TUH EEG Events Corpus — 天普大学脑电事件语料库，六类 EEG 事件逐通道标注基准

INFOBOX — TUEV 一屏速览

维度	内容
本质	TUH EEG Corpus（TUEG）的六类事件标注子集——不是新采集数据，而是对临床头皮 EEG 做通道级事件标注
发布方	Neural Engineering Data Consortium（NEDC），Temple University（天普大学），费城
版本	v2.0.1（官方 rsync 路径 data/tuh_eeg/tuh_eeg_events/v2.0.1；v1.0.x 为早期版本）
六类	SPSW（棘波尖波）/ GPED（全面性周期性放电）/ PLED（偏侧性周期性放电）/ EYEM（眼动）/ ARTF（伪影）/ BCKG（背景）
标注粒度	逐通道、1 秒窗、起止时间 + 类别码；.rec（数字码）与 .lab（10 微秒 + 四字母码）双格式
划分	官方 train / eval 两套，患者级互斥——同一患者不会跨集出现
规模	社区常用口径约 232 会话（149 train / 83 eval，见 §9.3 存照）；事件计数见 §2.4
电极	国际 10-20 系统 EDF 记录；社区标准预处理取 19 导 TCP（Temporal Central Parasagittal）双极组合、256 Hz 重采样
类别失衡	BCKG 约 69.4% vs SPSW 约 2%——平衡准确率是标配指标
主用途	六类 EEG 事件分类、发作间期癫痫样放电（IED）检测、EEG 基础模型下游评测
获取	NEDC 官网填表签署 → email → rsync over ssh（约 24-48 小时开通）；免费，无需 IRB 或 DUA
设计论文	Harati, Lopez, Gotman, Picone，「An Improved Event Annotation Scheme for EEG」IEEE SPMB 2015
母体论文	Obeid & Picone，「The Temple University Hospital EEG Corpus」Frontiers in Neuroscience 2018
库内互链	tuh-eeg-corpus（rid=71，TUEG 生态总览 + TUSZ 主体）——本文与其分工：rid=71 讲生态，本文专讲 TUEV

§0 导读：这个数据集解决什么问题

读一本长程脑电图（EEG）是神经科医生最耗时的日常工作之一：一份常规头皮 EEG 记录动辄几十分钟到数小时，医生要在成千上万秒的波形里逐段辨认哪些是癫痫样放电（epileptiform discharge）、哪些只是眼动眨眼的伪迹。自动事件识别系统如果可靠，能把医生从「逐秒拖进度条」中解放出来——但要训练这样的系统，首先需要有人工标注好的「这段波形是什么」的 ground truth。

TUEV（TUH EEG Events Corpus）就是为这个问题而生：它从天普大学医院（Temple University Hospital, TUH）2002-2017 年间采集的临床 EEG 大库 TUEG 中选出会话，由 NEDC（Neural Engineering Data Consortium）团队与神经科医生协作，把 EEG 片段按通道标注为六类事件——三类「信号」（棘波与尖波 SPSW、全面性周期性癫痫样放电 GPED、偏侧性周期性放电 PLED）加三类「噪声」（眼动 EYEM、伪影 ARTF、背景 BCKG）。这是公开数据集中唯一以「六类临床事件、逐通道」为标注哲学的 EEG 语料库：它不像 TUSZ 只标注癫痫发作，也不像 TUAB 只给整份记录打正常/异常标签，而是把「异常放电」与「长得像放电的噪声」放在同一个分类框架里——这正是真实临床判读的核心难点。

导语读法三则：

1. 只想下数据：直奔 §6——注意必须注册签署协议走 rsync，没有公开直链，约 24-48 小时开通。
2. 关心标注体系：直奔 §3 六类事件体系——三类信号三类噪声的设计逻辑、GPED/PLED 的争议、逐通道标注的语义。
3. 做模型评测：直奔 §5 基准生态——TUEV 是 EEG 基础模型事件分类的事实基准，注意类别失衡与指标惯例。

与库内条目 tuh-eeg-corpus（rid=71）的分工：rid=71 以 TUSZ（癫痫发作检测）为主体、对 TUEG 七大子库生态做总览式介绍，TUEV 在其中仅是表格里的一行；本文则把 TUEV 当作独立数据集完整解剖——六类体系、标注格式、事件计数、获取流程、基准生态。两文互补不重叠。

§1 数据集速览：十问十答

Q1：TUEV 到底是什么？
TUH EEG Events Corpus 的缩写，天普大学 NEDC 发布的临床头皮 EEG 六类事件标注语料库，是 TUEG（2.6 万余份临床 EEG 记录）的标注子集。当前版本 v2.0.1。

Q2：它标注了什么？
每个 EEG 会话的每根相关通道上的事件片段，标注四元组：通道号、起始时间、结束时间、类别码（1-6）。类别即六类：SPSW/GPED/PLED/EYEM/ARTF/BCKG。标注窗长统一为 1 秒。

Q3：六类怎么理解？
前三类是临床关心的异常信号：SPSW 是癫痫患者典型的棘波/尖波瞬态；PLED 是局限一侧半球的准周期性放电（提示局灶病变）；GPED 是双侧弥漫的周期性放电（提示弥漫性脑功能障碍，含三相波）。后三类是「干扰项」：EYEM 眨眼眼动（额导最像棘波的经典陷阱）、ARTF 设备/肌肉/环境伪影、BCKG 其余一切背景活动。

Q4：数据规模多大？
官方页未列总数；社区常用口径约 232 个会话，官方 train/eval 划分约 149/83 会话（患者级互斥）。事件计数（medRxiv 2025 表 1 口径）：train 集 SPSW 645、GPED 11,229、PLED 5,965、非 IED 三类合计 65,109；eval 集 SPSW 567、GPED 4,672、PLED 1,998、非 IED 合计 22,134。一个常见基础模型评测口径下可切出约 112,237 个 1 秒样本（19 导、200 Hz 处理）。各数字的版本口径详见 §2.4 与 §9.3。

Q5：信号是什么格式？
原始记录为 EDF 格式、国际 10-20 电极系统。标注以 .rec（逗号分隔：通道号、起止秒、类别码 1-6）与 .lab（时间戳 10 微秒单位、四字母类码）两种互补格式给出。社区标准预处理：取 19 导、组合成 TCP（Temporal Central Parasagittal）双极导联、重采样 256 Hz、0.5-49 Hz 带通。

Q6：和 TUSZ 有什么区别？为什么需要两个？
TUSZ（TUH EEG Seizure Corpus）标注的是癫痫发作事件（起止时间、通道、发作类型），解决「患者何时在发作」；TUEV 标注的是发作间期的片段级事件（放电 vs 噪声），解决「这段波形是什么」。发作检测系统最大的误差来源恰恰是发作间期放电与伪影的混淆——TUSL 研究已表明脑电减慢等事件是误报主因，TUEV 提供的正是训练判别这些混淆项的原料。两者是互补而非替代关系。

Q7：怎么获取？
NEDC 官网下载许可表格 → 签署后 email 至 help@nedcdata.org → 约 24-48 小时内收到 rsync over ssh 凭证。免费，支持研究与商业用途，无需 IRB 批件或数据使用协议（DUA）。没有公开直链，也不在 PhysioNet 托管。

Q8：License 是什么？
NEDC 数据许可协议约束下的免费开放：注册是为了跟踪下载者与通知版本更新，不是付费或审批门槛。注意这是「免费但有注册」模式，与 CC 协议不同——引用与再分发应遵守 NEDC 协议条款。

Q9：谁在用它？
EEG 基础模型浪潮的核心下游基准之一：LaBraM、BIOT、CBraMod（以 TUEG 预训练）、OTiS 等均在 TUEV 六类事件分类上报告结果；IED 检测与 GAN 合成放电研究（如 AlphaGAN）也以它为公开对照集。NeuralBench 等统一评测框架明确沿用 TUEV 官方划分。

Q10：最大的坑是什么？
三条：① 类别极度失衡（BCKG 约 69%、SPSW 约 2%），只报 overall accuracy 会高估性能；② 六类里 GPED/PLED 是否算 IED 有学术争议，与私有数据集对齐时必须先统一定义；③ 逐通道标注语义——同一时间窗不同通道可以类别不同，聚合不当会引入标签噪声。三条的展开与对策见 §3.4、§4.3 与 §6.5 坑点清单。

十问十答速查表：

问题	一句话答案	深入章节
是什么	TUEG 六类事件标注子集 v2.0.1	§2
标注什么	逐通道 1 秒窗六类事件（.rec/.lab）	§2.3、§3
六类体系	三类信号（SPSW/GPED/PLED）+ 三类噪声（EYEM/ARTF/BCKG）	§3.1
规模	约 232 会话（149/83），约 11 万 1 秒样本	§2.1、§2.4
信号格式	EDF，10-20 系统；TCP 双极 19 导为社区标准	§2.2
与 TUSZ 关系	发作标注 vs 发作间期事件标注，互补	§1 Q6
获取	注册签署 → rsync，24-48 小时	§6.1
License	免费开放，研究+商用，无需 IRB/DUA	§6.2
使用者	LaBraM/BIOT/CBraMod 等基础模型基准	§5
最大坑	类别失衡 + GPED/PLED 定义争议 + 通道级语义	§3.4、§6.5

1.1 零基础第一课：五分钟看懂 EEG 事件判读

如果你从未接触过脑电图，先用这一节建立最小背景，否则 §3 的六类体系读起来会像天书。

EEG 是什么：头皮上贴 20 来个电极，记录大脑神经元同步放电产生的微伏级电位差。这些电位画成随时间起伏的波形曲线——一份临床 EEG 记录就是几十根曲线并列排开、共同滚动几十分钟。医生的工作是读这些曲线，找异常模式。

判读的两个基本维度：

1. 形态（长什么样）：波形是尖是钝、频率多高、振幅多大。棘波「尖」，慢波「钝」，眨眼伪迹「大而钝」。
2. 空间（出现在哪）：异常出现在一根导联还是全部导联？只在一侧（偏侧）还是两边对称（弥漫）？空间信息是定位脑部病变的关键，也是 TUEV 逐通道标注存在的原因。

三个常见异常概念：

• 癫痫样放电（epileptiform discharge）：长得像癫痫患者特有的波形（棘波/尖波）但出现在发作之外——它是「这块皮层容易癫痫」的电生理证据，是脑电图师找的头号东西。
• 周期性放电（periodic discharge）：以相对固定间隔反复出现的放电，分全面性（GPED/GPD）与偏侧性（PLED/LPD）——常提示急性、严重的脑功能障碍而非典型癫痫。
• 伪影（artifact）：不是大脑产生的电位——眨眼、咬牙、心跳、电极松动、插座干扰。伪影是自动判读系统的头号敌人，因为它经常「长得像」异常放电。

为什么这件事难：一份记录里，95% 以上的时间是平淡的背景活动；异常事件稀少而短暂；而最危险的错误——把眨眼当棘波——恰恰发生在形态最像的地方。人类脑电图师要训练数年才可靠，机器要学得好，就需要人类标注过的大规模数据。TUEV 就是这批标注。

TUEV 在这个图景中的位置：它不解决「患者何时发作」（那是 TUSZ），而解决「这一秒的这段波形是什么」——放电、周期性放电、眨眼、伪影、还是平平无奇的背景。把这个六选一问题学好，是自动判读系统的一切下游应用（发作检测、异常筛查、报告辅助）的共同地基。

给不同背景读者的学习顺序建议：

你的背景	建议路径
机器学习背景、零临床	本节 → §3.5 速查卡 → §4.3 工程清单 → 开工
临床/神经科学背景、零 ML	§1 十问 → §2.3 标注格式 → §5 评测生态
数据工程师	§2 全部 → §6 获取 → §6.5 坑点清单
综述/调研写作	§0 → §1 → §7 生态 → §9 存照

1.2 七个常见误解澄清

TUEV 在传播中积累了不少以讹传讹的说法，逐一澄清：

误解 1：「TUEV 是癫痫发作检测数据集。」
不是。发作检测是 TUSZ。TUEV 标注的是发作间期的片段级事件（放电/噪声判别），任务粒度完全不同。混称两者是文献中最常见的不严谨。

误解 2：「TUEV 有 232 个患者。」
约 232 是**会话（session/记录）**数，不是患者数——同一患者可有多份记录。患者数官方未列，只会少于等于会话数。

误解 3：「TUEV 是 19 导的。」
原始记录是 10-20 系统全通道 EDF，标注通道编号空间约 23 通道；19 导 TCP 是社区预处理约定，不是数据集属性。你的实验用几导取决于你的蒙太奇选择（§2.2）。

误解 4：「准确率 60% 说明数据集标注质量差。」
六类临床事件分类本身难度高（类别失衡、类间边界主观、1 秒粒度），55-62% 的 balanced accuracy 是合理水位而非标注缺陷的证据。标注质量另有专门疑点（无一致性数字），但两者不应混为一谈（§7.4）。

误解 5：「TUEV 在 PhysioNet 上，可以直接下。」
不在。唯一官方通道是 NEDC 注册 + rsync（§6.1）。PhysioNet 上出现的相关内容均为非官方。

误解 6：「可以自由再分发 TUEV。」
协议是 NEDC 自有许可，不是 CC。再分发（尤其把原始数据打包上传网盘/HF）处于协议灰色地带，衍生发布应走 §6.6 场景 C 的稳妥三步。

