Siena Scalp EEG Database — 14 例癫痫患者头皮脑电 47 次发作长程参考集

INFOBOX — Siena Scalp EEG Database 一屏速览

维度	内容
本质	14 例癫痫患者的头皮（非侵入）脑电长程记录 + 逐次发作起止标注（非影像、非挑战赛、非新采集）
团队	锡耶纳大学（University of Siena）神经内科与神经生理学科；通讯作者 Paolo Detti；PANACEE 项目
论文	Processes 2020;8(7):846（doi:10.3390/pr8070846，MDPI 开放获取，2020-07-16）
数据登记	PhysioNet v1.0.0（doi:10.13026/5d4a-j060，2020-08-11，RRID:SCR_007345）
规模	14 例患者、47 次发作、约 128 小时记录（未压缩 20.3 GB）
采样	512 Hz，国际 10-20 系统；多数记录含 1-2 路 EKG
通道	subject_info.csv 口径：13 例 29 通道、PN10 为 20 通道 EEG
格式	EDF（每例 1-5 个文件，单文件最大 2.11 GB）+ Seizures-list-PNxx.txt + subject_info.csv
标注	逐次发作起止时刻（时.分.秒），部分含 CLINICAL/ELECTRIC ONSET 双起始
患者	9 男（25-71）/ 5 女（20-58）（PhysioNet 摘要口径）；13/14 例颞叶、12/14 例 IAS
许可	CC BY 4.0，PhysioNet Open Access 公开直链，无请求制、无 gated
库内互链	CHB-MIT Scalp EEG（72）、Bonn EEG（322）、TUH EEG Corpus（71）、EEGMMIDB（342）、Helsinki Neonatal EEG（880）
一句话	想知道「成人癫痫发作前几分钟脑电同步性怎么变、能不能提前预警」——这是公开可直接下载的 14 例长程参考集

Siena Scalp EEG Database 是一个把「成人癫痫长什么样、发作前几分钟脑电在悄悄发生什么」这件事钉在 512 Hz、约 128 小时坐标上的数据集：14 位在锡耶纳大学神经内科与神经生理学科接受视频-脑电（Video-EEG）监测的癫痫患者，每一位都录下了从数小时到二十余小时不等的连续头皮脑电，并由专家把每一次发作的起止时刻逐条标出来。它不提供图像、不办比赛、不需要申请——14 个 EDF 文件夹加标注表在 PhysioNet 上挂着 CC BY 4.0，任何人可以直接下载。

它的价值不在「多」，而在「长」与「真」这两件事上同时做对了：一方面它是真实临床视频-EEG 监测环境里连续数小时到一天的长程记录，带着患者清醒与睡眠、跨日、运动与肌电伪迹这些现场躲不掉的杂质；另一方面它把**发作前（preictal）、发作期（ictal）**这段在时间轴上稍纵即逝的关键窗口完整保留下来——不是给一个孤立的波形片段，而是给一段长度足够长的连续信号，让「发作前几分钟大脑网络是否在同步、能否据此预警」从猜测变成一个可以直接算的问题。这让它同时服务于两条主线：开发癫痫发作检测/预测算法的团队，以及研究脑电同步性（synchronization）与网络动态的方法学团队。

导语读法三则：

1. 只想下数据：直奔 §6 获取与许可——PhysioNet 公开直链，CC BY 4.0，v1.0.0，注意每个 EDF 文件夹里的 Seizures-list-PNxx.txt 会告诉你该用哪些通道、其余通道须忽略。
2. 关心怎么用：直奔 §5 任务与标注——重点是「逐次发作起止时刻（事件级而非逐秒）」「跨日记录的去标识时间」，以及那 6 例只有 1-2 次发作、只够人工检查的样本。
3. 关心能否预警：直奔 §4 与 §7——14 例 47 次发作的规模虽小，但足以支撑患者特异性预测方法学的验证，且已有 SNSDeepNet、GenEEG、PAC 随机森林等多条下游脉络。

§0 导读：这个数据集解决什么问题

癫痫（epilepsy）是一种由脑内神经元异常过度或同步放电引起反复发作（seizure）的神经系统疾病，全球约影响 6500 万人。它的治疗手段主要是药物与手术，但抗癫痫药物对约 30% 的患者控制失败（药物难治性癫痫），而手术并非人人适合。于是「能不能预测发作」就成了一个性命攸关的问题：如果能在发作前几分钟可靠地预警，患者就能及时服药、避开危险活动、或让刺激装置介入，从而中和一次即将到来的发作、降低跌倒与意外伤害的风险。

问题在于，做这件事需要连续、长程、带真实发作标注的脑电数据。这类数据过去极其稀缺：临床脑电受隐私保护，长程视频-EEG 监测的逐次发作标注成本很高，而发作本身又是不规律的稀有事件。Siena Scalp EEG Database 就是为了填这个空缺而生的：它由锡耶纳大学神经内科与神经生理学科在托斯卡纳大区 PANACEE 项目下采集整理，14 例癫痫患者、约 128 小时连续记录、47 次发作逐条标注，并在 2020 年以 CC BY 4.0 推到 PhysioNet 上。

这个数据集的设计里有一个很关键的取向：它不是为"分类片段"而生，而是为"看连续时间"而生。Bonn EEG 那样的经典基准给的是切好的 23.6 秒片段（已标注、已清洗），适合做「这段是发作还是不是」的二分类；而 Siena 给的是跨小时、跨日的连续信号，适合回答真正困难的问题——「发作前的几分钟到几十分钟，脑电网络的同步性是怎样悄悄爬升的」。后一个问题在临床上是性命攸关的：如果预警窗口小于几分钟，患者根本来不及反应；如果预警窗口太长又全是假警报，设备就会被弃用。Siena 提供的正是一段足够长、足以研究「提前量」与「误报率」如何权衡的真实记录。

0.1 一个临床场景：为什么长程记录才够用

设想一位 46 岁的男性（形如 PN01）：因反复的局灶性发作收入癫痫监测单元，接上 Video-EEG，在病床上躺了两天。接下来发生的是一连串的现实：

• 发作是稀有事件。两天里他可能只发作了 2 次，每次几十秒。剩下的绝大部分时间里，脑电看起来"平静"，但平静里藏着发作前那段关键的酝酿期。
• 需要连续看很久。用片段方法你只能看到被切出来的那几秒；要做预测，你必须拥有从"平静"到"发作"的完整连续轨迹。
• 跨日、跨状态。记录跨了同一天的不同时段甚至不同天，患者清醒过、睡过，用药过、未用药过——这些都会改变脑电背景，是模型必须学会区分的非目标变异。
• 发作起始有临床与电的不同步。有的发作先出现临床表现（CLINICAL ONSET）再出现脑电改变（ELECTRIC ONSET），有的相反——这决定了"预测"到底以哪个时刻为终点基准。

在这样的场景里，一段孤立片段的信息量是有限的；真正有价值的是一条足够长的连续时间线。本数据集的价值，正是把这种「长程真实监测」如实保留并结构化，而不是制造一个看起来干净、实则丢失了时间脉络的片段集。

0.2 数据集回应的三个研究问题

把数据集的设计对照到它要回答的问题，可以清楚看到它的意图：

1. 「能不能在发作前几分钟发出预警？」——提供约 128 小时的连续记录与逐次发作起止，作为发作预测（preictal/ictal 状态识别）的训练与评测材料。
2. 「脑电同步性是不是发作的前兆信号？」——天然支持在长时窗上计算 PLI/WPLI 等同步度量，观察其在发作前的演化趋势。
3. 「怎样的评估才算合理？」——通过保留真实的跨日长程记录与不均衡的发作次数分布，迫使研究者面对「样本不足、假阳性代价高」的现实，从而设计更诚实的预警协议。

这也是为什么本条目把它称为「长程参考集」而非「基准排行榜数据集」：它的第一身份是供参照的真实连续数据，而不是一张等着刷分的成绩单。

§0 读法三则：

1. 这个条目是「数据集 + 数据描述符论文」的组合：本体是 14 个 EDF 文件夹 + 标注表，论文（Processes 2020）是它的说明书与首个使用范例。数字以 PhysioNet 官方页与论文正文互证为准。
2. 全文凡出现「患者人数/性别/年龄」的地方，都请注意三源口径不一致（见坑 3）：PhysioNet 摘要、论文 Table 1、subject_info.csv 逐行，三者互有出入。
3. 检索时若搜「Siena EEG」「Siena scalp dataset」「PNACEE」等会同时命中 PhysioNet 记录页、MDPI 论文页、Google Drive 历史链接与多篇下游论文——PhysioNet 是正式登记入口，论文与 Google Drive 是同一数据的早期公开路径，不是多份不同数据。

0.3 与"片段式"癫痫数据的根本差异（一句话说透）

很多人第一次接触癫痫 EEG 数据是从 Bonn 那样切好的片段开始的，于是会误以为 Siena 也是"另一种片段集"。二者的根本差异可以用一句话说透：

Bonn 给你的是"发作的照片"，Siena 给你的是"发作的录像"。

• “照片”（片段）：一个个 23.6 秒的信号块，已经标好"这是发作 / 这不是"。适合回答"这段像不像发作"。
• “录像”（长程）：从平静到发作再到平静的完整连续时间线。适合回答"从平静到发作，中间发生了什么、提前多久能看出来"。

要做预警，你必须拥有"录像"——因为"提前多久"这个量只有在时间轴连续时才有定义。这是 Siena 不可被片段数据集替代的根本原因。

§1 数据集速览：十问十答

Q1：这到底是什么数据？
14 位癫痫患者在医院癫痫监测单元做的头皮脑电（scalp EEG / Video-EEG）连续记录，加上每一次癫痫发作的起止时刻标注，再加一张受试者信息表。它不是影像，是时间序列信号——头皮上的脑电波形本身，另含心电（EKG）。

Q2：14 例从哪来？
全部来自意大利锡耶纳大学（University of Siena）神经内科与神经生理学科（Unit of Neurology and Neurophysiology）收治的癫痫患者，在托斯卡纳大区 PANACEE 区域研究项目下采集。是真实临床监测场景，不是实验室采集。

Q3：每段记录多长？多大规模？
14 例合计约 128 小时（subject_info.csv 逐例分钟数求和约 7704 分钟 ≈ 128.4 小时），单例从最短 145 分钟（PN11，约 2.4 小时）到最长 1408 分钟（PN14，约 23.5 小时）。所有文件未压缩共 20.3 GB。整整 14 例里有 47 次发作。

Q4：多少个通道？采样率多少？
512 Hz 采样，国际 10-20 系统电极布局。subject_info.csv 显示 13 例为 29 通道 EEG，PN10 为 20 通道；多数记录还含 1 或 2 路 EKG（PN10 含 2 路 EKG）。注意：Seizures-list-PNxx.txt 只列出应使用的通道子集，其余 EDF 通道须忽略（见坑 5）。

Q5：怎么获取？要申请吗？
不需要申请。PhysioNet 上 Open Access 公开直链，CC BY 4.0，可网页浏览、ZIP 下载、wget 递归下载或从 AWS 开放 S3 桶同步。

Q6：标注是什么样的？
标注分两层：① 每例一个 Seizures-list-PNxx.txt，给出采样率、参与通道列表、记录起止时刻、以及每一次发作的起止时刻（格式 时.分.秒），部分发作还标了 CLINICAL ONSET / ELECTRIC ONSET 双起始；② 共享的 subject_info.csv，给出每例的性别、年龄、ILAE 发作分类、EEG 通道数、发作次数、总记录分钟数。

Q7：是逐秒二值标签吗？
不是。标注是事件级的——只给每次发作的起止时刻，不给逐样本/逐秒的发作/非发作二值序列。若要做逐样本分类，需要使用者自己按起止时刻切分并构造标签（这也会引入 preictal 区间如何定义的方法学选择）。

Q8：患者都是哪一类癫痫？
以局灶性发作为主。13/14 例为颞叶（T）定位，其中 7 例左侧（L）、4 例右侧（R）；PN10 为额叶（F）双侧。按 ILAE 分类，12 例为 IAS（伴意识受损的局灶性发作）、1 例 WIAS（不伴意识受损，PN14）、1 例 FBTC（继发双侧强直-阵挛，PN10）。

Q9：主要的用途是什么？
癫痫发作预测（seizure prediction）——识别 preictal（发作前）与 ictal（发作期）状态，在发作前提前预警；也常用于发作检测、发作起止定位、脑电同步性分析、跨患者泛化研究。

Q10：有什么坑要先知道？
主要四个：① 通道要按标注文件筛选，不能整文件读；② 标注是事件级不是逐秒级；③ 性别人数/年龄范围三源口径不一致；④ 发作次数极不均衡（6 例仅 1-2 次），患者特异性建模时小样本例只够定性检查。

1.1 一屏之外：这个数据集不做什么

• 不提供影像：没有 MRI、CT 或任何结构影像；它是纯电生理信号（EEG + EKG）。
• 不提供视频：虽然采集时用的是 Video-EEG，但公开数据只含信号，同步视频未公开（去标识与隐私考虑）。
• 不提供逐秒标签：事件级起止时刻是全部标注信息，没有更细粒度的发作/非发作标注。
• 不办比赛、无 leaderboard：没有官方基线榜；所有性能数字都来自第三方论文，口径各异。
• 不覆盖儿童与全面性癫痫：全部为成人（20-71 岁）、以局灶性颞叶癫痫为主。

1.2 谁应该用这个数据集

• 做癫痫发作预测（preictal 检测）的研究者——它是成人长程非侵入 EEG 的经典公开锚点。
• 做发作检测 / 事件定位的算法团队——可与片段式（Bonn）和儿童长程（CHB-MIT）数据集对照。
• 做脑电同步性 / 网络动态的方法学团队——PLI/WPLI 等度量的经典试验场。
• 做患者特异性 vs 跨患者泛化研究的团队——14 例足以做留一患者（leave-one-patient-out）协议。
• 做非侵入式神经监测/预警设备工程的团队——PANACEE 的目标本就是低成本监测设备。

1.3 一张「任务—数据」适配表

不同任务对本数据集的适配度不同，下表帮你快速判断"它是不是我要的"：

你的任务	适配度	理由
发作预测（preictal 检测）	★★★★★	长程连续 + 发作时刻，正是预测所需
脑电同步性 / 网络动态	★★★★★	长程连续 + 多通道，支持同步度量随时间演化
发作检测（逐窗/逐样本）	★★★★	可用，但需自建逐秒标签；无官方逐秒标注
患者特异性 vs 跨患者泛化	★★★★	14 例可做留一患者，但例数偏少
HRV / 多模态预测	★★★★	含 1-2 路 EKG，支持 HRV 路线
生成式数据增强	★★★	小样本 + 类不平衡是天然动机（GenEEG 已示范）
影像-文本 / 多模态影像	☆	无任何影像数据
睡眠分期	★★	有长程 EEG 但无睡眠分期标注，需自建
儿科癫痫研究	☆	全部为成人
全面性癫痫 / 额叶癫痫泛化	★★	全库以颞叶局灶性为主，外推性未知

