任务	主粮仓该用什么	SDDB 的位置	原因
心搏形态分类	大体量短片段库	外部测试（仅 12 段）	审校标注不完整，规模太小
房颤检测	长时程房颤库	辅助	本库只有 4 例房颤，且都是终末事件病例
室颤与可电击节律识别	混合多库	主力之一	唯一提供真实终末事件的公开来源
室颤前兆与预警	无可替代	主力	需要事件前的连续时间轴
长时程心率动力学	长时程大库	辅助	只有 23 段，但事件真实
噪声鲁棒性	噪声库加任一长时程库	主力之一	模拟磁带噪声真实且与现代设备不同
缺血与 ST 分析	长期 ST 库、欧洲 ST-T 库	不适用	本库事件性质不同，无 ST 标注
十二导联形态学	十二导联长时程库	不适用	只有两个通道

这张表的前四行是大多数人的真实处境：他们已经有主粮仓，缺的是一个不撒谎的裁判。被高估的用法是第五行及之后的所有行——把 SDDB 当通用长时程库用的人不少，但真正需要它的场景集中在"致死性事件的演进"这一格。

§7 质量评估与局限性

7.0 阅读本节前的一个前置校正

先纠正一个常见的误判：把"样本少、标注不全"当成"质量差"。SDDB 的 23 段不是采集能力不足，而是这类事件本来就不可前瞻性采集（§4.1）。评价它的时候不能套用"越大越好"的尺子，而应该问：在它能回答的那个问题上，还有没有第二份数据？

这个校正会改变五维评分的读法。规模与标注完整度两项它拿不到高分，但在"任务唯一性"上它几乎无可替代。把这两件事混在一起看，就会得出"不值得用"的错误结论。

7.1 五维评分

按 DAIMS 的常用维度打分，每项 1–5 分，分数针对"作为致死性心律失常研究数据"这个用途：

维度	分数	理由
数据规模	2	23 段、23 名患者，长时程但样本数少
标注质量	2	23 段算法标注未审校，仅 12 段有审校标注
任务适配	5	唯一公开提供真实致死性事件演进过程的长程库
文档完整	4	官方把规模、限制、征集意图写得很清楚，但无逐条临床摘要
可获取性	4	免注册、ODC-BY、有整包下载，但 1.1 GB 体积偏大

五项合计 17 分（满分 25）。这个分数结构说明它是明显的"偏科生"：任务适配拉满，规模与标注拖后腿。用它的人必须清楚自己要的是哪一科。

7.2 标注质量的两层

第一层是类型对不对。.atr 经过人工审校，是 reference beat annotations；.ari 是算法输出，官方标为 unaudited。两者不应该混用，也不应该互相补充——把审校段的 .atr 和未审校段的 .ari 拼起来训练，等于在同一个模型里混了两种标注标准。

第二层是心搏定义在室颤段是否成立。室颤期间心电活动失去周期性，"心搏"这个概念本身就模糊。PhysioBank 用 ! 标记颤动波，但室颤的起止边界、颤动波是否逐条标出，官方页面没有说明。因此任何涉及室颤段内部的心搏级统计都要非常谨慎。

用途	建议用哪套标注	风险
心搏分类评测	`.atr`，12 段	样本小，结论不稳
室性早搏时序分析	`.atr`，限定在室颤前的规整段	形态变形段算法漏标
室颤检测与预警	不用标注，只用信号与 `#vfon`	标签口径需自建并公开
心率变异性	自行检测 R 峰	室颤段与频发早搏段会污染 RR 序列
长时程趋势	两者皆可，但不要混用	跨段标准不一致