误解 7：「TUEV 的标签就是 ground truth，可以直接当绝对真值。」
它是专家标注的参考标准，但无标注者间一致性公开数字、无多重标注仲裁。对标签噪声敏感的研究应自做抽样审计（§4.1）。

1.3 一个思想实验：没有 TUEV，脑电 AI 会怎样

反事实推演最能看清一个数据集的结构性价值。假设 TUEV 从未发布：

• 基础模型评测失去临床探针：LaBraM/BIOT/CBraMod 一代的模型只能靠 TUAB（二分类）和私有集展示临床相关性——「预训练表征是否理解放电 vs 眨眼」这一问题将没有公开答案。基础模型论文的临床说服力会塌掉一角。
• IED 检测研究退回小样本时代：Melbourne 团队式的「公开集 + 双私有院」设计将失去公开端，方法比较只能在小私有集上做，统计功效与可复现性双降。
• 「信号与噪声同框」的设计范式失去最大实证：EYEM/ARTF 作为一等类别的做法在 TUEV 之前只是零星尝试，TUEV 用规模化数据证明了范式可行——没有它，后续数据集的标注设计会少一个经过验证的模板。
• 患者级划分的规范力量减弱：TUEG 家族的官方互斥划分是「不许重切」社区规范的重要载体。

结论：TUEV 的价值不在「大」（它很小），而在语义完备、划分规范、许可最宽三者的交集唯一性——这个交集没有自然替代品。

§2 数据构成与规格

2.1 规模、来源与官方划分

TUEV 的原始信号全部来自 TUEG（TUH EEG Corpus）——天普大学医院 2002-2017 年间采集的 26,846 份临床常规 EEG 记录。NEDC 团队从这批临床数据中选出适合事件标注的会话，组织标注并独立发布。

规模口径（重要，版本敏感）：

• 官方口径：NEDC 官网只给出版本号（v2.0.1）与 rsync 路径，未直接列出会话总数或小时数。
• 社区常用口径：TUEV v2.0.1 包含约 232 个 EEG 会话，官方划分为 train 约 149 个会话、eval 约 83 个会话；患者级互斥——同一患者的数据只出现在一个划分中。本文成稿时未能从官方页面直接证实这一总数，按存照纪律记入 §9.3，检索者下载后应以实际目录核对。
• 划分设计哲学：官方明确说明「design the sets such that data from a patient only appear in one of the two sets」（medRxiv 2022 引述）。患者级互斥是防泄漏的硬保障——比起自行随机切分，官方划分天然杜绝「同一患者的两段记录分属训练与测试」的乐观偏差。这也是 NeuralBench 等评测框架坚持沿用官方划分而非自行切分的原因。
• 样本量口径：一个广泛使用的评测口径（EEG 基础模型特征提取研究，arXiv:2502.21086）下，TUEV 提供 112,237 个 1 秒样本、19 个变量（导联）、1,000 个时间点。这是预处理后的计数——先从逐通道标注切 1 秒窗、再取 19 导 TCP 组合的产物，不是数据集磁盘上的原始标注条数。

文件级分布（JKU 2024 论文对 v2.0.1 的统计口径）：训练集 211 个文件含至少一个 BCKG 事件、仅 27 个文件含 SPSW；评测集 46 个文件含 ARTF、仅 9 个文件含 SPSW。这组数字直观说明：背景无处不在，棘波弥足珍贵——是后续一切类别失衡讨论（§3.4）的经验基础。

2.2 信号规格：电极系统、导联与采样率

• 电极系统：国际 10-20 系统（International 10-20 System）——头皮 EEG 的全球标准。电极命名规则：字母标识脑区（Fp=前额、F=额、C=中央、T=颞、P=顶、O=枕、A=耳），数字标识左右（奇数左、偶数右、Z 为中线）。
• 标注通道空间：事件标注的通道编号空间为 0-21（.rec 格式中通道号字段为 0-21 的整数），即约 23 通道的标注覆盖范围。注意这与「分析时用几根导联」是两回事。
• 社区标准预处理：绝大多数公开研究采用同一套流水线——剔除耳电极 M1/M2（部分记录中缺失）、取 19 根 EEG 导联、组合成 TCP（Temporal Central Parasagittal）双极导联（两电极相减，突出局灶电位差）、多相滤波重采样至 256 Hz、0.5-49 Hz 带通。TCP 组合的理由很直接：TUEV 的局灶事件（PLED 尤其）在双极纵向链上空间定位最清晰，统一蒙太奇也让跨数据集迁移成为可能—— Melbourne 团队甚至把自己的私有数据全部重整成 TCP 蒙太奇再与 TUEV 对比。
• 原始格式：EDF（European Data Format），临床 EEG 设备的通用存储格式。NEDC 配套发布 PYPR（PyPrint EDF）等开源工具帮助正确解码——EDF 头部的通道可置换性是出了名的坑，必须按通道标签而非文件序号解码。

2.3 标注格式：.rec 与 .lab 双格式

TUEV 的标注以两种互补格式随数据发布，信息等价、用途不同：

.rec 格式（机器解析优先）——逗号分隔的数值记录，每行一条事件：

通道号, 起始时间(秒), 结束时间(秒), 类别码
例：3, 120.0, 121.0, 1      # 3 号通道 120-121 秒，类别 1 = SPSW
例：11, 300.5, 301.5, 4     # 11 号通道 300.5-301.5 秒，类别 4 = EYEM

.lab 格式（人读核对优先）——时间戳以 10 微秒为单位、类别用四字母码：

spsw / gped / pled / eyem / artf / bckg

双格式的设计意图：.rec 面向训练脚本（数值直接可索引），.lab 面向标注审计与人工抽查（四字母码一眼可读）。braindecode 库的 TUHEvents 封装会自动解析这些标注并把事件码映射为标准小写名（1→spsw、2→gped、3→pled、4→eyem、5→artf、6→bckg），并提供 channel_events=True/False 开关控制是保留逐通道事件还是只保留全局事件——这个开关本身就是「通道级语义」重要性的注脚（详见 §3.4）。

标注粒度要点：文献通用口径为所有标注窗长统一 1 秒。这意味着 TUEV 的标注哲学是「这一秒这个通道是什么」，而不是「这个棘波的峰起止在哪一毫秒」。它服务于秒级片段分类与粗粒度事件识别，不适合需要毫秒级峰起止边界的 spike detection 子任务——后者应另寻逐峰标注数据或自行重标。

2.4 事件计数硬数字（版本敏感，逐条存照）

下表数字来自 medRxiv 2025 论文对 TUEV 的表 1 统计（该表沿用自同一团队 2022 medRxiv 论文的统计方法，两文分别工作于不同版本，2025 版数字对应其工作版本）：

事件类别	Train 集	Eval 集	信号/噪声	临床含义
SPSW（棘波与尖波）	645	567	信号	癫痫样瞬态，癫痫患者的典型标志物
GPED（全面性周期性放电）	11,229	4,672	信号	双侧弥漫周期性放电，提示弥漫性脑功能障碍
PLED（偏侧性周期性放电）	5,965	1,998	信号	单侧准周期放电，提示局灶/偏侧病变
非 IED 三类合计（EYEM+ARTF+BCKG）	65,109	22,134	噪声/背景	眼动、伪影、背景兜底
合计	82,948	29,371	—	总计约 11.2 万条通道级标注

类别占比（基础模型评测论文口径，预处理后样本计）：BCKG 69.41%、PLED 12.58%、ARTF 7.79%、GPED 7.06%、SPSW 2.00%、EYEM 1.16%。

读表三注意：

1. 版本口径：2022 论文明示其工作版本为 v1.0.1，2025 表 1 对应其时版本；不同版本标注经清洗与扩容，数字不可跨版本直接比较。引用任何 TUEV 计数，先问「哪个版本」。
2. 通道级 vs 样本级：上表是标注条数（通道级），而 112,237 是预处理后样本数（19 导聚合后）——两者差一个聚合系数，勿混用。
3. SPSW 的极端稀缺：全部六类中临床最有诊断价值的 SPSW 只占约 2%，且仅出现在少数文件中（train 27 文件 / eval 9 文件）。任何在 TUEV 上「准确率 95%」的报告都应立刻追问：是靠全猜 BCKG 得到的吗？

2.5 与 TUEG 母体及其他子库的边界

TUEV 是 TUEG 七个子库家族的一员，各有分工（详见库内条目 tuh-eeg-corpus/rid=71 的生态总览）：

子库	全称	标注内容	本文相关度
TUEG	TUH EEG Corpus	母体，26,846 份临床 EEG，无专项事件标注	TUEV 信号来源
TUEV	TUH EEG Events Corpus	六类片段级事件，逐通道	本文主体
TUSZ	TUH EEG Seizure Corpus	癫痫发作事件（起止/通道/发作类型）	§1 Q6 互补关系
TUAB	TUH Abnormal EEG Corpus	记录级正常/异常二分类	异常筛查兄弟任务
TUAR	TUH EEG Artifact Corpus	五类伪影标注（EYEM/CHEW/SHIV/ELPP/MUSC）	与 TUEV 的 ARTF 类呼应
TUEP	TUH EEG Epilepsy Corpus	癫痫 vs 非癫痫各 100 人（含发作标注与元数据）	人群对照视角
TUSL	TUH EEG Slowing Corpus	脑电减慢事件标注	发作检测误报模式研究

边界三条：TUEV ≠ TUAR（TUAR 是专门的伪影语料库，五类伪影精细分类；TUEV 的 ARTF 是单一兜底类）；TUEV ≠ TUSZ（发作 vs 发作间期事件，§1 Q6）；TUEV 信号 ⊂ TUEG（同一批临床记录的不同标注视角，可能存在会话重叠——跨子库实验时要意识到这一点）。

§3 六类事件体系：三类信号与三类噪声的设计逻辑

3.1 为什么是这六类

六类体系不是拍脑袋定的。Obeid & Picone 2018（Frontiers in Neuroscience）明确记载：这「三类信号 + 三类噪声」的划分经历了与天普大学医院神经科医生的多轮迭代研究（several iterations of a study）才收敛定型。设计逻辑可以概括为一句话：把「临床上有意义的异常放电」与「长得像异常放电的一切干扰」放进同一个分类框架。

自动判读系统最大的敌人不是「找不到放电」，而是「把非放电误判为放电」：眨眼的额导电位酷似额区棘波，咀嚼肌电酷似高频放电，电极接触不良的瞬变酷似尖波。传统做法是先把伪影剔除再检测放电——但伪影剔除本身就会出错，且两阶段误差叠加。TUEV 的设计把判别直接做进分类里：模型必须学会「这一秒是放电、那一秒是眨眼」，与神经科医生的真实判读过程同构。

自动标注这些事件的直接临床收益（Obeid & Picone 原文口径）：让神经科医生快速检索长程 EEG 记录中的异常行为——即把「逐秒人工翻阅」变成「按事件类别跳转审阅」。

3.2 三类信号事件逐一解剖

SPSW（spike and sharp wave，棘波与尖波）：癫痫样瞬态（epileptiform transients），癫痫患者的典型波形。判读特征是「尖」——上升支陡峭、时程 20-70 毫秒（棘波）至 70-200 毫秒（尖波）、后随慢波。SPSW 可见于全面性癫痫也可源于局灶性癫痫，是六类中临床诊断价值最高、样本最稀缺（约 2%）的一类。TUEV 标注研究中把 SPSW 作为单通道可标注事件——即使放电只在个别通道可见，也只标那些通道。

PLED（periodic lateralized epileptiform discharges，偏侧性周期性放电）：局限于一个半球的重复性棘波/尖波放电，呈准周期性。临床提示局灶性或偏侧性脑部异常（如急性卒中、脑炎、局灶病变），多见于急性神经系统疾病。判读要点是「周期性 + 偏侧性」——它与 SPSW 的区别在于重复节律性与空间局限。

GPED（generalized periodic epileptiform discharges，全面性周期性癫痫样放电）：与 PLED 同族但双侧弥漫，按放电间隔可细分为周期性短间隔弥漫放电、周期性长间隔弥漫放电与爆发-抑制（suppression-burst）模式。三相波（triphasic waves）也归入此类——弥漫性、双侧同步、双额占优、频率约 1-2 Hz 的三相尖波，常见于代谢性脑病。GPED 类因此成了「弥漫性周期现象大杂烩」，这也是学界对它是否该算 IED 争议最大的原因（§3.3）。

3.3 GPED/PLED 的 IED 归属争议：跨数据集对齐的第一课

发作间期癫痫样放电（interictal epileptiform discharge, IED）的严格定义在不同研究组间并不统一。medRxiv 2025 论文原话点破：「there is an ongoing debate on whether GPEDs and PLEDs should be classified as IEDs or not」——GPED/PLED 到底算不算 IED，学界没有共识。该团队的选择是把 GPED/PLED 排除出 IED 任务以避免歧义，只用 SPSW 作为 IED 正类。

对检索者的操作含义：

1. 跨论文比较 IED 检测性能前，先核对对方的 IED 定义——有的把 SPSW 单独算 IED，有的把 SPSW+PLED+GPED 全算。同一个「IED 检测准确率」在不同定义下不可比。
2. 与私有数据集对齐时要重标——多数私有临床数据只做「有 IED/无 IED」的 epoch 级二值标注，把 TUEV 的六类投影到二类时需要明确投影规则（哪几类算正类）。
3. GPED 内含三相波这一事实意味着「GPED 分类器」实际学的是「弥漫性周期现象（含非癫痫性）」，把它当「癫痫检测器」用会犯临床错误。