§2 数据构成与规格

2.0 先看全局：数据集的三层结构

Siena Scalp EEG Database 的文件层次很清楚，理解它需要把三层分开看：

1. 记录层（EDF 波形）：14 个文件夹，每个文件夹对应一位受试者（PN00、PN01、PN03、PN05、PN06、PN07、PN09、PN10、PN11、PN12、PN13、PN14、PN16、PN17）。每个文件夹内含 1-5 个 EDF 文件，装着该受试者头皮 EEG 与 EKG 的连续波形。单文件最大 2.11 GB。
2. 发作层（事件标注）：每个文件夹内一个 Seizures-list-PNxx.txt，用文本记录采样率、参与通道、记录起止时刻、逐次发作起止时刻。
3. 受试者层（临床表）：全库共享一个 subject_info.csv，一行一位受试者，含性别、年龄、ILAE 发作分类、EEG 通道数、发作次数、总记录分钟数。

注意编号是非连续的：有 PN00、PN01、PN03、PN05、PN06、PN07、PN09、PN10、PN11、PN12、PN13、PN14、PN16、PN17，缺 PN02、PN04、PN08、PN15。这 14 个编号即 14 位受试者，缺号意味着原始招募/采集队列曾包含更多受试者，最终公开的是这 14 例。

2.1 规模、来源与机构构成

• 受试者数：14 例
• 发作数：47 次（PhysioNet 官方）；subject_info.csv 逐例求和 = 5+2+2+3+5+1+3+10+1+4+3+4+2+2 = 47 ✓
• 记录时长：约 128 小时（PhysioNet 官方 “about 128 recording hours”）；subject_info.csv 逐例分钟数求和 = 7704 分钟 ≈ 128.4 小时 ✓
• 来源机构：University of Siena（锡耶纳大学）神经内科与神经生理学科，意大利锡耶纳
• 采集背景：托斯卡纳大区（Regione Toscana）区域研究项目 PANACEE（癫痫与睡眠转换期脑活动的预测与分析），目标是开发非侵入式、患者特异性、低成本癫痫预测监测/控制设备
• 地理与时间：单中心、单地区（意大利托斯卡纳）；采集时间散布于提交前数年，具体年份未在公开页明述

2.2 记录的物理规格

规格项	数值	来源
模态	头皮脑电（scalp EEG），Video-EEG 监测	PhysioNet 摘要
电极系统	国际 10-20 系统（international 10-20 System）	PhysioNet 摘要
采样率	512 Hz	PhysioNet 摘要 / 论文
单位	微伏（μV）（EDF 标准）	EDF 格式约定
附加信号	多数记录含 1 或 2 路 EKG	PhysioNet 摘要
放大器	EB Neuro 与 Natus Quantum LTM	PhysioNet 方法段
电极	可重复使用银/金杯状电极（silver/gold cup electrodes）	PhysioNet 方法段
格式	EDF（European Data Format）	PhysioNet 数据描述
单文件上限	2.11 GB	PhysioNet 数据描述
去标识	.edf 内所有日期已去除	PhysioNet 数据描述
患者状态	尽量卧床，可睡眠或清醒	PhysioNet 方法段

一个容易忽略的规格差异：PhysioNet 与论文一致声明本体采样率 512 Hz；但论文在分析阶段明确"所有数据子采样至 256 Hz"（subsampled to 256 Hz）。这意味着本体 512 Hz、论文分析管道 256 Hz——两者的下游数字不能直接互相换算，使用时需明确自己按哪个采样率处理。

2.3 通道配置的两个口径

通道数是本数据集最需要小心的字段之一，因为存在两个层面：

口径一：subject_info.csv 的 eeg_channel 列（本体口径）

• 13 例为 29 通道 EEG
• PN10 为 20 通道 EEG

口径二：Seizures-list-PNxx.txt 的"参与通道列表"（使用口径）
以 PN10 为例，其 Seizures-list-PN10.txt 列出的通道为：Fp1、F3、C3、P3、1、F7、T3、T5、Fz、Cz、Pz、F4、C4、P4、O2、F8、T4、T6、EKG 1、EKG 2、Fp2（编号 1-5、14-23、32-34）——这不是全部 20 个 EEG 通道的连续枚举，而是经过了跳号筛选（编号 5 名为 “1”、跳过了多个中间编号）。PhysioNet 使用说明明确：“the list of the channels from which the EEG and EKG signals are extracted (all other channels in the edf files must be ignored)”——即标注文件给出的列表是应抽取用于分析的通道，EDF 里其余通道必须忽略。

这带来一个实操陷阱（见坑 5）：若直接按 EDF 头里声明的全部通道读取，会引入标注未指定、可能含未处理伪迹或参考通道的信号，与论文/下游做法不一致。

2.4 一位受试者（PN10）的完整画像

PN10 是本数据集里最特殊的一例，值得单独看：

• 人口学：25 岁男性（全库最年轻男性之一）
• 发作类型：FBTC（focal to bilateral tonic-clonic，局灶继发双侧强直-阵挛）——全库唯一的 FBTC
• 定位/偏侧：F（额叶）/ Bilateral（双侧）——全库唯一非颞叶、唯一双侧
• 通道：20 通道 EEG（全库唯一非 29 通道），另含 2 路 EKG（EKG 1、EKG 2）
• 发作数：10 次（全库最多）
• 记录时长：1002 分钟（约 16.7 小时，全库第二长）
• 标注细节：其第 3 次发作标注为 Seizure start time: 15.43.53 (CLINICAL ONSET); 15.43.59 (ELECTRIC ONSET)——临床起始比电起始早 6 秒，是理解"发作起点以哪个为准"的活标本；第 5 次发作同样含 CLINICAL ONSET 标注

PN10 之所以值得单列，是因为它同时打破了本数据集的四项"多数"（发作类型、定位、偏侧、通道数），且在预测任务里既是"最好用的样本"（10 次发作、16.7 小时）又是"最难的样本"（FBTC 双侧全面化、可能跨半球、形态复杂）。下游论文若做患者间泛化，PN10 往往是分布外（out-of-distribution）的典型。

2.5 逐例受试者速查表

下表由 subject_info.csv 整理（抓取时点 2026-10-15），是全条目最该先背下来的一张表：

受试者	年龄	性别	ILAE 分类	定位	偏侧	EEG 通道	发作数	记录时长(分钟)
PN00	55	男	IAS	颞叶 T	右 R	29	5	198
PN01	46	男	IAS	颞叶 T	左 L	29	2	809
PN03	54	男	IAS	颞叶 T	右 R	29	2	752
PN05	51	女	IAS	颞叶 T	左 L	29	3	359
PN06	36	男	IAS	颞叶 T	左 L	29	5	722
PN07	20	女	IAS	颞叶 T	左 L	29	1	523
PN09	27	女	IAS	颞叶 T	左 L	29	3	410
PN10	25	男	FBTC	额叶 F	双侧	20	10	1002
PN11	58	女	IAS	颞叶 T	右 R	29	1	145
PN12	71	男	IAS	颞叶 T	左 L	29	4	246
PN13	34	女	IAS	颞叶 T	左 L	29	3	519
PN14	49	男	WIAS	颞叶 T	左 L	29	4	1408
PN16	41	女	IAS	颞叶 T	左 L	29	2	303
PN17	42	男	IAS	颞叶 T	右 R	29	2	308

读表三则：

1. 性别栏逐行统计为 8 男 / 6 女（男：PN00/01/03/06/10/12/14/17；女：PN05/07/09/11/13/16）——与 PhysioNet 摘要"9 男 5 女"不符，见坑 3。
2. 年龄范围 20（PN07）至 71（PN12）——与 PhysioNet 摘要"男 25-71 / 女 20-58"基本可对上（男性最小 25 为 PN10，最大 71 为 PN12；女性最小 20 为 PN07，最大 58 为 PN11），但论文写男性 36-71，见坑 3。
3. 发作计数 47 与时长 7704 分钟均可由本表逐行求和复现（是入门第一道核对题）。

2.6 三种 ILAE 发作类型的含义

标注里出现的三个缩写来自国际抗癫痫联盟（ILAE，International League Against Epilepsy）2017 年发作分类体系：

• IAS（Focal onset Impaired Awareness Seizure，伴意识受损的局灶性发作）：起源于一侧半球的局灶性发作，发作过程中意识受损。这是本库的绝对主体——12/14 例。旧称"复杂部分性发作"。
• WIAS（Focal onset Without Impaired Awareness Seizure，不伴意识受损的局灶性发作）：同样是局灶性，但全程保留意识。仅 PN14 一例。旧称"简单部分性发作"。
• FBTC（Focal to Bilateral Tonic-Clonic，局灶继发双侧强直-阵挛）：以局灶性起始，随后扩散至双侧，演变为全身性强直-阵挛发作。仅 PN10 一例。旧称"继发全面性发作"。

配合定位/偏侧缩写：T = temporal（颞叶），F = frontal（额叶），L = left（左），R = right（右）。全库 13 例颞叶、仅 PN10 额叶；7 例左侧、4 例右侧、PN10 双侧。

为什么这个分布重要：本库几乎全是"单侧颞叶局灶性发作"（12 例 IAS + 1 例 WIAS，除 PN10 外全为颞叶），这意味着它天然偏向颞叶癫痫（temporal lobe epilepsy）这一最常见也研究最充分的癫痫类型。对颞叶癫痫的算法在本库上表现好，不能直接外推到额叶癫痫、中央区癫痫或全面性癫痫——这是使用本数据集时必须写进限制声明的一条（见坑 7）。

2.7 记录为什么这么长：长程监测的临床背景

本库单例记录从数小时（PN11, 145 min）到近一整天（PN14, 1408 min ≈ 23.5 h），这不是随意的采样，而是**长程视频脑电监测（long-term video-EEG monitoring）**这一临床手段的正常产物：

• 目的：癫痫的诊断与术前评估依赖"抓到真实的发作"。发作是稀有事件，所以需要连续监测数天来提高捕获概率。
• 手段：患者住进癫痫监测单元（EMU），连续记录 EEG 与同步视频，通常持续数日至一周。本库的"1-5 个 EDF 文件/例"正是同一住院期间被切分成多个文件（跨同日时段或不同日）的结果。
• 代价：长程记录带来大量"非发作"时段，构成严重的类别不平衡——这正是为什么 6 例患者两天里可能只发作 1-2 次。
• 去标识：为保护隐私，EDF 里的绝对日期被抹掉，只保留相对时序。这使"这段记录发生在几点"变得不可知，但"发作前多少分钟"仍可算——后者才是预测任务真正需要的。

2.7.1 长程记录里的"状态切换"：清醒、睡眠与用药

在约 128 小时的连续记录里，患者经历了远比"一段脑电"复杂的状态变化，这些变化对建模是双刃剑：

• 清醒 vs 睡眠：PhysioNet 明示患者"either asleep or awake"。睡眠会带来纺锤波、K 复合波、慢波等正常节律，这些在频谱上可能与某些发作波形混淆；同时睡眠本身是发作的高发期（尤其颞叶癫痫）。若模型学不会区分"睡眠慢波"与"发作慢波"，就会产生大量夜间假阳性。
• 昼夜节律：长程记录跨越多日，患者的觉醒-睡眠周期、进食、用药节律都在信号背景上留下痕迹——这些是非目标变异，模型应学会对其不变（invariance）而非拟合。
• 抗癫痫药物：患者在医院监测期间常会减药或停药以诱发发作（这是长程监测的常见临床操作）。这意味着同一患者不同时间段的脑电背景、发作阈值都可能不同——用药状态本身是一个未被标注的隐藏变量。数据集不提供用药记录，使用时应意识到这一混杂因素。
• 发作后抑制：一次发作后常有一段脑电被抑制或变慢的 postictal 期，若被误当作 interictal 负样本，会污染负类分布。

建模提示：理想做法是把"睡眠/清醒"作为一个显式变量控制（如用睡眠分期辅助），或至少在做逐窗分类时报告模型在清醒与睡眠段的表现差异——否则"高准确率"可能只是学会了分辨睡眠而非发作。

2.7.2 记录为什么会被切成多个 EDF 文件

本库每例含 1-5 个 EDF 文件，这一"切分"并非随意，通常对应：

• 单次记录时长上限：EDF 格式或采集软件对单文件时长/大小有限制（单文件最大 2.11 GB 即暗示这一点），过长记录须截断为多个文件。
• 临床流程分段：患者白天下床活动、夜间休息，或技师交接班、设备重启，都可能产生新的文件。
• 文件命名线索：如 PN10-4.5.6.edf 表示该文件合并了第 4/5/6 段——命名中的数字串暗示原始采集被编号，公开时做了合并。

关键后果：文件之间可能有时间空隙（not necessarily contiguous）。若把多个 EDF 简单首尾相接当作连续信号，会在接缝处制造不存在的"跳变"，甚至把两次原本相隔数小时的发作算成相邻。正确做法是读取每个文件的 Registration start/end time，按绝对（系统）时间轴对齐后再构造连续序列——这也是为什么 Seizures-list 同时给出"记录起止"和"发作起止"两组时刻。

2.8 与同类长程 EEG 数据集的构成对照

数据集	例数	人群	单例时长	采样	发作标注	获取
Siena Scalp EEG	14	成人	数小时-23.5 h	512 Hz	逐次起止时刻	PhysioNet CC BY 4.0
CHB-MIT Scalp EEG	23（含重复）	儿童	1-4 h/文件	256 Hz	逐秒发作标注	PhysioNet CC BY 4.0
Bonn EEG	5 组片段	混合	23.6 s/片段	173.61 Hz	片段级预分组	免费（网站/邮件）
TUH EEG Corpus	数千	混合	不等	250-1000 Hz	部分事件标注	需申请

（对照表为语境性arrangement，CHB-MIT/Bonn/TUH 的具体数值以其各自条目为准，此处仅示意差异化定位。）

差异化的关键：Siena 的独特之处在于「成人 + 长程 + 非侵入 + 逐次发作时刻」这一组合。CHB-MIT 是儿科、Bonn 是片段、TUH 是大而杂且需申请——Siena 恰好卡在"成人真实长程记录且可直接下载"这个生态位上。