7.3 已知的、可枚举的偏差

偏差	表现	影响
选择偏差	全部为发生致死性事件的病例，无对照组	无法做统计意义上的风险预测
回顾性汇编	官方明确说明患者信息有限、有时完全缺失	用药、剂量、既往史大量未知
时代偏差	1980 年代模拟磁带转录	噪声谱与现代数字记录不同
地域集中	波士顿地区医院	人群与设备单一，不代表其他人群
起点偏移	各记录的转录起点不同（0 至 44 分不等）	跨记录的时刻对齐需谨慎
标注不完整	11 段无审校标注	心搏级任务只能用 12 段
增益不一致	39、47 两段为 200，其余为 800	整数幅度跨段不可比
通道语义缺失	两通道描述均为 `ECG`	无法做导联相关分析

7.4 外部验证矩阵

SDDB 最常被引用的方式，是当"真实终末事件"的来源。这类用法可以从公开论文的摘要里看出轮廓。

验证角色	做法	讲得通的地方	风险
室颤检测器的测试集	在别的库上训练，本库上测灵敏度	事件真实，非人工构造	样本只有 23 段，置信区间宽
除颤决策算法评估	用长程背景评估误放电	背景心律复杂，接近真实难度	无临床结局，无法评估决策的临床后果
去噪算法的压力测试	叠加噪声后看检测性能	本底噪声真实	1980 年代噪声谱与现代不同
综述中的稀缺性论据	引用其规模说明数据缺口	官方页面自述限制	不应被改写成"代表性队列"

值得注意的是第二行。除颤决策不只是"识别出可电击节律"，还包括"不该放电时不放电"。SDDB 里有起搏、房颤、频发室早等大量"不该放电"的心律，这确实是好的阴性材料；但它没有给出任何临床处理与结局，所以算法做出"放电"判断之后会发生什么，无法用它评估。

反过来也要防止把外测成绩当作绝对标准。23 段里每一段的时长差异巨大（最短 3 小时 56 分，最长 25 小时 8 分），按段平均会把一段 25 小时的记录和一段 4 小时的记录等权处理。合理的做法是显式声明是按段还是按时间加权，并在结果里分别报告。

7.5 它为何能持续：稀缺的不是数据量，是那件事本身

它没有更新、没有扩版、标注至今不完整，却仍然被引用，原因只有一个：它占着一个别人没法再占的坑——真实发生的死亡被连续记录了下来。官方在 2004 年的发布公告里公开征集更多记录与标注贡献，二十多年过去仍是版本 1.0.0，这本身就说明补充这类数据有多难。只要这个前提不变，它作为证据的价值就不会被新库替代。

§8 生态位与历史

8.1 历史沿革

SDDB 的诞生路径与后来大多数捐赠型数据库不同。它不是一个机构决定公开一批数据，而是一位研究者的个人资料在近二十年后被平台承接。1986 年 Greenwald 的硕士论文完成，1989 年这批记录的半小时摘录以恶性室性心律失常库之名开放，2004 年 PhysioNet 才把完整 23 段作为独立数据集发布。

这条路径解释了它身上几个"不像现代数据集"的特征：没有统一的采集协议文档，没有伦理审查编号的公开说明，没有逐条临床摘要，标注也不完整。它是历史资料的数字化，不是按现代标准建设的数据资产。把这些当成缺陷是对的，但把它们当成"可以修好的缺陷"就错了——原始磁带与纸质病历大概率已经不存在。

8.2 与挑战赛的关系

PhysioNet/CinC 2008 的 T 波电交替挑战赛把本库列为候选来源数据库之一。该挑战赛页面对本库的描述是：23 段完整的双通道 Holter 记录，每段 7 至 25 小时，来自记录期间发生持续性室性心动过速与心脏骤停的患者；信号以 250 Hz 数字化；其中 12 段经过逐搏精心标注，其余有算法生成的心搏标注；没有临床对照信息。

这段描述与官方表格有一处需要说明的差异：挑战赛页面写"7 至 25 小时"，而官方记录表里最短的一段是记录 41 的 3:56:00。两处都以官方发布为准，最短时长应按官方表格的 3 小时 56 分理解；挑战赛页面的表述属于当时的概略描述。挑战赛页面另外确认了两件事——250 Hz 与"12 段精心标注"，这两点与现行文件目录完全一致。

