ZCHSound — 浙江大学 1259 名儿童先心病心音数据库：五分类智能听诊基准

§0 导读：这个数据集解决什么问题

先天性心脏病（CHD, Congenital Heart Disease）是最常见的出生缺陷类型之一，早期发现依赖于心脏听诊——但听诊是一项高度依赖经验的主观技能。同一段心音，不同医师可能听到不同结论；在儿科，受试者年龄跨度大（新生儿心率可达 120-160 次/分）、胸壁薄、配合度低，问题被进一步放大。更深层的矛盾是：优质儿科心血管医师集中在大城市三甲医院，而需要早期筛查的人群在基层。这正是智能听诊、计算机辅助心音分析（PCG analysis）试图填平的鸿沟。

要让算法可用，必须解决三件事：数据从哪来、标签可信吗、评测怎么比。ZCHSound 是对这三问的系统回答。

第一，数据从哪来。 ZCHSound 不是公开数据的二次加工，而是 2020-2022 年由浙江大学医学院附属儿童医院牵头、联合另外两家儿童医疗中心在一手临床场景中前瞻采集的 1259 名儿童心音。采集设备统一为 ChildCare G-100 智能电子听诊器，采集点统一为仰卧位胸骨左缘第 2-3 肋间，采样率统一 8000 Hz——这是一套"为算法设计"的采集协议，而非"顺手拿临床录音"。

第二，标签可信吗。 每个受试者的诊断不是听诊医师说了算，而是先由经验丰富的超声医师采集心脏超声图像，再由两名心脏专家或心脏外科医师共识确认最终诊断（consensus of two cardiac experts）。标签因此是"金标准诊断"而非"听诊意见"，这是 ZCHSound 区别于许多"心音+听诊标签"数据集的关键。

第三，评测怎么比。 ZCHSound 给出五分类标签（Normal 与四种 CHD 亚型）、四类基准任务（高质量/低质量 × 二分类/多分类）与 84 维时频特征，并给出随机森林基线（高质量子集二分类 F1 = 90.3%）。任何新模型都能在同一划分上对标。

ZCHSound 同时诚实地暴露了三个软肋，它们不是缺陷被隐藏，而是被写进论文与数据说明：其一，类别不平衡——clean 子集 Normal 533 名，而 PDA 仅 32 名；其二，标注偏倚——论文 Limitations 明确所有标注医师来自同一家医院、临床训练背景相似；其三，双子集异质——941 名高质量与 318 名新生儿低质量采样条件不同，不可混用。

§0 读法三则：

1. 本条目是"生理信号数据集 + 临床基准 + 偏倚自曝"三合一：数据本体（1259 条 wav）、基准（四任务+RF 基线）、元数据（类别分布、偏倚声明）各有使用前提，不要只看规模数字。
2. 全文硬数字均标注来源：论文（经 CiC24 / Springer / MDPI 三方转录间接核验，因 IEEE 正文 JS 门禁无法逐段直读）、NGDC Database Commons、复现研究——凡三方不一致处均在 §7 与 §9 存照。
3. 检索时注意"ZCHSound"与"ZJU Paediatric Heart Sound Database"是同一实体的两个名字；不要与 SPRSound（SJTU 儿科呼吸音库）、PhysioNet/CinC 2016 与 2022（成人为主的心音挑战赛）混淆（§7 / §8）。

§1 数据集速览：十问十答

Q1：ZCHSound 的"1259"指什么？
指 1259 名儿童受试者，每人一条心音录音，因此受试者数与录音数均为 1259。这 1259 人分为两个子集：941 名高质量（clean）与 318 名新生儿低质量（noisy），941 + 318 = 1259，口径自洽。

Q2：两个子集为什么要分开？
高质量子集是经筛选、信噪比良好、可用于模型训练与基准评测的核心数据；低质量子集是出生后 5 天内的新生儿，采集条件（呼吸、体位、哭闹）使心音质量较差，被单独标注。二者年龄构成与信号质量不同，跨子集结论不可直接迁移——这也正是四任务里"高质量×2 + 低质量×2"的由来。

Q3：信号规格是什么？
单通道心音，采样率 8000 Hz（8 kHz），16-bit 量化，标准 .wav 格式。录音时长均值约 20.11 s，范围 6.46-60.12 s（复现研究另报 11-30 s，两口径见 §7）。

Q4：怎么采的？
统一使用 ChildCare G-100 智能电子听诊器（上海托晓智能科技），受试者仰卧位（supine），单一听诊点——胸骨左缘第 2-3 肋间（left sternal edge between 2nd and 3rd ribs）。单听诊点意味着数据不支持多瓣膜区融合研究。

Q5：五分类标签是什么？
Normal（正常对照）、ASD（房间隔缺损）、PDA（动脉导管未闭）、PFO（卵圆孔未闭）、VSD（室间隔缺损）。四种 CHD 亚型都是最常见的、可通过听诊初步识别的结构性心脏病，Normal 作为对照。

Q6：标签怎么来的、可靠吗？
每位受试者先由经验丰富的超声医师采集心脏超声图像，再由两名心脏专家共识确认最终诊断。这是"金标准诊断"流程。但论文 Limitations 同时声明：所有标注医师来自同一家医院、背景相似，存在 data annotation bias——可靠但有机构局限（§4.5）。

Q7：类别分布怎么样？
clean 子集里 Normal 533 名、PDA 仅 32 名，显著不平衡，Normal 占压倒多数。其余类别（ASD/PFO/VSD）逐类数字本轮未逐条抓取，这是使用前需向数据方核实的项（§9）。

Q8：基准任务有哪几个？
四个：Task 1 高质量心音二分类（CHD vs. non-CHD）；Task 2 高质量心音多分类（CHD 亚型）；Task 3 低质量心音二分类；Task 4 低质量心音多分类。特征为 84 维时频特征（time-domain + frequency-domain）。

Q9：基线表现如何？
原论文随机森林集成模型在高质量子集二分类上 F1 = 90.3%；按转录的逐任务口径，RF 在 Task 1-1 达 90.3%、Task 1-2 达 93.4%，KNN 在 Task 2-1 为 62.5%、Task 2-2 为 55.7%。重要结论：SHAP 显示频域特征比时域更重要、舒张期相关特征比收缩期更重要。

Q10：我现在能拿到什么？
论文结论原文指向 http://zchsound.ncrcch.org.cn/ 供公众访问下载，NGDC Database Commons 记为 Accessible。但本轮抓取时点该站点根路径与 /data、/dataset 均返回 nginx 404，license 条款与当前下载可用性均未确证（§6）。

1.1 补充问答：十问之外

Q11：ZCHSound 和"智能听诊"的关系是什么？
ZCHSound 是智能听诊算法研发的数据基础，本身不是算法或产品。它提供"心音→金标准诊断"的监督信号，让研究者在统一标准上开发与比较听诊算法。论文里出现的随机森林 90.3%、KNN 55-62% 是基线，不是产品性能承诺（§5.3）。

Q12：为什么说它是"金标准"标签？
因为诊断不是由听诊医师"听一下"决定，而是由超声图像（影像依据）+ 两名心脏专家共识确认（§3.2）。这让标签对应的是临床确诊，而非听诊印象，使"心音→诊断"的学习有了可信的监督目标。

Q13：为什么还要分"高质量"和"低质量"两套？
因为信号条件差异导致模型行为差异（§2.8）。混在一起会污染评测：低质量样本会拖低高质量子集上的表现评估，反之亦然。分开可分别测"理想条件能力"与"噪声条件鲁棒性"，四任务即由此而来（§5.1）。

Q14：它是中国数据集吗？
是。由浙江大学医学院附属儿童医院牵头，联合海南省妇幼、昆明医科大学附属儿童医院三中心采集，受试者为中国儿童（§3.1）。这是它在中国先心病研究中的独特价值——中国儿科人群的开源心音数据几乎空白（§11.4）。

Q15：我可以直接拿来训练商业产品吗？
不可以直接假设可以。许可条款本轮未确证（§6.3），且涉及未成年人数据（§3.5）。商用前必须向数据方确认许可范围与合规性。这是本条目反复强调的第一条硬约束。

Q16：现在从哪里能下到它？
论文指向 http://zchsound.ncrcch.org.cn/，但本轮抓取时点根路径与 /data、/dataset 均 404（§6.2）。可尝试的下游渠道是 CiC24（PhysioNet/CinC 2024）按挑战赛规则获取的子集（§6.6），或直接联络通讯作者 Weize Xu。