3.4 三类噪声事件与逐通道标注的语义

EYEM（eye movement，眼动）：眨眼与眼球运动产生的额导电位偏转。它是六类中最经典的「酷似棘波」陷阱——额区电极（Fp1/Fp2/F7/F8）上的眨眼伪迹与额区棘波波形相近，新手脑电图师的第一课就是区分二者。EYEM 单列的意义正在于此：给模型提供「像放电但不是放电」的监督信号。

ARTF（artifact，伪影）：一切非脑源性电活动——设备干扰、患者行为、环境噪声、肌电等。它是兜底类之一，覆盖面广、内部异质性强（咀嚼肌电与电极静电是同一类）。

BCKG（background，背景）：不属于其他五类的一切信号。占约 69% 的绝对多数，是数据集的「底色」。

逐通道标注语义（这是 TUEV 区别于多数 EEG 标注数据集的核心特征）：medRxiv 2022 原文：「One or a set of channels was given labels, and training is then done only using involved channels. This will capture focal abnormalities in maximally involved channels while ignoring channels with artefacts or channels with no abnormalities during the same time window.」——同一时间窗内，不同通道可以持有不同标签：异常通道标 PLED，同窗的伪影通道标 ARTF，无事件通道可以不标。这与「整个 epoch 一个标签」的 epoch 级标注（多数私有数据集的做法）有本质区别：

• 优点：保留局灶信息——PLED 的「偏侧性」就藏在「只有左颞通道被标」这一事实里；训练时可只用受累通道，避免让干净通道稀释局灶信号。
• 代价：使用门槛高。braindecode 的 channel_events 开关、merge_events 开关就是在帮你管理这个复杂度：关掉逐通道事件退化为全局标注，聚合相邻同类事件得到连续区间——两条路各有信息损失，选择前必须想清楚自己的任务语义。

1 秒窗的两难：统一 1 秒窗让标注生产可行（专家按秒扫描判读），但也意味着一个 PLED 簇与其间隔被整秒切齐、一个棘波与其后慢波可能分属两窗。做毫秒级 spike detection 或波形形态学研究者，需要意识到这个粒度上限。

2.6 一次标注的完整旅程：从 EDF 到训练样本

把一条数据从「磁盘上的文件」走到「模型输入」的全链路过一遍，最能暴露 TUEV 的工程细节。以 train 集中某个含 PLED 事件的会话为例：

磁盘形态（下载后目录，rsync 到本地）：
  tuev/v2.0.1/train/<edf 会话名>/xxx.edf        # 信号：EDF 格式，10-20 系统全通道
  tuev/v2.0.1/train/<edf 会话名>/xxx.rec        # 标注：逗号分隔（通道,起秒,止秒,类别码）
  tuev/v2.0.1/train/<edf 会话名>/xxx.lab        # 标注：10 微秒时间戳 + 四字母码（人读）

第 1 步  EDF 解码
  读取头部 → 按通道标签（非索引！）定位各导联
  工具：braindecode（内部 mne）/ NEDC PYPR / 自写 EDF 解析器
  坑点：通道可置换（坑 3），必须标签解码

第 2 步  通道整形
  剔除耳电极 M1/M2（部分记录缺失）→ 留 19 根 EEG 导联
  组合 TCP 双极导联：如 F7-C3 = F7 电位 − C3 电位
  （双极化的临床动机：共模干扰相消、局灶电位差凸显）

第 3 步  重采样与滤波（按任务取舍）
  多相滤波重采样至 256 Hz
  IED 检测线：0.5-49 Hz 带通
  六类分类线：慎用带通（ARTF 定义含高频成分，坑 5）

第 4 步  标注对齐
  读 .rec：每行 (通道, t_start, t_end, code)
  每条标注对应信号的一个 1 秒窗 × 通道子集
  通道级语义保留 vs 聚合为 epoch 标签（坑 4）——在此分叉

第 5 步  样本化
  切窗 → (19 导 × 256 点 × 1 秒) 张量 + 标签（六类 one-hot 或通道级稀疏标签）
  z-score 标准化（逐样本或逐通道，各论文不一）

产出：约 11 万个 1 秒样本（特定聚合口径下 112,237，见 §2.4 注意 2）

这条流水线的每一步都有论文间差异（采样率 200/256 Hz、标准化方式、聚合规则），这就是「跨论文 TUEV 数字不可直接横比」的技术根源。复现某篇论文时，先还原它的预处理配置，再谈分数。

3.5 六类事件的临床判读速查卡

为便于非临床背景的检索者建立直觉，六类的判读要点按「波形长相、出现位置、临床联想、易混淆对象」四栏整理：

类别	波形长相	典型位置	临床联想	最易混淆
SPSW	陡峭瞬态：20-70 ms（棘波）或 70-200 ms（尖波），常后随慢波	局灶（颞/额区多见）或全面	癫痫患者的发作间期标志物；致痫区定位依据	EYEM（额导眨眼）、PLED 的单个放电
GPED	双侧同步周期性放电，间隔规则；含三相波（1-2 Hz、双额占优）	弥漫，双额突出	弥漫性脑功能障碍：代谢性脑病、缺氧后、克雅病谱	PLED（是否偏侧）、BCKG 中的节律活动
PLED	单侧半球的重复性棘/尖波，准周期（常约 0.5-2 Hz）	一侧颞/中央区为主	急性局灶病变：卒中、脑炎、术后	GPED（偏侧性判断）、SPSW 簇
EYEM	大幅慢偏转，额极导联（Fp1/Fp2）最大	额极/额区	生理性眨眼与眼球运动	SPSW（额区棘波的经典拟态）
ARTF	形态庞杂：肌电的杂乱高频、电极瞬变的尖跳、工频的节律性	无固定位置	设备/肌肉/环境干扰	BCKG、任何类的极端形态
BCKG	其余一切：α/β/θ/δ 节律、睡-醒状态波形	全导	正常或非特异性活动	ARTF（轻度噪声与背景的边界）

四条判读直觉：

1. 偏侧性是 PLED/GPED 的唯一分界——同一形态的周期性放电，局限一侧是 PLED，双侧弥漫是 GPED。这个判断依赖多导联空间比较，正是逐通道标注价值所在（只看单通道无法区分）。
2. 额导 + 大幅慢偏转 = 先怀疑眨眼——脑电图师的条件反射；EYEM 类存在的意义就是把这条直觉教给模型。
3. 三相波是 GPED 的「陷阱内陷阱」——它严格说不是癫痫样放电（常见于代谢性脑病而非癫痫），把它归入 GPED 而非单独建类，是六类体系「稳定优先」哲学的典型体现（§3.3）。
4. ARTF 与 BCKG 的边界是主观的——轻度噪声算背景还是伪影，标注者之间必有分歧。做错误分析时，ARTF↔BCKG 混淆对不必过度解读。

3.6 与其他 EEG 事件标注体系的名字对照

跨数据集工作时经常要在不同标注词表间翻译，下表给出 TUEV 六类与常见相邻体系的对应关系：

TUEV 类	TUSZ 体系	TUAR 体系	常见文献别名
SPSW	（发作内外的癫痫样瞬态，TUSZ 标发作不标单峰）	无对应（TUAR 只标伪影）	spike, sharp wave, epileptiform transient, IED
GPED	无直接对应（不属发作事件）	无对应	GPD, generalized periodic discharge, 三相波（部分文献单列）
PLED	无直接对应	无对应	PLEDs, LPD（lateralized periodic discharges，ACNS 新术语）
EYEM	无对应（发作事件体系不管伪影）	EYEM（同名同义）	ocular artifact, blink
ARTF	无对应	其余四类（CHEW/SHIV/ELPP/MUSC）的合并视图	artifact, non-cerebral
BCKG	无对应	无对应	background, normal activity

两点提醒：① ACNS（美国临床神经生理学会）标准化术语已把 PLED 更名为 LPD（lateralized periodic discharges）、GPED 更名为 GPD——读 2020 年后临床文献时注意术语换代，机器学习文献仍普遍沿用旧名；② TUEV 的 ARTF 与 TUAR 的伪影体系是「合并视图 vs 细分视图」的关系，把 TUAR 细分标签向上折叠可近似得到 TUEV 口径，反之不可展开（TUEV 没记是哪种伪影）。

3.7 类别失衡的定量解剖与对策矩阵

TUEV 的类别失衡不是背景噪声级别的不平衡，而是两个数量级的主导-稀缺结构（BCKG 69.41% vs EYEM 1.16%、SPSW 2.00%）。值得把「为什么失衡伤害模型」拆开讲透，再给对策。

失衡的三重伤害机制：

1. 损失主导：标准交叉熵下，BCKG 一类就贡献约七成损失梯度——模型把全部容量用于「确认这不是异常」，稀有类的决策边界学不动。
2. 指标幻觉：accuracy 被 69% 的多数类托底，95% 的 accuracy 可能意味着「只学会了 BCKG 和一点 ARTF」。balanced accuracy（每类召回的宏平均）是唯一的诚实指标。
3. 临床代价倒挂：临床上漏掉一个真实棘波（假阴性）的代价远大于多报一个眨眼（假阳性），但失衡训练的模型恰恰相反——对稀有类过敏或麻木，误差分布与临床代价结构错位。

对策矩阵（按工程成本递增排序）：

对策	做法	适用	注意
类加权损失	cross_entropy(weight=1/类频率 或有效样本数加权)	一切任务的首选第一步	权重过猛会让 BCKG 精度崩、整体混乱——网格搜温度系数
过采样稀有类	SPSW 样本重复采样/复制窗	训练集	过采样后评估仍用原始分布的 eval 集
欠采样多数类	每个 batch 限制 BCKG 配额（如 50%）	数据充裕时	会丢背景多样性，配额别太狠
阈值/先验调优	训练后按 eval 调各类决策阈值或 logit 先验	推理端	零重训成本；注意这是在 eval 上调，防过拟合要用独立调参集
生成式增强	GAN/扩散合成稀有类样本（AlphaGAN 线）	极稀缺类（SPSW）	合成质量要单独评价，别把伪影合成进去
两级分类	先「背景 vs 非背景」再「非背景五分类」	层次结构天然	每级都要单独报指标
Focal loss	降低易分样本梯度贡献	加权失败的备选	对 SPSW 这类「又稀又难」类有帮助

一条元建议：先跑一个「全猜多数类」与「逻辑回归原始波形」的双基线，把你的深度模型和这两条线比——TUEV 上不少「改进」实际上没有超过调好权重的简单基线。这是评测严谨性的廉价保险。

2.7 数据完整性核查清单（下载后 30 分钟内做完）

rsync 完成后、开始写代码前，按此清单核查——每一条都对应一个真实踩过的坑：

□ 1. 版本核对：目录名是 tuh_eeg_events/v2.0.1（不是 v1.x、不是缺版本号）
□ 2. 划分核对：train/ 两个顶层目录存在且各自有 edf+rec/lab
□ 3. 文件配对：每个 .edf 是否都有对应 .rec（缺 rec 的会话记录下来，
      决定跳过还是报错——braindecode 的 on_missing_files='raise' 会直接炸）
□ 4. 会话计数：数一下 train/eval 的会话数，与社区口径 149/83 对照，
      显著不符则怀疑镜像或版本错（坑 8）
□ 5. 抽样解码：随机抽 3 个 .edf，用 braindecode/mne 读出通道标签，
      确认 10-20 命名齐全（坑 3 的预防性体检）
□ 6. 抽样标注：抽 3 个 .rec，检查类别码都在 1-6、时间戳单调递增
□ 7. 通道编号：.rec 里的通道号最大值是否 ≤21（超了说明格式理解有误）
□ 8. 磁盘校验：rsync 自带校验即可；若经第三方镜像，对关键文件做 md5 抽查

这八步做完，你就拥有了一个「已知版本、已知划分、已知完整性」的 TUEV 本地副本——后面所有实验的地基。

§4 标注方法与任务设定

4.1 标注生产：NEDC 团队与神经科医生的协作模式

TUEV 的标注由 NEDC（Neural Engineering Data Consortium）团队生产。Obeid & Picone 2018 记载了六类体系的收敛过程：与天普大学医院神经科医生（包括癫痫 EEG 自动检测领域的奠基学者 John Gotman）多轮迭代研究后，从更细的候选类别清单收敛为三信号 + 三噪声的六类。这个收敛方向的逻辑值得注意——宁可类别粗而稳，不可类别细而抖：细粒度类别（如区分不同形态的周期性放电）在专家间一致性上难以达标，粗粒度兜底类（BCKG）则牺牲分辨率换取标注可靠性。

标注工具方面，NEDC 同期维护着自家的标注系统 EAS（NEDC EEG Annotation System），支持实时转录、频谱图与能量图辅助判读（该工具以 IEEE SPMB 2018 论文发布，v6.0.2）。TUEG 家族的标注生产成本模型也在 2018 论文中有坦率披露：一小时 EEG 约需一小时人力标注，因此 TUEG 家族普遍采用「筛高产出数据再标」的分流策略（TUSZ 论文口径：TUEG 中仅约 7% 含发作事件，先筛后标省成本）。TUEV 的事件标注同理——不是对 TUEG 全库标注，而是选定的子集。

标注质量定位：TUEV 未像 TUSZ v2.x 那样发表专门的标注质量改进论文（TUSZ 有 Improving the Quality of the TUSZ Corpus 一文），官方亦未公布标注者间一致性系数。检索者应把 TUEV 的标注视为「专家生产的可复核参考」而非「多重标注一致性质证的 ground truth」——对标签噪声敏感的研究可自行做抽样重标实验（medRxiv 系论文的私有重标对照就是范本）。