需要强调的是：本库只是候选来源之一，挑战赛最终采用的记录与公开库并不等同。想研究室颤演进，必须用原始库，不能把挑战赛数据当成它的替身。

8.3 生态位：证据而不是粮仓

角色	主力粮仓	证据
典型用法	大规模训练、预训练	特定问题的唯一可用材料
需要的前提	数据量大、标签细	事件罕见且不可复现
代表库	心律失常库、短片段大库十二导联库	本库
失败模式	过拟合、标签噪声累积	样本少导致结论不稳、标签口径自建

SDDB 坐在右边这一列。把证据当粮仓用，会立刻遇到规模瓶颈；把粮仓当证据用，会立刻遇到"问题根本没被回答"的尴尬。两者不能互换。

8.4 谁在用它，用来做什么

从公开文献的摘要看，使用者集中在三类：做致死性心律失常检测的信号处理组（把它当真实事件的测试集）、做除颤与监护设备的工程组（把它当长程复杂背景的评测材料）、做心电脑电去噪的组（把它当真实噪声来源）。近年也有综述类文章把它列为心电算法评估的常用公开资源之一。第一类最少，但正是它最不可替代的位置。

§9 使用指引

9.1 三种角色的路径

角色	第一天	第一周	注意事项
猝死机制研究者	读官方页面与临床信息表，跑通 §5.3 的读取	按 `#vfon` 建立事件前后窗口，定义前兆口径	口径必须写进方法节（§4.3）
设备工程师	用记录 30 跑通全流程	把 40、42、49 三段作阴性对照，评估误报	报告按段与按时间分别给（§7.4）
算法研究者	只用审校过的 12 段做评测	建立与短片段库的跨库对照	不要混用 `.ari` 与 `.atr`（§5.5）

9.2 一条最短的可用流程

#-- 1. 取记录清单，确认 23 条
curl -sL https://physionet.org/files/sddb/1.0.0/RECORDS -o RECORDS
tr -s '\n' ' ' < RECORDS

#-- 2. 确认哪些段有审校标注（.atr），只有 12 段
for r in $(cat RECORDS); do
  code=$(curl -s -o /dev/null -w '%{http_code}' \
         "https://physionet.org/files/sddb/1.0.0/${r}.atr")
  [ "$code" = "200" ] && echo "$r atr" || echo "$r -"
done > atr_availability.txt

#-- 3. 抽出全部头文件里的室颤起始时刻
for r in $(cat RECORDS); do
  echo -n "$r "
  curl -sL "https://physionet.org/files/sddb/1.0.0/${r}.hea" \
    | grep '^#vfon' || echo "(no VF onset)"
done > vfon.txt

import wfdb

#-- 4. 只取有审校标注的段，读信号与参考标注
names = wfdb.get_record_list('sddb')
for name in names:
    h = wfdb.rdheader(name, pn_dir='sddb')
    print(name, h.fs, h.sig_len, h.comments)

上面 bash 段的第二步会发起 23 次请求。想省事可以直接看官方记录表里"Audited Annotations"一列的空格——那 11 个空格就是没有 .atr 的段。第三步同理：官方表格里 40、42、49 三行的 VF Onset 列写的不是时间，而是 (paced, no VF) 与 (no VF)。

9.3 引用方式

PhysioNet 的惯例是引用数据集本身加平台：

引用对象	内容
数据集	Sudden Cardiac Death Holter Database, version 1.0.0. PhysioNet. 2004. doi:10.13026/C2W306
原始出处	Greenwald SD. Development and analysis of a ventricular fibrillation detector. M.S. thesis, MIT Dept. of Electrical Engineering and Computer Science, 1986. https://dspace.mit.edu/handle/1721.1/92988
平台	PhysioNet 平台综述论文（2026 年发表于 Nature Health），按官方页面的 Cite 按钮生成
许可	Open Data Commons Attribution License v1.0，署名要求以官方许可全文为准