Q17：心跳声（心音）和心电（ECG）是一回事吗？
不是。心音（PCG）是声音信号（S1/S2 心瓣开闭产生的振动），心电（ECG）是电信号（心肌电活动）。ZCHSound 发布的是心音；ECG 只在诊断流程中被参考（§5.10），是否随数据发布未确证。

Q18：为什么单听诊点是个限制？
真实儿科心脏检查在多个听诊区（4 个瓣膜区）分别听诊并变换体位。ZCHSound 只取胸骨左缘第 2-3 肋间（§2.9），因此不支持多听诊点融合，对某些瓣膜病变覆盖不足。

Q19：论文的 SHAP 结论有什么用？
它指出"频域 > 时域"“舒张期 > 收缩期”（§5.7），为特征工程与切片策略提供方向：应保证舒张期片段覆盖、以频谱/时频图为主要表示。下游复现研究转向 Mel 频谱即为此结论的实践（§5.4）。

Q20：这个数据集最需要注意的三件事是什么？
①许可与合规未确证（§6.3/§3.5）；②类别严重不平衡（Normal 533 vs. PDA 32，§2.11）；③单中心标注偏倚（§3.3）。三者共同决定"能不能用、怎么用、分数怎么读"。

Q21：它适合用来做什么、不适合做什么？
适合：儿科心音基准评测、跨语料泛化的源域之一、方法学对照（手工特征 vs. 深度表示）、临床数据集治理案例研究。不适合：直接宣称"可部署的通用先心病筛查系统"（受单中心标注偏倚与跨语料退化约束，§3.3/§5.6）；从零训练大模型的唯一数据（规模偏小，§2.10）；多听诊点融合研究（仅单听诊点，§2.9）。

Q22：它的三源核验状态如何？
"1259 名 / 941 clean + 318 noisy"这组核心硬数字由 CiC24（PhysioNet/CinC 2024）、NGDC Database Commons、IEEE 论文摘要三方独立一致（§2.1）；但 IEEE Xplore 正文受 JS 门禁，逐表数字依赖 CiC24/Springer/MDPI 转录（§9 疑点 6）。凡三方冲突处（共五处）在 §7.1 逐条存照、不裁定。

§2 数据构成与规格

2.1 规模与双子集结构

ZCHSound 的核心结构是一分为二的受试者集合：

子集	受试者数	录音数	采集/人群特征	质量定位
高质量（clean）	941	941	经筛选，信噪比良好	训练与基准评测核心
低质量（noisy）	318	318	出生后 5 天内的新生儿	单独标注、单独任务
合计	1259	1259	2 天至 14 岁	—

三位独立来源（CiC24 “Listening to the Heart” 论文表 1、NGDC Database Commons 登记、IEEE 论文摘要）在"1259 / 941 / 318"这组数字上完全一致，可作为本条目最稳固的硬数字锚点。

需要特别澄清一个转录口径混淆：Springer 2026 的复现文写作 “941 clean recordings” 与 “318 noisy recordings”，把"受试者数"与"录音数"混用；而 CiC24 明确区分 941 participants / 318 participants。本条目采用"941 名 + 318 名受试者 / 共 1259 条录音"的自洽口径——之所以能自洽，是因为 ZCHSound 每位受试者恰好对应一条录音（§2.2）。

2.2 录音规格

属性	规格
信号类型	心音图 PCG（phonocardiogram），单通道
采样率	8000 Hz（8 kHz）
量化位深	16-bit
文件格式	.wav（standard WAV）
时长均值	约 20.11 s
时长范围	6.46-60.12 s（CiC24 表 1 口径）
每受试者录音数	1 条（受试者级与录音级一一对应）
听诊点	单一——胸骨左缘第 2-3 肋间
采集体位	仰卧位（supine）

时长范围存在双口径：CiC24 表 1（转录原始论文）写 6.46-60.12 s；Springer 2026 复现文写 “each recording was 11-30 seconds”。本条目按原始论文口径写 6.46-60.12 s，并在此存照复现文的 11-30 s 差异（§7 / §9）。两者可能源于不同处理阶段（原始 vs. 截断后），使用时以数据方实际发布为准。

采样率 8000 Hz 是一个"够用但不高"的选择：心音主要能量集中在 20-600 Hz，8 kHz 采样经抗混叠后可覆盖到 4 kHz，对心音的 S1/S2 与常见杂音足够；但与部分研究直接使用 16 kHz/44.1 kHz 原始录音不同，若下游模型预期更高采样率，需注意这一约束（复现研究的做法是先重采样到 16 kHz 再提特征，见 §5.4）。

2.3 采集设备与协议

采集统一使用 ChildCare G-100 智能电子听诊器（Shanghai Tuoxiao Intelligent Technology Co., Ltd.，上海托晓智能科技）。选择统一设备的意义在于消除设备频响差异造成的域偏移：心音的频谱特征高度依赖听诊器膜片的频响曲线，若混合多设备采集，算法学到的可能部分是"哪台机器录的"而非病理信息。ZCHSound 用单一型号设备规避了这一混杂因素。

采集协议的两个约束值得记下：

1. 单听诊点：只取胸骨左缘第 2-3 肋间。这在先心病筛查里是合理的第一听诊窗口（主动脉瓣区/肺动脉瓣区附近，对 ASD、PDA、VSD 的杂音较敏感），但代价是不覆盖心尖区（二尖瓣区）与三尖瓣区，无法做多听诊点融合。
2. 仰卧 + 新生儿适配：低质量子集全部是出生后 5 天内的新生儿，其呼吸频率快、胸壁薄、易哭闹，是导致信号"低质量"的直接原因，也是单独成集的依据。

2.4 五分类标签体系

诊断标签为五类：

标签	全称	中文	病理性质
Normal	Normal	正常对照	无结构性心脏病
ASD	Atrial Septal Defect	房间隔缺损	常见 CHD 亚型
PDA	Patent Ductus Arteriosus	动脉导管未闭	常见 CHD 亚型
PFO	Patent Foramen Ovale	卵圆孔未闭	常见 CHD 亚型
VSD	Ventricular Septal Defect	室间隔缺损	常见 CHD 亚型

这四类 CHD（ASD/PDA/PFO/VSD）是新生儿与婴幼儿期最常见、且听诊杂音较具特征性的结构性心脏病；把它们与 Normal 并列为五分类，使任务既可用于"是否有病"的二分类（CHD vs. non-CHD），也可用于"是哪一种"的多分类（亚型识别）。

2.5 类别分布：显著不平衡

MDPI 2026 的复现研究披露了 clean 子集的类别分布（部分）：Normal 533 名；PDA 仅 32 名。这说明：

1. 多数类压倒性：Normal 在已知两类中即占据绝对多数，真实分布中 Normal 也接近自然人群筛查的真实比例（正常儿童远多于先心病患儿）。
2. 少数类极稀疏：PDA 仅 32 名，任何按类别均衡采样或按类别计算指标的流程都会在 PDA 上剧烈波动。
3. 逐类未知部分：ASD/PFO/VSD 的逐类数字本轮未逐条抓取，仅确认 Normal 533 / PDA 32；低质量子集的类别分布未公开披露（§9 遗留疑点）。

对使用者的直接含义：报告整体准确率会严重高估性能。若模型把所有样本判为 Normal，在"Normal 占多数"的测试集上也能拿到虚高的准确率；正确的做法是报告宏平均 F1、每类召回率、AUROC，并考虑类别重加权/重采样/代价敏感损失。ZCHSound 论文用 F1（而非仅准确率）作为二分类主指标，方向是正确的。

2.6 与相邻数据的边界

ZCHSound 常被与以下数据混淆，需要划清边界：

• SPRSound（SJTU）：同为国内开源、同为儿科，但那是**呼吸音（respiratory sound）**库，任务域是呼吸系统而非心血管。二者是"同域方法学可比、任务不同"的关系（§8）。
• PhysioNet/CinC Challenge 2016 与 2022：心音分类挑战赛，但人群以成人为主（2016 挑战赛聚焦异常心音，2022 聚焦瓣膜病），与 ZCHSound 的儿科先心病五分类在人群与标签体系上都不同。
• PASCAL Challenge Database：心音分类基准，同样以成人为主。
• covid-19-sounds（库内条目）：呼吸/咳嗽音，属"音频类医学数据集"的语义邻居，但生理信号类型与任务域均不同，仅作互链，不可当同类比较。