4.2 主任务：六类事件分类的标准设定

TUEV 支撑的核心任务形态有两种：

任务 A：通道级/样本级六类分类（基础模型评测标准任务）。预处理为 19 导 TCP 蒙太奇、256 Hz、1 秒窗后，对每个样本预测六类之一。评测惯例：

• 指标：accuracy + balanced accuracy（平衡准确率）双报——类别失衡下只报 accuracy 是不合格的做法（全猜 BCKG 即可拿到约 69% 准确率）。
• 划分：一律沿用官方 train/eval（患者级互斥），NeuralBench 明文规定 TUEV「use it as is」，不做自行切分。
• 报点惯例：多随机种子取均值（如五种子），训练超参网格搜索后固定。

任务 B：IED 检测（二分类/多分类）（临床导向）。将六类投影为 IED/非 IED 或 SPSW 检测问题，指标转向 AUPRC、敏感度/特异度——极端失衡下 AUPRC 比准确率诚实地多。此线研究的典型设计是「TUEV 公开集 + 私有临床集」双集验证：在 TUEV 上预训练或调参，再测跨院泛化（Melbourne 团队 Alfred/RMH 双院设计即为范本）。

4.3 任务设定的工程细节清单

综合多篇公开研究的做法，TUEV 上做实验的标准配置可归纳为：

预处理（社区事实标准，各论文微调）：
  1. 读 EDF，剔除耳电极 M1/M2（部分记录缺失）
  2. 取 19 根 EEG 导联
  3. 组合 TCP 双极导联（相邻电极相减）
  4. 重采样 256 Hz（多相滤波）
  5. 带通 0.5-49 Hz（六类分类任务慎用——ARTF 本身含高频成分，
     滤波会把 ARTF 变得不像 ARTF；IED 检测线常用，六类分类线常跳过）
  6. 按 .rec/.lab 标注切 1 秒窗，z-score 标准化
数据划分：官方 train/eval，患者级互斥，绝不重切
指标：balanced accuracy（主）+ accuracy + 混淆矩阵（必看 SPsw 行）
失衡对策：类加权损失 / 过采样 SPSW / 阈值调优

三条反直觉细节：

1. 带通滤波对六类任务是双刃剑：0.5-49 Hz 滤波在 IED 检测线是标配（去工频与肌电），但六类分类里 ARTF 类的定义就包含高频肌电与设备噪声——滤波会把类间差异抹掉。Melbourne 团队的处理是「多类分类不滤波，二分类任务滤波」，值得照抄。
2. 通道选择即语义选择：逐通道标注下，「只用受累通道训练」与「全部 19 导训练」是两个不同的任务（前者学波形形态，后者还要学空间定位）。消融实验应把通道策略当作超参报告。
3. 官方 eval 集很小且 SPSW 极稀（9 个文件含 SPSW）：eval 上 SPSW 类指标的方差天然大，单种子单次运行的 SPSW F1 差异可能纯粹是噪声，别据此下结论。

4.4 与姊妹任务的组合用法

TUEV 在 TUEG 家族中的战术价值在于「组合拳」：

• TUEV + TUSZ：先用 TUEV 学「放电 vs 噪声」判别，再做 TUSZ 发作检测——发作检测器的假阳性大头正是周期性放电与伪影，前置判别可压误报。TUSL 的研究定位（揭示自动发作检测的常见错误模式）反向印证了这条流水线的临床动机。
• TUEV + TUAR：TUEV 的 ARTF 是粗兜底类，TUAR 提供五类精细伪影（EYEM/CHEW/SHIV/ELPP/MUSC）——伪影细分需求者可两级联用。
• TUEV + TUEG 预训练：基础模型时代的主流打法是以 TUEG 全库做大规模自监督预训练（CBraMod 等即以 TUEG 预训练），TUEV 六类分类作为下游「临床有效性」探针——预训练表征若不能区分放电与眨眼，其在临床任务上的迁移价值存疑。

4.5 标注体系演化断代：v1 与 v2 的可辨识差异

TUEV 版本间的官方 changelog 缺失（§9.3 存照），但可从公开研究的引用行为拼出如下断代图景：

特征	v1.0.x（约 2016-2019 流通）	v2.0.x（约 2020 起，现 v2.0.1）
明示使用文献	medRxiv 2022（自述 v1.0.1）	braindecode（仅支持 v2.0.1）、NeuralBench、近年基础模型论文
事件计数	计数表随 2022 论文流通	计数表随 2025 论文流通（本文 §2.4 表）
标注修订	初版专家标注	经修订/清洗/可能的扩容（细节未官方披露）
社区状态	已过时，仅在旧论文复现时需要	事实标准版本

操作含义：复现 2022 年前后的老论文时，若发现计数对不上，先检查是不是 v1/v2 差异；braindecode 只认 v2.0.1，用旧版数据需自写加载器。新研究一律建议 v2.0.1。

§5 评估与基准：基础模型时代的事实标准

5.1 TUEV 在 EEG 基准版图中的位置

2023 年起，EEG 基础模型（EEG foundation model）研究爆发，TUEV 六类事件分类成为几乎所有主要模型的标配下游评测：

模型/研究	与 TUEG/TUEV 的关系	评测角色
LaBraM	大规模 EEG 预训练	TUEV 六类分类为标准下游之一
BIOT	通用生物信号预训练	TUEV 六类分类基准
CBraMod	以 TUEG 预训练的皮层模型	TUEV 是其训练语料的标注子集
OTiS 等	特征提取比较研究	TUEV 六类分类对照任务（arXiv:2502.21086）
NeuralBench	统一评测框架	明文沿用 TUEV 官方划分
xLSTM-EEG	新架构评测	TUEV 六类分类（含类别失衡分析）
AlphaGAN 等	IED 合成/增强	TUEV 为公开 IED 对照集

这个生态位不是偶然的：TUEV 是公开数据集中唯一同时具备「临床事件语义（放电 vs 噪声，对应真实判读难点）+ 患者级官方划分（防泄漏）+ 规模足以训练（约 11 万样本）+ 逐通道细粒度（可做消融）」四项的 EEG 数据集。MNE Sample 数据集等老牌基准太小且非临床语义，私有临床集不可复现——TUEV 于是成了「临床事件分类」任务的事实基准（de facto benchmark）。

5.2 性能水位与正确读法

多论文口径下，六类分类的 balanced accuracy 大致落在 55-62% 区间（各模型、各预处理、各版本下浮动；本文不写单模型单点数——版本与预处理口径差异使跨论文精确比较不可靠，存照见 §9.3）。

正确读法三条：

1. 天花板本身就不高：六类里三个噪声类内部高度异质（ARTF 囊括一切非脑源信号），SPSW 极稀缺，专家判读 GPED/PLED 边界本身就有分歧——55-62% 的 balanced accuracy 在这个任务上不是「模型很弱」的证据，而是任务真实难度的体现。跨论文比拼 1-2 个点的差距前，先核对预处理与版本是否一致。
2. 看混淆矩阵再看分数：主要误差集中在哪些类之间（SPSW↔EYEM？PLED↔GPED？）比总分更有信息量——它直接对应临床上「把眨眼当放电」式的误诊模式。
3. 版本一致性：不同论文工作的 TUEV 版本可能不同（v1.0.1 → v2.0.x），数字不可直接横比。复现研究应锁定 v2.0.1 并在论文中明示。

5.3 官方工具链：NEDC EVAL 与第三方封装

• NEDC EVAL（v6.0.0）：NEDC 官方 Python 评测包，实现多种标准评分指标（NER/敏感度/精确度/虚警率等），是 TUEG 家族各基准的官方计分器。做事件级（而非窗口级）评测时应优先对齐官方实现，避免自家打分代码与社区结果不可比。
• braindecode TUHEvents：最常用的第三方加载封装（version=‘v2.0.1’），自动处理 EDF 解码、事件码映射、通道事件与事件合并开关、电极标准化（10-05 系统 rename_channels）与蒙太奇设置。注意其 on_missing_files 参数的存在暗示：目录结构与预期文件数不符在 TUEV 中并不罕见（版本间文件更替所致），批量加载前先跑一遍校验。
• NEDC PYPR / MEDF / EDFB：EDF 解码工具集（Python/MATLAB/shell 三种形态）——EDF 头部通道可置换问题（§2.2）的官方解法。

5.4 竞赛与社区事件

TUEG 家族已多次作为国际挑战赛载体：TUSZ 曾是 Neureka 2020 癫痫挑战赛的挑战任务；EEG 基础模型相关的国际癫痫检测挑战赛亦以 TUEG 家族数据为基座（rid=71 载：2025 年 Large EEG-U-Transformer 曾在国际癫痫检测挑战赛夺冠）。TUEV 本身暂未见作为独立挑战赛任务，但其六类分类作为基础模型论文的常驻下游，事实上起到了「无声排位赛」的作用——新模型要么在 TUEV 上报数，要么解释为什么不敢报。

5.5 一个评测案例的解剖：基础模型特征比较研究的做法

arXiv:2502.21086（「基础模型是好的 EEG 特征提取器吗」）的 TUEV 实验设计值得整段解剖，因为它展示了这类评测的完整规范动作：

• 任务定义：TUEV 六类分类，11.2 万样本、19 变量、1,000 时间点、200 Hz——表格里直接列数据规格，可复现性先立于纸上。
• 基线阵列：对照 16 个 EEG 专用模型（含 2 个 EEG 基础模型）+ 4 个统计特征方法——「基础模型必须打赢专用模型才有存在价值」的问题意识。
• 协议：线性探针（linear probing）与全量微调（fine-tuning）双轨、五随机种子、交叉熵损失、超参网格（学习率 3e-5 到 3e-3 五档、drop path、layer decay、weight decay、label smoothing）、单卡 A6000 报预算。
• 指标：accuracy 与 balanced accuracy 双报——正是 §6.5 坑 6 的正面示范。

这个案例的元启示：TUEV 评测的方法论重心不在模型而在协议的完整性——预处理器、划分、种子数、指标组合四件套齐了，结果才有可比性。也解释了为什么 balanced accuracy 普遍只有五六十还照样被顶会接收：社区已经形成的共识是这个任务的真实难度就在那里，诚实地报告比粉饰更有价值。

5.6 官方评测工具与社区工具的对照表

工具	来源	定位	TUEV 相关能力
NEDC EVAL v6.0.0	NEDC 官方	事件级计分器	标准 EEG 事件评分指标（NER/敏感度/精确度/虚警），TUEG 家族官方口径
NEDC EAS v6.0.2	NEDC 官方	标注/判读工具	实时转录、频谱图辅助，标注生产端
NEDC PYPR v1.0.0	NEDC 官方	EDF 解码	按标签正确解码通道（坑 3 的官方解）
braindecode TUHEvents	社区（开源）	PyTorch 数据集封装	一行加载、事件码映射、channel_events/merge_events 开关、蒙太奇设置
MNE-Python	社区（开源）	通用 EEG 库	EDF 读取、重采样、滤波、蒙太奇——自行搭管线的基础件
NeuralBench	学术评测框架	统一评测	固化 TUEV 官方划分的多任务评测协议

选型建议：快速做六类分类基线 → braindecode + PyTorch；做事件级（秒窗对齐）检测评测并要与其他 NEDC 口径论文对表 → NEDC EVAL；做跨任务多数据集大规模评测 → NeuralBench 类框架或自建（沿用官方划分）。

5.7 评测之外：TUEV 在方法研究中的三个次要角色

1. 标签噪声与重标注研究载体：TUEV 的专家标注可被当作「参考标准」，用于校准自动预标注算法、研究标注一致性或做合成数据保真度评价（AlphaGAN 用 TUEV 做 IED 合成的对照集即属此类）。
2. 跨模态/跨架构消融的标准题：通道维度的消融（逐通道 vs epoch 级，§4.3）、频带消融（滤波 vs 不滤波）、窗长消融——TUEV 因标注语义清晰，常被选为这些方法学消融的试验床。
3. 教学与基准文化载体：EEG 机器学习课程与教程中，TUEV 常作为「真实临床复杂度」的示例数据集——类别失衡、多通道语义、域偏移三大现实难题在一个数据集里齐备，教学效率高。

5.8 复现实验的最小代码骨架（braindecode 路线）

给出一个从零到可训练数据集的骨架（示意代码，非逐行可运行——细节随 braindecode 版本而变，以官方文档为准）：

from braindecode.datasets import TUHEvents

# 1. 加载：一行完成 EDF 解码 + 事件解析
dataset = TUHEvents(
    path='tuev/v2.0.1',          # 下载根目录（含 train/ 子目录）
    version='v2.0.1',
    channel_events=True,          # 保留逐通道事件（语义完整，坑 4 的正解）
    merge_events=True,            # 相邻同类事件合并为连续区间
    add_physician_reports=False,
)

# 2. 事件码映射（库内自动完成）
#    1 -> spsw, 2 -> gped, 3 -> pled, 4 -> eyem, 5 -> artf, 6 -> bckg

# 3. 典型后续（伪代码）：
#    a. 预处理：rename_channels(10-05) + set_montage + 重采样 256 Hz
#    b. 蒙太奇：按 TCP 组合双极导联（或使用库内设置）
#    c. 切窗：按标注起止切 1 秒窗，形成 (n_channels, 256) 样本
#    d. 划分：按官方 train/eval 目录归属，绝不重切
#    e. 训练：类加权 cross-entropy + balanced accuracy 监控