写论文时建议同时注明四点：使用的版本号（1.0.0）；用的是 .ari 还是 .atr，以及涉及哪几段；室颤起始时刻是从头文件 #vfon 注释解析的；标签口径（灰区宽度、正负样本定义）是自己定义的。

§10 AI 使用声明

项目	声明
文本生成	本文由 AI 辅助撰写，编辑把关结构与事实
数字来源	规模、结构、边界三类数字来自 PhysioNet 官方页面与官方文件目录
文件核验	RECORDS、ANNOTATORS、23 份 `.hea` 头文件、`30.hea-`、`39.hea-` 经直接访问确认
不一致说明	挑战赛页面写"7 至 25 小时"，官方记录表最短为 3:56:00，已在 §8.2 说明并以官方表为准
论文信息	仅参考公开摘要与官方参考文献列表，未读全文
未核验内容	各心搏类型的具体条数、`.atr` 的逐条审校范围、室颤终止时刻、23 段与 VFDB 22 段的对应关系
图像	无配图；封面为生成式提示词，不含真实心电图
免责	本文不构成临床建议；数据使用须遵守 ODC-BY 1.0 署名要求

常见误读（避坑清单）

说法	实际	证据
「23 段都有审校标注」	只有 12 段有 `.atr`，其余 11 段只有未审校的 `.ari`	ANNOTATORS 两行定义；官方公告写"不完整的审校标注集"
「`.ari` 是参考标注」	`ari` 官方定义为 unaudited beat annotations	ANNOTATORS 文件内容
「两通道是 II 导联和 V1」	头文件描述字段两个通道都是 `ECG`，无导联名	23 份 `.hea` 的信号行第 9 字段
「增益都是 800」	记录 39 与 47 的增益是 200	39.hea、47.hea 信号行第 3 字段
「它是 25 小时一段的标准长程库」	单段 3:56:00 至 25:08:30，差异很大	官方记录表的 Signal Duration 列
「23 段都发生了室颤」	40、42、49 三段官方注明无室颤（其中两段为起搏心律）	官方记录表的 VF Onset 列
「它有完整的临床信息」	官方明确说明患者信息有限、有时完全缺失，含用药与剂量	官方 Data Description 段
「可以拿它做猝死风险预测」	全库均为发生事件者，无对照组	官方描述"全部患者有持续性室性心动过速，多数心脏骤停"
「记录起点就是 Holter 起点」	转录起点各不相同，记录 47 从原始磁带第 44 分 10 秒开始	47.hea 的 `#Produced by` 注释
「它和 VFDB 一一对应」	SDDB 23 段，VFDB 22 段，官方未给出逐条对应关系	两库官方记录表规模不同

FAQ

Q1：SDDB 到底有多少段记录？有多少段有审校标注？
23 段，编号 30 至 52，一段一名患者。审校标注（.atr）只有 12 段：30、31、32、34、35、36、41、45、46、49、51、52。全部 23 段都另有未审校的算法标注（.ari）。

Q2：.ari 和 .atr 到底能不能混用？
不能。ANNOTATORS 文件把两者分别定义为 unaudited beat annotations 与 reference beat annotations。混用等于在同一个模型里掺入两种标注标准，评测结果失去意义。

Q3：室颤起始时刻在哪里找？
在头文件的注释行里，格式是 #vfon: 07:54:33，含义是记录开始后的已历时刻。40、42、49 三段没有这一行，官方表格对应位置写的是 (no VF) 与 (paced, no VF)。

Q4：两个通道分别是什么导联？
官方没有给。头文件信号行的描述字段两个通道都是 ECG。论文里应如实写"双通道，导联未标注"，不要凭猜测写成具体导联。

Q5：为什么记录 39 和 47 的波形看起来幅度不一样？
这两段的增益是 200 ADC 单位/毫伏，其余 21 段是 800。直接用整数值比较幅度会差四倍。用 wfdb 的 p_signal 或按头文件增益归一后再比较。

