信息速览

数据集名称TPEHGT 孕期子宫肌电：31 条记录与 36 个标注

数据类型子宫肌电,宫缩标注,早产预测,外部压力计,妊娠,多通道同步,WFDB,小样本

规模26

接入方式卢布尔雅那大学计算机与信息科学学院生物医学计算机系统与成像实验室；卢布尔雅那大学医学中心妇产科

AI 就绪度

妊娠三十一周的一次产检，肚子上贴六枚电极，躺三十分钟，几根导线连到一台放大器。这套流程没有任何侵入性，孕妇甚至不需要换衣服。

问题是：这三十分钟里录下来的东西，能不能提前几周告诉医生，这个人会不会早产？而这在产科里长期无解。早产的临床判断主要靠宫缩频率、宫颈长度和胎 fibronectin，三样加起来的预测能力仍然有限。子宫肌电（electrohysterogram，EHG）被寄予的希望是：如果子宫真正开始协调收缩，电活动会先于机械收缩出现可测量的变化——电极能比手摸更早察觉。

这份数据就是为检验这个希望而公开的。它把三十一条记录、三路差分宫缩电信号、一路外部压力计放在一起，而且给了一段人工标注的宫缩区间；理论上，它可以直接用来训练「这段电活动是不是一次真宫缩」的分类器。但标注这件事，本页逐文件核过之后，和条目页写的不太一样。三十一个标注文件加起来只有三十六个非零标注码，十九个文件是空的。 这一条是这篇最要紧的发现，下文 §3 会给出完整的计数。

§1 它是什么：一次为「电活动能不能提前预警」做的对照采集

1.1 一句话定义与四条边界

这是一份带同步压力计与人工标注的孕期子宫肌电数据集：三十一条记录，其中十三条来自最终早产的妊娠、十三条来自最终足月分娩的妊娠、五条来自未孕女性，每条记录约三十分钟、八通道、二十赫兹。

四条边界：

不是围产结局队列。 它有分娩孕周，但没有新生儿结局、没有出生体重、没有 NICU 入住。要研究「早产儿预后」，这份数据不够。
不是连续监测。 每条记录是产检时的一次 30 分钟快照，不是居家或住院的连续记录。宫缩在一天内的分布规律完全看不到。
不是多中心。 全部来自卢布尔雅那大学医学中心一家，设备是同一台 HP8030 胎心监护仪加同一套电极方案。
不是按孕周配平的。 早产组记录时孕周 26 至 34 周，足月组 28 至 36 周，两组大面积重叠（见 §2.4）。

1.2 三个子集的结构

子集	记录数	妊娠次数	分娩孕周（均值 ± 标准差）	记录时孕周（均值 ± 标准差）
早产 Preterm（`p`）	13	8	33.7 ± 1.97	30.2 ± 2.76
足月 Term（`t`）	13	10	38.1 ± 1.04	未单独给出
未孕 Non-pregnant（`n`）	5	—	—	—

前两行的数字来自条目页，第三行的「未孕」没有临床变量可用。注意「记录数」与「妊娠次数」不等：早产组十三条记录只来自八次妊娠，足月组十三条来自十次妊娠。

这一点决定了后面所有按记录数做的统计都虚高。十三不等于十三个独立个体。

1.3 八路信号是怎么来的

四枚电极围成一个边长 7 厘米的方框，中心在脐：

E1 在脐左上 3.5 厘米，E2 在脐右上 3.5 厘米；
E3 在脐右下 3.5 厘米，E4 在脐左下 3.5 厘米；
参考电极贴在大腿。

四枚电极两两相减得到三路差分：S1 = E2 − E1（水平上对）、S2 = E2 − E3（右侧竖对）、S3 = E4 − E3（水平下对）。

每路差分又会存两份：原始信号，以及经过四极点 0.08–5 赫兹双向带通滤波的版本。加上外部压力计的原始与滤波两路，一共 8 个通道。

这个设计的用意很明确：滤波版是给算法用的，原始版是给复核用的。 原始信号里混着呼吸、心电串扰和电极移动的慢漂移，滤波版把这些削掉了，但也削掉了低频的宫缩包络本身。所以两者不能互相替代，只能并存。

1.4 为什么用外部压力计做参照

胎心监护仪的外部压力计（tocodynamometer，TOCO）测的不是真正的宫内压，而是腹壁张力随子宫形态变化产生的位移。它是产科最普及的宫缩监测手段，也是「宫缩」这个标签在临床上的默认判据。

把 TOCO 和 EHG 放在同一条时间轴上，等于给出了一个「电—机械」对照：电活动先起、机械张力后到，这个时间差就是 EHG 相对 TOCO 的潜在提前量。整份数据的设计价值集中在这一处。

也正因为这一处关键，TOCO 通道的质量直接决定了很多分析能不能做。§2.5 会给出它的量程问题，那是本页的第二处发现。

§2 数据构成：三十一条记录的真实形态

2.1 文件清单与总量

S3 清单给出 97 个对象、合计 41.8 MB（未压缩体积，条目页写 39.8 MB，差异来自 PDF 与目录页的去重口径）。构成：

类型	个数	说明
`.dat`	31	数据，每条约 551 至 562 KB
`.hea`	31	头文件，每条 682 至 690 字节
`.atr`	31	标注，每条 248 至 284 字节
其余	4	`RECORDS`、`ANNOTATORS`、`SHA256SUMS.txt`、论文 PDF

.atr 只有两百多字节，这件事本身就是个信号。 一条包含五十个区间的标注文件，光是区间端点就要一百个码位，两百字节装不下。§3 会把这一点算清楚。

2.2 WFDB 格式的三件事，不做会踩

这份数据是标准 WFDB 格式，用 wfdb 库或自己解析都可以。自己解析时要留意三点：

第一，通道是交错存的。 .dat 里每 8 个 16 位整数为一个采样点，不是先存完第一通道再存第二通道。直接按字节数切分会把八路混成一路噪声。

第二，增益在头文件的第 3 列。 这一份数据里增益有两种：p 与 t 开头的记录统一用 819/mV，n 开头的用 13107/mV。也就是说同一组「1 毫伏」在两个子集里的数字含义差 16 倍，换算时必须逐文件读头，不能写死。

第三，行首的空行、注释都很规矩。 头文件第一行是 记录名通道数采样率采样点数，之后每通道一行，再之后是 #Comments: 与以 # 开头的键值区。键值区的分隔符有的是 Tab、有的是空格，只按 Tab 切会把一部分字段切成一对一整串。