§3 标注体系：专家如何标出「发作」

3.1 两层标注：事件级时刻 + 受试者级信息

本数据集的标注不是逐样本标签，而是两层事件/属性标注：

第一层：逐次发作的起止时刻（Seizures-list-PNxx.txt）
每个受试者文件夹里有一个文本文件，内容结构固定：

1. 采样率（Data Sampling Rate，如 512 Hz）
2. 参与通道列表（Channels in EDF files，即应抽取使用的通道）
3. 记录起止时刻（Registration start/end time，格式 时.分.秒）
4. 逐次发作的起止时刻（Seizure start/end time，格式 时.分.秒），并标注发作编号（如 Seizure n 1 (seizure 1A)）与所在文件名

例如 PN10 的第 1 次发作：

Seizure n 1 (seizure 1A):
File name: PN10-1.edf
Registration start time: 05.40.05
Registration end time: 08.26.07
Seizure start time: 07.45.50
Seizure end time: 07.46.59

即：该发作在 PN10-1.edf 中，记录从 05:40:05 开始，发作从 07:45:50 持续到 07:46:59（约 69 秒）。

第二层：受试者级属性（subject_info.csv）
每例一行，含性别、年龄、ILAE 发作分类、定位、偏侧、EEG 通道数、发作次数、总记录分钟数。

3.2 特殊标注：CLINICAL ONSET 与 ELECTRIC ONSET

部分发作同时标注了两个起始时刻，这是本数据集标注中最有方法学价值的一处细节：

• CLINICAL ONSET：发作的临床表现起始时刻（如患者出现行为的、运动或意识层面的改变——由同步视频判定）
• ELECTRIC ONSET：发作的脑电表现起始时刻（EEG 上出现明确的发作性放电改变）

例如 PN10 第 3 次发作：Seizure start time: 15.43.53 (CLINICAL ONSET); 15.43.59 (ELECTRIC ONSET)——临床起始比电起始早 6 秒。

为什么这 6 秒重要：在发作预测任务里，“预测提前量"必须相对一个明确的终点基准来算。若以 CLINICAL ONSET 为终点，预警需要更早发出才有意义（因为临床发作已经发生意味着患者可能已经受损）；若以 ELECTRIC ONSET 为终点，则对应"在脑电层面发作化之前多久预警”。两个基准算出的提前量会系统性差几秒——对短时窗（如 30-60 s）预警是显著差异。本数据集在部分发作上同时给出两个时刻，把选择权留给使用者并透明标注，这是它相比"只给一个发作时刻"的数据集更诚实的地方。

3.3 事件级 vs 逐秒级：一个关键区别

必须反复强调：本数据集不提供逐秒（sample-level）的发作/非发作二值标签。它给的是"发作从第 X 秒到第 Y 秒"这样的区间事件。

这带来两个后果：

1. 做逐样本分类时需要自己构造标签：你拿到"发作是 07:45:50-07:46:59"，若要做"这一秒是不是发作"的二分类，需要自己把区间映射成 0/1 序列。
2. preictal 区间的定义完全由使用者决定：预测任务的核心是标出"发作前多久"属于发作前期（preictal）。本数据集不预设 preictal 有多长——这个长度（如 5 分钟、30 分钟、1 小时）是使用者必须自己声明的方法学选择，且会强烈影响评估结果（见 §5.6）。

与 CHB-MIT 的对比：CHB-MIT 提供逐秒的发作标注（chbXX-summary.txt 里给出每段发作的秒级起止），Siena 提供的是时.分.秒级的事件起止。两者粒度看似接近（都是秒级），但 CHB-MIT 的下游惯例是把它当作逐秒标签用，而 Siena 的下游更多把它当作事件定位 + 区间构造用。这个差异决定了两者的下游方法学风格不同。

3.4 标注质量与边缘案例

从抓取的 Seizures-list 文本可以观察到几处值得留意的地方：

• 文件切分与发作跨文件：发作标注总是关联到具体的 EDF 文件名（如 PN10-4.5.6.edf 表示该文件是第 4/5/6 段的合并），说明单个发作不会跨 EDF 文件边界被打断——这对构造连续时间线是好消息，但对"记录连续性"要小心：文件之间可能有时间间隔。
• 记录起止的语义：Registration start/end time 是该文件内信号的记录时段，不等于患者全天在床时段。跨文件拼接时必须以系统时间戳对齐，而非简单首尾相接。
• 文本录入噪声：抓取到的文本中可见个别录入瑕疵，例如 PN10 第 2 次发作行尾 “opure 11.40.43”（疑似残留字符）、PN10-7.8.9.edf 的记录起始写作 “1 6.49.25”（数字间多一空格，应为 16.49.25）。这些是源文件原样，不影响发作计数与主数字，但提示使用者解析时应容忍一定的格式噪声（见坑 6）。

3.5 一个标注解读的思想实验

假设你要用 PN00 做一次"发作前 30 分钟预警"实验。你从 Seizures-list-PN00.txt 得到 PN00 的 5 次发作时刻，从 subject_info.csv 知道 PN00 是 55 岁男性、IAS、颞叶右侧、29 通道、发作 5 次、记录 198 分钟。接下来你必须自己回答几个数据集没有替你回答的问题：

1. preictal 从哪开始算？"发作前 30 分钟"是包含发作本身，还是严格到发作前一秒为止？发作后多久算 postictal（应排除）？
2. 哪部分算 interictal（发作间期）？远离发作的时段要留多长的"安全边界"（seizure-free margin）才算干净的负样本？留太短会混入 preictal 泄漏，留太长则负样本不足。
3. 用哪些通道？按 Seizures-list 的抽取列表，还是按 EDF 全部通道？PN00 是右侧颞叶，是否要关注 T4/T6/F8 附近通道？
4. 评估用哪种口径？如何定义一次"正确预测"，如何定义"假阳性"？

这些问题的答案因研究而异，而本数据集刻意不代入任何一种——它只给"发作确实发生在这些时刻"这一忠实记录，把方法学建构留给你。这既是它的灵活性，也是它的使用门槛（见坑 4）。

3.6 「标注稀疏」为什么反而是这个数据集的特点

本数据集标注稀疏（只有事件级时刻），看似是缺点，但置于它的定位下反而合理：

• 它服务于"预测"而非"分割"：预测任务真正需要的是"发作发生在何时"这个事件事实，而非"每一秒的标签"。事件级标注恰好够用。
• 它把 preictal 定义权交给使用者：不同临床场景对预警窗口的要求不同（有的要 5 分钟，有的要 30 分钟），强行预设一个 preictal 长度反而不通用。
• 它降低了标注成本与隐私暴露：只公开发作时刻而非逐秒标注，减少了可推断的患者信息。

因此，把"标注稀疏"直接判定为"数据集质量差"是误读；正确的读法是**“标注粒度与任务定位匹配”**——它做的是预测，给的就是预测所需的粒度。

3.7 从一处真实标注看"发作始点"的判定难度

把 PN10 第 3 次发作的标注原样摊开，可以看到"发作始点"这个概念的微妙：

Seizure n 3 (seizure B2):
File name: PN10-3.edf
Registration start time: 13.33.18
Registration end time: 15.58.31
Seizure start time: 15.43.53 (CLINICAL ONSET); 15.43.59 (ELECTRIC ONSET)
Seizure end time: 15.45.02

• 同一发作，两个始点：临床表现于 15:43:53 出现，脑电改变于 15:43:59 出现，相差 6 秒。若研究关注"患者何时开始受影响"，应用临床始点；若关注"脑电何时发作化"，应用电始点。
• 单一终点：Seizure end time 只有 15:45:02 一个，未区分临床/电的结束——说明作者认为"结束"的歧义较小（或未做此区分）。
• 时长计算依始点而变：以临床始点算，该发作持续 69 秒；以电始点算，持续 63 秒。同一发作，两种"发作时长"。
• 相对时间换算：该文件记录从 13:33:18 开始，故发作在文件内的相对起点约为 (15:43:53 − 13:33:18) ≈ 2 小时 10 分 35 秒——这个相对时间才是切片/建模直接可用的坐标。

这说明：即便是一份权威标注，"发作始点"也包含判定规则的选择，而非一个绝对事实。本数据集把两份始点都记下来，是这个细节上最诚实的处理。

3.8 标注与下游标签体系的映射

不同的下游任务会把这份事件级标注映射成不同的标签体系，理解这个映射能避免"照搬别人标签"的错误：

下游任务	正类定义	负类定义	需自行补充
发作检测（逐窗）	ictal 区间内的窗	区间外的窗	窗长、重叠
发作预测（逐窗）	自定 preictal 区间内的窗	远隔发作的 interictal 窗	preictal 长度 T、postictal 排除、seizure-free margin
发作事件定位	每个发作的起止	—	允许的定位误差容限
同步性分析	发作前后的连续段	—	分析的通道对、窗长、频带

一句话：本数据集给的是"发作事件事实"这一最底层信息，上述所有标签体系都是在这层事实之上叠加方法学约定的产物。任何声称"直接用了 Siena 标签"的工作，都应说明其标签构造约定——否则不可复现。

3.9 十条从标注里能直接读出的"确定性"，与读不出的"不确定性"

能直接读出的（数据保证）：

1. 每次发作属于哪一例（PNxx）与哪个 EDF 文件
2. 每次发作的（系统）起止时刻，精度到秒
3. 部分发作的 CLINICAL ONSET 与 ELECTRIC ONSET 两个起始
4. 每例的采样率（512 Hz）
5. 每例应抽取使用的通道列表
6. 每例的记录起止时刻（逐文件）
7. 每例的 ILAE 发作分类、定位、偏侧
8. 每例的性别、年龄
9. 每例的 EEG 通道数
10. 每例的发作次数与总记录分钟数

读不出的（数据不保证，须自建或存疑）：

1. preictal 有多长（无定义，须自定）
2. postictal 到何时结束（无标注）
3. 发作间期放电（IED/spike）在哪里（未标注）
4. 发作的类型级时间细分（同一发作内的演化阶段未标注）
5. 睡眠/清醒状态（未标注）
6. 用药状态（未提供）
7. 发作的临床semiology（表现学描述，未提供）
8. EDF 里被"忽略"的通道具体是什么（未说明）
9. 文件之间的确切时间空隙（需自行对齐推算）
10. 发作始点的判定依据（除 CLINICAL/ELECTRIC 区分外，无更细判据）

这张表的用法：第 1 组的 10 条是你可以放心依赖的；第 2 组的 10 条是你在论文里必须自己给出定义或声明未处理的。把两组分清，是正确使用本数据集的第一课。

§4 数据规模硬数字逐条核验

4.1 基本规模（三源互证）

指标	数值	互证来源
受试者数	14 例	PhysioNet 摘要 / 论文 / subject_info.csv（14 行）✓
发作总数	47 次	PhysioNet 摘要 / 论文（6 例 1-2 次 + 8 例 ≥3 次）/ csv 求和 ✓
记录总时长	约 128 小时	PhysioNet “about 128 recording hours”；csv 求和 7704 min ≈ 128.4 h ✓
采样率	512 Hz	PhysioNet / 论文 ✓
电极系统	国际 10-20	PhysioNet / 论文 ✓
未压缩大小	20.3 GB	PhysioNet 页面
ZIP 大小	13.0 GB	PhysioNet 页面
文件夹数	14（PNxx）	PhysioNet 数据描述

三个数字的自洽性核对：14 例、47 次发作、128 小时——三者互相独立，且都能从 subject_info.csv 逐行复现：14 行恰好 14 例；发作数逐列求和恰好 47；分钟数逐列求和 7704 分钟 ÷ 60 = 128.4 小时，与官方 “about 128 hours” 吻合。这是一次官方数字与逐行数据完全自洽的难得案例（很多数据集在两处口径间会有出入）。

4.2 发作计数的逐例分布

发作数	受试者	例数
1 次	PN07、PN11	2
2 次	PN01、PN03、PN16、PN17	4
3 次	PN05、PN09、PN13	3
4 次	PN12、PN14	2
5 次	PN00、PN06	2
10 次	PN10	1
合计	—	14 例 / 47 次

关键观察：

• 1-2 次发作的例共 6 例（PN01、PN03、PN07、PN11、PN16、PN17）——恰好等于论文所述"6 名患者仅有 1 或 2 次发作，数据不足以训练，仅做人工检查分析"。
• ≥3 次发作的例共 8 例（PN00、PN05、PN06、PN09、PN10、PN12、PN13、PN14）——恰好等于论文所述"8 名患者至少有 3 次发作，用于分类算法评估（交叉验证）"。
• 分布极度不均：最少 1 次、最多 10 次，中位数 2.5 次。PN10 一例就占了全库发作的 10/47 ≈ 21%。

4.3 记录时长的逐例分布

时长档	受试者	说明
<3 h	PN11(145 min)、PN00(198 min)、PN12(246 min)、PN16(303 min)、PN17(308 min)	5 例短记录
3-10 h	PN05(359)、PN09(410)、PN13(519)、PN07(523)、PN06(722)、PN03(752)、PN01(809)	7 例中等
>10 h	PN10(1002 min ≈ 16.7 h)、PN14(1408 min ≈ 23.5 h)	2 例长记录

观察：单例时长跨度近 10 倍（145 min → 1408 min）。记录最短的 PN11（145 分钟）恰好也是发作最少（1 次）的例之一，而记录最长的 PN14（23.5 小时）有 4 次发作。时长与发作数并不强相关（PN10 的 16.7 小时配 10 次发作是密度最高的；PN01 的 13.5 小时只配 2 次发作）。

4.4 患者人口学数字（三口径并列）

口径	男性	女性	男性年龄	女性年龄	来源
口径 1（官方摘要）	9	5	25-71	20-58	PhysioNet 摘要
口径 2（论文）	9	5	36-71	20-58	Processes 2020 §3.1
口径 3（逐行统计）	8	6	25-71	20-58	subject_info.csv 逐行

这是一个必须存照的三口径冲突（详见坑 3）：

• 性别：口径 1/2 都是"9 男 5 女"，但逐行数 csv 得到"8 男 6 女"——多算了 1 男、少算了 1 女。
• 年龄：口径 1 与 3 都支持男性最小 25（PN10），但口径 2（论文）写 36——恰好把 25 岁的 PN10 和 27 岁的女性 PN09 排除在外（若只看论文口径，男性最小 36 是 PN06）。

怎么处理：本条目按"以 PhysioNet 官方摘要为主口径，逐例表以 subject_info.csv 实列为准，冲突并列标注"的原则处理。这不是"谁对谁错"的问题，而是三份文档在整理时口径不同——读者无论用哪个数字，都应以自己实际下载后核对 subject_info.csv 为准。

4.5 技术质量数字

本数据集未在官方页提供质量评估数字（无信噪比分布、无噪声底噪统计、无伪迹比例报告），这与 Sci Data 类数据描述符论文（如 Helsinki Neonatal EEG）会给出技术验证数字不同。已知的质量相关信息仅：