2.7 数据字典（建议字段结构）

ZCHSound 论文与第三方转录未公开完整的逐文件字段清单，但依据论文 Method、复现研究的预处理描述与 NGDC 登记项，可重建出下表的逻辑数据字典（字段名为推断、非官方原样，标注 ⊕ 者为推断项，供使用者对齐真实发布格式）：

字段（推断）	类型	含义	证据来源
subject_id	字符串/整数	受试者唯一标识（⊕）	受试者级与录音级一一对应的前提
recording_id	字符串	录音文件标识（⊕）	1259 条 .wav
signal	浮点数组	单通道心音波形，8000 Hz / 16-bit（⊕）	论文规格
duration	浮点	录音时长秒数，6.46-60.12 s（⊕）	CiC24 表 1
label5	枚举	Normal/ASD/PDA/PFO/VSD 五分类标签	论文
label_binary	布尔	CHD vs. non-CHD（二分类派生）	Task 1/3 定义
subset	枚举	clean（941） / noisy（318）	双子集
age	整数/区间	受试者年龄（2 天-14 岁）（⊕）	CiC24 / Springer
sex	枚举	性别（⊕，论文未明示是否发布）	—
site	枚举	采集中心（浙江/海南/昆明）（⊕）	MDPI 披露三中心
device	字符串	ChildCare G-100	论文
features84	浮点数组	84 维时频特征（原文派生）（⊕）	论文

读法提示：标 ⊕ 的字段是"依据论文描述可合理推断存在、但论文/目录未公开确认其发布形式"的项。使用者拿到真实数据后，应以实际字段为准修正；凡 ⊕ 字段涉及的分析（如按性别/中心分层），在确认前不应编写依赖该字段的代码。

2.8 信号质量与"低质量"的操作化

"低质量（noisy）"是 ZCHSound 里一个被论文使用但未给出量化阈值的标签。它有三层操作性含义需要澄清：

1. 人群来源定义：低质量子集的 318 名受试者全部是出生后 5 天内的新生儿。因此"低质量"在 ZCHSound 中首先是一个人群范畴（新生儿），其次才是一个信号质量判断——这两者在数据里是绑定的，无法分离。
2. 物理机制：新生儿胸壁极薄、呼吸频率快（可达 40-60 次/分）、易哭闹体动，导致心音录音中混入大量呼吸音、体动伪迹与环境噪声，S1/S2 的信噪比下降。这是"低质量"的直接成因。
3. 未给阈值：论文未披露以何种信噪比（SNR）或质量评分阈值将样本划入 noisy 子集。这意味着"高质量/低质量"的分界是数据方基于采集场景的先验分组，而非可复现的量化判据。

对使用者的含义：若你的研究需要"按信号质量分层"，不能直接沿用 ZCHSound 的 clean/noisy 标签作为质量金标准——因为它与"新生儿"这一人群变量完全共线。要解耦，需要自行计算 SNR 等质量指标，或向数据方索取分组依据。

2.9 位置与体位的技术约束

单听诊点 + 单一仰卧位的采集协议，带来三条明确的能力边界（不是缺陷，而是数据设计时接受的取舍）：

1. 不支持多瓣膜区融合。临床心脏听诊常规在四个听诊区（二尖瓣区/三尖瓣区/主动脉瓣区/肺动脉瓣区）分别采集。ZCHSound 只取胸骨左缘第 2-3 肋间（主动脉瓣区与肺动脉瓣区之间），因此：
   • 对主动脉瓣/肺动脉瓣来源的杂音（如 PDA 连续性杂音、部分 VSD 的收缩期杂音）敏感度高；
   • 对心尖区二尖瓣来源的杂音（如二尖瓣反流）覆盖不足；
   • 任何"多听诊点+融合"的研究思路无法在 ZCHSound 上直接实现——这是它相较真实临床听诊流程的一个简化。
2. 不支持体位对比。临床有时需变换体位（坐位/左侧卧位）以暴露特定杂音，ZCHSound 固定仰卧位，这一维度缺失。
3. 与"设备端处理"的不确定性叠加。§4.4 已指出智能听诊器可能内置滤波/降噪，若如此，则录音并非原始模拟信号的忠实数字化。位置约束与设备处理两者叠加，使得"ZCHSound 上的声学结论能否外推到其它听诊设备与听诊点"成为一个需要实证的问题——而这恰恰是 CiC24 跨语料实验所揭示的退化来源之一（§5.6）。

2.10 数据规模的相对定位

把 1259 放在心音数据集的坐标系里，能看清 ZCHSound 的规模定位：

量级	代表	说明
百级	PASCAL Challenge Database	心音分类早期基准，规模较小
千级	ZCHSound（1259 名）	儿科先心病五分类，专家共识标注
千-万级	PhysioNet/CinC 2016 训练集	成人为主，规模更大但标注体系不同
万级	部分大规模筛查录音集	多为弱标注/听诊标签，非专家共识

结论：ZCHSound 的规模（千级）在心音领域属**“中小规模但高标签质量”——它用专家共识金标准标注换取了规模上的克制。对深度学习（尤其端到端大模型）而言，1259 条（其中多数类 Normal 又占大头）是偏小的；这解释了为什么下游复现研究普遍采用迁移学习、多模态融合（CRNN+BiGRU、Hybrid ViT）与强数据增强**，而非从零训练大模型。使用者在选型时应预期：单靠 ZCHSound 从零训练深度模型，数据量是瓶颈；它的最佳用法是预训练/微调的儿科心音域数据，或跨语料评测的源域之一。

2.11 类别不平衡的量化影响估算

基于已确证的 clean 子集 Normal 533 / PDA 32（其余三类未知），可做一个保守的下界推算说明不平衡的严重性：

• clean 子集共 941 名，已知 Normal 533 + PDA 32 = 565 名，剩余 ASD/PFO/VSD 三类合计 376 名（941 − 565）。
• 即使 ASD/PFO/VSD 三类均分，每类约 125 名；若分布更偏，个别类可能低于 125。
• 无论具体分布如何，PDA 32 名是确定的最小类，占比 32/941 ≈ 3.4%。
• 在一个 60-20-20 划分下（§5.5），PDA 的测试集样本可能只有 6-7 条——这个量级的测试集，单条误判就能造成十几到二十多个百分点的 F1 波动。

行动建议：对 PDA 这类极稀疏类，任何"单次划分"的性能数字都不可靠；应采用分层 K 折交叉验证、重复多次随机划分并报告均值±标准差，或直接报告合并了 ASD/PDA/PFO/VSD 的"CHD 整体"二分类指标（Task 1 的 90.3% 正是这种更稳健的口径）。

§3 采集流程与质量控制

3.1 三中心采集

ZCHSound 由三个采集中心合作完成（MDPI 2026 复现研究披露，论文摘要未逐一点名）：

1. Children’s Hospital of Zhejiang University School of Medicine（浙江大学医学院附属儿童医院，杭州）——牵头单位，挂靠 National Clinical Research Center for Child Health（国家临床研究中心）。
2. Hainan Women and Children’s Medical Center（海南省妇幼保健院）。
3. Children’s Hospital of Kunming Medical University（昆明医科大学附属儿童医院）。

三中心的组合在人群构成上有其用意：浙江为东部发达地区、海南为南部岛屿省份、昆明为西南高原地区。理论上多中心采集能提升人群多样性、降低单一地区偏倚——但需要与 §3.3 的标注偏倚声明对读：采集是多中心的，标注却不是，这一非对称是理解 ZCHSound 泛化能力的关键。

3.2 采集—标注链路

一次完整的样本产生经过以下环节：

1. 心音采集：在统一听诊点、仰卧位下，用 ChildCare G-100 采集 6.46-60.12 s（均值约 20.11 s）的单通道心音。
2. 心脏超声：由经验丰富的超声医师采集心脏超声图像，作为诊断依据。
3. 双专家共识：由两名心脏专家或心脏外科医师依据超声（论文另提"based on their ECG results"，即结合心电图结果）共识确认最终诊断，形成五分类标签。
4. 子集归类：按信号质量与人群，将被试归入高质量（clean）或低质量（noisy）子集。

“双专家共识"这一步是本数据集可信度的核心：它把标签从"单人听诊判断"提升到"金标准诊断”，显著降低了单观察者的标注噪声。但共识步骤不能消除系统性偏倚——若两位专家同源、受同一套训练与临床惯例影响，共识只会强化而非修正系统偏差（§3.3）。