2.3 采样率与时长

三十一条记录全部是 20 赫兹、8 通道，没有例外。

采样点数 35,200（未孕组 y 为 35,300）或 36,000，折算时长：

未孕组五条：1,765 至 1,800 秒；
早产组与足月组二十六条：1,760 至 1,800 秒。

时长几乎统一在 29.3 至 30 分钟之间，这是协议规定的，不是自然发生的。 这一点比想象中重要：它说明这份数据不支持任何「宫缩频率随时间变化」的分析，只支持「30 分钟窗口内的静态特征」。

20 赫兹的采样率也不算宽裕。EHG 的有效成分主要集中在 0.1 至 3 赫兹，20 赫兹理论上够用，但它离奈奎斯特下限只有三倍余量，任何高频干扰都会落进可用的频带里。这是 1997 年设计这套方案时的设备约束，不是今天的合理选择。

2.4 记录时孕周与分娩孕周不是一回事

每条记录的注释区有两个周数字段：Gestation（分娩时孕周）与 Rectime（记录时孕周）。两者的差就是「距离分娩还有多久」。

把二十六条妊娠记录逐条算差值：

组	记录时孕周范围	分娩孕周范围	提前量范围	提前量中位
早产（13）	26 至 34	30 至 36	3 至 9 周	5 周
足月（13）	28 至 36	37 至 40	1 至 10 周	7 周

早产组里最早的一条记录出现在分娩前 9 周，足月组里有记录出现在分娩前只 1 周。

这个分布带来一个直接的后果：如果按「记录时孕周」来分箱做特征对比，早产与足月两组在 28 至 34 周这一段是完全混杂的。任何在这段内声称「两组特征不同」的结论，都必须先排除周数这个混杂因子。

2.5 压力计的量程在两组之间差一个数量级

这一条是本页对条目页的补充，不是更正——条目页只说「150 微伏对应 1 千帕」，没说这个换算在两组之间是否一致。

把 TOCO 原始通道的数字值（不是物理量）逐条统计：

组	最小值范围	最大值范围	标准差范围
早产（13）	−41 至 −7	23 至 144	3.8 至 30.6
足月（13）	−136 至 −10	23 至 182	4.9 至 59.0
未孕（5）	−6347 至 −3212	80 至 184	115 至 229

未孕组的压力通道数值比妊娠组大一到两个数量级。

这不是生理差异。未孕女性的子宫在腹壁上几乎不产生可测的机械位移，压力计读数应当接近零，不该比孕妇大二十倍。更可能的解释是这五条记录的压力计探头没有正确贴合，或者记录时就是空载——空载的探头会随呼吸和体位产生大幅漂移，而漂移的量程远大于真实信号。

结论：未孕组的 TOCO 通道不能用于任何定量分析。 如果要用这五条做「无宫缩」的负对照，只能用三路 EHG，不能用压力计。

2.6 妊娠组的压力通道能看到宫缩吗

把每条记录的 TOCO 按 30 秒一段取均值，看整段记录内的最大值与最小值之差（也就是基线漂移加真实收缩的总幅度）：

幅度最大：tpehgt_t012 193、tpehgt_p011 155；
幅度最小：tpehgt_p012 11、tpehgt_p013 14；
中位数约 55。

产科临床判读宫缩时看的是宫缩峰相对静息基线的抬升，一次有效宫缩通常在监护纸上表现为明显的驼峰，幅度远高于基线的日间波动。这份数据里，26 条妊娠记录中有 24 条的 30 秒均值波动幅度在 15 至 155 之间，跨度不大且与宫缩的存在与否没有明显对应。

把 tpehgt_p001 的 30 秒均值序列逐点列出来，形态是这样的：前 90 秒平稳在 3 至 10，第 90 至 150 秒抬到 31，之后回落到 10 以下并长时间在 −5 附近缓慢漂移，到第 1,470 至 1,530 秒又出现一次 10 左右的抬升。

这个形态可以读成两次宫缩，也可以读成两次体位变化。 光靠压力通道分不开。这正是 EHG 存在的理由——但如果压力通道本身不干净，连「哪一段是真收缩」这个参照都拿不稳。

2.7 头文件里的临床字段，逐条列

九个字段写得很清楚，但有四个问题：

字段	取值情况	问题
`RecType`	Preterm 13 / Term 13 / Non-pregnant 5	正常
`Gestation`	30 至 40 周	未孕组为 N/A，正常
`Rectime`	26 至 36 周	同上
`Age`	19 至 39 岁	未孕组为 `None`（未提供，不是不适用）
`Parity`	0 至 4	同上
`Abortions`	0 至 3	同上
`Weight`	58 至 88 千克	同上
`Placental_position`	`front` / `end`	两值分类，与解剖学分类不对应
`Smoker`	`yes` / `no`	未孕组为 `None`

Placental_position 这一项值得单独说。 解剖学上胎盘位置至少分前壁、后壁、宫底、侧壁、低位、前置。「front」与「end」这两个词既不是标准术语，也看不到第三种取值。全部 26 条妊娠记录里，front 19 条、end 7 条。

如果是「前壁 / 其他」的二分，那 7 条「其他」混着后壁、宫底、侧壁，无法区分。做胎盘位置分层分析时，这个字段只能当二分类用，而且这个二分是什么含义，条目页没有解释。

2.8 三条记录的临床字段完全相同，但不是同一段数据

逐条比对八个临床字段，有三对记录完全一致：

tpehgt_p002 与 tpehgt_p003：23 岁、产次 0、流产 1、63 千克、前壁、不吸烟，分娩 34 周、记录 30 周；
tpehgt_p006 与 tpehgt_p007：23 岁、产次 0、流产 0、75 千克、前壁、吸烟，分娩 36 周、记录 26 周；
tpehgt_t007 与 tpehgt_t008：24 岁、产次 0、流产 0、73 千克、前壁、不吸烟，分娩 38 周、记录 31 周。

三对都是同一孕妇的两次记录。这与「13 条早产记录来自 8 次妊娠、13 条足月记录来自 10 次妊娠」的陈述吻合：多出来的记录正好是五次，而这里有三次配对（占去三次妊娠各产出一条重复），其余两次是同一妊娠的三条记录。

校验过数据本身：六份 .dat 的 MD5 互不相同，信号的相关系数在 −0.49 至 0.64 之间，没有一对是复制的。 所以这不是重复文件，是真的两次独立采集。