• 采集设备：EB Neuro 与 Natus Quantum LTM 放大器，银/金杯状电极（可重复使用）
• 患者状态：尽量卧床，可睡眠或清醒
• 去标识：所有 .edf 日期已去除
• 已知伪迹类型（来自长程视频-EEG 的一般经验，非本数据集官方报告）：运动伪迹、肌电伪迹、电极接触噪声、市电干扰、患者清醒/睡眠状态切换导致的背景变化

论文自曝：Processes 2020 在流程中"不使用额外的伪迹抑制方法"（no additional artifact rejection methods are employed），说明作者认为在 8-13 Hz 滤波 + 导数 + 同步度量 + 移动平均的流水线下，伪迹不构成致命干扰——但这不代表数据本身无伪迹，下游做高精度逐样本检测时仍需自行处理。

4.6 论文方法的性能数字（口径存照）

Processes 2020 报告了首个使用本数据集的预测结果，这是理解该数据集"能到多好"的基准锚点：

配置	结果
ModThAlgo，T=300 s	预测所有发作；平均特异性 99.67%（约 2 假阳性/小时）；平均提前约 90 秒
ModThAlgo，T=900 s	8 例中 4 例零误报（特异性 100%）且预测率 100%；平均提前 >4 分钟
ThAlgo → 加后处理（T=300 s）	正确预测发作比 约 96.3% → 98.8%；假阳性减少 约 35%
人工检查（1-2 次发作的 6 例）	PLI/WPLI 特征在发作前约 1 小时急剧上升，发作开始时达峰；唯 PN11 例外（其峰值与远离发作的峰值相当，未显示明显上升）

存照（T 值对应表述）：论文结果段一句原文为 “about 90 s in advance when [T=300] and more than 4 minutes in advance when [T=900]”——T 值与提前量的配对系据上下文推断（T=300→90 s、T=900→4 min），原文在此处表述存在歧义，本条目按推断口径写并标注（见坑 8 与 FACTS §9 存照 B）。

存照（Table 缺失）：论文 Table 1/2/3/4 的逐例数值未能从 HTML 文本完整抓取（表格为图形/JS 渲染），故逐例敏感度/特异性/预测时间未落数字。本条目只引用论文正文结论级数字，不虚构逐例精度（见坑 8）。

4.6.1 论文方法的技术细节拆解

为便于复现，把 Processes 2020 的数据流水线拆到可执行粒度：

• 频带选择：对 EEG 信号做 8-13 Hz 带通 FIR 滤波。这个频带由初步实验确定（论文未给出更多候选），落在 alpha 带附近——选择它说明作者认为该频带的相位同步对发作前期最敏感。
• 导数增强：计算信号时间导数的绝对值——目的是压平基础噪声、锐化峰值区域（发作前的高幅放电在导数上更突出）。
• 同步度量：对每一对信号通道和每一个时间窗，用希尔伯特变换求相位后计算 PLI 与 WPLI。时间窗长 6 s、重叠 1 s。PLI 丢弃接近 0 的相位差，量化相位差分布围绕零的不对称性；WPLI 按滞后幅度加权，抑制体积传导噪声造成的假阳性连接。
• 平滑：对各度量应用移动平均，去孤立峰值。
• 分类器：改进版阈值算法 ModThAlgo（在原 ThAlgo 上加特征选择规则与后处理）。训练阶段对每个特征学阈值（取预测区间内特征最大值的最小值），按"阈值与区间外最大值之差"排序特征；测试阶段把排名靠前的特征与阈值线性组合成单一判据。
• 后处理：迭代扫描 k 个连续分类记录，若其中至少一个为负则全部置负；以不同 k 多次应用。
• 不做的事：论文明确不使用额外的伪迹抑制方法（no additional artifact rejection methods）——这既是简化，也意味着伪迹影响被指望由后续的平滑与阈值消化。

4.6.2 论文性能数字的解读边界

论文报告的 99.67% 特异性、"预测所有发作"等数字看起来极好，但解读时必须带上边界：

1. 患者特异性：算法是为每个患者单独训练的，不是跨患者泛化——不能解读为"对任意癫痫患者都好"。
2. 样本极少：8 例参与评估，每例发作 3-10 次；"预测所有发作"可能建立在每例仅几次发作上，统计功效有限。
3. 预定义区间效应：T=900 s 时"4/8 例零误报"很漂亮，但更长的预测区间意味着更多时段被判为正类，假阳性天然减少（更容易"蒙对"）——作者自己也指出这会增加行动时机的不确定性。
4. 逐例数字缺失：受限于抓取，本条目未获 Table 3/4 的逐例数值，故无法核验"预测所有发作"是否对每例都成立，还是平均口径。
5. 无 AUC：论文未报告 AUC，因此无法用一个阈值无关的指标评估整体可分性。

结论：这些数字应被读作"该团队方法在这份特定数据上、按该团队协议、可达此水平"的存在性证明，而非"该数据集上预测已解决"的结论。

4.8 规模数字的"三种读法"

同一组规模数字，因读法不同会得出相反的结论——这值得单独说明：

读法一：按例数（14 例）
→ 结论"极小"，在深度学习时代甚至不够划分训练/验证/测试。

读法二：按发作数（47 次）
→ 结论"小而够用"——对事件级预测（任务 C），47 次发作足以做初步的敏感度估计，但每次发作只贡献一个样本点，统计功效有限。

读法三：按连续观测时长（约 128 小时）
→ 结论"可观"——128 小时的连续多通道 EEG 是稀缺资源，"非发作"背景极丰富（类不平衡的另一面），足以训练识别"平静态"的模型。

正确的读法：因任务而异。做跨患者泛化（任务 B）时按例数读，会沮丧于 14 例太少；做患者特异性预测（任务 C）时按发作数与时长读，会发现资源其实够用。本数据集的"够不够"，取决于你问的是哪个问题。

4.9 与"请求制"数据集的获取成本对照

维度	Siena Scalp EEG（开放）	典型请求制数据集
获取时间	分钟级（下载即用）	数天到数周（申请审批）
拒绝风险	无	存在
版本一致性	有 DOI 版本锁定	获批者拿到的版本可能不同
可复现性	高（人人可拿同一份）	低（他人难以复现你的数据）
商用	允许（CC BY 4.0）	常禁止或需单独协商
门槛	磁盘空间 + 解析能力	机构背书 + 伦理承诺

这张表解释了为什么开放数据集在方法学上更有价值——它把"可复现性"从"能否拿到数据"中彻底解耦。Siena 的 20.3 GB 是"下载成本"，而请求制数据集的数周审批是"机会成本"——后者对研究节奏的拖累远大于前者。

4.7 与其它公开癫痫 EEG 数据集的规模对照

数据集	例数	发作数	时长	采样	人群
Siena Scalp EEG	14	47	~128 h	512 Hz	成人
CHB-MIT	23	~198	~980 h（合计）	256 Hz	儿童
Bonn	5 组	—	片段式	173.61 Hz	混合
Helsinki Neonatal	79	39 例有发作	~74 min/例	256 Hz	新生儿

（对照数值以各数据集官方页/条目为准，此处示意规模量级与人群差异。）

Siena 的位置：例数少（14 例，是几个公开癫痫 EEG 里最少的之一），但单例时长最长、记录最连续。它的定位不是"数据量大"，而是"每一个病例都长而完整"——这恰是发作预测任务最稀缺、最需要的属性。用规模（例数）去衡量它是不公平的；用"连续观测小时数"去衡量，它并不逊色。

§5 任务与标注：把它当作什么任务来用

5.1 主任务：癫痫发作预测（seizure prediction）

本数据集的原生任务是癫痫发作预测（seizure prediction），这与发作检测（seizure detection）有本质区别：

• 发作检测（detection）：判断"此刻患者是否正在发作"——是同步的、即时的分类。
• 发作预测（prediction）：判断"患者是否将在未来某段时间（preictal，发作前期）内发作"——是提前的、涉及未来状态判断的任务，目标是在发作真正发生前给出预警。

两者的评估口径完全不同：检测看的是逐样本的敏感度/特异度；预测看的是每个发作是否被提前预警（sensitivity）、以及单位时间内发出多少假警报（false alarm rate per hour）。本数据集因为提供了长程连续记录与发作事件时刻，天然适配后者。

5.2 发作状态的四个时段

癫痫预测任务通用的时间轴划分（本数据集让你自己划定边界）：

• interictal（发作间期）：远离任何发作的时段，正常脑电背景，作为负样本来源
• preictal（发作前期）：发作前的一段窗口，是预测任务要识别的"预警期"
• ictal（发作期）：发作本身，从 onset 到 offset
• postictal（发作后期）：发作结束后的一段恢复期，常需排除或单独处理

本数据集对四段的贡献：ictal 段直接由 Seizures-list 的起止时刻给出；preictal/postictal/interictal 的边界由使用者自行定义。这是灵活性也是陷阱（见坑 4）。

5.3 如何从事件标注构造 preictal 标签

由于本数据集只给事件级起止，做预测实验时需自己构造标签。典型做法：

1. 从 Seizures-list-PNxx.txt 读出每次发作的起止时刻（注意还要读该文件的"记录起止"以换算到文件内相对时间）。
2. 选择一个 preictal 长度 T（如 5 min、30 min、1 h），把 [onset − T, onset) 划为 preictal 正类。
3. 选择一个 postictal 排除长度（如发作结束后 15-60 min），把该段排除，避免刚发作完的信号被误用。
4. 在远离发作的时段取 interictal 负样本，并留 seizure-free margin（如距最近发作至少 1 h）以防 preictal 泄漏进负样本。
5. 按时间顺序（绝不随机打乱）做训练/测试划分，避免未来信息泄漏。

论文的做法（可作参照，非标准）：把每例切成约 1 小时的 instances（实例），每个实例最多含一次发作；含发作的称 seizure instance、不含的称 non-seizure instance；在 seizure instance 中丢弃全部 ictal 段与发作后 1000 s 的 postictal 段；交叉验证用 60% 实例训练 / 40% 测试，至少一半发作实例进训练，每例跑 q 轮（>3 次发作实例者 q=5，其余 q=3），结果取 q 轮平均。

5.4 观察者间一致性与标注可靠性

本数据集的标注不是多专家独立标注（不像 Helsinki Neonatal EEG 有 3 位专家各自独立标注），而是由专家临床医生在仔细审阅每位患者的临床与电生理数据后做的单份判读（PhysioNet 明示：diagnosis and classification performed by an expert clinician）。

这意味着：

• 本数据集不支持直接计算观察者间一致性（inter-observer agreement）——没有多份标注可比。
• 发作起止时刻的"主观边界"依然存在（尤其是 ELECTRIC ONSET 的判定），但因为只有一份权威标注，其内部一致性无法从数据本身评估。
• 对预测任务的影响有限：预测关心的是"有没有发作、大概何时"，秒级边界的细微分歧对分钟级预警窗口影响不大。

对照：若你关心标注可靠性研究，Helsinki Neonatal EEG（3 位专家独立盲标）才是更合适的对象；本数据集的定位是"给一份权威判读供预测研究用"，而非"研究判读差异"。

5.5 使用时要做的预处理

基于论文与下游实践，使用本数据集时的常见预处理链：

1. 通道选择：按 Seizures-list-PNxx.txt 的抽取列表选通道，忽略 EDF 中其余通道（关键，见坑 5）。
2. 重参考/去伪迹：银/金杯电极的长程记录常有漂移与伪迹；常见做法是带通滤波（论文用 8-13 Hz）去趋势、必要时做 ICA 或回归去伪迹。
3. 采样率处理：本体 512 Hz，论文分析时子采样至 256 Hz；若要与 CHB-MIT（256 Hz）等对齐，常降到 256 Hz。
4. EKG 分离：EKG 通道可用于心率变异性（HRV）分析（Billeci 2018 即用 HRV 做预测），或作为心电伪迹剔除的参考——做纯 EEG 建模时应把 EKG 通道剔出特征。
5. 窗化：滑动时间窗（论文用 6 s 窗、1 s 重叠）切分信号用于特征提取/建模。
6. 跨文件时间对齐：同一受试者的多个 EDF 文件需按各自 Registration start time 对齐到统一的相对时间轴，才能构造连续的 preictal/interictal 序列。

5.6 preictal 定义会怎样影响结果

这是本数据集使用中最容易踩而且后果最严重的方法学坑：

• preictal 太长（如 1 小时）：正类样本多、预警提前量大，但会把大量"其实还远没发作"的信号标为正类，导致模型学到噪声，测试时假阳性飙升。
• preictal 太短（如 1 分钟）：正类样本极少（14 例 47 次发作若每人每次只取 1 分钟，正类样本量极小），严重类不平衡，且预警提前量不足以让患者反应。
• postictal 排除太短：发作后的异常放电/抑制期会混入 interictal 负样本，让模型"以为负样本该长这样"，测试时对真实 interictal 误判。
• seizure-free margin 太短：preictal 段可能"泄漏"进负样本，造成训练/测试信息泄漏，虚高表现。

论文的折中：用两个预测区间 T=300 s 与 T=900 s 分别报告，明确"T 越长提前量越大但行动时机越不确定"——这正是把 preictal 定义的权衡透明暴露给读者的做法，值得效仿。

5.7 训练/测试划分的泄漏风险

长程连续 EEG 做预测时的泄漏风险高于片段式数据集，必须遵守按时间顺序划分而非随机划分：

• 同一实例内泄漏：若把一次发作的 preictal 段和它前后的 interictal 段随机分到不同集合，模型可能因为两段信号的背景高度相关而"作弊"。
• 同一次发作的多次采样泄漏：若把一次发作的前 30 分钟切成 30 个窗，随机分到训练和测试，则测试集里会有与训练集几乎相同的样本。
• 跨患者泄漏：患者特异性建模时无此问题，但跨患者泛化实验必须留一患者（leave-one-patient-out）——这是本数据集 14 例规模下唯一严格的跨患者协议。

GenEEG 的做法（可作范例）：采用 CL-LOPO（continual learning leave-one-patient-out）+ fold-specific normalization 的协议，明确以"防止测试集泄漏"为设计目标——这说明在本数据集上，"划分协议是否正确"本身就是审稿会盯的点。

5.8 一个合理的基线设定思路

若要在本数据集上建立可复现的基线（非官方，本条目建议）：

• 任务：逐窗（如 6 s 窗）二分类——preictal / interictal（排除 ictal 与 postictal）。
• 标签：由 Seizures-list 事件时刻 + 自定 preictal 长度 T（建议同时报 T=300/900 s 两档）。
• 划分：患者特异性用时间顺序划分；跨患者用留一患者。
• 特征：可先用论文路线（8-13 Hz 带通 → PLI/WPLI 同步矩阵 → 图度量/统计特征），再用深度学习（CNN/Transformer）做对照。
• 指标：同时报 每发作敏感度（sensitivity per seizure） 与 每小时假阳性数（FA/h），二者缺一不可——只报准确率（accuracy）在严重类不平衡下毫无意义。
• 对照：与 CHB-MIT 上的同方法结果并列，观察成人 vs 儿科的差异。