3.3 标注偏倚自曝

论文 Limitations 明确声明：所有标注医师来自同一家医院、临床训练背景相似，存在 data annotation bias。这是一条极有价值的自我披露，对使用者的含义有三层：

1. 标签含机构指纹：模型的决策边界会部分继承这一家医院的诊断习惯。换一家医院的人群，同样的心音可能被不同标注者判为不同类别，导致评测虚高或虚低。
2. 跨机构泛化需谨慎：任何声称"在 ZCHSound 上 95%“的模型，都不等于"在另一家医院能 95%”。CiC24 的跨语料实验正是对此的实证（§5.6）。
3. 采集多中心 vs 标注单中心：这与 §3.1 的多中心采集形成张力——数据是多样化的，标签口径却是单一的。使用时应把"标注偏倚"当作与"类别不平衡"同等级的一等公民来对待。

3.4 质量控制与子集划分

ZCHSound 的质量控制不是靠单一阈值，而是靠"双子集分离"实现：与其把低质量录音清洗掉或强行保留在训练集里污染对高质量数据的评测，不如把 318 名新生儿单独成集，配独立任务。这一设计的好处是：高质量子集上的基准更"干净"，低质量子集则专门暴露算法在噪声与新生儿的鲁棒性问题；代价是两个子集不可混用，跨子集的结论需要分别报告（§5 四任务即由此而来）。

3.5 伦理与合规链路

ZCHSound 的受试者是儿童（2 天至 14 岁，含出生 5 天内新生儿），这使它落在数据伦理中最敏感的一档。论文/目录层面可见的合规要素：

1. 伦理审查：作为 IEEE TBME 发表的临床数据论文，采集通常需经机构伦理委员会（IRB）批准并取得监护人知情同意——但本条目未能在可核验的公开来源中确认 ZCHSound 的具体 IRB 批号与知情同意表述（记为遗留疑点，§9）。
2. 去标识：论文未明示去标识流程。心音信号本身不直接含身份信息（不同于影像/基因组），但元数据中的年龄、性别、采集中心、采集日期组合可构成重识别风险，尤其对新生儿这类小样本亚群。
3. 数据共享的伦理前提：即便技术上去标识，向公网公开儿童生理数据仍需证明"共享的公共利益 > 隐私风险"，且需符合《儿童个人信息网络保护规定》《个人信息保护法》（中国）及使用者所在司法辖区法规。

对使用者的硬约束：使用 ZCHSound 时，不可假设"数据集公开 = 已完全合规"。涉及未成年人的数据，发布方与使用方各有独立的合规义务。若研究涉及再分发或与其它数据链接（linkage），需重新做隐私影响评估（PIA）。

3.6 可复现性评级

按"能否在公开信息下复现"给 ZCHSound 各环节评级，便于使用者预判工作量：

环节	可复现性	说明
数据获取	低	官方站点本轮 404，许可未确证（§6.2/§6.3）
信号规格	高	8000 Hz/16-bit/.wav/单听诊点，论文明确
标签体系	高	五分类定义清晰
逐类分布	中	仅知 Normal 533/PDA 32，其余未知（§2.11）
数据划分	中	两口径并列（60-20-20 vs. 70:15:15），需声明（§5.5）
特征工程	中-高	84 维时频特征存在，但逐特征定义未公开
基线模型	中	RF F1=90.3% 有报告值，但超参/代码未公开确认
预处理细节	中	复现研究给出 Mel 频谱流程（16 kHz/1024/512/64），但有设备端处理不确定项（§4.4）

综合评级：中等偏低。核心障碍不在方法（方法描述较清晰），而在数据获取与许可——这是硬门槛。任何打算复现的团队，第一步不是写代码，而是先解决 §6 的获取与合规问题。

3.7 与真实临床流程的差距

把 ZCHSound 放回它想服务的临床场景（儿童先心病普筛），可见几处**“数据集 ≠ 临床”**的差距，这些差距决定了模型到部署的距离：

1. 单听诊点 vs. 多听诊区：真实儿科心脏检查有多个听诊区与体位变换，ZCHSound 只有一处（§2.9）。
2. 专家采集 vs. 基层采集：ZCHSound 由经验丰富的超声医师与心脏专家参与，采集环境可控；真实普筛场景中，采集者可能是基层护士、环境嘈杂——这正是低质量子集想逼近的情形，但 318 名新生儿仍不足以覆盖"基层嘈杂环境"的全部变异。
3. 金标准标签 vs. 初筛不确定：ZCHSound 的每条标签都是超声+双专家确定的金标准；真实筛查中，绝大多数样本是"待定"，模型要在不确定区域工作，而数据集中没有"金标准不确定"的类别。
4. 人群分布 vs. 筛查人群：clean 子集 Normal 533 名反映的是"到院就诊人群"，未必等于"社区筛查人群"的先验分布；在社区普筛中 CHD 患病率更低，模型的特异性会承受更大压力。

结论：ZCHSound 是一个优秀的算法研发与基准数据集，但从它到"可部署的筛查系统"之间，还隔着采集标准化、人群先验校准、以及跨机构验证三道工程关。把 ZCHSound 的分数直接解读为临床可部署性，是 §7.3 坑 3 的具体体现。

3.8 数据集生命周期治理

一条数据集从采集到退役要经历若干阶段，ZCHSound 当前所处位置值得标注：

生命周期阶段	ZCHSound 状态
规划与伦理审批	已完成（2020 前，未公开细节）
采集	已完成（2020-2022，三中心）
标注与质控	已完成（超声+双专家共识，双子集分离）
发布	已发生（论文 2024，NGDC 登记 v1.0）
分发	存疑——官方站点本轮 404（§6.2）
维护/更新	未见后续版本（仅 v1.0，§6.5）
引用/复用	活跃（CiC24/MDPI/Springer 下游，§8.3）
退役/归档	未披露

治理警示：ZCHSound 处在"发表活跃但分发渠道存疑"的错位状态——学术影响力在增长（引文约 11 次且下游持续复现），而唯一官方下载入口的可达性却无法确认。这种错位是小规模科研数据集最常见的风险：论文会长期存在，托管站点却可能随项目结题而失维。对依赖它的研究，建议尽早获取数据本地留存，并关注是否有机构级归档（如 NGDC 本身是否镜像数据本体，而非仅登记元数据——这一点本轮未确证，§9）。

3.9 与 SPRSound 的方法学对照

SPRSound（SJTU 儿科呼吸音库）是与 ZCHSound 最常被并提的"国内开源儿科生理声音库"，两者的对照能凸显 ZCHSound 的设计选择：

维度	ZCHSound	SPRSound	对照含义
信号域	心音（PCG）	呼吸音（respiratory）	不同生理信号
疾病域	先心病（CHD）	呼吸系统疾病	不同临床目标
采集设备	ChildCare G-100 智能电子听诊器	电子听诊器	均用电子听诊器
标签	五分类 CHD（超声+双专家共识）	呼吸音事件分类	标签体系不同
人群	2 天-14 岁儿童	儿童	同为儿科
公开性	官方站点本轮 404（存疑）	公开	公开渠道差异

方法学可比处：两者都用电子听诊器、都做儿科生理声音、都涉及多中心/多标注者——因此在"设备域偏移"“标注一致性”"类别不平衡"这些跨数据集共性难题上可以相互借鉴经验。但任务不可迁移：呼吸音模型与心音模型不通用。

§4 数据规模、人群与规格总表

4.1 硬数字总表

下表汇总三源互证后的核心硬数字，每个数字后标注来源：

维度	数值	来源
受试者总数	1259	CiC24 表 1 / NGDC / IEEE 摘要
高质量（clean）子集	941 名	CiC24 表 1 / Springer / MDPI
低质量（noisy）子集	318 名新生儿（出生后 5 天内）	CiC24 表 1 / Springer
录音总数	1259 条	CiC24 表 1
录音时长均值	约 20.11 s	CiC24 表 1
录音时长范围	6.46-60.12 s	CiC24 表 1（原始论文口径）
采样率	8000 Hz	论文 / NGDC / 复现研究
量化位深	16-bit	论文
格式	.wav	论文
年龄范围	2 天至 14 岁	CiC24 / Springer
类别数	5（Normal/ASD/PDA/PFO/VSD）	论文
特征维度	84（时频）	论文
基准任务	4	Springer 转录
采集期	2020-2022	论文 Method