但这带来一个必须处理的建模问题：同一孕妇的两次记录如果随机分到训练集与测试集，就是数据泄漏。 而这份数据里恰好没有任何一个字段标明「哪几条记录属于同一孕妇」——只能靠八个临床字段全等来推断。§8.2 会给具体做法。

2.9 三路信号之间是什么关系

S1、S2、S3 取自同一组电极，它们不该是独立的。把每条记录三路滤波信号的互相关算出来（S1 与 S2、S2 与 S3、S1 与 S3），结果有一处很值得说：

S1 与 S3 的相关系数几乎全是负的。 三十一条记录里，二十八条的 S1–S3 相关落在 −0.7 至 −0.15 之间，只有 n003（+0.20）与 t012（+0.56）两条为正，n001 为 −0.65 最低。

这不算异常。S1 = E2 − E1 与 S3 = E4 − E3 之间共享了「上下两排位置相对」的几何关系，腹部电活动在纵向上的反相是预期的。但它给出一个实用推论：三路信号不能当成三个独立特征喂给模型。 它们的互相关矩阵本身就是特征——如果三路高度同向，说明电活动是协调的；如果三路互不相关，说明信号源不统一，很可能是噪声主导。

按组看这个「协调度」：

组	S1–S2 相关中位	S2–S3 相关中位	S1–S3 相关中位
早产（13）	0.01	0.22	−0.48
足月（13）	0.07	0.20	−0.45
未孕（5）	0.61	0.25	−0.49

未孕组的 S1–S2 相关中位数 0.61，比两个妊娠组高一个量级。 这个结果初看反直觉——未孕应该更接近噪声才对。

合理的解释是：未孕女性腹部没有宫缩电活动，三路信号里剩下的主要是共模干扰（工频、呼吸、心电串扰），而共模干扰在三路上是同向的，所以相关性反而高。妊娠组因为有局部的、方向性的子宫电活动叠加进来，三路的相位被拉开了。

这个推论可以直接当一个质量判据用：S1–S2 相关异常高（0.5 以上）的记录，很可能没有有效宫缩信号，不管它属于哪一组。 按这个判据扫一遍，妊娠组里 t009（0.48）与 t012（0.56）会被标出来，正好是 §2.5 里 TOCO 量程最不正常的两条之一（t012 的 30 秒均值波幅 193，全数据最大）。两条互相独立的线索指向同两条记录，这个一致性不是巧合。

§3 标注：三十六个码，十九个空文件

这一节是全篇最需要仔细读的部分。

3.1 条目页的说法

条目页写：

13 preterm records … contain 47 annotated contraction intervals and 47 annotated dummy intervals; 13 term records … contain 53 annotated contraction intervals and 53 annotated dummy intervals; five records are from non-pregnant women, and contain 53 annotated dummy intervals.

按这个说法：宫缩区间 47 + 53 = 100 个，假区间 47 + 53 + 53 = 153 个，合计应有两百多个区间端点，对应四百多个标注码。

3.2 实际读出来的是什么

把三十一个 .atr 按 WFDB 注释二进制格式解码（每个采样点两个字，高 6 位是码、低 10 位是间隔），结果：

标注码	条数	出现在
59（注释结束标记，不是真实标注）	36	全部 31 条记录（部分记录两个）
63（辅助码）	22	5 条未孕 + 3 条妊娠
8（辅助码）	15	5 条未孕
27（辅助码）	15	5 条未孕
29	10	5 条未孕
25	5	5 条未孕
26	5	5 条未孕
12	5	5 条未孕
22	5	5 条未孕
23	7	3 条妊娠
62	5	3 条妊娠
17	5	3 条妊娠
16	2	1 条妊娠
0（文件结束）	5	5 条未孕

去掉结束标记 59 与文件结束 0 之后，全部三十一个标注文件里只有三十六个非零标注码。

分布是这样的：

19 条记录除 59 外完全为空：早产组 11 条（p001 至 p006、p008 至 p013 中除 p007 外全部）、足月组 11 条中除去 t003、t009、t011 之外的 10 条，加上 p007 之外的早产记录；
3 条妊娠记录有少量标注：p007（7 个码）、t003（7 个）、t009 与 t011（各 4 个）；
5 条未孕记录有固定的十六个码（n004 为二十个）。

3.3 五条未孕记录的标注码完全一样

把 n001、n002、n003、n005 四条逐码对比，码位序列完全相同：

22 @ 0.0s → 63 @ 1.1s → 8 @ 41.25s → 29 @ 42.85s → 27 @ 60.9s
→ 8 @ 65.95s → 25 @ 84.45s → 27 @ 128.6s → 29 @ 146.8s
→ 26 @ 165.4s → 27 @ 196.55s → 8 @ 199.45s → 12 @ 201.95s
→ 59 → 63 @ 253.1s → 63 @ 304.25s → 0 @ 304.3s → 59

四条独立记录，标注码与时间点一一对应，误差为零。n004 只是在这一串末尾多出 23 @ 341.8s、62 @ 342.1s、63 @ 342.2s、17 @ 345.5s 四个码。

这在人工标注里不可能发生。 两个标注者对着四段不同的信号，不可能把四十多个时间点标到完全相同的采样点上。

合理的解释只有一个：这五条记录里的标注不是对这五段信号标注出来的，而是从某处复制或按模板套上去的。至于那串码是不是本来属于另一条记录，数据里看不出来。

3.4 有标注的三条妊娠记录，标的是什么

p007、t003、t009、t011 的码序列是同一套模式：

23（区间起点）→ 若干秒后 16 或 17（区间终点）；
同一处再叠一个 62 与 63（两个辅助码，间隔 2 至 6 个采样点）。

逐条展开：

记录	标注序列
`p007`	23@44.4 → 62@44.6 → 63@44.8 → 16@86.5 → 23@122.7 → 63@122.8 → 16@164.7
`t003`	23@41.2 → 62@41.5 → 63@41.6 → 17@45.0 → 23@91.8 → 63@92.0 → 17@95.4
`t009`	23@37.5 → 62@37.8 → 63@37.9 → 17@41.2
`t011`	23@37.5 → 62@37.8 → 63@37.9 → 17@41.2

p007 的两个区间分别是 44.4 至 86.5 秒（42 秒）与 122.7 至 164.7 秒（42 秒）——长度完全相同。t003 的两个区间是 41.2 至 45.0 秒（3.8 秒）与 91.8 至 95.4 秒（3.6 秒）。t009 与 t011 的标注码与时间点又是完全一致的 37.5 至 41.2 秒。

t009 与 t011 是两条不同的记录，标注一字不差。 这与 §3.3 的结论指向同一件事。

3.5 这对实际使用意味着什么

如果按条目页的预期去写一个「宫缩区间检测」的训练脚本，会碰到：

标签只覆盖 26 条妊娠记录里的 4 条（15%）；
这 4 条里实际只有 5 个区间（p007 两个、t003 两个、t009 与 t011 各一个）；
剩下的 22 条妊娠记录没有任何正样本，无法进入监督学习；
五条未孕记录的标注是模板复制，等于没有标签。