5.9 除预测外的其它可用任务

• 发作检测：把 ictal 段作为正类，做逐窗/逐样本检测（本库不是最佳选择但可用）。
• 同步性 / 网络分析：PLI/WPLI、相位-幅值耦合（PAC，Jiang 2023 用）、图论指标在发作前后的动态变化。
• HRV 与癫痫的关系：用 EKG 通道做心率变异性分析（Billeci 2018 路线）。
• 生成式数据增强：GenEEG（2025）用潜在扩散生成合成 EEG 缓解本库小样本与类不平衡。
• 跨患者泛化 / 域适应：14 例不同患者是非独立同分布（non-i.i.d.）的天然测试床。

5.10 一个端到端的示例流程

把前面各节串成一条可照做的端到端流程（患者特异性、预测任务）：

1. 下载与校验：从 PhysioNet 取 v1.0.0，sha256sum -c SHA256SUMS.txt 核对。
2. 读受试者表：解析 subject_info.csv，选定目标患者（建议从发作多的例如 PN10 起步），记下其通道数与发作数。
3. 读发作标注：解析目标患者文件夹的 Seizures-list-PNxx.txt，得到采样率、应抽取通道、每个文件的记录起止、逐次发作起止（含 CLINICAL/ELECTRIC ONSET）。
4. 加载并抽取信号：按通道列表抽取 EEG（剔出 EKG，除非做 HRV），用各文件 Registration start time 对齐到统一时间轴。
5. 预处理：统一采样率（如需与 CHB-MIT 对照则降至 256 Hz），带通滤波（可先试论文的 8-13 Hz），必要时去伪迹。
6. 构造标签：选定 preictal 长度 T、postictal 排除长度、seizure-free margin，把连续信号切成窗并打标签，记录全部边界规则。
7. 划分：按时间顺序（患者特异性）或留一患者（跨患者）划分训练/测试，严禁随机打乱。
8. 建模：先跑一个可解释基线（如论文的 PLI/WPLI + 阈值分类），再叠加深度学习对照。
9. 评估：同时报告每发作敏感度与每小时假阳性数（FA/h），附预测提前量分布（均值/最小/最大）。
10. 归档：把 T、边界规则、划分协议、随机种子、通道列表一并记录，确保他人可复现。

5.11 报告结果的"最小充分集"

若要基于本数据集发表，建议至少报告以下要素，缺一即难以被复现或比较：

• 使用了哪些患者（哪些 PN）、共多少次发作
• preictal 长度 T、postictal 排除、seizure-free margin
• 通道选择（是否按 Seizures-list 抽取）、采样率、滤波与预处理
• 划分协议（时间顺序 / 留一患者）、交叉验证轮数
• 指标：每发作敏感度、FA/h、预测提前量（均值 + 范围）
• 是否患者特异性
• 与至少一个公开对照（如 CHB-MIT 上的同方法）的对比

反面教材：只写"在 Siena Scalp EEG 上准确率达 99%"，不写 T、不写划分、不写通道——这种结果既不可复现，也无法与任何其它工作比较。

5.12 三个常见任务的完整定义（供直接采用）

为避免"任务定义含糊"这一通病，下面给出三个任务的最小完整定义，可直接引用或修改：

任务 A：逐窗发作检测

• 输入：某例 EEG 的一个时间窗（如 6 s）
• 输出：该窗是否为 ictal
• 正类：落在任一 Seizure start–end 区间内的窗
• 负类：距任一发作至少 M 分钟（如 30 min）的 interictal 窗
• 排除：preictal 与 postictal 之间的过渡段（如 onset 前 T 分钟到 offset 后 M 分钟）
• 指标：窗级 sensitivity / specificity / F1

任务 B：逐窗发作预测

• 输入：某例 EEG 的一个时间窗
• 输出：该窗是否处于 preictal
• 正类：落在 [onset − T, onset) 内的窗
• 负类：距任一发作至少 M 分钟的 interictal 窗（M > T，防泄漏）
• 排除：ictal 与 postictal
• 指标：每发作敏感度 + 每小时假阳性数（FA/h） + 预测提前量分布

任务 C：发作事件预测（事件级）

• 输入：某例的连续记录
• 输出：算法发出的预警事件序列（时刻）
• 正确：对每次发作，若在其前 T 秒内发出过至少一次预警，则该发作算"被预测"
• 假阳性：未对应任何发作的预警
• 指标：每发作敏感度 + FA/h + 平均预测提前量

三者的关系：A 是"当下是不是发作"，B 是"当下是不是要发作"，C 是"整个记录里预警得对不对"——C 最贴近临床设备评估，B 最贴近机器学习建模，A 是基础能力。报告时应明确用的是哪一个，因为它们对同一算法的评分差异很大。

§6 获取与许可：完全开放的一站式门

6.1 许可：CC BY 4.0

本数据集采用 Creative Commons Attribution 4.0 International（CC BY 4.0） 许可——PhysioNet 的 view-license 页明示。这是知识共享家族中最宽松的许可之一：

• ✅ 可以：自由复制、分发、改编、商业使用、用于 AI 训练
• ✅ 可以：再分发与二次发布
• ⚠️ 唯一要求：署名（Attribution）——须注明来源、给出许可链接、标明是否改动
• ❌ 无：禁止商业化（非 NC）、禁止演绎（非 ND）、相同方式共享（非 SA）等附加限制

与"请求制"数据集的对比：库内不少数据集（如 PANDA-PLUS 的注释掩码）走"向通讯作者申请"的 gate；本数据集完全没有这层门槛——打开即下。这对可复现性是决定性的：任何人看到一篇基于 Siena 的论文，都能立即下载同一份数据复现，无需等待申请审批。

6.2 访问政策：Open Access

PhysioNet 明确标注本数据集为 Open Access：“Anyone can access the files, as long as they conform to the terms of the specified license.”——即任何人（不需要注册、不需要资质证明、不需要机构背书）只要能遵守 CC BY 4.0 即可访问。这与 PhysioNet 上另一些标注为 Credentialed Access（需资质）或 Restricted Access（需数据使用协议）的数据集形成鲜明对比。

6.3 获取方式（五条路径）

路径	具体命令/链接
网页浏览	https://physionet.org/content/siena-scalp-eeg/1.0.0/
ZIP 打包下载	https://physionet.org/content/siena-scalp-eeg/get-zip/1.0.0/
wget 递归	wget -r -N -c -np https://physionet.org/files/siena-scalp-eeg/1.0.0/
AWS S3 同步	aws s3 sync --no-sign-request s3://physionet-open/siena-scalp-eeg/1.0.0/ DESTINATION
在线波形查看	https://physionet.org/lightwave/?db=siena-scalp-eeg/1.0.0

为什么有 AWS 选项：PhysioNet 把 Open Access 数据集镜像到 AWS 的 physionet-open 开放桶（--no-sign-request 表示无需 AWS 凭证），这是下载 20.3 GB 大数据的最高效途径——S3 同步天然支持断点续传与并行。

6.4 版本链与历史获取路径（双口径存照）

版本链（PhysioNet）：

版本	版本 DOI	发布日期	说明
v1.0.0	10.13026/5d4a-j060	2020-08-11	当前（且唯一）版本
latest（概念）	10.13026/s309-a395	—	最新版 DOI 指针

本数据集只有一个版本（v1.0.0）——没有 v2、v3 的修订史，这与 Helsinki Neonatal EEG（4 个版本）形成对比，说明发布后未做内容修订。

历史获取路径存照（重要）：Processes 2020 论文（2020-07-16）在其正文中说明数据经 Google Drive 共享：
https://drive.google.com/drive/folders/1Xk0de2pMJhilrCul72QXUSOQ8DWuxT53
并称"14 位患者的匿名数据可自由获取（freely available）"。即时间线为：

1. 2020-07-16 之前：数据经 Google Drive 公开（论文写作时点）
2. 2020-08-11：数据正式登记至 PhysioNet v1.0.0

这是一次"同一数据、先后两个公开入口"的典型案例——Google Drive 链接是论文时代的临时路径，PhysioNet 是随后的正式登记。今日应以 PhysioNet 为准（有 DOI、有版本、有校验和、有永久存档）；Google Drive 链接当前可达性未验证（见坑 8 与 FACTS §9 遗留疑点 2）。

6.5 下载后的完整性核对

PhysioNet 为数据集提供校验文件，下载后建议核对：

• SHA256SUMS.txt：所有文件名的 SHA-256 校验和——用 sha256sum -c SHA256SUMS.txt 核对，确保文件完整未损坏（20.3 GB 的大文件下载极易中途出错）。
• RECORDS：数据集记录的索引文件——列出所有应存在的记录名，可用于核对文件是否齐全。
• LICENSE.txt：许可全文——确认 CC BY 4.0 条款。

逐例计数核对清单（建议）：下完后逐一验证——① 14 个 PN 文件夹齐全；② 每例文件夹含 1-5 个 .edf + 1 个 Seizures-list-PNxx.txt；③ Seizures-list 里的发作数逐例求和 = 47；④ subject_info.csv 14 行、发作列求和 = 47、时长列求和 ≈ 7704 分钟。

6.6 引用与署名的正确姿势

使用本数据集时，PhysioNet 要求同时引用两条：

1. 数据库本身：

   Detti, P. (2020). Siena Scalp EEG Database (version 1.0.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/5d4a-j060

2. 原始论文：

   Detti, P., Vatti, G., & Zabalo Manrique de Lara, G. (2020). EEG Synchronization Analysis for Seizure Prediction: A Study on Data of Noninvasive Recordings. Processes, 8(7), 846. https://doi.org/10.3390/pr8070846

常见错误：只引论文不引数据库（漏了数据来源），或只引数据库不引论文（漏了方法学出处）。PhysioNet 的 Cite 按钮同时给出两条并明确"请一并引用"。

6.7 伦理与知情同意

• 伦理批准：锡耶纳大学伦理委员会（Ethical Committee of the University of Siena）批准，符合《赫尔辛基宣言》（Declaration of Helsinki）。
• 知情同意：每位患者入院时签署书面知情同意书，明确同意视频记录及数据用于可能的科学传播（scientific divulgation）。
• 去标识：所有 .edf 文件中的日期已去除。
• 隐私兜底：虽采集时含同步视频（Video-EEG），但公开数据仅含信号不含视频——这是确保患者无法被识别的重要措施。

给使用者的伦理提示：即便数据是公开且去标识的，其原始采集仍属临床医疗记录。二次使用时应遵循所在机构对临床数据二次研究的一般规范，避免任何可能重新识别个体的操作。

6.8 资助与项目背景

• 资助方：托斯卡纳大区（Regione Toscana）PANACEE 区域研究项目（部分资助）。论文全称指其目标为"癫痫与睡眠转换期脑活动的预测与分析"。
• 项目目标：开发非侵入式、患者特异性、低成本的癫痫发作预测监测/控制设备。
• 利益冲突：论文声明三位作者无财务或非财务利益冲突。
• 项目网站：PhysioNet 引用列表提到 PANACEE 项目页 https://panacee.diism.unisi.it/（抓取时点未验证可达性）。

6.9 许可合规：可以放心做与需要注意的

可以放心做：

• 下载、训练模型、做研究、写论文、报告结果
• 把数据或其衍生特征用于商业产品（CC BY 4.0 允许商业使用）
• 再分发（拷贝给同事、上传到机构服务器）
• 基于它做数据增强、生成合成数据（GenEEG 即是）

需要注意：

• 署名：任何再分发或发表时须注明数据来源与许可（CC BY 4.0 的唯一硬要求）
• 不得暗示背书：不能声称锡耶纳大学或 PANACEE 认可你的产品或结论
• 派生作品的许可：CC BY 4.0 不要求派生作品用相同许可（非 SA），但改动的部分应标明
• 不得用于伤害性用途：CC 许可的一般条款，以及对临床决策的谨慎——本数据仅用于研究，不构成医疗器械依据

6.10 获取实操：三种方式怎么选

• 只探索、看几段信号 → 用 LightWave 在线查看（https://physionet.org/lightwave/?db=siena-scalp-eeg/1.0.0），零下载即可浏览波形。
• 要全量研究、有 S3/CLI 环境 → 用 AWS S3 同步（aws s3 sync --no-sign-request ...）——20.3 GB 大文件的最佳路径，天然断点续传。
• 要全量研究、纯命令行 → 用 wget 递归（wget -r -N -c -np ...）——-c 续传、-np 不追父目录，适合脚本化。
• 只要快速一次性拿包 → 用 ZIP（13.0 GB 压缩包）——但大包下载失败需重下，不如前两者稳健。

下载前先估算磁盘：未压缩 20.3 GB，解压前后都要留足空间；建议在磁盘余量 >40 GB 的环境操作。

6.11 版本选择的说明

本数据集只有一个版本 v1.0.0，所以不存在"选哪个版本"的问题——但仍需注意两点：

1. 引用时标注版本：写 (version 1.0.0) 并使用版本 DOI 10.13026/5d4a-j060，而非其 latest 指针 10.13026/s309-a395——前者永久指向你实际用的这一版。
2. 留意未来可能的更新：若未来 PhysioNet 发布 v2.0（如修正标注、补通道说明），你的 v1.0.0 结果仍需以版本 DOI 锁定，确保可复现。

与多版本数据集对照：Helsinki Neonatal EEG 有 v1-v4 四个版本（含标注文件修正），Siena 只有一个——后者更简单，但也意味着若源数据存在问题，没有"官方修订版"可依赖，使用者须自行处理（如坑 6 的文本噪声）。

§7 生态与影响

7.1 在下游研究中的位置

Siena Scalp EEG 自 2020 年发布以来，成为成人癫痫头皮 EEG 发作检测/预测研究中的一个常用公开锚点。其下游使用呈现出明显的"与 CHB-MIT 并列"模式——绝大多数论文会把 Siena（成人）与 CHB-MIT（儿童）成对使用，用来论证方法的跨人群适用性或对比成人/儿科难度。

7.2 三个代表性下游工作（三方互证来源）

① SNSDeepNet（2024）——尖波检测
Kumar P, Upadhyay PK, Panda MK. SNSDeepNet: spike and non-spike detection in epilepsy. Engineering Research Express 2024;6:365. doi:10.1088/2631-8695/ad7a4f。方法：尖波/非尖波深度卷积网络（DCNN）+ 自适应 LAMB 优化器，从时域与频域表征提取特征。同文并列使用 CHB-MIT、Siena Scalp EEG、Bonn EEG 三个数据集。Siena 子集结果：accuracy 99.62%、specificity 99.04%、sensitivity 99.93%、F1 99.48%、FPR 0.009208。