4.2 人群构成

受试者为 2 天至 14 岁的儿童，来源横跨三个采集中心（浙江、海南、昆明）。年龄跨度带来两个技术含义：

1. 心率与心音形态随年龄变化：新生儿心率可达 120-160 次/分，学龄儿童降至 70-100 次/分。同一套 84 维特征在两端年龄段的分布不同，若不做年龄归一化，模型可能把"年龄"当成"病理"的代理变量。
2. 新生儿单独成集：318 名新生儿被划入低质量子集，既因为信号质量差，也因为其人群特征与其余 941 名显著不同。这意味着高质量子集的人群主体是出生 5 天以后至 14 岁的儿童。

4.3 采集中心的可能影响

三中心在论文摘要层面未逐一点名（该信息来自 MDPI 2026 复现研究的披露）。使用者的合理关切是：三中心之间的采集者、时间、设备维护状态、环境噪声是否一致？ 论文未提供逐中心样本量与逐中心分布，因此无法在公开信息层面评估"中心"这一批次的混杂效应。若要做严格的跨中心分析，需向数据方索取逐中心元数据。

4.4 设备与信号链

完整信号链为：儿童仰卧位 → 胸骨左缘第 2-3 肋间贴 ChildCare G-100 探头 → 智能听诊器内置采样（8000 Hz / 16-bit）→ 输出 .wav。由于是"智能"电子听诊器，其内部可能已做初步滤波/降噪处理，而论文未详细披露预处理细节；这带来一个元数据缺口——数据中保留的是原始模拟信号的高保真数字化，还是已经过设备端处理的信号？ 对需要复现原始声学特性的研究（如杂音频谱建模），这一不确定项需要向数据方核实。

4.5 规格速查（供建模对齐）

signal      : single-channel PCG (phonocardiogram)
sample_rate : 8000 Hz
bit_depth   : 16-bit
format      : .wav
duration    : mean ~20.11 s, range 6.46-60.12 s (original paper caliber)
position    : supine, left sternal edge between 2nd and 3rd ribs
device      : ChildCare G-100 electronic stethoscope
subjects    : 1259  (clean 941 + noisy 318 newborns)
classes     : 5  (Normal / ASD / PDA / PFO / VSD)
features    : 84 (time-domain + frequency-domain)
tasks       : 4  (clean/quality x binary/multiclass)
split       : 60-20-20 (original paper) vs 70:15:15 subject-wise (MDPI repro)

4.6 三个采集中心的可能人群差异

三中心横跨浙江（东部沿海发达地区）、海南（南部岛屿省份）、昆明（西南高原），在地理与人群上差异明显。这种组合在流行病学上有其价值，也带来解释上的复杂性：

中心	地理/人群特征	可能的先心病谱差异
浙江大学医学院附属儿童医院（杭州）	东部发达地区，三甲，转诊中心	疑难病例占比可能更高，亚型更全
海南省妇幼保健院	南部岛屿，人口基数较小	患儿来源以省内为主
昆明医科大学附属儿童医院	西南高原，多民族地区	可能存在高原相关心血管表型差异

重要提醒：以上均为地理/流行病学层面的合理推测，论文与目录未披露逐中心的样本量与病例构成（§4.3 疑点 5）。因此无法验证"三中心人群是否真的有多样性"，也无法排除"三中心其实是同一批转诊人群"的可能。在使用时，不应假设数据已覆盖中国儿童的广泛多样性——这一点需向数据方核实逐中心元数据后才能判断。

4.7 年龄跨度的技术含义（量化展开）

"2 天至 14 岁"这一跨度覆盖了儿科心血管系统的整个发育过程，其技术含义可按年龄段展开：

年龄段	心率区间（次/分）	心音形态特点	对建模的含义
新生儿（0-28 天）	120-160	胸壁极薄，S1/S2 清晰但易混入呼吸音	低质量子集（318 名）主体
婴儿（1-12 月）	100-140	心音传导强，杂音易闻及	先心病检出窗口
幼儿-学龄前（1-6 岁）	80-120	形态趋于稳定	高质量子集主体之一
学龄（6-14 岁）	70-100	接近成人形态	高质量子集主体之一

核心风险：同一个 84 维特征（如心率相关特征、频谱能量分布）在不同年龄段取值差异显著。若不控制年龄，模型可能把年龄当作病理的代理变量（例如"心率快"被误学为"异常"——但新生儿心率本就快）。建议：建模时将年龄作为协变量或分层变量处理，并检查特征与年龄的相关性。

4.8 设备端的信号处理不确定性（再展开）

§4.4 提到智能听诊器可能内置滤波/降噪，这一不确定项的后果值得单独说明：

1. 若是原始信号：数据保留了完整的声学信息，研究者可自主选择预处理，声学建模自由度高。
2. 若已经过设备端处理：则存在一个未知的前置滤波器，可能导致：(a) 某些频段被预先衰减/增强，影响频谱特征；(b) 不同固件版本的设备处理不一致，引入难以察觉的域偏移；© 上游的降噪可能"抹掉"真实的弱杂音，损害少数类（如 PDA 的细微信号）的可分性。
3. 对跨设备泛化的影响：若 ZCHSound 的信号已含设备指纹，则换用其它听诊器采集的数据之间会存在"设备处理 + 设备频响"双重域差（§5.9.1）。

行动建议：在复现论文协议前，向数据方确认信号是否经过设备端处理、处理链路为何。若无法确认，应在论文中把"设备端处理未知"列为已知局限。

4.9 录音时长的分布形态与建模含义

已知时长均值约 20.11 s、范围 6.46-60.12 s（§2.2）。这组数字本身就携带建模信息：

1. 范围跨度大（约 9 倍）：6.46 s 到 60.12 s 的差异意味着，"一条录音"承载的心动周期数可能相差近十倍。直接整段输入会带来样本长度不一致，需切片或池化。
2. 均值 20.11 s：以学龄儿童心率约 80 次/分计，20 s 约含 27 个心动周期；以新生儿 140 次/分计，约含 47 个周期。周期数足够支撑节律与杂音分析。
3. 复现文的 11-30 s 口径（§7.1 存照三）：若真实发布的是截断后的 11-30 s，则长度更均匀，但仍需切片。
4. 切片策略的取舍：短窗（如 2 s，MDPI 做法）提高样本数但可能截断跨周期的杂音；长窗保留完整性但样本少。需结合 §5.5 的 subject-wise 划分防止泄漏。

4.10 规格速查（补充：建模前 checklist）

在 §4.5 规格速查的基础上，补充一份建模前规格核对清单：

[ ] 采样率确认        : 8 kHz（vs 复现的 16 kHz 重采样）
[ ] 位深/格式         : 16-bit / .wav
[ ] 子集选择          : clean(941) 还是 noisy(318)？不可混用
[ ] 年龄控制          : 是否纳入年龄协变量 / 分层？（4.7 风险）
[ ] 类别不平衡        : 是否加权/重采样/增强？（2.11）
[ ] 划分方式          : subject-wise + stratified（5.5）
[ ] 划分比例声明      : 60-20-20 还是 70:15:15？（7.1 存照四）
[ ] 切片策略          : 窗长/重叠 + 是否保证舒张期覆盖（5.7）
[ ] 设备端处理确认    : 是否已知？（4.8 不确定项）
[ ] 许可与合规确认    : 是否已向数据方确认？（6.3 / 3.5）

这份清单的用处是把散布全文的约束前置到建模动手之前，避免写了一半发现许可或划分口径有问题而返工。

§5 任务、特征与评估

5.1 四个基准任务

ZCHSound 定义了四个基准任务（Springer 2026 对原论文 Task 定义的转录）：

任务	数据子集	分类目标	类型
Task 1	高质量（clean）	CHD vs. non-CHD	二分类
Task 2	高质量（clean）	CHD 亚型	多分类
Task 3	低质量（noisy）	CHD vs. non-CHD	二分类
Task 4	低质量（noisy）	CHD 亚型	多分类

"高质量/低质量 × 二分类/多分类"的 2×2 设计用意清晰：二分类回答"要不要转诊"，多分类回答"是哪种病"；高质量子集测"理想条件下能做到多好"，低质量子集测"现实噪声下退化多少"。四者组合覆盖了从筛查到分诊的主要临床场景。

5.2 84 维时频特征

原论文在信号预处理后提取 84 维特征，覆盖时域与频域两类。这一步很关键：它意味着原论文的基准是经典机器学习（随机森林/KNN）在手工特征上的表现，而非端到端深度学习。这既降低了复现门槛（特征工程可复现、模型轻量），也为下游深度模型留下了"手工特征 vs. 学到的表示"的对标空间——MDPI 与 Springer 的复现研究正是在此基础上换成 CRNN+BiGRU、Hybrid ViT 等深度模型。