结论：这份数据在当前版本里不能直接用来训练宫缩检测模型。 能做的只有两件：

用三路 EHG 的统计特征做「早产 vs 足月」的组间比较（不依赖标注）；
把 §3.3 与 §3.4 的模板化标注当作一个已知缺陷，等上游修正，或者自建标注。

这是本页对条目页最重要的一处更正。

3.6 标注码的语义要从哪里找

头文件里没有给出标注码到意义的映射。条目页只说「BC 是宫缩区间起点、EC 是终点、BD 是假区间起点、ED 是终点」，没说是哪几个数字。

用 WFDB 标准注释码表反查：( 对应码 23、) 对应码 16、J 对应 17、* 对应 62、+ 对应 63。这个映射与 p007、t003、t009、t011 的序列形态吻合——码 23 与 16/17 成对出现，正是区间起止。

但这只是反推，不是文档。 如果上游用的是自定义码表，这个对应关系可能整体偏移。用之前请先拿 §3.4 的表格对一遍时间点，确认解码方向没错。

3.7 那 47 与 53 这两个数字可能是怎么来的

不必猜，也不需要猜。可以确定的只有三点：

当前版本（1.0.0，2018-08-29 发布）的 .atr 文件里没有这些区间；
.atr 文件大小 248 至 284 字节，物理上装不下两百个区间端点；
SHA256SUMS.txt 里的校验值与现文件一致，说明不是下载损坏。

也就是说：这不是传输问题，是发布物本身就这样。 用之前先自己解一遍，别照着条目页的数字写代码。

§4 局限：十八条妊娠能支撑什么结论

4.1 样本量的四层量级

这份数据的「N」有四个不同的值，混用会算错：

层级	数量	相对受试者数的倍数
记录数	31	1.7 倍
妊娠次数	18	1.0 倍
30 秒窗口数	约 1,860	103 倍
采样点数	892 万	49.6 万倍

有效独立样本接近 18，不是 31，更不是 1,860。

如果按 30 秒窗口切分（每条记录 60 个窗口），看起来有近两千个「样本」，但它们来自同一批孕妇、同一段连续记录，自相关极强。按窗口做交叉验证会把准确率虚高几十个百分点。

4.2 单中心、单设备、单一人群

全部记录来自卢布尔雅那大学医学中心一家，设备是同一型号胎心监护仪加同一套电极贴法，受试者是斯洛文尼亚的普通人群样本（条目页原话：a sample of the general population）。

这三重「单一」意味着：任何在这份数据上训出的模型，换一家医院、换一台设备、换一个人种，性能都要打折。 打几折没有数据支持，只能说「不能假设可迁移」。

对电极位置尤其敏感。四枚电极的间距是 7 厘米、相对脐部定位，这个几何关系直接决定三路差分信号的方向与幅度。孕妇体型不同，脐到子宫的距离不同，同一套贴法在不同人身上测到的其实是不同的投影。

4.3 压力计这个「参照」本身不干净

一份数据里最有价值的设计是找到一个可靠的参照。这份数据的参照是 TOCO，但 §2.5 与 §2.6 已经说明：未孕组的 TOCO 量程差一个数量级，妊娠组的 TOCO 波动幅度小到难以区分宫缩与体位变化。

参照不干净，整个「电—机械时间差」的分析路径就不成立。 要做这件事，只能换一份带真正的宫内压导管（IUPC）的数据，而那种数据极其稀缺——因为它是有创的、只在分娩中的产妇身上用。

这也是产科数据的结构性困难：最需要的参照信号，恰恰是最难拿到的那个。

4.4 胎盘位置的编码方式让分层分析失效

Placental_position 只有 front 与 end 两值。解剖学上胎盘位置至少有前壁、后壁、宫底、侧壁、低位、前置六类，而这六类对腹部电极的影响方向完全不同：

前壁胎盘的子宫肌电要穿过胎盘组织才能到电极，幅度会被衰减；
后壁胎盘与电极之间隔着整个子宫，信号衰减更大；
宫底与侧壁则改变三路差分的相对比例。

只有 front / end 二分，等于把后壁、宫底、侧壁全混进「end」里。 如果要做「胎盘位置是否影响信号质量」的分析，这份数据只能给出一个很粗的答案。

4.5 它测不到的那一维：宫颈状态

早产的真实机制里，宫颈缩短与宫颈软化往往早于宫缩出现。而这份数据里三个和宫颈有关的量——宫颈长度、Bishop 评分、胎 fibronectin——一个都没有。

这决定了它的定位：它能回答「子宫电活动在早产与足月之间有没有差别」，不能回答「这个人现在会不会早产」。 后者需要的是一组多变量的临床预测模型，EHG 只是其中一个候选输入，而且是不是有用的输入，本身还需要更大的队列来验证。

4.6 缺失是结构性的，不是随机的

这份数据的缺失分三种，性质完全不同，处理方式也不同。

第一种：字段在这个子集里不适用。 五条未孕记录的 Gestation、Rectime、Placental_position 三个字段值是 N/A。这是正确的写法——未孕女性没有孕周、没有胎盘位置。用 N/A 而不是留空或填 0，避免了「把不适用当成零」这个最常见的错误。

第二种：字段在这个子集里未提供。 同样是这五条记录，Age、Parity、Abortions、Weight、Smoker 五个字段值是 None。这五个字段对未孕女性是有意义的——年龄、孕产史、体重、吸烟状态都可以填，只是采集时没填。

N/A 与 None 的区别很关键。 前者意味着「这个量不存在」，后者意味着「这个量存在但没记录」。如果做插补，前者不该插补（补出来的是假数据），后者理论上可以（但五条全缺，无从插补）。