② GenEEG（2025）——生成式数据增强 + 持续学习
Ghosh S, Sharma S, Sharma N. GenEEG: Improving epileptic EEG detection through patient-adaptive latent diffusion and continual learning. Computers in Biology and Medicine 2025;111398. doi:10.1016/j.compbiomed.2025.111398（PMID 41447951）。方法：神经生理条件化 VAE + 潜在扩散模型生成合成 EEG，结合弹性权重固化（EWC）与经验回放应对灾难性遗忘。“在 Siena Scalp EEG（成人）与 CHB-MIT（儿童）上严谨评估”。结果：macro F1 = 0.84（Siena）/ 0.82（CHB-MIT）；较传统过采样基线提升 15 个百分点（F1 0.84 vs 0.69）；ictal 敏感度保持 >75%；持续学习内存 4.8 GB vs 池化训练 12.4 GB。采用 CL-LOPO + fold-specific normalization 防泄漏。

③ PAC + 随机森林（2023）——频率与相位分析
Jiang X, Liu X, Liu Y, Wang Q, Li B, Zhang L. Epileptic seizures detection and the analysis of optimal seizure prediction horizon based on frequency and phase analysis. Frontiers in Neuroscience 2023;17:1191683. doi:10.3389/fnins.2023.1191683。方法：频率域分析 + 相位-幅值耦合（PAC）+ 随机森林。分析 Siena Scalp EEG 与 CHB-MIT 两库，并研究最优发作预测时域（SPH）。结果：5 分钟区间最佳，Siena 平均准确率 85.71%、CHB-MIT 95.87%；被引 33 次（OUCI 口径）。

7.3 按语：下游结果的口径不一

注意以上三篇的指标互不可比：SNSDeepNet 报 accuracy 99.62%（尖波检测任务，非发作预测）；GenEEG 报 macro F1 0.84（发作检测，类别不平衡下更诚实）；Jiang 报 accuracy 85.71%（发作预测）。任务不同、指标不同、划分不同——这正是本数据集无官方 leaderboard 的后果：没有统一评测口径，任何单个数字都不能当作"这个数据集上的 SOTA"。读者若看到"在 Siena 上达到 99%"，务必先问：什么任务？什么指标？怎么划分的？（见坑 8）

7.3.1 下游三篇论文的方法学风格对比

把三篇代表工作并排看，能读出本数据集上"方法学风格"的分野：

维度	SNSDeepNet 2024	GenEEG 2025	PAC+RF 2023
核心任务	尖波/非尖波检测	发作检测 + 生成增强	发作检测与预测
方法族	深度卷积网络（DCNN）	潜在扩散 + 持续学习	相位-幅值耦合 + 随机森林
是否用生成/增强	否	是（合成 EEG）	否
与 CHB-MIT 并列	是（+ Bonn）	是	是
关键指标	accuracy 99.62%	macro F1 0.84	accuracy 85.71%
防泄漏设计	未强调	CL-LOPO + fold-specific normalization	未强调

读出的规律：(1) 几乎都成对使用 Siena + CHB-MIT，说明"成人 vs 儿童对照"是这一生态的默认范式；(2) 越新的工作越强调防泄漏协议（GenEEG 明确把它作为贡献之一），说明早期工作可能在这点上有隐患；(3) 越新的工作越倾向生成式方法（应对小样本 + 类不平衡），这是本数据集"小"这一特性倒逼出的方法趋势。

7.4 方法学血脉：PANACEE 与同步性分析

本数据集不是凭空出现，而是锡耶纳团队多年癫痫预测方法学研究的产物：

• Detti et al. 2018（IEEE TBME）：患者特异性短期发作预测，基于 EEG 同步性分析——doi:10.1109/tbme.2018.2874716。这是"癫痫预测 = 同步性分析"这条思路的奠基工作。
• Billeci et al. 2018（PLoS One）：基于心率变异性（HRV）与递归量化分析的患者特异性发作预测——doi:10.1371/journal.pone.0204339。这解释了本数据集为何含 EKG 通道——它是 HRV 预测方法的数据基础。
• Detti et al. 2020（Processes）：PLI/WPLI 同步度量 + 阈值分类器，即本数据集的配套论文。

这条血脉的意义：本数据集承载了一个明确的科学假说——“发作前脑网络的同步性是会上升的，因此可预测”。用同步性度量（PLI/WPLI）看发作前演化，是这个团队的招牌方法；后来的使用者（无论是否同意该假说）都受益于这份"为验证该假说而整理"的数据。

7.5 在癫痫 EEG 数据生态中的位置

用一张"生态位图"来看本数据集的坐标：

• 按人群：本库（成人）↔ CHB-MIT（儿童）↔ Helsinki Neonatal（新生儿）——覆盖全年龄谱
• 按时长：本库（长程连续，~128 h）↔ Bonn（片段式，23.6 s）——长程 vs 片段
• 按标注：本库（事件级起止）↔ CHB-MIT（逐秒）↔ Helsinki（3 专家独立秒级）——标注粒度谱
• 按门槛：本库（Open Access 直下）↔ TUH（需申请）——获取门槛谱

本库的独特生态位：成人 + 长程 + 非侵入 + 事件级标注 + 完全开放——五因素同时满足的公开数据集极少。它因此成为"成人癫痫长程预测"研究最便捷的起点。

7.6 与临床决策支持的关联

本数据集的设计目标（PANACEE）直指临床应用——非侵入式、低成本、患者特异的发作预警设备。虽然数据集本身不含设备或算法，但它的存在降低了这类设备研发的门槛：

• 小团队无需自建临床数据采集能力，即可开展预测算法研究
• 患者特异性方法可在 14 例上先行验证，再推向更大队列
• EKG 通道的存在支持"多模态预警"（EEG + HRV）的探索

但须清醒：本数据集的 14 例、单中心、以颞叶局灶性发作为主，远不足以支撑临床部署的泛化性证据。任何基于它的"设备级"结论都必须经过更大规模、多中心、前瞻性的验证。

§8 方法学启示：可以迁移的经验

8.1 长程连续数据比片段集合更难构造，也更有价值

本数据集最重要的方法学启示是：为预测任务设计的数据必须保留时间连续性。Bonn 那样的片段集合适合分类研究，但无法回答"提前多久"这类预测核心问题——因为你手里没有"发作前的那段连续时间"。Siena 团队选择把 128 小时的连续记录完整公开，代价是数据大（20.3 GB）、标注稀疏（事件级）、格式复杂（跨文件），回报是它支持了片段数据集无法支持的研究。

迁移经验：构造数据集时先问"它要支持回答什么问题"，再决定"要保留多少原始时间结构"——为了整洁而过度切片，可能切掉了最有价值的时间信息。

8.2 把方法学选择权留给使用者，是一种诚实

本数据集不预设 preictal 长度、不预设通道子集（虽然在标注里给了建议列表）、不预设评估协议。表面看是"不够周到"，实际是不把自己的方法学偏好强加给使用者。论文自己用了 T=300/900 s 两档并透明报告权衡，正是这种诚实的示范。

迁移经验：数据描述应把"原始事实"（发作在何时发生）与"方法学约定"（怎么定义 preictal）明确分开，前者是数据的责任，后者是使用者的自由。

8.3 完全开放许可 = 可复现性的前提

CC BY 4.0 + Open Access 的组合，使本数据集成为可复现性最强的一类数据：任何读者都能立即下载同一份数据、核对同一组数字。对比"请求制"数据集（申请周期数周、可能被拒、获批者拿到的版本未必与他人一致），开放数据的可复现优势是结构性的。

迁移经验：数据发布时若条件允许，优先选择开放许可——它把"能否复现"从"能否拿到数据"中解放出来。

8.4 多源口径不一致要主动存照，而非掩盖

本数据集在性别/年龄上存在三源口径冲突（PhysioNet 摘要 vs 论文 vs csv），这是很多真实数据集的常态。正确的处理不是选一个"看起来对"的写死，而是把多个口径并列存照，让读者知道"这里有分歧、请自行核对"。

迁移经验：整理任何数据集条目时，对"官方摘要数字"与"数据文件实际内容"逐项比对，冲突处显式标注——这是对下游使用者最负责的做法。

8.5 小样本长程数据的价值评估要多维

用"例数"单一维度评估本数据集会得出"太小、没用"的错误结论。正确的多维评估：例数（14，小）× 单例时长（长）× 总观测时长（~128 h，可观）× 临床真实性（高，真实 EMU 监测）× 开放性（完全开放）。从"总连续观测时长 + 可及性"看，它的价值远超其例数所暗示的。

迁移经验：评估医学数据集的"够不够用"，要结合任务——预测任务真正稀缺的是"连续观测的稀有事件"，不是"样本条数"。

8.6 从"一个数据集"到一个持续的方法学生态

本数据集没有停留在"发布即止"，而是被后续研究者持续使用、并与 CHB-MIT 等技术生态交织（下游论文几乎都成对使用两者）。这提示：一个数据集的生命力取决于它是否嵌入了某个持续的研究脉络——Siena 嵌入了"癫痫预测 + 同步性分析"这条脉络，因此持续被引用。

迁移经验：发布数据集时，若能同时锚定一个明确的研究问题（本库锚定"同步性能否预测发作"），其被使用的概率与持续性会显著提高。

8.7 开放数据与"长程"如何共同降低研究门槛

本数据集的价值可以量化为一种"研究门槛的削减"：

• 没有开放数据时：一个想做癫痫预测的团队必须先接入医院、通过伦理审查、连续采集数月、请专家标注——门槛高到只有少数大团队能跨过。结果：该领域长期被少数团队主导，方法难以横向比较。
• 有了 Siena 后：任何团队下载 20.3 GB，当天即可开始跑算法；方法的差异可以在一份公开数据上被直接比较。

而"长程"这一属性又恰好匹配预测任务的需求——如果只有片段数据，“预测"根本无从谈起。所以本数据集的门槛削减是双重的：开放解决了"能不能拿到”，长程解决了"够不够用"。

迁移经验：一个数据集对领域的影响，往往不取决于它有多大，而取决于它是否恰好解除了某个关键瓶颈——Siena 解除的瓶颈是"成人长程癫痫 EEG 的获取"。

8.8 从"数据即服务"到"数据即基准"的边界

本数据集刻意不设 leaderboard，这本身是一个值得思考的方法学立场：

• 好处：避免研究者为了刷分而"过拟合测试集"，鼓励各自定义合理协议并公开讨论；避免把一个 14 例的小数据变成虚假的排名战场。
• 代价：缺乏统一口径导致下游结果不可比（如 §7.3 所示），新手无所适从，审稿人难以判断进展。

中间道路的可能：既保留开放与长程，又提供推荐的评测协议与基线代码（而非硬性排行榜）——让比较有据可依，又不把研究导向"刷分"。GenEEG 公开 CL-LOPO 协议、SNSDeepNet 公开三库对比设置，都是这种"软基准"的雏形。

迁移经验：开放数据集是否设排行榜，是一个关于"鼓励什么样的研究文化"的选择——本数据集选择了"多协议探索"而非"单一排名"。

8.9 关于"小样本长程数据"的三条工程建议

若你打算在本数据集（或类似的小样本长程数据）上工程化建模，三条来自实践的建议：

1. 先做患者特异性，再谈泛化。14 例做跨患者泛化会很吃力（同分布假设不成立）；先把单例做扎实（如 PN10 的 10 次发作），验证方法有效，再谨慎地推向留一患者。
2. 把"数据增强"作为一等公民。小样本 + 类不平衡下，生成式增强（GenEEG 路线）或窗口化过采样（注意不要造成时间泄漏）往往比换更大的模型更有效。
3. 把"评估协议"当作模型的一部分来设计。在本数据集上，划分协议对结果的影响可能大于模型架构——一个正确的 CL-LOPO 协议 + 简单模型，往往比错误的随机划分 + 复杂模型更可信。

8.10 一个反思：为什么这份数据值得被写进百科

从"AI-Ready"的视角看，本数据集是一个教科书级的案例，因为它同时展示了好的与难的两面：

• 好的一面：开放许可、标准格式、真实临床、连续长程、有论文配套、有 DOI 与校验——数据侧几乎无可挑剔。
• 难的一面：小样本、事件级标注、无预设 preictal、文档口径不一、以单一癫痫类型为主——AI-Ready 的难点从"能不能拿到数据"转移到了"能不能正确使用数据"。

这正是它值得被写进百科的理由：它代表的不是"完美的数据集"，而是"真实世界数据集的常见样貌"——有一手临床价值，也有方法学门槛；要发挥它的价值，研究者需要的不只是下载，而是理解它的边界与约定。把这些边界与约定讲清楚，正是本条目存在的意义。

§9 与库内条目的关系

9.1 库内可互链条目（含 rid）

本条目（siena-scalp-eeg）落库后，建议与以下条目建立互链。链表为建议，最终 rid 由主会话在入库后统一确认回填：

库内条目	rid	关系	互链理由
chb-mit-scalp-eeg	72	最强互链	同为"头皮 EEG + 癫痫"，且下游论文几乎总是成对使用；成人（Siena）vs 儿童（CHB-MIT） 的对照是核心叙事
bonn-eeg	322	强互链	同为经典癫痫 EEG 基准；长程连续（Siena）vs 片段式（Bonn） 的方法学对照
helsinki-neonatal-eeg	880	强互链	同为癫痫 EEG + 秒级/事件级发作标注；成人-儿童-新生儿谱系中的成人端
tuh-eeg-corpus	71	生态主链	全球最大开放临床 EEG 语料；癫痫 EEG 生态的入口节点
eegmmidb	342	方法学邻域	EEG 信号处理/分类方法学的邻接数据集
hbn-eeg	362	谱系补充	儿童青少年高密度 EEG，发育期对照
brain-wearable-monitoring	1030	邻域（SeizeIT2）	可穿戴耳后多模态癫痫监测，癫痫监测工程邻域
isruc-sleep	262	范式对照	多导睡眠图长程记录范式，与 EEG 长程监测可对照
mesa-sleep	302	范式对照	居家 PSG 长程记录，睡眠 EEG 范式对照

互链主轴：以「癫痫脑电发作检测/预测」为轴——主链 chb-mit-scalp-eeg(72) 与 bonn-eeg(322)，次链 helsinki-neonatal-eeg(880)、tuh-eeg-corpus(71)。