5.3 基线结果

原论文主结果：高质量子集二分类（normal vs. pathological），随机森林集成模型 F1 = 90.3%。

逐任务转录结果（Springer 2026 转录）：

模型	任务	指标
Random Forest	Task 1-1	90.3%
Random Forest	Task 1-2	93.4%
KNN	Task 2-1	62.5%
KNN	Task 2-2	55.7%

两条读法：

1. 二分类尚可，多分类骤降：RF 在二分类（Task 1）达 90%+，而 KNN 在多分类（Task 2）只有 55-62%。多分类要区分 ASD/PDA/PFO/VSD 四种结构性心脏病的杂音，难度远高于"正常/异常"，且受类别不平衡（PDA 仅 32）拖累。这提示 ZCHSound 的多分类是真正的难点。
2. 模型—任务交互：上表不同任务用了不同模型（RF 于 Task 1、KNN 于 Task 2），不能直接横向比较"RF 比 KNN 强多少"；它们是各自任务下的报告值。严格对标时需固定模型再比较。

5.4 复现研究的三条路径

ZCHSound 自 2024 年发表后被多个团队复现与扩展，三条代表性路径：

1. CiC24 “Listening to the Heart”（剑桥，PhysioNet/CinC）：把 ZCHSound 的四类 CHD 全部归为 abnormal，做跨语料泛化评测——在一种语料上训练、在另一种上测试，发现跨语料性能显著下降（§5.6）。
2. MDPI 2026 CRNN + BiGRU 多模态融合：在 clean 子集上采用 subject-wise 70:15:15 划分（先分受试者再切片，防止同一受试者的不同片段同时落入训练与测试造成泄漏），预处理为：重采样到 16 kHz → Mel 频谱（window 1024 / hop 512 / 64 Mel bins）→ 2 s 窗、50% 重叠切片。
3. Springer Scientific Reports 2026 Hybrid ViT：Mel 频谱 5 s 段，对标原论文协议。

5.5 划分口径的双口径存照

原论文与复现研究在数据划分上不一致：

• 原论文口径：60-20-20（Springer 转录）。
• MDPI 复现口径：subject-wise 70:15:15。

二者的差别不只是比例，更是防泄漏策略：在生理信号上，若按切片（segment）随机划分，同一受试者的相邻片段会同时进入训练集与测试集，模型可"记住"该受试者，导致测试性能虚高。MDPI 的 subject-wise 划分（先按受试者分，再切片）是对这一泄漏的纠正。因此，报告结果时必须声明划分方式，否则 90%+ 的数字可能不可比。本条目并列两口径，不裁定优劣（§9）。

5.6 跨语料泛化的实证警告

CiC24 “Listening to the Heart” 的核心发现值得单列：当模型在一种心音语料上训练、在另一种上测试时，性能显著下降。这与 §3.3 的单中心标注偏倚相互印证：ZCHSound 上 90%+ 的模型，换一个语料可能大幅退化。对使用者的行动建议是：不要把 ZCHSound 单集分数当作临床可部署性的证明；跨机构、跨语料的验证是不可省的一步。

5.7 SHAP 特征重要性：两个"更重要"

原论文用 SHAP 分析特征对模型输出的贡献，得到两条对领域有指导意义的结论：

1. 频域特征比时域特征更重要——心音的病理信息更多编码在频谱结构（杂音的频率分布、能量集中区）而非波形的时间包络上。这支持后续研究以 Mel 频谱/时频图为主要输入的路线（MDPI、Springer 复现均转向 Mel 频谱即为例证）。
2. 舒张期（diastolic period）相关特征比收缩期（systolic period）更重要——这与"先心病杂音常出现在舒张期"的临床直觉一致（如 PDA 的连续性杂音、部分 ASD/VSD 的舒张期成分）。这条结论对特征工程与切片策略都有直接价值：切窗时应保证舒张期片段的覆盖。

5.8 深度学习的适用性与数据效率

ZCHSound 的规模（1259 条）与不平衡（Normal 主导）共同决定了一个关键实践问题：直接上大模型会过拟合，深度学习需要用对方法。 本小节梳理在此数据规模下的可行策略与陷阱。

5.8.1 数据规模对模型选型的约束

数据类型	在 ZCHSound 上的可行性	理由
经典机器学习（RF/KNN/SVM）在 84 维手工特征上	高	特征维度低、样本需求小，原论文即用此法达 F1 90.3%
中小型 CNN 在 Mel 频谱上	中-高	复现研究证实可行（CRNN+BiGRU、Hybrid ViT）
端到端大模型（如音频 Transformer 从零训练）	低	1259 条 + 不平衡，极易过拟合
预训练音频模型微调（transfer）	中-高	借外部预训练弥补数据量，但需注意域差（心音 vs. 通用音频/语音）

核心判断：ZCHSound 上的最佳实践不是"堆模型"，而是 “手工特征 + 经典模型"或"预训练 + 微调”。原论文选择手工特征 + 随机森林，不是技术保守，而是对数据规模的正确回应。

5.8.2 数据增强与不平衡处理

针对 §2.11 的类别不平衡（PDA 仅 32 名），可行手段：

1. 重采样：对少数类过采样（SMOTE 在波形上不直接适用，需在特征空间或频谱图上做），或对多数类欠采样——但欠采样会损失 Normal 的多样性，需权衡。
2. 类别加权损失：给少数类更高权重，是最轻量的做法，不改变数据分布。
3. 数据增强：心音的时间平移、加性噪声、增益扰动、频域掩蔽（SpecAugment）均可增广少数类；但需小心不可引入改变病理含义的增强（如过度的频率搬移会破坏杂音频谱特征）。
4. 分层采样：任何划分（训练/验证/测试、交叉验证）都必须分层（stratified），保证每个折里都有少数类样本。

5.8.3 特征工程 vs. 端到端表示

原论文 SHAP 结论（频域 > 时域，§5.7）与下游转向 Mel 频谱（§5.4）共同指向一个实践共识：

• 频谱/时频图是心音的"合适表示"——病理信息主要编码在频率结构里。
• 手工特征仍有价值：84 维特征在低数据量下比端到端学习更稳健、更可解释。
• 推荐路线：以 Mel 频谱（或其它时频表示）为输入，用中小型 CNN/CRNN 提取表示，必要时与手工特征融合（这正是 MDPI 的"多模态融合"思路）。

5.8.4 评估的稳健性要求

结合 §7.2 与 §2.11，在 ZCHSound 上报告的任何一个数字都应满足：

1. 宏平均优先（macro-F1），并单列少数类（PDA）的每类指标。
2. 多次划分取均值±标准差，或分层 K 折，避免单次划分的随机性淹没结论。
3. subject-wise 划分（§5.5），杜绝切片泄漏。
4. 声明二分类还是多分类口径——二分类 90%+ 与多分类 55-62% 是两个完全不同的难度层级（§5.3），不可混谈。
5. 报告 AUROC 与 AUPRC，尤其在不平衡下 AUPRC 更敏感。

5.9 跨语料泛化：从 ZCHSound 出发的域适应问题

CiC24 的跨语料实验（§5.6）把 ZCHSound 的核心局限——域偏移——推到了前台。本小节展开这一问题的结构，因为它决定了 ZCHSound 的真正适用范围。

5.9.1 域偏移的来源

ZCHSound 上训练的模型换语料退化，来源至少有四：

1. 设备域：不同听诊器的频响曲线不同；ZCHSound 全部用 ChildCare G-100（§2.3），换设备即产生频谱形状差异。
2. 人群域：儿科 vs. 成人，新生儿 vs. 学龄儿童，心率与心音形态不同（§4.2）。
3. 采集域：单听诊点/仰卧位协议（§2.9）与其它数据集的采集协议不一致。
4. 标注域：单中心标注偏倚（§3.3）使标签边界带机构指纹，换语料后"同一心音"的标签定义可能漂移。

5.9.2 对使用者的三条策略

1. 把 ZCHSound 当源域或目标域之一，而非全部。做跨语料研究时，ZCHSound 提供"儿科心音"这一独特域，与成人语料组合能暴露域偏移。
2. 域适应/域泛化技术是必要的。仅靠 ZCHSound 单集训练，模型难以跨设备/人群。
3. 报告时必声明训练语料与测试语料的域关系。同域分数与跨域分数不可比（§5.6）。