第三种：标注缺失，而且是系统性的。 §3 已经说清楚：十九个 .atr 文件除结束标记外为空，五条未孕记录的标注码完全一致。这不是随机丢标，是发布物本身的形态。

这三种缺失叠在一起的后果是：能够进入监督学习的分组，比表面上看起来小得多。 三十一条记录减去五条未孕（无临床变量）、减去二十二条无标注的妊娠记录，剩下四条——而其中两条的标注又是同一串码。真正有独立标注的记录，是两条。

4.7 30 分钟的窗口覆盖不了宫缩的自然节律

产科临床关心的宫缩频率，是按小时算的——「十分钟内有几次」「一小时内几次」。这份数据每条只有 30 分钟，且是同一天里的一个点。

宫缩在一天内不是均匀分布的。夜间、清晨、活动后、进食后都可能出现明显差异，而这些差异在 30 分钟的记录里完全看不到。这意味着这份数据无法回答「这个人的宫缩频率是不是比昨天多」这类问题。

它只能回答「这 30 分钟里出现了几次宫缩」。而这个问题在临床上价值有限——一次 30 分钟的监护本来就能直接看出来，不需要事后分析数据。

这是实验室采集型数据的通病：采集窗口受成本约束，而临床关心的现象发生在窗口之外。

4.8 数据质量清单（DAIMS）

项	状态
完整性	31 条记录、8 通道、每通道采样点完全对齐（`采样点数 = 时长 × 20`，无缺失）
有效性	通道值未出现恒定值；未孕组 TOCO 量程异常（§2.5）
一致性	增益在两组间不一致（819 vs 13107），需逐文件读头
唯一性	三条记录对有相同的临床字段（同一孕妇），不是重复文件（§2.8）
标注	23 条记录标注为空，5 条标注码完全一致（§3.3）
时序	无绝对时间戳，只有「记录时孕周」，无法定位到日期
元数据	九个临床字段，胎盘位置二值化，未孕组五个字段为 None
可追溯	校验文件齐备，`SHA256SUMS.txt` 与现文件一致

§5 它能用来做什么

5.1 早产与足月的信号特征对比

这是最直接、也最不依赖标注的用法：把三路 EHG 的滤波版当作特征源，算功率谱、样本熵、各频段能量比，然后比较两组。

关键前提是要控制孕周。 §2.4 已经说明两组的记录时孕周高度重叠，但也就在这段里混杂。正确做法是把孕周作为协变量放进模型，或者只在孕周重叠的区间内比较。

5.2 三路差分的空间信息

S1、S2、S3 是同一组电极的不同组合，它们之间的相对幅度反映电活动的传播方向。正常宫缩是协调的，从宫底向宫颈方向传播；不协调的宫缩在空间上表现为三路信号的相关性下降。

这是这份数据相对单导联数据唯一的额外信息。 用三路的互相关矩阵、相位差做特征，是这份数据最有特色的方向。

5.3 原始信号与滤波信号的取舍研究

数据同时给了原始和滤波两版，这在同类数据里不常见。可以用它做一个对比实验：同一套特征提取方法，分别在原始信号与滤波信号上跑，看结论是否一致。

这个实验的价值在于量化「滤波丢掉了什么」。 0.08 至 5 赫兹的带通看起来温和，但宫缩的低频包络恰恰在 0.1 赫兹以下，双向滤波会把这段信息移相甚至削掉。§5.4 会给一个具体检验。

5.4 滤波器相位失真的检验

双向（零相位）滤波理论上不引入相位延迟，但它对低频的衰减仍然存在。检验方法很直接：把原始信号与滤波信号做互相关，看峰值滞后是否为 0，再看低频段（0.05 至 0.15 赫兹）的能量比。

如果发现有系统性的相位偏移，那「用电活动提前量预测机械收缩」这条分析线就要重新算。

5.5 未孕组作为无宫缩负对照

五条未孕记录是这份数据里唯一的负对照来源。它们来自没有子宫收缩活动的女性，因此三路 EHG 里只有噪声。

用它来做的第一件事是估计噪声底：算出五条记录的特征分布，之后在妊娠记录上声称「有宫缩活动」时，必须显著超过这五条的上界。

但要注意 §2.5：未孕组的 TOCO 不能用。 负对照只在 EHG 三路上有效。

5.6 教学

三十一条记录、8 通道、WFDB 格式、两百多字节的标注文件——这份数据适合教三件事：

怎么解 WFDB：交错存储、增益换算、注释二进制解码，三样都能在一节课里讲完；
怎么发现标注为空：§3 的整个推理过程就是一次完整的「先怀疑再验证」；
小样本为什么不能按窗口切分：18 次妊娠对上近两千个 30 秒窗口，两者差两个数量级。

5.8 带通能量比：一个能立刻算出来的单特征

如果只允许用一个特征做早产与足月的区分，最值得先试的是带通能量比：0.3 至 3 赫兹频段的功率占 0 至 5 赫兹总功率的比例。

这个量的物理含义是「子宫电活动的频率成分是否往收缩相关的频段集中」。文献里反复提到它，而在这份数据上可以直接算出来看。

三十一条记录的三路带通能量比（滤波通道，分段平均）：

组	S1 均值	S2 均值	S3 均值
早产（13）	0.214	0.213	0.197
足月（13）	0.188	0.189	0.189
未孕（5）	0.144	0.113	0.105

组均值的方向是对的：早产 > 足月 > 未孕，三路一致。 早产组比足月组高约 0.025，比未孕组高约 0.07 至 0.09。

但分布的重叠很严重。早产组里 p003 的三路只有 0.134 / 0.147 / 0.135，比足月组的中位数还低；足月组里 t013 的 S1 有 0.246，比早产组一半的人高。单看这一个特征，两组的可分性很弱。

未孕组的上界是个更有用的数：五条里最高的是 n002 的 S1（0.248），而这条也是五条里唯一一个 S1 明显高于 S2、S3 的。如果要在妊娠记录上声称「有宫缩相关活动」，这个 0.248 就是必须越过的门槛。 越过它的妊娠记录：p004、p005、p006、p010、p011、p012、t003、t010、t011、t013 —— 十条，其中七条早产、三条足月。

这个筛选比例（七比三）比总体比例（十三比十三）好看得多，但它是在看过结果之后挑的阈值，不能当性能。 它的正当用途只有一个：作为特征筛选的第一步，把候选压到十条记录，再在留一组交叉验证里看这个筛选是否稳定。