三个容易漏掉的细节：

1. on_missing_files 默认 ‘raise’——首次跑全库先开 ‘warn’ 摸清缺文件情况，再决定策略（§2.7 核查 3）。
2. target_name 参数是给年龄/性别回归用的，六类事件分类任务保持 None、以事件标签为目标——别被参数名带偏。
3. recording_ids 参数控制会话顺序与子集——调试时先取前几个会话快速跑通全流程，再放开全量。

5.9 评测报告模板：TUEV 论文实验节应该写什么

审稿人看 TUEV 实验时的检查点，反向就是作者的写作模板：

数据节必须出现：
  □ TUEV v2.0.1（版本号）
  □ 官方 train/eval 划分，患者级互斥，未自行重切
  □ 预处理：导联数、蒙太奇、采样率、滤波（有无、频带）、标准化方式
  □ 样本量（自家管线口径）与各类占比
方法节必须出现：
  □ 类别失衡对策（加权/采样/阈值，具体参数）
  □ 聚合规则（若做 epoch 级：通道标签如何投影）
结果节必须出现：
  □ balanced accuracy（主指标）+ accuracy + 混淆矩阵
  □ 多随机种子均值±标准差
  □ 与「全猜多数类」基线和至少一个已发表方法的对照
讨论节建议出现：
  □ SPSW 类的误差分析（稀缺类的失败模式）
  □ 与其他 TUEV 论文的数字比较时声明口径差异

照此模板写作的论文，在与社区结果对表时不会踩口径坑——这份清单本身就是 TUEV 生态十余年评测文化的沉淀。

§6 获取与许可：注册制的门怎么进

6.1 获取流程逐步走

TUEV 不在 PhysioNet 托管、无公开直链，唯一官方通道是 NEDC 的注册 + rsync 体系：

Step 1  访问 NEDC 官网 TUH EEG Corpus 页面
        https://www.isip.piconepress.com/projects/nedc/html/tuh_eeg/index.shtml
Step 2  下载许可表格（Adobe Acrobat PDF 表单）
        —— 官方建议用本地 Adobe Acrobat 填写，浏览器内填写常出格式错误
        —— 地址信息必须完整准确，填错会被退回
Step 3  email 签署后的表格至 help@nedcdata.org
        —— 主题行注明 Download The TUH EEG Corpus
        —— 一次性注册即覆盖整个 TUEG 家族（TUEV/TUSZ/TUAB/...）
Step 4  等待 24-48 小时
        —— 收到 rsync 访问凭证（ssh 密钥配置）+ 加入邮件列表（版本更新通知渠道）
Step 5  rsync 下载
        TUEV v2.0.1 路径：data/tuh_eeg/tuh_eeg_events/v2.0.1
        例：rsync -av <user>@nedcdata.org:data/tuh_eeg/tuh_eeg_events/v2.0.1 ./tuev/

注意：注册是按用户开通的——课题组多人使用时，官方期望的是每人/每项目注册以跟踪下载统计（NEDC 用下载人数作为数据价值的证明向资助方汇报）。以机构名义申请后转内部分发与协议精神之间拿捏，建议直接在申请邮件里问清。

6.2 License 要点与合规边界

• 费用：免费。TUEG 家族的开发成本（<$100K，2018 论文披露）由资助方承担，数据本身零价格开放。
• 用途范围：研究与商业用途均支持。这在 EEG 数据领域极为罕见——多数临床 EEG 数据集受 IRB 限制仅限研究用途或需 DUA，TUEG 家族以「去标识 + 注册跟踪」换取了最宽的用途许可（Obeid & Picone 明示无需 IRB 或 DUA）。
• 协议性质：签署的是 NEDC 数据许可协议，不是 CC 类标准协议。再分发权、衍生数据集发布权等条款以协议文本为准——基于 TUEV 二次发布的衍生集（如预处理基准）应核对协议条款并在论文中注明遵守 NEDC 协议。
• 隐私合规：原始临床记录已经过 TUH 侧去标识处理。但检索者应记得：EEG 信号本身理论上可携带受试者生物特征信息，发表可视化样例时遵循「最小必要」原则是稳妥做法。

6.3 镜像与替代通道

• ModelScope：存在第三方镜像 lzhmark/TUH_EEG_Events_Corpus（中文社区搬运）。用镜像前自查两点：版本是否 v2.0.1、文件完整性是否与官方 rsync 目录一致——非官方镜像无版本保全承诺，做正式研究建议仍走官方通道（成本只是一个 24-48 小时的注册等待）。
• HuggingFace：TUEV 本体未见官方 HF 托管；HF 上存在的 TUEV 相关内容多为研究者预处理后的衍生版本，引用时注意区分「TUEV 本体」与「某人处理过的 TUEV 衍生集」——后者可能改变了类别定义或划分，直接对标官方划分的论文结果会失真。
• 不存在的通道：PhysioNet 上没有官方 TUEV（TUEG 家族走自家 rsync 体系）。搜「TUEV PhysioNet」找到的多为社区讨论或衍生上传，勿当官方源。

6.4 AI-Ready 度评估

按「能否直接喂给训练管线」的光谱给 TUEV 打分：

维度	评分	说明
机器可读性	良好	EDF 标准 + .rec 数值标注直接可解析；.lab 双格式冗余友好
获取即时性	中	无公开直链，注册等待 24-48 小时，rsync 而非 HTTPS
结构自描述	中	版本号/路径清晰，但官方页不给会话级统计——下载前无法确知规模
加载库支持	优	braindecode 一行代码加载（TUHEvents），事件码自动映射
官方划分	优	train/eval 患者级互斥，评测框架直接沿用
标签质量凭证	中	专家生产但无标注者间一致性公开数字
类别可用性	弱点	极端失衡是任务属性而非缺陷，但使用者必须主动处理

综合定位：「注册制中的高 AI-Ready」——比 CC 直链数据集多一道注册门，比请求制（upon request）数据集少了不确定的审批环节；有了 braindecode 封装后，工程摩擦集中在第一次下载与预处理蒙太奇对齐上，之后就非常顺。

6.5 坑点清单：检索者实测踩坑实录

坑 1：把「注册」当成「审批」而绕路。 有人见要签协议就以为要 IRB 或机构审批，转去找镜像或不完整搬运。实际流程只是「填表 → email → 24-48 小时」，比申请多数临床数据集快得多。首次申请地址信息填错会被退回重填（官方表单说明原文警告过），用本地 Acrobat 填。

坑 2：rsync 路径写错版本号。 官方路径精确到 v2.0.1；写 v2.0 或省略版本都会失败或拉到旧版。旧版（v1.0.x）与 v2 的标注数量不同（§2.4 版本口径），混用会让复现结果对不上文献。

坑 3：EDF 通道顺序陷阱。 EDF 头部通道可被置换，按文件内索引取通道可能拿到错的导联。必须按通道标签解码（NEDC 为此专门发了 PYPR 工具，2018 论文原话：「This is not as simple as it might seem because channels can be permuted and must be decoded using channel labels」）。braindecode 的 rename_channels/set_montage 参数就是干这个的。

坑 4：epoch 级聚合吃掉局灶语义。 把逐通道标注粗暴聚合成「整个窗口一个标签」（多通道投票或任一异常即标正）后，PLED 的偏侧性信息全部丢失，且同窗内「异常通道+伪影通道」的标签冲突会产生噪声样本。要么用 braindecode 的 channel_events=True 保留通道级，要么显式设计聚合规则并在论文中报告——「我聚合了但没说规则」是审稿人一眼能看穿的漏洞。

坑 5：滤波把 ARTF 类滤没了。 六类分类任务套用 IED 检测的 0.5-49 Hz 带通后，ARTF 类（定义含高频肌电/设备噪声）与 BCKG 的可分性下降，整体指标反而变差。滤波策略要与任务匹配（§4.3 反直觉细节 1）。

坑 6：只报 overall accuracy。 69% 的 BCKG 占比意味着全猜多数类就有约 69% 准确率。不报 balanced accuracy（或按类指标 + 混淆矩阵）的 TUEV 结果不具备可比性，也是社区评审的直接拒稿理由。

坑 7：把 GPED/PLED 混进 IED 定义后与其他论文比。 「TUEV IED 检测 95% 敏感度」与「TUEV IED 检测 80% 敏感度」可能根本不是同一个任务——一个把三类信号全算 IED，一个只算 SPSW。比较前先对齐类别投影规则（§3.3）。

坑 8：相信第三方镜像的版本。 镜像可能混有 v1/v2 文件或缺失部分会话；JKU 论文的文件级统计（train 211 文件含 BCKG 等）与你的下载对不上时，第一怀疑对象就是镜像完整性，第二才是统计口径差异。

§7 生态与影响：一个语料库如何撬动子领域

7.1 在 TUEG 家族中的生态位

TUEG 家族的设计哲学是「一个母体、多个标注视角」：同一批临床记录，按不同临床问题切片成七个子库。TUEV 的生态位是片段级临床事件判别——它是家族中唯一把「信号与噪声放进同一分类框架」的子库，也因此成为「模型是否真的会读脑电图」的试金石：TUAB 测的是「结论对不对」（正常/异常），TUSZ 测的是「发作抓没抓到」，TUEV 测的是「过程懂不懂」（这段波形是什么、为什么）。

家族内部的协作链条清晰可见：TUEV 的事件判别能力直接服务于 TUSZ 发作检测的假阳性抑制（TUSL 则反向剖析发作检测的误差模式）；TUAR 的精细伪影分类与 TUEV 的 ARTF 兜底类构成粗细两级。这种「子库互为钩稽」的设计使 TUEG 家族产生了一加一大于二的生态价值——研究者可以围绕同一临床问题在家族内组装多任务管线，而数据分布的同一性（同院、同时期、同设备体系）让跨子库迁移的域差异天然较小。

7.2 对 EEG 基础模型浪潮的支撑

2023-2025 年 EEG 基础模型研究的评测版图里，TUEV 六类分类与 TUAB 异常检测几乎构成「临床有效性双探针」的标配组合。rid=71 载的判断——TUEG 家族助推了 EEG 研究的「ImageNet 时刻」——落在 TUEV 上的具体机制是：

1. 提供了唯一规模化的临床语义分类基准：约 11 万个带临床事件语义的样本，让「预训练表征是否编码了临床判读知识」变得可量化。
2. 患者级划分树立了防泄漏规范：官方互斥划分被 NeuralBench 等框架固化为「不许重切」的社区规范，抬高了整个子领域评测的严谨底线。
3. 暴露并定义了子领域的核心难题：类别失衡、GPED/PLED 语义争议、通道级标注语义——这些围绕 TUEV 展开的方法论讨论，已成为 EEG 机器学习论文的方法学常识。

7.3 引用与学术溯源

使用 TUEV 的标准引用链条：

• 体系设计：A. Harati, S. Lopez, J. Gotman, J. Picone, 「An Improved Event Annotation Scheme for EEG」, IEEE Signal Processing in Medicine and Biology Symposium (SPMB), 2015.
• 母体与成本：I. Obeid, J. Picone, 「The Temple University Hospital EEG Corpus」, Frontiers in Neuroscience, 2018.（六类定义由来、标注成本模型、开放许可政策）
• 数据本身：NEDC, TUH EEG Events Corpus v2.0.1, https://www.isip.piconepress.com/projects/nedc/html/tuh_eeg/index.shtml

注意：TUEV 没有单独的「数据集论文」配 DOI（不同于很多现代数据集以 Zenodo DOI 发布），学术引用落在会议论文 + 官网路径的组合上。写论文时把版本号（v2.0.1）写进正文是社区惯例，也是复现的最低要求。

7.4 局限与批评视角

• 单一机构数据：全部记录来自天普大学医院一家，设备体系、判读习惯、人群构成单一。跨院泛化（Melbourne 双院实验、IED 合成研究等）反复显示 TUEV 训练的模型在私有数据上性能显著回落——域偏移是子领域的公认难题，TUEV 是「域内强、跨域弱」规律的标定样本。
• 标注粒度与质量的平衡：1 秒统一窗、无标注者间一致性公开数字、无多重标注仲裁机制——相比 TUSZ v2.x 的质量改进工程，TUEV 的标注质量论证较薄。对标签噪声敏感的任务建议自做抽样审计。
• 版本演进缺官方 changelog：v1 → v2 的变更（清洗、扩容、标注修订）无逐条记录，社区只能靠论文间计数差异反推。任何严肃的纵向研究都应锁定单一版本并在论文中披露。
• 六类体系的临床哲学取舍：把 ARTF 做成单一兜底类换取了体系稳定，但牺牲了伪影细分价值（TUAR 补了这一课）；把三相波塞进 GPED 则让「GPED 分类器」的语义变得含混。体系不是完美的，它是「可用、稳定、够用」三角权衡的产物——理解这个取舍比记住六个缩写更重要。

6.6 获取合规的三种典型场景与风险提示

场景 A：个人研究者/学生。 以本人身份注册，签署协议后下载。风险最低。注意毕业/离职后数据留存问题——协议约束的是使用行为，去标识数据的个人留存一般无强制清除条款，但以协议文本为准；论文与代码仓库中不要重分发原始数据，改为发布加载脚本与下载指引。