5.9.3 一个诚实的定位

ZCHSound 的论文标题是 “Open-Source ZJU Paediatric Heart Sound Database”——"开源"与"儿科"是它的身份标签，"跨语料泛化"不是它的承诺。把它当作"某一家医院人群上、某一种设备下、由专家共识标注的儿科心音基准"来用，是与其证据强度匹配的定位；把它当作"可直接部署的通用先心病筛查模型的数据基础"，则超出了现有证据（§3.7）。

5.10 与心电（ECG）标注的关系

论文提到诊断确认"based on their ECG results"（§3.2），即心音之外还结合了心电图结果。这一细节有两层含义：

1. ZCHSound 的标签不是"纯听诊"标签。最终诊断综合了超声、心电与专家判断——因此它是一个临床金标准诊断数据集，而非"听诊音频→听诊结论"的纯音频任务数据集。这在评估时很重要：模型学的是"预测临床诊断"，不是"复制医生听诊"。
2. ECG 数据本身是否随 ZCHSound 一同发布，未见披露。若只有心音发布，则 ECG 只是标注流程的一部分（不进入数据），使用者拿到的仍是"心音→诊断"的映射。这一点记为待核（§9）——若 ECG 也发布，则 ZCHSound 可能是"心音+心电"多模态数据集，价值与用法都会不同。

6.7 数据集引用规范

若在研究中引用 ZCHSound，建议（依据 DOI 与卷期口径，§7.1 存照一）：

论文引用（正式卷期口径）：

Jia W, Wang Y, Ye J, Li D, Yin F, Yu J, Chen J, Shu Q, Xu W. ZCHSound: Open-Source ZJU Paediatric Heart Sound Database With Congenital Heart Disease. IEEE Transactions on Biomedical Engineering, 2024, 71(8): 2278-2286. doi:10.1109/TBME.2023.3348800. PMID: 38194403.

数据集引用：建议同时引用论文与官方数据入口（http://zchsound.ncrcch.org.cn/），并注明访问日期；若通过 CiC24 等下游渠道间接获取，应如实声明获取路径（§6.6）。

引用时须注意：NGDC 的 “2024:PP()” 为 early access 口径，正式引用应用 71(8):2278-2286（§7.1）。

6.8 与库内其它"临床金标准标注"数据的共性

ZCHSound 的标签来自"超声 + 双专家共识"，这使它属于"金标准标注的临床数据集"这一类别。这类数据集在千方库内可能以不同模态存在（影像、信号、文本），它们共享若干使用前提：

1. 标注流程即证据等级：金标准标注（专家共识/病理确认）> 单医师标注 > 众包/规则派生。引用时须复核其标注流程，而非只看规模。
2. 标注偏倚的普遍性：任何单中心/单机构标注都可能带入机构指纹（§3.3），跨机构泛化是共性难题。
3. 类别分布反映就诊人群：医院数据集的类别先验往往不等于社区人群先验（§3.7），迁移到筛查场景需重校准。

建议互链原则：主会话建链时，可将 ZCHSound 与库内其它"金标准标注 + 含偏倚声明"的数据集建立方法学互链（而非仅按模态互链），因为它们在"如何读一个临床数据集"这件事上共享同一套注意事项。

§6 获取、许可与版本链

6.1 唯一官方入口

论文结论原文给出唯一公开获取入口：

“Our data can be accessed and downloaded by the public at http://zchsound.ncrcch.org.cn/”

该域名 zchsound.ncrcch.org.cn 归属 ncrcch.org.cn——National Clinical Research Center for Child Health（国家儿童健康与疾病临床医学研究中心），即挂靠浙江大学医学院附属儿童医院的国家级临床研究中心。这从域名层面印证了 §3.1 的机构归属：数据由浙大儿院/国家临床研究中心体系发布，而非第三方镜像。

第三方目录（Springer 2026 复现文、CiC24 脚注）记录的入口路径有细微差异：

来源	记录的入口路径
IEEE 论文结论	http://zchsound.ncrcch.org.cn/
Springer 2026 复现文引用	http://zchsound.ncrcch.org.cn/data
CiC24 脚注	http://zchsound.ncrcch.org.cn/dataset

三处路径不同（根 /、/data、/dataset），说明入口页在文献流转过程中存在版本差异或改版，这一差异本身是站点元数据不稳定的信号。

6.2 抓取时点实况（重要存照）

本轮（2026-10-08）抓取时点，http://zchsound.ncrcch.org.cn/ 根路径与 /data、/dataset 在本环境均返回 nginx 404。 需要精确区分 404 的两种可能含义：

1. 域名有响应（返回 nginx 服务器页而非 DNS 解析失败/连接超时），说明服务器在线、域名有效；
2. 但相应路径不存在或已变更——404 表示路径级缺失，不是"整个站点关闭"。

因此当前状态应记为"站点可达性存疑，非确定失效"。三种可能解释并列，本条目不做裁定：

• 可能一：访问受限。该域名可能只对院内网络或特定 IP 段开放，外部公网访问被前置网关拦截为 404 而非 403（常见于国内机构站点）。
• 可能二：路径变更。文献记录的 /、/data、/dataset 均已改版，新入口未同步到公开文献。
• 可能三：迁移/下线。数据已迁移至其它平台，或原站点已下线，旧域名仅保留占位服务器。

行动建议：若需获取数据，优先联络通讯作者 Weize Xu（weizexu@zju.edu.cn，NGDC 登记的 PI）或通过浙江大学医学院附属儿童医院/国家临床研究中心官方渠道；不要依赖文献中的裸 URL。

6.3 许可状态：未确证

这是本条目最需要读者注意的元数据缺口。三点事实并列：

1. 论文未标注明确 SPDX 许可。IEEE TBME 论文正文与结论均未给出 Creative Commons 或其它明确许可标识（数据论文常见做法是在数据集页单独声明许可，而非论文内）。
2. 站点 404 致许可页不可达。由于 §6.2 的实况，无法直读官方站点上的 license 原文或下载条款。
3. NGDC Database Commons 记为 Accessible。这是**可访问性（accessibility）**的登记，含义是"公开可访问/可获取"，不等同于许可条款——Accessible 说明"能拿到"，不说明"拿到后能怎么用"（能否商用、能否再分发、是否需署名）。

因此本条目对许可字段的表述严格限定为：“open-access/公开可下载，具体许可条款以站点为准（本轮未确证）”，不做任何超出证据的推断。使用者在下游发表或商用前，必须自行向数据方确认许可，这是不可省的一步（参 §9 遗留疑点）。

6.4 NGDC Database Commons 登记

NGDC（National Genomics Data Center）Database Commons 是本条目唯一可稳定核验的第三方目录登记，其元数据条目如下：

字段	登记值
Year founded	2024
Last update	2024-01-09
Version	v1.0
PI	Weize Xu（徐玮泽）
Institution	Zhejiang University / NCRCCH
Data type	Other
Data object	Animal（登记限定 Homo sapiens 品种）
Category	Health and medicine / Raw bio-data
Accessibility	Accessible
Citations	11（Europe PMC 口径，2026-10-03 抓取）

其中 Data object: Animal、品种 Homo sapiens 的登记略显别扭——这是 NGDC 面向基因组/组学数据设计的字段体系对"临床信号数据集"不适配导致的形式化归类，不应理解为数据来自动物。Data type: Other 同样说明该库不在 NGDC 的原生登记模板覆盖范围内。

6.5 版本链与时间线

ZCHSound 目前只披露一个版本：

• v1.0（NGDC 登记，last update 2024-01-09）——无后续版本披露。

但存在建库时间的双口径（§7 逐条存照）：NGDC 的 Year founded 2024 / last update 2024-01-09，与第三方目录 selectdataset 登记的创建时间 2024-07-15 不一致。二者相差约半年，可能分别是"数据冻结/登记时点"与"第三方目录收录时点"，也可能是不同版本。本条目不裁定，并列存照。

时间线汇总：

时点	事件	来源
2020-2022	心音前瞻采集期	论文 Method
2023-12（在线）/ 2024	论文 IEEE TBME 在线首发	IEEE Xplore 文档号 10384868
2024-01-09	NGDC 登记 v1.0，last update	NGDC Database Commons
2024-07-15	第三方目录 selectdataset 登记创建	selectdataset（第三方口径）
2024	论文正式卷期 71(8):2278-2286	IEEE / Mendeley
2024-07	CiC24 “Listening to the Heart”（PhysioNet/CinC）跨语料评测	CiC24 论文
2026	MDPI CRNN+BiGRU、Springer Hybrid ViT 复现	MDPI / Springer Sci Rep