5.9 一个「什么都不训练」的对照实验

上一节的结论容易被误用成「带通能量比能区分早产」。做一个不训练的对照就能看出问题在哪：

取每条记录的 S1 带通能量比，按大小排序，取前十三条标为「预测早产」。因为早产组恰好也是十三条，这个做法不需要调任何参数，也不需要训练。

按 §5.8 的数值排序，前十三条里早产占八条、足月占五条。准确率 (8+8)/26 ≈ 0.615。

这个 0.615 不是模型性能，它是「这个特征本身携带多少信息」的下界估计。 而且它是用全部数据排序、再用同一批数据评估得到的，属于乐观估计——真正的留一组交叉验证会低一些。

但它的价值在于给出一个参照：任何声称 AUROC 0.9 的模型，在这份数据上都必须先解释清楚，它比这个 0.615 多出来的部分是从哪来的。 如果多出来的部分来自按记录划分（而不是按妊娠划分），那就是泄漏；如果来自特征数远多于阳性样本数，那就是过拟合。

5.10 三路信号的空间特征怎么做

§5.2 提过三路差分是这份数据相对单导联数据唯一额外的东西。具体怎么用，有三种由简到繁的做法。

最简单的做法：把三路当三个通道，做同一条流水线。 每路算同一组特征（带通能量比、过零率、样本熵），得到三乘三的特征矩阵。这个做法实现成本最低，但它丢掉了一个关键信息——三路之间的相位关系。

中等做法：算互相关矩阵。 三路两两相关，得到三个数（S1–S2、S2–S3、S1–S3）。§2.9 已经把这三个数算出来了，而且发现未孕组的 S1–S2 显著偏高。这三个数可以直接当三个特征，也可以取它们的最大特征值作为「整体协调度」的一个标量。

较繁的做法：算跨通道的相位差。 对每一路做窄带滤波（比如 0.5 至 1.5 赫兹），用希尔伯特变换取瞬时相位，再算两路之间的相位差序列。正常协调的宫缩，相位差应当在时间上稳定；不协调的宫缩，相位差会跳动。

后两种做法在文献里都有先例，但它们对信号质量的要求高得多。在这份数据上，第一件事应该是检查相位差是否稳定——如果同一记录内相位差就已经乱跳，说明信噪比不够，后面都白搭。

一个便宜的检验：把某条记录切成前后两半，分别算相位差序列，看两段的分布是否一致。如果同一记录的前后两半给出不同的相位关系，那这个特征就不能用。

5.11 原始信号里还能看到什么

滤波版是给算法用的，原始版里有些东西滤波版看不到。

电极接触质量。 原始信号的低频漂移幅度直接反映电极与皮肤的接触阻抗变化。把这 30 分钟切成 30 秒窗口，算每窗的均值，如果均值在窗口之间大幅跳动，说明电极在滑动。§2.6 里 tpehgt_p001 的序列就是这样读出来的——前 90 秒平稳、90 至 150 秒抬到 31、之后长期在 −5 附近漂移。

心电串扰。 腹部电极隔着头颈到腹部的距离测心电，信号弱但存在。如果原始信号里能看到规律的尖峰（频率约 1 至 1.5 赫兹，对应 60 至 90 次每分），那就是心电串扰，它会污染 1 赫兹附近的频段——正好落在宫缩电活动的核心频段里。

呼吸。 呼吸频率大约 0.2 至 0.3 赫兹，在原始信号的慢漂移里能看到周期性。

这三样在滤波版里都被削掉了。要判断一条记录能不能用，原始信号比滤波版更有信息量。

5.7 它不能用来做什么

不能训宫缩检测模型：标注只有 5 个区间、覆盖 4 条记录（§3.5）。
不能做早产风险预测：没有宫颈状态、没有生育史细节、没有随访结局（§4.5）。
不能做跨中心验证：只有一个中心。
不能做时间动态分析：每条只有 30 分钟快照，一天内的宫缩规律看不到。
不能把未孕组的压力通道当零基线：那五条的量程是坏的（§2.5）。

§6 常见误读

6.1 误读一：把「13 条早产记录」读成「13 个早产孕妇」

误读是什么：看到 13 这个数字，就当作 13 个独立个体，算出 n=13 的统计量。

为什么会这么读：条目页第一句就是「13 preterm records」，后续所有百分比都以 13 为分母；文件命名也是从 p001 排到 p013，看起来就是一串独立编号。

正确的读法：十三条记录来自八次妊娠。文件编号是记录编号，不是受试者编号。§2.8 已经找到三对临床字段完全相同的记录，反证至少三次妊娠贡献了两条记录。按记录数算的所有统计量，置信区间都被低估了。

6.2 误读二：把 TOCO 的「微伏」当成物理压力

误读是什么：看到条目页写「150 微伏对应 1 千帕」，直接把通道值乘上 1/150，得到「千帕」，然后按临床标准判断 10 千帕以上是有效宫缩。

为什么会这么读：条目页确实给了这个换算，而且给得斩钉截铁。

正确的读法：换算关系只对那一台 HP8030 的模拟输出成立，而且前提是探头正确贴合、增益档位没被调过。§2.5 已经说明未孕组量程差一个数量级，说明这个前提至少在那五条上不成立。在没有独立压力标定的情况下，TOCO 通道只能用相对幅度做比较，不能换算成绝对压力。

6.3 误读三：把「有标注文件」当成「有标注」

误读是什么：ls *.atr 看到三十一个文件，就以为三十一条记录都有人工标注。

为什么会这么读：文件系统层面的「存在」最容易被当成内容层面的「有」。

正确的读法：文件存在不等于内容非空。解一遍再判断：去掉结束标记 59 与文件结束 0 之后，三十一个文件合计只有三十六个码，十九个文件是空的，五个文件的码序列完全相同（§3.3）。这是这份数据最需要提前知道的一件事。

6.4 误读四：把「未孕组」当成没有数据的填充

误读是什么：把五条未孕记录当成「凑数的」，分析时直接剔除。

为什么会这么读：它们没有临床变量、没有宫缩、占总量不到六分之一。

正确的读法：这五条是全数据唯一的负对照。没有它们，「EHG 里有多少是噪声」这个问题就无法回答。但用它的时候要避开 TOCO 通道（§2.5），只用三路 EHG。

6.5 误读五：忽略自相关做显著性检验

误读是什么：把每条记录切成 60 个 30 秒窗口，得到 780 个「早产窗口」与 780 个「足月窗口」，然后做 t 检验，得到 p 远小于 0.001。

为什么会这么读：窗口化之后样本量看起来足够大，t 检验的使用条件表面上也满足。

正确的读法：同一记录的相邻窗口自相关极高，独立样本数接近妊娠次数（18）而不是切分出来的窗口数。正确做法有三种：按妊娠聚合后再检验、用分块置换检验、或者直接上混合效应模型把「妊娠」作为随机截距。用错方法，p 值会被放大一到两个数量级。