场景 B：课题组/公司团队。 多人使用时的稳妥做法：每人注册或由 PI 注册后在组内明确数据管理责任人。商业公司使用尤其建议先邮件询问（help@nedcdata.org）——官方支持商业用途是原则宣示，产品化集成（如把 TUEV 用于商业模型的训练集并对外宣称）的条款细节值得书面确认一次。

场景 C：衍生数据集发布者。 想发布「TUEV 预处理基准」（如固定蒙太奇 + 官方划分 + 打包标签）的研究者：核心风险是再分发权。稳妥三步：① 重读协议再分发条款；② 能只发布「处理代码 + 校验清单」就不发布数据本体（下载者自行 rsync 原始数据后一键复现）；③ 必须发布衍生数据时，邮件取得 NEDC 书面同意并在 README 中同时引用协议与同意函。社区已有的衍生发布（HF 上的预处理版）均属灰色地带，引用它们时注意法律状态。

7.5 TUEV 视角下的「临床数据集公开光谱」

把 TUEV 放进医学 AI 数据集的获取方式光谱里，可以看清「注册制」这一档的独特生态位：

档位	代表	门槛	确定性	TUEV 的位置
完全直链（CC 类）	Kaggle 竞赛数据、多数 HF 数据集	零	即时	—
注册制	TUEG 家族（含 TUEV）	签协议 + 24-48 小时	高（必然给）	在此
请求制（upon request）	邮件向作者申请	不确定	低（可能被拒/无回复）	—
受控访问（DUA/dbGaP 类）	基因组、影像存档	IRB + 机构审批	中	—
不可得	私有临床数据	—	—	—

注册制的价值主张：用「一点行政摩擦」换「许可的最大宽度（研究+商用）+ 版本跟踪体系 + 下载统计支撑可持续资助」。对检索者的实操含义：TUEV 的 24-48 小时等待不是拖延，是换取「商用合法 + 版本更新通知」的对价——别因为等两天就退而求其次用不完整的镜像。

7.6 时间线：TUEV 的生命周期一览

2002-2017   天普大学医院临床 EEG 原始记录持续采集（后构成 TUEG 母体 26,846 份）
2015        Harati et al.（IEEE SPMB）发表六类事件标注体系设计论文 —— TUEV 学术诞生点
2016 前后   TUEG 期刊论文体系成形；TUEV v1.0.x 开始流通
2018        Obeid & Picone（Frontiers in Neuroscience）发表 TUEG 综述：六类定义由来、
            成本模型（<$100K）、开放许可政策（无需 IRB/DUA）——家族叙事的确立文献
2020 前后   TUEV v2.0.x 发布（重标注/修订），逐步取代 v1；braindecode 支持定型于 v2.0.1
2022        IED 检测大规模研究（medRxiv 2022）以 v1.0.1 做系统基准；
            BIOT 等通用信号模型开始把 TUEV 纳入评测
2023-2025   EEG 基础模型浪潮：LaBraM/CBraMod/OTiS/NeuralBench 等把 TUEV 六类分类
            固化为标准下游；CBraMod 直接以 TUEG 预训练
2025        medRxiv 2025 论文给出 v2 时代的事件计数表；EEG-JEPA、Large EEG-U-Transformer
            等延续 TUEG 家族在癫痫 AI 中的核心地位

一个数据集的生命周期里最值得注意的现象：TUEV 的引用高峰不在其发布时，而在六年后的基础模型浪潮中——好数据集的价值经常滞后于其发布，被下一个范式（自监督预训练 + 下游探针）激活。这也解释了为什么 NEDC 坚持零成本开放与注册跟踪：规模化的下载与引用是它向资助方证明持续价值的核心证据链。

7.7 横向对照：与其他 EEG 事件/异常数据集的卡片比较

数据集	任务	规模量级	划分	许可模式	与 TUEV 关系
TUEV	六类事件分类（逐通道）	约 232 会话 / 约 11 万样本	官方 train/eval 患者级互斥	注册制免费（含商用）	本文主体
TUSZ	癫痫发作检测	数百患者 / 千余会话 / 3,500+ 发作	官方划分	注册制免费	姊妹库，任务互补
TUAB	记录级正常/异常	数千记录	官方划分	注册制免费	姊妹库，粒度更粗
TUAR	五类伪影	TUEG 子集	官方划分	注册制免费	伪影细分视图
TUAB/TUEP 之外的私有临床 IED 集（Alfred/RMH 等）	IED 检测	百级患者	自定义	不可得	跨院泛化对照端
MNE Sample	运动/视觉事件	1 人	—	宽松	太小，非临床语义
CHB-MIT	癫痫发作检测	23 儿科患者	自行切分	PhysioNet 直链	规模小、无六类语义

结论：在「临床事件级 EEG 判别」这个具体任务上，TUEV 是公开选项里规模、语义完备性、划分规范三者的唯一交集——这就是它基准地位的全部来源，也是理解「为什么大家忍受注册制」的钥匙。

6.7 获取排障速查：注册与 rsync 的常见故障

症状	可能原因	处置
表格被退回	表单格式错误/地址不全	用本地 Adobe Acrobat 填（官方明示警告），逐项核对地址
提交后超 48 小时无回复	邮件未被识别/主题缺失	检查主题行是否含 Download The TUH EEG Corpus；重发并抄送备用邮箱
rsync 认证失败	ssh 公钥未配置/凭证邮件步骤漏做	核对凭证邮件中的用户名与密钥配置说明，逐字执行
路径不存在	版本号写错（v2.0、tuh_eeg_events 拼写）	完整路径 data/tuh_eeg/tuh_eeg_events/v2.0.1（坑 2）
下载中断	网络抖动	rsync 断点续传，重跑同一命令即可
文件数与社区口径不符	镜像混版/版本错认	回到官方 rsync 通道重下（坑 8）

一条排障元规则：所有获取环节的问题先假设是自己的表单/路径/密钥问题，而不是 NEDC 服务问题——十余年的注册体系非常稳定，报障前把官方说明重读一遍通常就能自解。

7.8 可持续性风险的三个情景与应对

依赖 TUEV 做长期工作的团队，值得预演三个低概率高影响的情景：

情景 1：NEDC 停止运营。 Temple 大学项目、单点运营。应对：持有本地完整副本（这本来就是 rsync 分发的副作用——数据在下载者手里天然多副本），并在论文中同时引用官网与版本号，使后来者可以考古。社区层面，TUEG 家族的广泛使用本身构成「 Too downloaded to die」的保存力量。

情景 2：版本再演进（v2.0.2/v3）。 应对：订阅注册时自动加入的邮件列表（官方设计意图即在此）；关键项目锁版本目录（rsync 到带版本号的本地路径），新版本发布后先跑 §2.7 的八步核查再迁移。

情景 3：许可条款收紧。 当前「免费+商用+无 IRB/DUA」是历史形成的宽政策，理论上可变。应对：商用集成者在立项阶段书面确认条款并留档（§6.6 场景 B）；论文与产品文档中记录所用版本与获取日期，保证可溯源。

三个情景的共同保底动作只有一条：持有并备份你已授权的本地副本。注册制的所有不确定性，都被一份本地存档对冲。

7.9 给三类读者的「下一步」导航

• 准备做毕业论文/首发研究的学生：§1 十问 → §2.7 完整性核查 → §4.3 工程配置 → §6.5 坑点清单 → §5.5 评测案例解剖（照它的协议四件套设计你的实验）。
• 在工业界做多导联生理信号产品的工程师：§2.6 数据旅程 → §6 获取与合规（重点场景 B）→ §3.7 失衡对策矩阵 → §7.8 可持续性预案。
• 写综述或做数据集调研的研究者：§7.6 时间线 → §7.7 横向对照表 → §9.3 存照（引用数字前必读）→ 附录 A 来源清单。

6.8 本地数据管理：目录、存储与团队协作约定

TUEV 本体 tens of GB 量级，但下载只是数据管理的开始。给团队环境的三条实践约定：

目录约定（带版本号、可追溯）：

data/tueg/tuev/v2.0.1/          # 原始只读区——任何人不得修改
  ├── train/
  └── eval/
derived/tuev/v2.0.1_tcp19/      # 预处理派生区——由脚本一键重建
  ├── manifest.csv              # 会话清单：文件名、划分、通道数、时长、md5
  ├── windows/                  # 切窗后的样本（可选，量大时用 mmap/分片）
  └── README.md                 # 生成命令、代码 commit hash、日期
code/                           # 处理与训练代码

三条纪律：

1. 原始区只读：所有清洗、切窗、滤波都写进派生区，且派生区永远可以用「原始区 + 脚本」重建——这是版本演进（§7.8 情景 2）与事故恢复的共同保险。
2. manifest 先行：写任何训练代码前先生成会话清单（含 md5），之后所有实验引用 manifest 行而非文件路径——审计与断点恢复都靠它。
3. 划分只认目录：train/eval 归属以官方目录为准写死在 manifest 里，代码中不允许出现「随机划分」逻辑（防止某次手滑重切毁掉全部结果可比性）。

多实验并行时的磁盘估算：原始 tens of GB + 预处理张量（约 11 万样本 × 19 导 × 256 点 × 4 字节 ≈ 2 GB 级）+ 中间缓存——单机 TB 级空间绰绰有余，瓶颈从来不是存储而是口径管理。

7.10 十年生态一表流：谁在什么场景用 TUEV

把 §5 的生态叙述压缩成一张场景-使用者-引用形态的速查表：

场景	典型使用者	引用/产出形态	时间段
事件标注体系设计	NEDC + Temple 神经科	SPMB 2015 设计论文	2015
IED 检测方法比较	临床工程研究组	medRxiv/期刊（公开集+私有集双验）	2016-2025
基础模型下游探针	LaBraM/BIOT/CBraMod/OTiS 团队	顶会论文评测节	2023-2025
统一评测框架	NeuralBench 类项目	基准论文 + 开源框架	2024-2025
合成数据对照	GAN/扩散生成研究者	IED 合成保真度评价	2022-2025
新架构试金石	xLSTM/状态空间模型等	架构论文六类分类表	持续
教学示例	EEG 机器学习课程	教程 notebook	持续
产品原型	医疗 AI 创业团队	原型训练集（商用许可）	2020 起

读表要点：TUEV 没有自己的「排行榜」或竞赛榜，它的「生态热度」体现在场景多样性上——一个数据集被七类不同动机的使用者持续使用，比单一榜上的分数更有生命力证据。这也是评估「该不该把我的新数据集设计成 TUEV 互补格式」时的参照：与其再造一个通用基准，不如补 TUEV 没覆盖的语义（毫秒级峰标注、多中心采集、细分伪影已有 TUAR……）。

7.11 与库内 tuh-eeg-corpus（rid=71）的逐节分工对照

为方便维护者与读者核验两文边界，逐节对照如下：

主题	rid=71（tuh-eeg-corpus）	本文（tuev）
TUEG 母体与七库生态	主体（总览叙事）	边界视角（§2.5 表）
TUSZ 癫痫发作检测	主体（硬数字详述）	互补关系（§1 Q6）
TUEV 六类事件	表格行/一句话（8 处附带提及）	主体（全文解剖）
六类体系设计逻辑	提及	详述（§3 全节）
TUEV 事件计数	无	§2.4（版本敏感存照）
TUEV 获取流程	家族统一口径	§6（逐步 + 排障 + 合规场景）
TUEV 基准生态	生态叙事带过	§5（协议、工具、读法）

两文结论一致性：对 TUEV 的基础事实（六类、v2.0.1、NEDC、免费无 IRB/DUA）两文口径一致，未发现矛盾；本文新增的全部细节数字均未在 rid=71 中出现，不构成内容重复。

§8 DAIMS 评估全表

维度	评分（1-10）	依据
D 可发现性	8	NEDC 官网稳定收录 + 大量基础模型论文引用形成检索网；缩写 TUEV 唯一性强，不易与同名资源混淆；扣分点：无独立 DOI 登陆页，官方页不列规模统计
A 可获取性	7	免费开放、支持商用、无需 IRB/DUA，属临床 EEG 数据中的最宽许可；扣分点：注册制 + 24-48 小时等待 + 仅 rsync 通道，无公开直链（但比请求制数据集确定性强）
I 可互操作	8	EDF 行业标准 + .rec/.lab 双格式标注 + braindecode 官方级封装；TCP 蒙太奇社区约定俗成利于跨研究对齐；扣分点：EDF 通道置换陷阱需要专门工具兜底
M 元数据质量	6	版本路径清晰、六类定义有设计论文背书、官方划分文档化；扣分点：官方无会话级统计与 changelog、无标注者间一致性数字、v1→v2 演进靠论文反推
S 可持续性	8	Temple University / NEDC 机构化运营十余年，注册名单 + 邮件列表构成版本更新通知链；rsync 服务器长期在线；扣分点：单一机构单点，无镜像保全承诺
综合评级	7.4/10（良好）	获取许可与互操作性是强项，元数据透明度是主要短板；在临床 EEG 数据集中属第一梯队 AI-Ready 水平

DAIMS 术语：D=Discoverability（可发现性）、A=Accessibility（可获取性）、I=Interoperability（可互操作性）、M=Metadata（元数据质量）、S=Sustainability（可持续性）。

§9 方法学启示与口径存照

9.1 三条可迁移的方法学经验

经验 1：「信号与噪声同框」的标注哲学可以跨域复制。 TUEV 最重要的设计不是六类本身，而是「把干扰项做成一等公民类别」。任何「检测罕见正样本」的医学 AI 任务（结节检测、病变分割、心律失常识别）都面临同一问题：负样本里的「像正样本的干扰」决定假阳性率。TUEV 的答案是给干扰显式建类（EYEM/ARTF），让判别学习而非两阶段级联。这个思路对任何标注计划设计者都可直接借鉴。