9.2 与库内条目的差异化定位

• vs chb-mit-scalp-eeg（72）：CHB-MIT 是儿童、约 23 例、逐秒标注、256 Hz；Siena 是成人、14 例、事件级标注、512 Hz。二者是"儿科 vs 成人"的镜像对，也是下游最常见的并列实验组合。
• vs bonn-eeg（322）：Bonn 是预切好的 23.6 秒片段（5 组，供二分类）；Siena 是连续长程记录（供预测）。前者回答"这段是不是发作"，后者回答"多久后会发作"。
• vs helsinki-neonatal-eeg（880）：Helsinki 是新生儿、3 位专家独立盲标、秒级标注，适合观察者间一致性研究；Siena 是成人、单一权威判读、事件级标注，适合发作预测。
• vs tuh-eeg-corpus（71）：TUH 是大规模、混合人群、需申请；Siena 是小规模、成人、完全开放——规模与门槛的互补。

一句话定位：Siena Scalp EEG 是库内「成人 + 长程连续 + 完全开放 + 癫痫发作预测导向」这一生态位的唯一占位者。

9.3 消歧提示（正文口径，不进 frontmatter）

• 勿与 CHB-MIT 混淆：两者 slug 都含 “scalp-eeg”，但 CHB-MIT 是波士顿儿童医院（Children’s Hospital Boston）+ MIT 的儿科数据集，Siena 是意大利锡耶纳大学的成人数据集——机构、人群、采样率都不同，仅在"头皮 EEG + 癫痫"这一大类上重叠。
• 勿与 Bonn 混淆：Bonn EEG 是德国波恩大学的片段式数据集，与本数据集无机构关联，仅在癫痫 EEG 大类上重叠。
• slug 唯一性：DB 中 url_name ILIKE '%siena%' 与 %scalp% 仅命中 chb-mit-scalp-eeg（72），无同名条目；writing/ 目录无同名目录。

9.4 三种互链叙事（供 link_builder 与正文采用）

若要把本条目与库内条目串联成有意义的叙事，建议三种角度（正文互链说明，不进 frontmatter）：

叙事一 · “癫痫 EEG 全年龄谱系”
siena-scalp-eeg（成人）→ chb-mit-scalp-eeg（儿童，72）→ helsinki-neonatal-eeg（新生儿，880）
一句话：同一种病（癫痫），三个年龄段，三份公开头皮脑电——覆盖从新生儿到成人的完整生命周期。

叙事二 · “癫痫 EEG 数据形态谱”
bonn-eeg（片段式，322）→ chb-mit-scalp-eeg（逐秒标注长程，72）→ siena-scalp-eeg（事件级标注长程）→ tuh-eeg-corpus（超大规模需申请，71）
一句话：从"切好的照片"到"完整录像"再到"海量语料"，展示了癫痫 EEG 数据的形态与规模梯度。

叙事三 · “非侵入式发作预测的方法学脉络”
siena-scalp-eeg + bonn-eeg（322）+ eegmmidb（342）——围绕 EEG 信号处理的分类/预测方法学邻域，brain-wearable-monitoring（1030，SeizeIT2）则代表可穿戴预警设备的工程延续。
一句话：从经典基准到长程预测再到穿戴设备，串起"非侵入监测癫痫"的研究到应用链。

使用建议：主会话在入库后可按上述任一叙事选取 3-5 个互链目标，用真实 rid 回填（切勿凭猜测写 rid，见 R018 教训）。本条目正文已写明建议互链点与 rid，供主会话核对。

9.5 与"上游—下游"的关系图谱

把本数据集的生态位置画成一张关系图谱（文字版）：

        [科学假说层]
      "脑网络同步性可预测发作"
              │
      ┌───────┴────────┐
      │                │
 [方法学前身]      [数据本体]
 Detti 2018 TBME   Siena Scalp EEG (2020)
 Billeci 2018 PLoS  ├─ physionet-scalp-eeg v1.0.0
      │            └─ EDF 20.3 GB, CC BY 4.0
      │                │
      └───────┬────────┘
              │
        [配套论文]
      Detti 2020 Processes
      （PLI/WPLI + ModThAlgo）
              │
      ┌───────┼─────────────┐
      │       │             │
 [检测类]   [预测类]      [增强类]
SNSDeepNet  PAC+RF      GenEEG
 (2024)     (2023)      (2025)
      │       │             │
      └───────┴─────────────┘
              │
        [并列对照数据集]
        CHB-MIT（儿童）
        Bonn（片段）

读图要点：本数据集处于"假说—方法—数据—下游"链条的中枢——它既是被假说驱动的产物（上游），又是下游方法百花齐放的素材（下游）。这种"承上启下"的位置，正是它被反复引用的结构性原因。

§10 避坑清单：八个已踩过或易踩的坑

坑 1：把事件级标注当逐秒标签用
本数据集只给每次发作的起止时刻（时.分.秒），不给逐样本的 0/1 序列。若模型期待逐秒标签却直接读 Seizures-list 得到"两个时间戳"，会构造失败。正确做法：先读起止时刻 → 换算到文件内相对秒 → 自己按 preictal 定义构造标签序列。对照：CHB-MIT 的 summary 文件更接近逐秒惯例，但格式也不同，两者都需自己解析。

坑 2：整文件读取 EDF 全部通道
Seizures-list-PNxx.txt 明确给出应抽取使用的通道列表，并注明"all other channels in the edf files must be ignored"。若直接用 MNE/PyEDF 读全部通道，会引入未在标注中指定、可能含未处理伪迹或特殊参考的通道。务必先读标注文件的通道列表再抽取——尤其注意 PN10 的通道编号是跳号的（1-5、14-23、32-34），并非 1-34 连续。

坑 3：患者性别/年龄"三口径冲突"被当成单一事实
PhysioNet 摘要写 9 男（25-71）/ 5 女（20-58）；论文写 9 男（36-71）/ 5 女（20-58）；subject_info.csv 逐行实为 8 男 / 6 女。三份文档互不一致。不要盲目引用任一数字——写论文时最好说明"依据 subject_info.csv 逐例核对"或注明来源口径，并意识到审稿人可能会对不上。这是本数据集最典型的"文档层陷阱"。

坑 4：preictal 长度不声明就报结果
预测任务的核心参数是 preictal 有多长（预测区间 T）。本数据集不预设 T——你必须自己选并明说。若报告"在 Siena 上准确率 X%"而不说 T 是多少、postictal 怎么排除、seizure-free margin 多大，结果不可复现也无意义。论文自己用 T=300/900 s 两档是正确示范。报预测结果时，T、边界规则、划分协议三者缺一不可。

坑 5：忽视 512 Hz vs 256 Hz 的采样率差异
本体是 512 Hz，但论文分析时子采样至 256 Hz；CHB-MIT 是 256 Hz。若做跨数据集实验却用不同采样率，频率特征（尤其高频带）不可比。跨库对比前统一重采样，并明确声明用了哪个采样率。

坑 6：解析文本标注时不容忍格式噪声
抓取的 Seizures-list 文本存在录入瑕疵（如 “opure 11.40.43” 残留、“1 6.49.25” 空格错位）。解析器应容忍这类噪声（用宽松正则提取时间戳、跳过无法解析的行并记录），而非硬失败。同时注意：标注里的时间是系统时刻（时.分.秒），需对照同一文件的 Registration start/end 换算到文件内相对时间才能用于切片。

坑 7：把"颞叶癫痫上的好结果"外推到所有癫痫
13/14 例为颞叶定位、12/14 例为 IAS，全库几乎单一发作类型。在 Siena 上表现优异的算法，对额叶癫痫、中央区癫痫、全面性癫痫的泛化性未知。写结果时应限定适用人群，切勿宣称"适用于癫痫发作预测"这种大一统结论。

坑 8：轻信单一数字或无对比的"高准确率"
本数据集无官方 leaderboard，下游指标口径混用——SNSDeepNet 报 accuracy 99.62%（尖波检测）、GenEEG 报 macro F1 0.84（检测，不平衡下更诚实）、Jiang 报 accuracy 85.71%（预测）。这些数字互不可比。看到"Siena 上 99%"先问：什么任务？什么指标？怎么划分？是否患者特异性？是否时间顺序划分？没有 FA/h 与每发作敏感度双指标的预测结果，不足以评估预警价值。

10.1 上手前的十点自查清单

1. 我读的是 PhysioNet v1.0.0 吗？用了 SHA256SUMS.txt 校验吗？
2. 我按 Seizures-list 的通道列表抽取信号了吗？忽略了其余通道吗？
3. 我知道我的 preictal 长度 T 吗？postictal 排除多久？seizure-free margin 多大？
4. 我的训练/测试是按时间顺序划分的吗（患者特异性）？或留一患者（跨患者）？
5. 我处理的采样率是 512 Hz 还是 256 Hz？跨库对比时统一了吗？
6. 我把 EKG 通道剔出纯 EEG 模型了吗？还是故意用 HRV（那要单独说明）？
7. 我同时报了每发作敏感度与每小时假阳性数吗？
8. 我的结果是患者特异性还是跨患者？论文里说清了吗？
9. 我核对过 subject_info.csv 的性别/年龄与引用来源口径是否一致吗？
10. 我限定结论的适用人群（成人、颞叶、局灶性）了吗？

§11 总结

Siena Scalp EEG Database 是一个定位清晰、体量精悍、完全开放的成人癫痫头皮脑电数据集。它的 14 例、47 次发作、约 128 小时连续记录，规模不大，但胜在每一个病例都长而完整、真实、可直接下载。它的独特价值在于同时满足了五个条件：成人 + 长程连续 + 非侵入 + 事件级发作标注 + CC BY 4.0 开放获取——这一组合在公开癫痫 EEG 数据生态中难以替代。

它的方法学贡献是双重的：一方面为"发作预测"（区别于发作检测）提供了真实长程材料，支持在连续时间轴上研究"提前量 vs 误报率"的权衡；另一方面承载了"脑网络同步性能否预测发作"这一明确科学假说，为后来者提供了验证平台。它的下游生态（SNSDeepNet、GenEEG、PAC 随机森林等）显示它已被持续使用，并与 CHB-MIT 形成稳定的"成人 vs 儿童"并列组合。

使用它的关键提醒有三：标注是事件级不是逐秒级（自己构造 preictal 标签）、preictal 定义必须显式声明（否则结果不可复现）、结论须限定在成人颞叶局灶性癫痫人群（别外推）。同时牢记其文档层的"三口径冲突"（性别/年龄），引用时按来源标注、以 subject_info.csv 为准核对。

一句话：想研究"成人癫痫发作前几分钟脑电在发生什么、能不能提前预警"，Siena Scalp EEG 是公开、真实、可直接下载的长程参考集——但它的价值要用"连续观测时长 + 任务适配度"来衡量，而不是用"例数"来衡量。

FAQ（高频问答 24 问）

Q1：Siena Scalp EEG 和 CHB-MIT 有什么区别？
CHB-MIT 是波士顿儿童医院 + MIT 的儿童数据集（约 23 例，逐秒标注，256 Hz）；Siena 是意大利锡耶纳大学的成人数据集（14 例，事件级标注，512 Hz）。二者常被下游论文并列使用来做成人 vs 儿科对比。

Q2：这个数据集是影像数据吗？
不是。它是纯电生理信号（头皮 EEG + EKG），没有任何 MRI/CT/病理图像。

Q3：有多少患者？多少次发作？
14 例患者、47 次发作、约 128 小时记录。

Q4：数据多大？
未压缩 20.3 GB，ZIP 打包 13.0 GB。

Q5：采样率和导联系统是什么？
512 Hz，国际 10-20 系统电极。这是它比 CHB-MIT（256 Hz）采得更细的地方。

Q6：有多少通道？
13 例为 29 通道 EEG，PN10 为 20 通道；多数记录含 1-2 路 EKG。注意 Seizures-list 只列出应抽取使用的通道，其余须忽略。

Q7：怎么获取？要花钱或申请吗？
不花钱、不申请。PhysioNet 上 Open Access 直接下。有 ZIP、wget、AWS S3 三种方式。

Q8：许可是什么？能商用吗？
CC BY 4.0，可以商用，唯一要求是署名（注明来源 + 许可链接）。

Q9：标注是逐秒的吗？
不是。是事件级的——只给每次发作的起止时刻（时.分.秒）。要做逐样本分类需自己构造标签。

Q10：怎么知道哪一秒是发作？
从 Seizures-list-PNxx.txt 读发作起止时刻，换算到文件内相对时间，自己生成 0/1 序列。

Q11：有 preictal（发作前）的明确标注吗？
没有。preictal 有多长完全由使用者自己定义——这是本数据集把方法学选择权留给使用者的体现。

Q12：患者都是什么类型的癫痫？
以成人颞叶局灶性癫痫为主：13/14 例颞叶定位，12/14 例为 IAS（伴意识受损的局灶性发作），1 例 WIAS，1 例 FBTC（PN10，额叶双侧）。

Q13：为什么有的记录只有 2 小时，有的有 23 小时？
因为这是真实的长程视频脑电监测，记录时长取决于临床需要（抓到发作即可结束）与患者个体情况，从 145 分钟（PN11）到 1408 分钟（PN14）不等。

Q14：为什么数据里含 EKG？
因为该数据集源自 PANACEE 项目，团队此前研究了基于**心率变异性（HRV）**的发作预测（Billeci 2018），所以同步采集了心电。

Q15：做预测实验时，训练测试怎么划分？
按时间顺序划分（患者特异性），或留一患者（跨患者）——绝不能随机打乱，否则会因信号时间相关性造成泄漏。

Q16：官方有 baseline 或 leaderboard 吗？
没有。所有性能数字都来自第三方论文，口径不一，不可直接比较。

Q17：这个数据集太小的，有意义吗？
用"例数"看确实小（14 例），但用"连续观测时长 + 任务适配度 + 可及性"看它很有价值——预测任务真正稀缺的是"长程连续的稀有事件"，而非样本条数。

Q18：论文里用的同步性度量（PLI/WPLI）是什么？
PLI（Phase Lag Index，相位滞后指数）与 WPLI（加权相位滞后指数）是衡量两通道脑电相位同步程度的指标，取值 [0,1]。团队假说：发作前网络同步性上升，因此可预测。

Q19：可以用这个数据集做深度学习吗？
可以，而且常见（GenEEG 用潜在扩散 + 持续学习，SNSDeepNet 用 DCNN）。但小样本 + 严重类不平衡是主要挑战，需配合数据增强或患者特异性建模。

Q20：为什么文档里性别/年龄对不上？
因为三份文档口径不同：PhysioNet 摘要写 9 男 5 女（男 25-71），论文写 9 男 5 女（男 36-71），而 subject_info.csv 逐行实为 8 男 6 女。以实际下载的 csv 为准，引用时注明来源。

Q21：PN10 为什么特殊？
PN10 是全库唯一：额叶（非颞叶）、双侧（非单侧）、FBTC（非 IAS）、20 通道（非 29 通道），且发作最多（10 次）、记录第二长（16.7 h）——四项"唯一"集于一身。