Q6：它能用来训练一个室颤检测模型吗？
可以，但要清楚限制：23 段、无对照组、标签口径自建。更合适的定位是外部测试与验证，而不是训练集。做训练时建议按段划分而非随机切窗，避免同一段的相邻窗落在两侧。

Q7：它和 MIT-BIH 恶性室性心律失常库是什么关系？
后者是从同批记录切出的半小时摘录，1989 年就已开放，至今仍然存在。SDDB 是全集，包含事件之前的数十小时。两者记录数不同（23 对 22），官方未给出逐条对应关系。

Q8：体积有多大，能一次下完吗？
未压缩 1.1 GB，共 110 个文件，官方提供整库 ZIP。只想跑通流程的话，先下记录 30 的四个文件即可，它同时有 .ari 与 .atr，信息最完整。

Q9：患者信息有多全？
不全，这是官方承认的局限。临床信息表有性别、年龄、病史、用药、底层心律五列，相当比例标为 Unknown；官方明确说包括用药方案与剂量在内的信息有时完全缺失。

Q10：底层心律是怎么分布的？
官方写明：18 例窦性心律（其中 4 例间歇起搏）、1 例持续起搏、4 例心房颤动，合计 23 例。全部患者都有持续性室性心动过速，多数发生了心脏骤停。

Q11：许可允许商业使用吗？
ODC-BY 1.0 允许商业使用，条件是署名。引用时要写清数据集名称、版本与来源，具体条款以官方许可全文为准。

Q12：为什么二十多年只有一个版本？官方有扩版计划吗？
官方在 2004 年的发布公告里公开征集更多记录与标注贡献，但至今仍是版本 1.0.0，页面没有给出扩版时间表。从数据性质看，这类事件不可能前瞻性采集（§4.1），扩充只能依赖其他机构捐赠历史资料。

术语表

术语	解释
Holter	便携式长时程心电监护，患者随身携带记录仪生活，通常记录 24 小时以上
心源性猝死	因心脏原因导致的突然死亡，多由持续性室性心动过速或心室颤动引发
室性心动过速	起源于心室的快速心律，可分为单形性与多形性
心室扑动	介于室速与室颤之间的极快而相对规整的室性心律
心室颤动	心室电活动完全失去组织，无法有效泵血，是猝死最常见的直接原因
心脏骤停	心脏有效搏出停止的临床状态
持续性室性心动过速	持续存在而非短暂发作的室速
R-on-T	室性早搏落在前一心搏 T 波上，易诱发室颤
起搏心律	由人工起搏器驱动的心律
心房颤动	心房电活动紊乱，心室率绝对不规则
逐搏标注	对每一次心搏标出位置与类型
WFDB	PhysioNet 使用的波形数据库格式，含头文件、信号、注释三类文件
`.hea`	纯文本头文件，声明采样率、增益、采样点数与注释
`.hea-`	头文件的早期版本副本，描述字段写作 `record N, signal M`
`.dat`	二进制信号文件，本库用 212 格式打包两路 12 位数据
`.ari`	未经人工审校的算法心搏标注
`.atr`	经人工审校的参考心搏标注
格式 212	WFDB 的双通道 12 位打包存储格式
增益	每毫伏对应的 ADC 整数值，换算物理量时使用
校验和	采样点累加和，用于检测文件是否完整
AAMI 五分类	心电算法评价的通行分组：N、S、V、F、Q
可电击节律	除颤器应当放电的心律，主要指室颤与无脉性室速
阴性对照	不含目标事件的记录，用于评估误报
ODC-BY	开放数据共享署名许可
PhysioNet	由 MIT 等机构维护的生物医学信号数据平台