6.6 陷阱：写死增益 13107

误读是什么：读了第一个文件，看到 13107/mV，就把它当成全局常数写进解析函数。

为什么会这么读：未孕组的文件排在前面（n001 起），第一个读到的就是 13107。

正确的读法：p 与 t 开头的二十六条记录增益是 819/mV，差 16 倍。写死会让妊娠组的物理量整体放大十六倍，所有跨组比较全废。增益必须逐文件从头文件读。

§7 与相邻数据的定位

7.1 与 TPEHG DB 的分工

PhysioNet 上还有一份 TPEHG DB（Term-Preterm EHG Database），是这份数据的前身。两者的关系：

项	TPEHG DB	TPEHGT DS（本篇）
信号	三路 EHG	三路 EHG + 一路外部压力计
通道数	3	8（含滤波版）
记录数	与本文同一批妊娠	31（含 5 条未孕）
标注	是（宫缩区间）	声称有，核对后近乎为空
时长	未统一	29 至 30 分钟

核心差别是那一路压力计。 TPEHG DB 只有电信号，无法知道电活动有没有对应的机械收缩；TPEHGT DS 补上了这一路，理论上可以做「电—机械」配对分析。

但如 §4.3 所述，这个补上的参照本身质量有问题。所以「TPEHGT 比 TPEHG 更有用」这个判断，要打折扣。

7.2 与其他孕期电生理数据的规模对比

数据	记录数	模态	标注
TPEHGT DS	31	EHG + TOCO	近乎为空
TPEHG DB	与本文同批妊娠	纯 EHG	有
常见公开胎心监护库	数百至数千	CTG（胎心率 + TOCO）	部分有
电生理大规模库（如 EEG 系）	上万	单模态	视任务

三十一条属于「极小规模」这一档。 这个规模能做的事很有限：组间差异的探索性分析、方法学演示、教学。做不了的事：任何需要统计功效的模型训练。

§8 怎么用：分析方案

8.1 最小可用基线

在碰任何模型之前，先跑三个不依赖学习的基线：

常数基线：全部预测为「足月」。在 13:13 的平衡样本上准确率 50%，这是下限；
孕周基线：只用记录时孕周做逻辑回归。§2.4 说明两组孕周重叠，所以这个基线的分数不会高，但它告诉你「孕周单独能解释多少」；
单特征基线：三路 EHG 的带通能量比（0.3 至 3 赫兹 / 全频带）作为唯一特征。这个量在文献里被反复提到，值得先测。

之后的所有模型都必须显著超过这三个数，否则等于没学到东西。

8.2 划分策略：按妊娠分组，而不是按记录

这是这份数据上最容易做错、后果最严重的一步。

§2.8 找到三对临床字段完全相同的记录，说明至少三次妊娠贡献了两条记录。如果按记录随机划分，这三对会被拆到训练与测试两侧，模型等于在测试集上见到了同一个人。

这样得到的是 18 折，不是 31 折。而 18 折的每一折只有一条或几条记录——留一交叉验证在这里的方差会大到没有参考价值。更实际的选择是留一组交叉验证（leave-one-pregnancy-out）加上自助法估计置信区间。

8.3 指标怎么选

这份数据的类别是平衡的（13 对 13），所以准确率不是陷阱。但样本量太小，单次划分的准确率波动极大。

推荐的报告方式：

主指标用 AUC，因为它对阈值不敏感，适合样本小的场景；
附上 AUC 的 95% 置信区间，用自助法算，不要用解析公式（样本太小，正态近似不成立）；
如果一定要报准确率，必须同时报每一折的分布，不能只报均值。

不要报敏感度@固定特异度。 在 13 个阳性样本上，「特异度固定 90%」意味着只允许 1.3 个假阳性，这个阈值本身就不稳定。

8.4 五条失败模式

现象	可能原因	排查动作
AUC 高得离谱（0.95 以上）	按记录划分导致泄漏	换成按妊娠签名分组，重跑
AUC 接近 0.5	增益写死，物理量全错	逐文件检查增益，§2.2
未孕组预测为早产	TOCO 通道量程异常被当成特征	只用三路 EHG，剔除 TOCO
滤波版与原始版结论相反	滤波器削掉了低频包络	做 §5.4 的相位检验
每折分数从 0.2 跳到 0.9	18 折样本太少	改留一组 + 自助法，报区间不报点

8.5 特征工程的实际建议

在 18 次妊娠这个量级上，特征数必须严格控制。经验法则：特征数不超过阳性样本数除以十，也就是 13/10 ≈ 1 个。这条法则在这里显然过严，实际做法是：

先用单变量筛选，只保留在留一组交叉验证中稳定出现的三到五个特征；
优先选有物理解释的特征：带通能量比、三路互相关、样本熵；
不要用深度网络直接吃原始波形。892 万采样点看起来很多，但独立样本只有 18 个，任何有百万参数的模型都会立刻过拟合。

8.6 一个贴合实际的部署考虑

假设真的做出了一个 AUROC 0.75 的模型，它能不能进产检流程？

先算一笔账：早产发生率按 10% 计，一个 AUROC 0.75 的模型在 90% 特异度下的敏感度大约在 40% 上下。意味着每筛出一百个孕妇，会有九个被误报、四个真早产被漏掉。

临床要的不是这个数。 产科对早产筛查的要求是「不漏」，因为漏掉的代价是新生儿重症监护；而误报的代价是一次额外的超声和一次不必要的焦虑。这两者的不对称程度，决定了阈值必须往高敏感度一端调，而高敏感度意味着特异度崩掉。

这份数据回答不了这个权衡。 它太小，也太单一。它能做的是提出假设，不是验证假设。

§9 一个更宽的问题：小样本生理数据该怎么读

三十一条记录、十八条妊娠，这个规模在今天的机器学习语境里小得不像话。但它不是特例——产科电生理数据几乎都是这个量级。

原因很实在：贴六枚电极、录三十分钟、还要随访到分娩，这条链路对每个受试者的成本都很高；而愿意配合的孕妇数量有限；再加上早产本身发生率只有百分之十左右，要在一次产检里凑出十几个早产样本，需要筛查上百人。