Q22：数据里的时间戳能还原真实日期吗？
不能。所有 .edf 文件的日期已去标识化，只保留相对时序。但"发作前多少分钟"仍可算，因为相对时间是完整的。

Q23：这个数据集和 Bonn EEG 怎么选？
做片段二分类（这段是不是发作）用 Bonn（预切好、干净）；做发作预测（多久后会发作）用 Siena（长程连续）。二者任务定位不同。

Q24：引用它要注意什么？
数据库与论文两条都要引：Detti, P. (2020). Siena Scalp EEG Database (version 1.0.0). PhysioNet. https://doi.org/10.13026/5d4a-j060；以及 Detti et al. Processes 2020;8(7):846。

结语：把「时间」当作数据的一部分

Siena Scalp EEG Database 最深的启示，或许不在它给了什么，而在它保留了什么：它保留了时间。在一个偏爱整洁片段、均衡类别、标准划分的世界里，它固执地留着 128 小时的连续记录——清醒与睡眠、跨日与跨状态、发作与其前后漫长的"平静"。这份"不整洁"恰恰是它的价值所在，因为癫痫预测的核心问题——“提前多久预警、误报多少”——只有在连续时间上才有意义。

它也因此提醒每一个使用者：面对它时，你要做的第一件事不是套一个模型，而是想清楚你所说的"提前"是什么意思。preictal 有多长？发作起点以临床还是电为准？假阳性能不能接受？这些问题没有标准答案，而这份数据把回答它们的自由，连同回答它们所需的事实（发作究竟发生在何时），一起交给了你。

事实清单（硬事实 32 条）

1. 官方全称：Siena Scalp EEG Database（锡耶纳头皮脑电数据库）。
2. 采集机构：意大利锡耶纳大学神经内科与神经生理学科（University of Siena）。
3. 上游项目：托斯卡纳大区 PANACEE 区域研究项目。
4. 数据库贡献者/通讯作者：Paolo Detti。
5. 论文作者：Paolo Detti、Giampaolo Vatti、Garazi Zabalo Manrique de Lara（3 人，贡献均等）。
6. 论文：Processes 2020;8(7):846，doi:10.3390/pr8070846，MDPI 开放获取。
7. 论文在线发布：2020-07-16。
8. 论文所属特刊：Machine Learning Methods for Modelling Neurological Diseases。
9. PhysioNet 登记：v1.0.0，发布日 2020-08-11。
10. 版本 DOI：10.13026/5d4a-j060；latest DOI：10.13026/s309-a395。
11. RRID：SCR_007345。
12. 受试者数：14 例。
13. 发作总数：47 次。
14. 记录总时长：约 128 小时（csv 求和 7704 分钟 ≈ 128.4 小时）。
15. 采样率：512 Hz。
16. 电极系统：国际 10-20 系统。
17. 格式：EDF（European Data Format）。
18. 未压缩大小：20.3 GB；ZIP：13.0 GB。
19. 文件夹数：14 个（PN00、PN01、PN03、PN05、PN06、PN07、PN09、PN10、PN11、PN12、PN13、PN14、PN16、PN17；缺 PN02/PN04/PN08/PN15）。
20. 每例文件数：1-5 个 EDF，单文件最大 2.11 GB。
21. 通道数：13 例 29 通道 EEG，PN10 为 20 通道 EEG。
22. EKG：多数记录含 1-2 路 EKG（PN10 含 2 路）。
23. 性别/年龄（PhysioNet 摘要）：9 男（25-71）/ 5 女（20-58）。
24. 性别（csv 逐行）：8 男 / 6 女。
25. 年龄范围（csv）：20（PN07）至 71（PN12）。
26. 发作类型分布：IAS 12 例、WIAS 1 例（PN14）、FBTC 1 例（PN10）。
27. 定位分布：颞叶 13 例、额叶 1 例（PN10）；偏侧 左 7 / 右 4 / 双侧 1（PN10）。
28. 6 例仅 1-2 次发作（仅够人工检查），8 例 ≥3 次发作（用于交叉验证）。
29. 标注文件：Seizures-list-PNxx.txt（采样率、通道列表、记录起止、逐次发作起止）+ subject_info.csv（受试者表）。
30. 许可：CC BY 4.0；访问政策：Open Access。
31. 伦理：锡耶纳大学伦理委员会批准，符合《赫尔辛基宣言》，患者书面知情同意。
32. 采集设备：EB Neuro 与 Natus Quantum LTM 放大器，银/金杯状电极。

补充事实（扩展 8 条）

33. 论文分析时数据子采样至 256 Hz（本体为 512 Hz）。
34. 论文方法：8-13 Hz 带通 FIR → 导数绝对值 → PLI/WPLI 同步度量（6 s 窗、1 s 重叠）→ 移动平均 → ModThAlgo 阈值分类器 + 后处理。
35. 论文性能（T=300 s）：预测所有发作，平均特异性 99.67%（约 2 假阳性/小时），平均提前约 90 秒。
36. 论文性能（T=900 s）：8 例中 4 例零误报、预测率 100%，平均提前 >4 分钟。
37. 后处理效果：正确预测发作比约 96.3% → 98.8%，假阳性减少约 35%。
38. 下游 SNSDeepNet（2024）：Siena 子集 accuracy 99.62%、specificity 99.04%、sensitivity 99.93%、F1 99.48%、FPR 0.009208（尖波检测任务）。
39. 下游 GenEEG（2025）：Siena macro F1 = 0.84（成人），CHB-MIT 0.82（儿童）；CL-LOPO 防泄漏协议。
40. 下游 PAC 随机森林（2023）：Siena 平均准确率 85.71%（5 分钟区间最佳，发作预测任务）。

术语表（30 条）

1. Scalp EEG（头皮脑电）：从头皮电极记录的大脑电活动，非侵入。
2. Video-EEG（视频脑电）：EEG 与同步视频联合监测，用于癫痫诊断与发作定位。
3. EDF（European Data Format）：欧洲数据格式，临床电生理信号的标准存储格式。
4. 10-20 System（10-20 系统）：国际通用的脑电电极放置标准，电极间距为头围的 10% 或 20%。
5. Epilepsy（癫痫）：由脑内异常过度或同步放电引起反复发作的神经系统疾病。
6. Seizure（发作）：癫痫的临床表现，由异常脑电活动引起。
7. Seizure Prediction（发作预测）：在发作前预警即将发生的发作，区别于检测。
8. Seizure Detection（发作检测）：判断发作是否正在发生。
9. Preictal（发作前期）：发作前的一段窗口，预测任务的目标识别期。
10. Ictal（发作期）：发作本身从起始到结束的时段。
11. Postictal（发作后期）：发作结束后的恢复期。
12. Interictal（发作间期）：远离发作的时段。
13. ILAE（国际抗癫痫联盟）：制定癫痫发作分类标准的权威组织。
14. IAS（伴意识受损的局灶性发作）：Focal onset Impaired Awareness Seizure。
15. WIAS（不伴意识受损的局灶性发作）：Focal onset Without Impaired Awareness Seizure。
16. FBTC（局灶继发双侧强直-阵挛）：Focal to Bilateral Tonic-Clonic。
17. Temporal Lobe Epilepsy（颞叶癫痫）：起源于颞叶的最常见局灶性癫痫。
18. Focal Onset（局灶性起始）：发作起源于一侧半球。
19. EKG/ECG（心电）：心电图信号，本数据集含 1-2 路。
20. HRV（心率变异性）：心搏间期的变异，癫痫预测的辅助信号。
21. Synchronization（同步性）：不同脑区/通道脑电活动的相位协同程度。
22. PLI（相位滞后指数）：Phase Lag Index，衡量相位同步，取值 [0,1]。
23. WPLI（加权相位滞后指数）：Weighted PLI，按滞后幅度加权，抗体积传导。
24. PAC（相位-幅值耦合）：Phase-Amplitude Coupling，跨频耦合的一种。
25. False Positive（假阳性）：未发作却报预警。
26. FA/h（每小时假阳性数）：预测任务的关键指标，衡量误报频率。
27. Preictal Window（预测区间 T）：定义多长的发作前时段为正类。
28. Leave-One-Patient-Out（留一患者）：跨患者泛化协议。
29. CC BY 4.0：知识共享署名 4.0 国际许可，允许商用，需署名。
30. EMU（癫痫监测单元）：Epilepsy Monitoring Unit，医院内做长程视频脑电监测的病房。

术语背景补充：为什么"同步性"被当作发作前兆

癫痫发作被广泛理解为脑网络的异常超同步（hypersynchrony）事件——发作时大量神经元趋于同一步调放电。既然发作是"同步性飙升"的终点，那么从发作前的一段时间开始，网络的同步性理应逐渐爬升。锡耶纳团队的 PLI/WPLI 方法正是要抓住这段"爬升"作为预警信号（Processes 2020 的核心假说）。理解这一点，就理解了本数据集为什么天然适配"同步度量"类方法——它提供的长程连续记录，正是观察"同步性随时间演化"的必要材料。

DAIMS 表

DAIMS 维度	评估	说明
Data Collection（数据采集）	中	真实临床视频-EEG 监测，EB Neuro/Natus 放大器、银金杯电极，符合赫尔辛基宣言；但单中心、单地区、无采集协议公开细节
Data Annotation（标注）	中	专家逐次发作起止时刻（事件级），部分含 CLINICAL/ELECTRIC ONSET 双起始；无逐秒标签、无多专家独立标注、无发作间期放电标注
Data Quality（数据质量）	中	512 Hz 高采样率、真实长程记录是优势；但无官方技术验证数字、无伪迹比例报告、论文明确不额外去伪迹，长程记录必含伪迹
Data Provenance（数据溯源）	高	有论文（Processes 2020）、有 PhysioNet 版本 DOI、有 RRID、有 SHA256 校验、时间线清晰（论文 7 月/数据登记 8 月）
Data Representation（数据表示）	高	EDF 标准格式、国际 10-20 系统、通道与时长明确；跨文件时间需自行对齐是唯一门槛
Data Sharing（数据共享）	高	CC BY 4.0 + Open Access，可直接下载、可商用、可再分发，仅需署名
Data Usability（数据可用性）	中高	完全开放即下，但事件级标注 + preictal 自定 + 通道需筛选 + 三口径文档冲突，构成一定使用门槛
Data Limitations（数据局限）	明确	14 例、单中心、以颞叶局灶性为主、无逐秒标签、性别/年龄文档不一致——局限清晰且已在正文逐条列出

DAIMS 评估补充说明

DAIMS（Data and AI-Readiness Maturity Score，本条目按 8 维定性评估）显示：本数据集的强项在溯源、表示、共享（高），弱项在标注粒度与数据质量文档化（中）。其"AI-Ready"程度属于中高——数据本身完全开放、格式规范、可直接用于训练；门槛主要来自任务侧（需自建 preictal 标签与评估协议）而非数据侧（无需申请、格式标准）。对经验丰富的脑电研究者，这是一份即插即用的数据；对新手，事件级标注与采样率/通道口径需要先花时间理解。

相关标准与规范参考

• ILAE 2017 发作分类：本数据集发作类型标注（IAS/WIAS/FBTC）依据的标准
• 国际 10-20 电极放置系统：本数据集通道布局依据
• EDF / EDF+（European Data Format）：数据存储格式标准
• PhysioNet：数据存档与分发平台（RRID:SCR_007345）
• 《赫尔辛基宣言》（Declaration of Helsinki）：医学研究伦理标准
• CC BY 4.0（Creative Commons Attribution 4.0 International）：许可标准

附录 A：文件结构示意

siena-scalp-eeg/1.0.0/
├── LICENSE.txt              # CC BY 4.0 许可全文
├── RECORDS                  # 记录索引
├── SHA256SUMS.txt           # 校验和
├── subject_info.csv         # 14 例受试者信息表
├── PN00/
│   ├── PN00-1.edf           # EDF 波形（512 Hz）
│   ├── ...                  # 1-5 个 EDF
│   └── Seizures-list-PN00.txt
├── PN01/
│   ├── PN01-1.edf
│   └── Seizures-list-PN01.txt
├── ...
└── PN17/
    ├── PN17-1.edf
    └── Seizures-list-PN17.txt

subject_info.csv 列：patient_id、age_years、gender、seizure、localization、lateralization、eeg_channel、number_seizures、rec_time_minutes。

附录 B：标注读取示例（伪代码）

# 读取一对一例的发作标注（示意，非官方代码）
import re

def parse_seizures_list(path):
    """解析 Seizures-list-PNxx.txt，返回采样率、通道列表、发作区间列表"""
    text = open(path, encoding='utf-8').read()
    sr = int(re.search(r'Data Sampling Rate:\s*(\d+)', text).group(1))

    # 通道列表（各行 "Channel N: NAME"，须支持跳号与 EKG）
    channels = re.findall(r'Channel\s+\d+:\s*(\S+)', text)

    # 逐次发作的起止时刻（时.分.秒 → 秒）
    def hms(s):
        h, m, sec = s.split('.'); return int(h)*3600 + int(m)*60 + int(sec)

    seizures = []
    for m in re.finditer(
        r'Seizure (?:start|end) time:\s*([\d.]+)', text):
        pass  # 需成对解析 start/end（示意省略配对逻辑）
    # 实际实现须按 'Seizure n X:' 分块，块内配对 start/end
    return sr, channels, seizures

# 注意：
# 1) 只使用 channels 列表内通道，忽略 EDF 中其余通道
# 2) 时间戳是系统时刻，须对照同文件 Registration start time 换算相对时间
# 3) 解析器应容忍文本噪声（如残留字符、多余空格）

附录 C：引用模板

Detti, P. (2020). Siena Scalp EEG Database (version 1.0.0). PhysioNet. RRID:SCR_007345. https://doi.org/10.13026/5d4a-j060

Detti, P., Vatti, G., & Zabalo Manrique de Lara, G. (2020). EEG Synchronization Analysis for Seizure Prediction: A Study on Data of Noninvasive Recordings. Processes, 8(7), 846. https://doi.org/10.3390/pr8070846

使用本数据集时，上述两条须一并引用。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• bonn-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• tuev — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• helsinki-neonatal-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• openneuro — 共享标签：生理信号 / 脑电信号 / 神经科学
• tuab — 共享标签：生理信号 / 脑电信号 / 癫痫
• eeg-power-anesthesia — 共享标签：生理信号 / 脑电信号 / 神经科学
• ltrsvp — 共享标签：生理信号 / 脑电信号 / 神经科学
• tusz — 共享标签：生理信号 / 脑电信号 / 癫痫
• epilepsiae — 共享标签：生理信号 / 脑电信号 / 癫痫
• ibl-brain-wide-map — 共享标签：生理信号 / 脑电信号 / 神经科学

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