经验 2：粗类兜底换取标注一致性是可行的工程权衡。 BCKG 把「其余一切」兜底、ARTF 把所有伪影兜底，牺牲分辨率换来类边界清晰与标注可复制。反之，TUEG 家族把伪影细分需求另开 TUAR 子库——「主库粗分、专题库细分」的双层结构，比在单一体系里硬塞细粒度类别更可持续。

经验 3：患者级官方划分是基准公信力的地基。 TUEV 的 train/eval 患者级互斥划分被评测框架固化为「不许重切」，使跨论文比较有了共同底线。对比许多自行随机切分的 EEG 数据集（同患者泄漏导致的乐观偏差屡见不鲜），官方划分的价值在基础模型评测时代被进一步放大。

9.2 使用者的决策树

你的任务是？
├─ 癫痫发作检测（何时发作）      → 用 TUSZ；TUEV 作辅助判别前置
├─ 发作间期放电检测（IED）        → 用 TUEV，先定 IED 投影规则（坑 7）
├─ 六类事件分类（基础模型评测）   → 用 TUEV 官方划分 + balanced accuracy
├─ 伪影细分研究                   → 用 TUAR（五类伪影），TUEV 的 ARTF 太粗
├─ 记录级异常筛查                 → 用 TUAB（正常/异常二分类）
├─ 毫秒级棘波形态学               → TUEV 不适合（1 秒窗粒度上限），另寻数据
└─ 跨院泛化研究                   → TUEV 训练 + 私有/异院验证（域偏移必测）

9.3 双口径与遗留疑点存照

按存照纪律，本文成稿时的全部口径冲突与未决事项逐条列出：

1. 会话规模双口径：社区常用口径「232 会话（train 149 / eval 83）」vs NEDC 官方页未列会话总数。本文正文采用「约 232 会话」并多处标注口径来源；使用前以实际下载目录核对为准。
2. 事件计数版本口径：medRxiv 2022（工作于 v1.0.1）与 medRxiv 2025 表 1 的计数方向一致但数值随版本变化；本文采用 2025 表 1 数字。引用他人计数必须问版本。
3. 通道数双口径：标注空间 23 通道（.rec 通道号 0-21）vs 社区预处理 19 导 TCP——两者并存且都对，语境分述；「TUEV 是 19 导的」是不精确的流行说法。
4. 样本量口径：112,237 个 1 秒样本是特定预处理管线的产物（19 导、200 Hz、窗口聚合），不是原始标注条数（约 11.2 万条通道级标注，§2.4 表）——两个「11 万」碰巧同量级但语义不同，检索者极易混淆，故单列。
5. 遗留疑点：TUEV 各版本（v1.0.0/v1.0.1/v2.0.0/v2.0.1）的发布精确日期官方未列；数据集总小时数官方未公布；PhysioNet 是否曾镜像 TUEV 未能确认（倾向没有）；LaBraM/BIOT 等模型在 TUEV 上的精确单点分数未在本次抓取源中直接核对，正文按区间表述不写单点数。
6. 遗留疑点：TUEV 与 TUEG 其他子库的会话重叠程度（同一记录是否同时出现在 TUEV 与 TUAB 等）官方未说明——跨子库组合实验者应自行以文件名哈希检查重叠。

§10 建议互链点与检索面

10.1 库内互链

条目	rid	互链理由
tuh-eeg-corpus	71	TUEG 生态总览 + TUSZ 主体条目；本文为其 TUEV 分支的完整展开，两文互为补充

rid=71 是本文最主要的互链锚点。EEG/神经科学家族的其他库内条目（睡眠分期、脑机接口、癫痫相关数据集等）可在发布后由互链建设器统一补链；互链 rid 一律占位 /0，由主会话入库后回填。

10.2 检索面关键词

中文：脑电事件分类、六类事件标注、棘波尖波、周期性放电、癫痫样放电、发作间期、脑电伪影、眼动伪迹、天普大学、脑电基础模型。
英文：TUEV, TUH EEG Events Corpus, EEG event classification, spike and sharp wave, SPSW, GPED, PLED, epileptiform discharge, IED, interictal, TCP montage, braindecode, EEG foundation model, Temple University, NEDC。

附录 A：来源清单（抓取时点 2026-10-15）

来源	URL	用途
NEDC 官方 TUH EEG Corpus 页	https://www.isip.piconepress.com/projects/nedc/html/tuh_eeg/index.shtml	版本/路径/六类定义/注册流程（三源之一）
Obeid & Picone 2018 手稿	https://isip.piconepress.com/publications/book_sections/2018/frontiers_neuroscience/tuh_eeg/manuscript_v06.docx	六类定义由来/成本/许可政策（三源之二）
braindecode TUHEvents 文档	https://braindecode.org/stable/generated/braindecode.datasets.TUHEvents.html	加载接口/版本支持/事件码映射（三源之三）
medRxiv 2025（AlphaGAN IED）	https://www.medrxiv.org/content/10.1101/2025.09.06.25335239v1.full.pdf	事件计数表 1/IED 定义争议
medRxiv 2022（IED 检测）	https://www.medrxiv.org/content/10.1101/2022.07.06.22277287v1.full	TCP 蒙太奇/1 秒窗/患者级划分原话/v1.0.1 口径
基础模型特征比较（arXiv:2502.21086）	https://arxiv-vanity.com/papers/2502.21086	112,237 样本/类别占比
NeuralBench（arXiv 2605.08495）	https://ar5iv.arxiv.org/html/2605.08495	官方划分沿用规范/基础模型评测生态
JKU 2024 论文	https://epub.jku.at/download/pdf/13171210.pdf	.rec/.lab 格式细节/文件级分布/10-20 系统

附录 B：缩写表

缩写	全称/含义
TUEV	TUH EEG Events Corpus
TUEG	TUH EEG Corpus（母体）
NEDC	Neural Engineering Data Consortium
ISIP	Institute for Signal and Information Processing
SPSW	Spike and Sharp Wave（棘波与尖波）
GPED	Generalized Periodic Epileptiform Discharges（全面性周期性癫痫样放电）
PLED	Periodic Lateralized Epileptiform Discharges（偏侧性周期性放电）
EYEM	Eye Movement（眼动）
ARTF	Artifact（伪影）
BCKG	Background（背景）
IED	Interictal Epileptiform Discharge（发作间期癫痫样放电）
TCP	Temporal Central Parasagittal（蒙太奇）
EDF	European Data Format
DUA	Data Use Agreement（数据使用协议）
DAIMS	Discoverability/Accessibility/Interoperability/Metadata/Sustainability

附录 C：数据源明细（正文 data_source 字段的展开）

• 信号本体：TUH EEG Corpus（TUEG）临床头皮 EEG 记录子集，采集自天普大学医院（2002-2017），EDF 格式，国际 10-20 电极系统。
• 事件标注：NEDC 团队专家逐通道六类事件标注（SPSW/GPED/PLED/EYEM/ARTF/BCKG），1 秒标注窗，.rec（通道号+起止秒+类别码 1-6）与 .lab（10 微秒时间戳+四字母码）双格式。
• 官方划分：train/eval 两套，患者级互斥（社区常用口径约 149/83 会话）。
• 发布渠道：NEDC rsync over ssh（data/tuh_eeg/tuh_eeg_events/v2.0.1），注册签署许可协议后获取，免费、支持研究与商业用途、无需 IRB 或 DUA。
• 版本：v2.0.1（当前）；v1.0.x 为早期版本，计数口径不同。

附录 D：使用检查清单（10 项）

1. 版本声明：论文中明写 TUEV v2.0.1；引用他人计数时核对对方版本。
2. 划分声明：沿用官方 train/eval，禁止自行重切；写明患者级互斥。
3. 蒙太奇声明：写明通道策略（19 导 TCP？全部通道？逐通道？）。
4. 滤波声明：六类分类慎用带通（坑 5）；写了就报告是否滤波。
5. 指标底线：balanced accuracy 必报；附混淆矩阵；不裸报 accuracy。
6. IED 定义声明：二分类任务写明六类到 IED/非 IED 的投影规则。
7. 失衡对策：类加权/过采样/阈值调优至少一种并报告。
8. 聚合规则：若做 epoch 级聚合，写明规则（坑 4）。
9. 许可合规：遵守 NEDC 协议条款；衍生集发布前核对再分发权。
10. 种子与方差：多随机种子报均值；eval 集 SPSW 稀缺，单次运行不可靠。

8.1 DAIMS 五维的加权论证

给出评级不是终点，论证每格分数怎么来的才是。五维展开：

D 可发现性 8/10。 加分：官方页面稳定运行十余年、URL 结构从未漂移；「TUEV」缩写在文献中唯一性强（不像某些数据集名与疾病/机构缩写撞车）；基础模型论文的密集引用形成了天然搜索网——搜任何一个 EEG foundation model 论文都能顺藤摸到 TUEV。扣分：无 Zenodo/DOI 式独立登陆页（引用要拼装论文+官网）；官方页不预览规模统计，调研者无法「下载前知规模」。

A 可获取性 7/10。 加分：零费用、商用许可、无需 IRB/DUA——三项在临床 EEG 数据中全是最宽档；注册-发放流程标准化、时间可预期（24-48 小时）。扣分：非即时（对比直链数据集扣 1.5）；仅 rsync 单通道（对 rsync 被防火墙挡的机构环境不友好）；无官方镜像。

I 可互操作 8/10。 加分：EDF 是全行业最长久的开放格式（上世纪 90 年代至今）；.rec/.lab 双标注格式覆盖机器与人读两端；braindecode 官方级封装把「EDF 解码+事件映射+蒙太奇」压缩成一行；TCP 蒙太奇社区约定降低了跨研究对齐成本。扣分：EDF 通道置换陷阱需要专门知识或工具；无官方 PyTorch/TensorFlow dataset 类（braindecode 是第三方，虽已是事实标准）。

M 元数据质量 6/10。 加分：六类定义有专文论证（SPMB 2015）；官方划分文档化且被评测框架固化；版本路径精确。扣分（重灾区）：官方无会话级统计表；无版本 changelog（v1→v2 演进靠论文反推）；无标注者间一致性数字；无每个标注的质量等级或置信度字段。这是 TUEV 与现代数据集（如自带 datasheet 的 HF 数据集）差距最大的一维。

S 可持续性 8/10。 加分：机构化运营（大学研究所而非个人项目）；注册名单+邮件列表构成天然的版本通知与用户基础；十余年多版本持续维护记录；数据在下载者手中的天然多副本分布。扣分：单机构单点；无镜像保全承诺；依赖个别核心人物（Picone 实验室）的持续投入。

9.4 本文的写作方法与证据分级说明

为检索者透明起见，说明本文的证据使用规则：

• 一级证据（官方）：NEDC 官网直读信息（版本、路径、六类定义、注册流程、许可政策）——直接采用。
• 二级证据（设计论文）：SPMB 2015 与 Frontiers 2018 的原文表述（六类由来、成本、开放哲学）——直接采用并标出处。
• 三级证据（使用研究）：medRxiv/arXiv/学位论文等使用者的转述（计数表、蒙太奇、样本量、性能区间）——采用时标注「某口径」；两口径冲突时并列存照（§9.3）而非仲裁。
• 四级证据（社区流行说法）：232 会话（149/83）这类「大家都这么说」的数字——不作为事实断言，正文以「社区常用口径」措辞出现并指向存照条目。

这套分级的目的：让读者能一眼区分「官方说过的」与「大家转述的」，也为主会话后续维护提供核对路径——任何存照被推翻时，只需改写对应层级的表述并更新 §9.3。

9.5 从 TUEV 学到的数据集评价框架（可迁移到任何标注数据集）

以 TUEV 为案例，提炼一套五问评价框架，适用于任何「专家标注型」医学数据集：

1. 标注语义问：标签的粒度、单位和哲学是什么？（TUEV：逐通道、1 秒窗、信号-噪声同框）——粒度决定你的任务上限。
2. 生产过程问：谁标的、几轮、有无终审与一致性凭证？（TUEV：专家生产、体系有设计论文、但无一致性数字）——无凭证不等于不可用，但要按「未质证参考」对待。
3. 划分规范问：有没有防泄漏的官方划分？（TUEV：患者级互斥，被评测框架固化）——有就别重切，没有就自己做患者级切分并声明。
4. 许可边界问：许可宽到哪、再分发权在哪？（TUEV：免费+商用、NEDC 协议约束再分发）——商用确认一次书面，省百日隐忧。
5. 演化治理问：版本如何演进、changelog 在哪、旧版可追溯吗？（TUEV：弱项，靠论文反推）——锁定版本 + 本地存档是唯一稳招。

这五问覆盖了标注数据集评价的 80% 决策点，比背 DAIMS 字母表更快上手。

附录 E：常见问题 FAQ（14 问）

Q1：TUEV 是免费的吗？要付费吗？
免费。注册签署协议是唯一门槛，无任何费用，也无年度续费。

Q2：公司可以用 TUEV 做商业产品吗？
NEDC 官方政策支持商业用途（rid=71 与 NEDC 页面同口径）。产品化集成前建议邮件书面确认条款细节（§6.6 场景 B）。