附录 A：核心数字核对表

项	值	来源	来源层级
记录数	23（编号 30–52）	官方页面；RECORDS 逐行	官方页面
患者数	23	官方页面"23 complete Holter recordings"	官方页面
审校标注段数	12	官方记录表 Audited Annotations 列；目录文件计数	官方页面与官方文件
未审校标注段数	23	官方记录表 Unaudited Annotations 列	官方页面
单段时长范围	3:56:00（记录 41）–25:08:30（记录 51）	官方记录表 Signal Duration 列	官方页面
通道数	2	全部 23 份 `.hea` 第 1 行第 2 字段	官方文件
采样率	250 Hz	全部 23 份 `.hea` 第 1 行第 3 字段	官方文件
存储格式	212，12 位	全部 23 份 `.hea` 信号行第 2、4 字段	官方文件
增益	800（21 段）；200（记录 39、47）	全部 23 份 `.hea` 信号行第 3 字段	官方文件
室颤起始时刻覆盖	20 段带 `#vfon`，3 段（40、42、49）无	全部 23 份 `.hea` 注释行；官方记录表	官方文件
底层心律构成	18 窦性（4 间歇起搏）、1 持续起搏、4 房颤	官方 Data Description 段	官方页面
文件总数	110	官方文件清单	官方页面
总体积	未压缩 1.1 GB	官方页面 Files 段	官方页面
许可	ODC-BY 1.0	官方页面 Access 栏与许可页	官方页面
DOI	10.13026/C2W306	官方页面 Discovery 栏	官方页面
发布日期	2004-07-02	官方页面版本列表	官方页面
引用文献	Greenwald 1986 硕士论文	官方页面 Citation 栏	官方页面
关联库 DOI	10.13026/C22P44（半小时摘录集）	官方发布公告	官方页面

附录 B：数字的来源分层

第一层：官方页面与官方文件。 记录数、患者数、时长范围、通道数、采样率、存储格式、增益、室颤起始时刻的覆盖范围、底层心律构成、文件总数、总体积、许可、DOI、发布日期。这些数字来自项目主页的数据描述段与记录表，以及 23 份头文件、RECORDS、ANNOTATORS 的直接访问。

第二层：其他官方页面。 CinC 2008 挑战赛页面对本库的描述（250 Hz、12 段精心标注、无临床对照信息）。它属于 PhysioNet 站内页面，但描述口径与现行记录表略有出入，已在 §8.2 说明。

第三层：未核实。 各心搏类型的具体条数、.atr 的逐条审校范围与审校者、室颤的终止时刻、23 段与 VFDB 22 段之间的记录对应关系、两名通道的具体解剖位置。这些需要下载全量并逐条比对，正文中凡涉及处均只做定性表述。

附录 C：完整参考文献

编号	文献	链接	用途
1	Sudden Cardiac Death Holter Database v1.0.0	https://physionet.org/content/sddb/1.0.0/	全部规模、结构、边界数据的来源
2	该库的 PhysioNet 文件目录	https://physionet.org/files/sddb/1.0.0/	RECORDS、ANNOTATORS、23 份头文件
3	Greenwald SD. Development and analysis of a ventricular fibrillation detector. M.S. thesis, MIT EECS, 1986	https://dspace.mit.edu/handle/1721.1/92988	官方指定引用文献
4	Greenwald SD, Albrecht P, Moody GB, Mark RG. Computers in Cardiology 1985;12:383-386	官方参考文献列表	检测器性能置信限方法
5	Goldberger AL, Rigney DR, Mietus J, Antman EM, Greenwald S. Experientia 1988;44:983-987	官方参考文献列表	基于 16 例窦性心律者的非线性动力学分析
6	Courtemanche M, Glass L, Rosengarten MD, Goldberger AL. Am J Physiol 1989;257:H693-H706	官方参考文献列表	记录 47 的个案建模
7	PhysioNet/CinC Challenge 2008（T 波电交替）来源页	https://physionet.org/content/challenge-2008/1.0.0/	§8.2 的候选来源描述
8	该库的 ODC-BY 1.0 许可全文	https://physionet.org/content/sddb/view-license/1.0.0/	许可条款
9	MIT-BIH 恶性室性心律失常库（同源摘录集）	https://physionet.org/content/vfdb/	§4.2 的关系说明
10	PhysioNet 平台综述（2026，Nature Health）	https://doi.org/10.1038/s44360-026-00096-z	托管模式与引用规范