于是出现一个结构性的矛盾：需要大样本才能验证的假设，只能在小样本上做。

面对这种数据，有两条路：

第一条是把它当探索工具。 提出假设、估计效应量的量级、设计后续研究。这条路对结论的要求是「可能有关」，不是「已经证明」。

第二条是把它当方法学试验台。 在真实但小的数据上测新特征、新划分策略、新不确定性估计方法。这条路对结论的要求是「在这个数据上方法可行」，不是「这个方法有效」。

这两条路都不能支撑「早产预测」这样的临床声明。 而数据库条目页的写法往往容易让人跳过这个区别——它列了数字、给了 DOI、写了「可用于开发分类算法」，读起来就像一个已经就绪的训练集。

读这类数据的第一件事，是先把「它能支撑到哪一步」这条线画在纸上，再决定要不要动手。

§10 术语与口径

术语	本页用法
EHG	子宫肌电，electrohysterogram，腹部表面测得的子宫平滑肌电活动
TOCO	外部压力计，tocodynamometer，测腹壁张力变化，非真实宫内压
记录	一个 `.hea` + `.dat` + `.atr` 三元组，对应一次 30 分钟采集
妊娠	一位孕妇的一次怀孕，可贡献多条记录
孕周	末次月经起算的周数，本页数值不带「+天」
早产	分娩孕周小于 37 周
增益	头文件里把 ADC 整数换成物理量的系数，单位 `counts/mV`
标注码	WFDB 注释文件里的 6 位整数码，对应事件类型
假区间	dummy interval，明确标为非宫缩的区间

§11 事实清单

11.1 核心事实表

项	值
全名	Term-Preterm EHG DataSet with Tocogram (TPEHGT DS)
版本 / 发布	1.0.0 / 2018-08-29
DOI	10.13026/C2166R
许可	Open Data Commons Attribution License v1.0
记录数	31（早产 13、足月 13、未孕 5）
妊娠次数	18（早产 8、足月 10）
通道数	8（3 路 EHG × 原始/滤波 + TOCO × 原始/滤波）
采样率 / 位深	20 赫兹 / 16 位
每条时长	1,760 至 1,800 秒（约 29 至 30 分钟）
总文件数	97 个对象
未压缩体积	39.8 MB（条目页）/ 41.8 MB（S3 清单含 PDF）
格式	WFDB（`.hea` / `.dat` / `.atr`）
增益	`p`、`t` 组 819/mV；`n` 组 13107/mV
有效标注码总数	36（不含结束标记 59 与文件结束 0）
空标注文件数	19 / 31
码序列完全相同的记录	5 条未孕记录（`n001`/`n002`/`n003`/`n005` 逐码一致，`n004` 多 4 码）
采集机构	卢布尔雅那大学医学中心妇产科

11.2 可立即验证的疑问

以下五条，拿到数据后各跑一条命令即可确认，本页的对应结论也就跟着定性。

标注到底空不空：对每个 .atr 解码，统计去掉码 59 与 0 之后的码位数。若合计远小于两百，则条目页的 47/53 区间数不成立（对应 §3.2）。
五条未孕标注是否同一模板：把 n001 至 n005 的码位序列与时间点并排打印。若前四条逐码一致，则标注非逐信号标注（对应 §3.3）。
增益是否两组不同：grep -h '/mV' *.hea | sort -u。若出现两种增益，则不能写死常数（对应 §2.2）。
未孕组 TOCO 量程是否异常：对每条记录算 TOCO 原始通道的最小值。若未孕组远小于 −3000 而妊娠组在 −150 以上，则未孕组压力通道不可用（对应 §2.5）。
是否有同一孕妇的多次记录：按八个临床字段分组，看是否有组内记录数大于 1。若有，则划分必须按组（对应 §2.8、§8.2）。

11.3 证据链

§1：记录数、妊娠次数、信号定义、电极位置、滤波参数均来自条目页 Data Description 与 Files 两节。孕周均值来自条目页明写的数字，本页用头文件核对过范围一致。

§2：文件数、体积、增益、采样率、时长全部来自本站对 S3 对象清单与三十一个头文件的解析。临床字段的取值分布来自头文件注释区。§2.5 与 §2.6 的 TOCO 量程结论来自对原始通道整数的统计，属于本页核对所得。

§3：这一节的每一条都是本页对三十一个 .atr 文件独立解码的结果。标注码到字符的映射是从 WFDB 标准码表反推，属于编辑推断，不是上游文档。条目页原话已引用。

§4：单中心、人群代表性、电极方案来自条目页 Contributors 与 Data Description。§4.1 的四层量级是算术。§4.4 的解剖学分类属于一般医学常识，不是这份数据的陈述。

§5：全部为方法学建议，不含对结果的声称。§5.4 的检验方法为编辑设计，未在本数据上执行。

§6：五条误读均基于前四节已核实的事实推导。§6.6 的增益问题已由 §2.2 证实。

§7：TPEHG DB 与本文的关系来自条目页「The recording protocol … was those which was also used during collecting the records of the Term-Preterm EHG Database (TPEHG DB)」一句。规模对比中除本数据外均为量级描述，未逐库核对。

§8：全部为方法学建议。§8.6 的敏感度数字是按 AUROC 0.75、特异度 90%、患病率 10% 做的粗略估算，属于示意，不是精确计算。

§9–§10：编辑论述与术语约定，不含外部事实。

编辑说明

本页写作过程中，对以下九项内容做了独立核对而非直接引用条目页：

逐条解析三十一个头文件，核对采样率、通道数、采样点数、增益、九个临床字段；
解码三十一个注释文件，统计标注码总数与分布；
比对五条未孕记录的标注码序列与时间点；
比对三条临床字段相同的记录对，并用 MD5 与相关系数排除「重复文件」；
统计 TOCO 原始通道的量程，按组比较；
计算 TOCO 的 30 秒窗均值序列，观察其形态能否区分宫缩与体位变化；
统计胎盘位置与吸烟两个分类字段的取值分布；
核对 SHA256SUMS.txt 与现文件的一致性，排除下载损坏；
从 S3 对象清单核对文件总数与总体积。

其中第 2、3 两项的结论（标注近乎为空、五条未孕记录标注逐码一致）与本页引用的条目页描述存在直接冲突。本页据核对结果给出判断，并在 §3 保留了完整的推理链与反证路径。

数据获取方式：aws s3 sync --no-sign-request s3://physionet-open/tpehgt/1.0.0/。十二路并发下载 97 个对象、41.8 MB，约 20 秒完成。