Q3：需要 IRB 批件或 DUA 吗？
不需要。数据已去标识，NEDC 的注册协议本身即使用授权——这在临床 EEG 数据里几乎是最宽的。

Q4：下载要多久？
表格签署提交后通常 24-48 小时收到 rsync 凭证。数据本体 tens of GB 量级，下载时长取决于带宽。

Q5：为什么不在 PhysioNet 上？
NEDC 有自建 rsync 分发体系，TUEG 家族统一走该通道。PhysioNet 上的相关内容是社区上传或讨论，勿当官方源。

Q6：TUEV 多大？多少患者？
官方页未列。社区常用口径约 232 会话（train 149 / eval 83，患者级互斥）——以实际下载为准（§9.3 存照 1）。

Q7：v1 和 v2 差在哪？该用哪个？
v2.0.x 是修订/清洗后版本，现为事实标准；v1.0.x 仅在复现老论文时需要（§4.5）。新研究一律 v2.0.1。

Q8：可以直接用 braindecode 加载吗？
可以，datasets.TUHEvents（version=‘v2.0.1’）一行加载，事件码自动映射。注意 channel_events/merge_events 开关的语义选择（§2.3）。

Q9：我的准确率 95%，为什么别人只有 60%？
先查你是不是只报了 overall accuracy——全猜 BCKG 就有约 69%。换成 balanced accuracy 再比（坑 6）。

Q10：SPSW 太少，训练不动怎么办？
类加权损失/过采样/阈值调优三选一起步；或转 IED 二分类任务把 PLED/GPED 并入正类（注意声明投影规则，坑 7）；或做数据增强/合成放电（AlphaGAN 线）。

Q11：TUEV 能做棘波 onset 检测吗？
不适合。1 秒统一窗没有毫秒级边界信息（§2.3）。需逐峰标注数据。

Q12：TUEV 和 TUEG 是什么关系？会不会和其他子库重复？
TUEV 信号来自 TUEG，与其他子库可能存在会话重叠。跨子库组合实验前先做文件名哈希查重（§9.3 存照 6）。

Q13：可以在论文里放 TUEV 的波形图吗？
展示样例波形属于常规学术使用，遵循最小必要原则即可；重分发数据本体才涉及协议再分发条款（§6.6 场景 C）。

Q14：想引 TUEV，引用什么？
Harati et al., IEEE SPMB 2015（体系设计）+ Obeid & Picone, Frontiers in Neuroscience 2018（母体）+ NEDC 官网（数据本体，注明 v2.0.1）（§7.3）。

附录 F：与库内条目的家族导航

脑电临床事件判读数据家族（本条目视角）：

tuh-eeg-corpus (rid=71)  ← TUEG 生态总览 + TUSZ 癫痫发作检测主体
   ├── TUEG 母体（26,846 份临床 EEG，无专项标注）
   ├── TUSZ —— 发作事件标注（起止/通道/类型）…… rid=71 正文主体
   ├── TUEV —— 六类事件逐通道标注 …… 本文主体
   ├── TUAB —— 记录级正常/异常
   ├── TUAR —— 五类伪影细分
   ├── TUEP —— 癫痫 vs 非癫痫对照人群
   └── TUSL —— 脑电减慢（误报模式研究）

发布后的互链建设建议：rid=71 正文补一条指向本文的分支链接；本文（rid=71 之外）作为 EEG 事件分类任务面的独立检索入口。

附录 G：错误分析的五个模板问题

在 TUEV 上做完模型，报告错误分析时以下五问最出信息量：

1. SPSW 被误判成了什么？ 若大头是 EYEM——模型没学会「额导大幅慢偏转≠棘波」，检查是否给了模型多导联空间信息（单导无法分辨，§3.5 直觉 2）。
2. PLED 和 GPED 互相混淆率多少？ 这本质是「偏侧性判断」能力测试——若混淆率高，检查 TCP 蒙太奇是否正确构建（双极链的空间比较依赖它）。
3. ARTF→BCKG 还是 BCKG→ARTF 误报多？ 前者是漏检伪影（危险：伪影被当正常脑电），后者是过敏；临床代价不对称，报告应分开。
4. eval 集上 SPSW 指标的种子间方差多大？ eval 仅 9 文件含 SPSW——方差大是结构性的，别把抖动当趋势（§4.3 反直觉 3）。
5. 错误是否集中在特定患者/记录？ 患者级互斥划分下，个别「难患者」可以整只拖低指标——按会话聚合错误定位域偏移源。

附录 H：术语正名小史

• PLED → LPD：美国临床神经生理学会（ACNS）标准化术语已将 PLED（periodic lateralized epileptiform discharges）更名为 LPD（lateralized periodic discharges），理由是「epileptiform」一词暗示癫痫性而此类放电常见于非癫痫急性脑病。2020 年后的临床文献逐渐换用新名，机器学习文献仍以旧名为主——TUEV 的四字母码 pled 沿用旧名。读跨学科文献时脑内要做一次术语对译。
• GPED → GPD：同上，generalized periodic discharges。TUEV 的 gped 码同理。
• 三相波：从未独立成类，学界公认其临床语义（代谢性脑病标志）与「癫痫样」标签相悖，TUEV 将其并入 GPED 是体系稳定性的妥协（§3.2、§3.5 直觉 3）。
• spike 与 sharp wave：TUEV 把两者合成一个 SPSW 类——严格脑电图学里棘波（<70 ms）与尖波（70-200 ms）有别，合并的理由同样是标注可靠性优先。

附录 I：一句话记住 TUEV

TUEV = 给 26,846 份临床脑电中最有判读价值的那部分，逐通道贴上「放电还是干扰」的六色标签——它训练的不是发作报警器，而是懂脑电图的眼睛。

附录 J：一页纸总结（TL;DR）

TUEV（TUH EEG Events Corpus）v2.0.1

• 是什么：天普大学 NEDC 从 26,846 份临床 EEG（TUEG）中选出的事件标注子集，对 EEG 片段逐通道标注六类：三类信号（SPSW 棘波尖波、GPED 全面性周期放电、PLED 偏侧性周期放电）+ 三类噪声（EYEM 眼动、ARTF 伪影、BCKG 背景）。
• 规模：约 232 会话（train 149 / eval 83，患者级互斥官方划分，社区口径）；约 11 万条通道级标注；特定预处理口径下约 11.2 万个 1 秒样本。
• 格式：EDF 信号（10-20 系统）+ .rec/.lab 双格式标注（1 秒窗，通道+起止+类别码）。
• 获取：NEDC 官网填表 → email → 24-48 小时开通 rsync（data/tuh_eeg/tuh_eeg_events/v2.0.1）。免费，研究+商用，无需 IRB/DUA。
• 地位：EEG 基础模型六类临床事件分类的事实基准（LaBraM/BIOT/CBraMod/NeuralBench 均以它为下游探针）。
• 三大注意：类别极度失衡（BCKG 69% vs SPSW 2%，必报 balanced accuracy）；GPED/PLED 的 IED 归属有争议（跨研究比较先对齐定义）；逐通道标注语义（聚合规则必须声明）。
• 一句话：TUEV 训练的不是发作报警器，而是懂脑电图的眼睛。

附录 K：六类事件与临床报告语言的对照

自动分类器的输出要落地到临床工作流，绕不开「模型语言 → 报告语言」的翻译。六类的常用临床表述对照：

模型输出	临床报告常用表述	报告语境示例（示意）
SPSW	癫痫样放电（棘波/尖波），见于…导联	「左颞区见频发棘慢波，提示局灶性癫痫样异常」
GPED	全面性周期性放电（GPD）；含三相波时另述	「见弥漫性周期性放电，结合临床考虑代谢性/缺氧性脑病可能」
PLED	偏侧性周期性放电（LPD）	「左侧半球周期性侧向性放电，符合急性局灶病变背景」
EYEM	眨眼/眼动伪迹	「额导所见反复偏转符合眨眼伪迹，非癫痫样」
ARTF	伪迹（肌电/电极/环境）	「部分导联见大量肌电与电极伪迹，影响判读」
BCKG	背景活动（正常节律或非特异性）	「背景以 9-10 Hz α 节律为主，未见持续性局灶减慢」

三条翻译守则：

1. 模型输出永远不是诊断——SPSW 分类器输出「这一秒像棘波」，报告语言是「见癫痫样放电，提示…」，中间隔着临床整合（病史、用药、其他检查）。自动化产品的文案不应越过这条线。
2. 术语换代要跟报告模板对齐——新一代报告模板用 LPD/GPD（ACNS），旧模板用 PLED/GPED，产品输出应可配置。
3. BCKG 的「正常」要限定——「非异常事件」不等于「EEG 正常」；TUEV 的 BCKG 只是六类兜底，整份记录的正常/异常判断是 TUAB 的任务，两者不可互替。

附录 L：本文维护触发点（给未来维护者的交接单）

触发事件	需要更新的位置	优先级
NEDC 发布 v2.0.2+	§2.4 计数表、§4.5 版本断代、附录 C 版本行、frontmatter	高
官方页补列会话/患者统计	§2.1、§9.3 存照 1（消除口径冲突）	高
官方发布 changelog	§4.5 断代表、§9.3 存照相关条目	中
TUEV 上 PhysioNet 或 HF 官方托管	§6.1、§6.3、附录 B/DAIMS 的 A 维	高
标注者间一致性数字披露	§4.1、§7.4、M 维评分	中
rid=71 条目改版（生态叙事变化）	§0 分工段、§7.11 对照表	低
ACNS 术语在 ML 文献普及（LPD/GPD 成主流）	§3 全节措辞、附录 K	低
新基础模型在 TUEV 上显著突破 62% 区间	§5.2 水位表述	低

交接原则：任何更新先改 FACTS.md 存照，再改正文对应节，最后同步 frontmatter——顺序反了会出现「正文-存照漂移」（金标准条目 panda-plus 的坑 3 教训）。

附录 M：数字速算卡（写作/审稿时随手查）

把本文散落的关键数字浓缩为一卡，全部标注口径：

数字	含义	口径	出处
26,846	TUEG 母体临床 EEG 记录数	官方	NEDC 页
2002-2017	原始记录采集年份跨度	官方	NEDC 页
v2.0.1	当前版本	官方	NEDC 页
~232（149/83）	会话数（train/eval）	社区口径，未官方证实	§9.3 存照 1
645/567	SPSW 标注数（train/eval）	medRxiv 2025 表 1	§2.4
11,229/4,672	GPED 标注数（train/eval）	同上	§2.4
5,965/1,998	PLED 标注数（train/eval）	同上	§2.4
65,109/22,134	非 IED 三类合计（train/eval）	同上	§2.4
112,237	1 秒样本数	特定预处理口径	arXiv:2502.21086
69.41% / 2.00%	BCKG / SPSW 样本占比	同上	§2.4
1 秒	统一标注窗长	文献通用	medRxiv 2022
23 / 19	标注通道空间 / 社区预处理导联数	双口径并存	§2.2、§9.3 存照 3
256 Hz	社区标准重采样率	社区约定	medRxiv 2022
24-48 小时	注册开通时长	官方	NEDC 页
55-62%	六类分类 balanced accuracy 水位	多论文区间，非单点	§5.2
<$100K	TUEG 家族开发成本	论文自述	Frontiers 2018
0	费用 / IRB 要求 / DUA 要求	官方政策	NEDC 页

用卡三则：① 引用前看「口径」列——不同口径的数字混进同一句话就是口径事故；② 「~」开头的数字永远不要写成精确值；③ 本卡与正文冲突时，以正文与 FACTS.md 为准并在此登记勘误。

附录 N：本文证据强度自评表

论断类别	强度	依据形态
六类定义、版本、路径、注册流程	高	官方页直读，多源一致
事件计数	中高	论文统计表，版本口径已标注
会话总数	中	社区口径，未官方证实，已存照
预处理约定	高	多论文一致，已成社区事实标准
性能水位	中	多论文区间，非受控比较
生态叙事与影响	中	引用格局归纳，含少量解读

---

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-15，抓取与核验时点见附录 A。事实陈述以 NEDC 官方页面、Obeid & Picone 2018、braindecode 文档与公开研究论文为源；会话规模、事件计数版本、通道数三项口径冲突已在 §9.3 逐条存照。条目与库内 tuh-eeg-corpus（rid=71）互为补充——rid=71 讲 TUEG 家族生态与 TUSZ 主基准，本文专讲 TUEV 六类事件标注数据集本体，两者共同构成脑电临床事件判读数据家族的完整检索面。后续维护触发点：NEDC 发布 v2.0.2 或更高版本时重核 §2.4 计数表；官方页若补列会话统计则消除 §9.3 存照 1。

---

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：

• tuab — 共享标签：生理信号 / 脑电信号 / 癫痫 / 评测基准
• siena-scalp-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• eeg-power-anesthesia — 共享标签：生理信号 / 脑电信号 / 神经科学 / 评测基准
• ltrsvp — 共享标签：生理信号 / 脑电信号 / 神经科学 / 评测基准
• tusz — 共享标签：生理信号 / 脑电信号 / 癫痫 / 评测基准
• bonn-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 癫痫
• moabb — 共享标签：生理信号 / 脑电信号 / 神经科学 / 评测基准
• capsleep — 共享标签：生理信号 / 脑电信号 / 癫痫 / 评测基准
• nebula-reaching-eeg — 共享标签：生理信号 / 脑电信号 / 神经科学 / 评测基准
• upenn-mayo-seizure — 共享标签：生理信号 / 脑电信号 / 癫痫 / 评测基准

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。