附录 D：任务代码

任务一：按室颤起始时刻建立事件前后的对照窗口

import wfdb
import numpy as np

FS = 250
PRE, POST = 3600, 600        #-- 室颤前一小时 / 后十分钟

def vfon_sec(name):
    h = wfdb.rdheader(name, pn_dir='sddb')
    for c in h.comments:
        if c.lower().startswith('vfon'):
            hh, mm, ss = [int(x) for x in c.split(':')[1:]]
            return hh * 3600 + mm * 60 + ss
    return None

def segments(name):
    rec = wfdb.rdrecord(name, pn_dir='sddb', physical=True)
    vf = vfon_sec(name)
    if vf is None:
        return None
    lo = int(max(0, vf - PRE) * FS)
    hi = int(min(rec.sig_len / FS, vf + POST) * FS)
    return rec.p_signal[lo:hi], vf - lo / FS

for name in ['30', '31', '32']:
    seg, rel = segments(name)
    print(name, seg.shape, '室颤位于片段内第', round(rel), '秒')

任务二：检查标注覆盖并只在审校段上做心搏统计

import wfdb
from collections import Counter

AAMI = {'N': 'N', 'L': 'N', 'R': 'N', 'B': 'N', 'A': 'S', 'a': 'S',
        'J': 'S', 'S': 'S', 'V': 'V', 'r': 'V', 'F': 'F', 'f': 'F',
        'e': 'Q', 'j': 'Q', 'n': 'Q', 'E': 'Q', '/': 'Q', 'Q': 'Q'}

#-- 先用官方记录表确认这 12 段有 .atr，不要靠 try/except 猜
AUDITED = ['30', '31', '32', '34', '35', '36',
           '41', '45', '46', '49', '51', '52']

for name in AUDITED:
    ann = wfdb.rdann(name, 'atr', pn_dir='sddb')
    mapped = Counter(AAMI.get(s, 'other') for s in ann.symbol)
    total = sum(mapped.values())
    kept = total - mapped['other']
    print(name, total, dict(mapped), '排除非心搏注释', mapped['other'])

第二段代码里 AUDITED 这个列表是从官方记录表的 Audited Annotations 列直接抄下来的，不是靠遍历试错得到的。这一点很重要：如果靠 try/except 去猜哪些段有 .atr，一旦官方补全了标注，脚本行为会静默改变。

附录 E：如果只记五件事

序号	记住什么	为什么
1	23 段长程双通道 250 Hz 心电，录到真实致死性事件	这是它唯一无可替代的地方
2	只有 12 段有审校标注，其余 11 段是算法初标	心搏级任务只能用那 12 段
3	两通道导联未标注，描述字段都是 `ECG`	任何导联相关分析都无从下手
4	39、47 两段增益是 200，其余是 800	幅度跨段不可比，必须换算
5	无对照组，无随访，临床信息大量缺失	不能做风险预测，只能做事件演进分析

编辑说明

本文的核验时间为 2026 年 10 月 29 日。核对方式为直接访问 PhysioNet 项目页、版本页、许可页与文件目录，逐一确认 RECORDS、ANNOTATORS、23 份 .hea 头文件、30.hea-、39.hea- 的可访问性与内容；挑战赛相关描述取自 PhysioNet 站内 CinC 2008 来源页。文中所有数字限于规模、结构、边界三类，未自行计算任何分布性统计。未覆盖的内容包括：各心搏类型的具体条数、.atr 的逐条审校者与审校范围、室颤的终止时刻、23 段与 VFDB 22 段的记录对应关系、两个通道的解剖位置。这些需要下载全量后逐条比对，本文按要求只写可追到官方页或官方文件的数字。