6.6 下游复现获取路径

即使官方站点不可达，ZCHSound 的下游生态提供了两条间接获取与对标路径：

1. CiC24 “Listening to the Heart”（PhysioNet/CinC 2024）：该挑战赛把 ZCHSound 纳入跨语料评测语料集，参赛者可按挑战赛规则获取处理后的数据子集——这是当前最可能可复现的获取路径。
2. 复现研究的预处理脚本：MDPI 2026 与 Springer 2026 均公开了其预处理流程（重采样 16 kHz → Mel 频谱 → 切片），可据此复现实验协议，但论文本身不含原始 wav，仍需回归 §6.1 的官方入口。

§7 双口径存照、评估与陷阱

7.1 双口径冲突逐条存照

本条目涉及的三方转录源（CiC24 / Springer / MDPI）与原始论文、NGDC 之间存在五处口径冲突。逐条存照如下，不裁定优劣，以供使用者对齐：

存照一：论文卷期口径（early access vs. 正式卷期）

• NGDC 收录写 “IEEE Trans Biomed Eng. 2024:PP()”——PP() 为 early access 页码占位符，表示在线先发、尚未编入卷期。
• IEEE Xplore / Mendeley 口径为 “71(8):2278–2286, 2024”。
• 含义：同一论文两套引用口径。引用时以正式卷期 71(8):2278-2286 为准；DOI 10.1109/TBME.2023.3348800 在两种口径下唯一。

存照二：子集口径（participants vs. recordings）

• CiC24 明确写 941 participants / 318 participants（受试者）。
• Springer 2026 复现文写 “941 clean recordings” / “318 noisy recordings”（把受试者数与录音数混用）。
• 口径自洽性：因 ZCHSound 每位受试者恰好对应一条录音，1259 受试者 = 1259 录音，两种表述在数值上不冲突，但术语误用会在"每受试者多段"的假设下误导使用者。本条目统一按"941 名 + 318 名受试者 / 共 1259 条录音"表述。

存照三：录音时长口径

• CiC24 表 1（转录原始论文）写范围 6.46-60.12 s，均值约 20.11 s。
• Springer 2026 复现文写 “each recording was 11-30 seconds”。
• 含义：两口径显著不同。可能分别对应"原始录音全长"与"预处理截断后长度"，也可能复现文为概括性描述。本条目按原始论文口径写 6.46-60.12 s，并注复现文差异。

存照四：数据划分口径

• 原论文口径：60-20-20（Springer 转录）。
• MDPI 复现口径：subject-wise 70:15:15。
• 含义：不只是比例差异，更是防泄漏策略差异（§5.5）。报告结果必须声明划分方式。

存照五：建库时间口径

• NGDC：Year founded 2024 / last update 2024-01-09。
• 第三方目录 selectdataset：创建时间 2024-07-15。
• 含义：相差约半年，可能为"数据冻结/登记时点"与"目录收录时点"之别（§6.5）。

7.2 评估口径：为什么必须报告 F1 而非准确率

结合 §2.5 的类别不平衡（Normal 533 vs. PDA 32），一个技术性但关键的警告：

准确率（accuracy）在本数据集上具有系统性的虚高倾向。 若测试集里 Normal 占多数，一个把所有样本判为 Normal 的退化模型也能拿到很高的准确率，但这个数字对临床毫无意义。因此：

1. 主指标用 F1——原论文选择 F1 而非准确率作为二分类主指标（90.3%），方向正确。
2. 多分类必须报告宏平均（macro-F1）——宏平均对每类等权，能暴露 PDA（32 名）等少数类的崩溃；微平均或整体准确率会掩盖它。
3. 报告每类召回率与 AUROC/AUPRC——AUPRC 对不平衡更敏感，是少数类检测的合适指标。
4. 考虑代价敏感——临床上漏诊先心病（假阴性）的代价远高于误报（假阳性），损失函数应反映这一非对称。

7.3 五个坑点（编号制）

坑 1：把"1259"当成 1259 条录音就万事大吉。
1259 是受试者数，恰等于录音数（每人一条）。但 318 名新生儿低质量子集与 941 名高质量子集人群与信号条件不同，不可混在一起训练或评测。四任务里"高质量×2 + 低质量×2"正是为此设计——忽视子集分野会导致结论不可迁移（§2.1 / §5.1）。

坑 2：用准确率报结果，被 Normal 多数类"灌水"。
clean 子集 Normal 533 名、PDA 仅 32 名，类别严重不平衡。整体准确率会严重高估性能，必须用宏平均 F1、每类召回率、AUROC/AUPRC（§2.5 / §7.2）。

坑 3：忽视单中心标注偏倚，把单集分数当临床可部署性证明。
论文 Limitations 自曝所有标注医师同源、训练背景相似，存在 data annotation bias。任何"ZCHSound 上 95%“都不等于"任意医院 95%”。CiC24 的跨语料实验已实证：跨语料性能显著下降（§3.3 / §5.6）。

坑 4：按切片随机划分造成受试者泄漏。
心音按 2 s 窗切片后，若随机划分，同一受试者的相邻片段会同时落入训练与测试集，模型可"记住"该受试者，测试分数虚高。必须 subject-wise 划分（先分受试者再切片），MDPI 复现的 70:15:15 即为此设计（§5.5）。此外，报告结果必须声明划分口径（原论文 60-20-20 vs. 复现 70:15:15），否则数字不可比。

坑 5：把 ZCHSound 与相邻数据混为一谈。
常见混淆有三：与 SPRSound（SJTU 儿科呼吸音库，任务域是呼吸不是心血管）；与 PhysioNet/CinC 2016/2022（心音挑战赛，但人群以成人为主）；与库内 covid-19-sounds（呼吸/咳嗽音，仅"音频类医学数据集"语义相邻，生理信号与任务均不同）。划清边界才能正确选择对标基准（§2.6 / §8.1）。

坑 6：假设"数据公开 = 可自由使用/再分发"。
开源数据不等于无约束数据。ZCHSound 的许可条款本轮未确证（§6.3），且受试者为儿童、涉未成年人隐私（§3.5）。在未向数据方确认许可范围（能否商用、能否再分发、是否须署名、是否须再征求意见）之前，任何商用或再分发都存在合规风险。这是本条目列为首要约束的一条（§9 P0 疑点）。

坑 7：不做年龄控制，把"年龄"当"病理"学进去。
受试者跨 2 天至 14 岁，新生儿心率 120-160 次/分、学龄儿童 70-100 次/分（§4.7）。若特征工程或模型不控制年龄，模型可能把"心率快/胸壁薄"这类年龄相关特征误学为"异常"，导致对新生儿的系统性误判。建议把年龄作为协变量或分层变量，并检查特征与年龄的相关性（§4.7）。

坑 8：把"低质量子集"当作信号质量筛选标签使用。
“noisy” 在 ZCHSound 中与"出生 5 天内新生儿"这一人群变量完全共线（§2.8），它不是可复现的 SNR 阈值判据。若你的研究需要按信号质量分层，直接沿用 clean/noisy 会与年龄混淆；应自行计算质量指标或索取分组依据（§2.8）。

7.4 DAIMS 数据管理要素表

按 DAIMS（Data Management Information Model）框架梳理 ZCHSound 的数据管理要素，便于治理与合规评估：

DAIMS 要素	ZCHSound 情况	备注
数据资产（Asset）	1259 条单通道心音 .wav（8000 Hz / 16-bit），配五分类 CHD 标签	受试者级与录音级一一对应
数据来源（Provenance）	2020-2022 三中心前瞻采集，ChildCare G-100 智能电子听诊器	单听诊点、仰卧位（§2.3）
所有权（Ownership）	浙江大学医学院附属儿童医院 / 国家临床研究中心	通讯 Weize Xu（§1）
许可（License）	未确证——论文无 SPDX 标注，站点 404 致许可页不可达；NGDC 记 Accessible	本条目最大元数据缺口（§6.3 / §9）
访问（Access）	论文指向 http://zchsound.ncrcch.org.cn/；抓取时点 404	可达性存疑（§6.2）
质量（Quality）	双子集分离（clean 941 / noisy 318）；双专家共识确认诊断	但类别不平衡 + 单中心标注偏倚（§2.5 / §3.3）
血缘（Lineage）	v1.0（NGDC 2024-01-09）；下游 CiC24 / MDPI / Springer 复现	单版本，无后续披露（§6.5）
隐私（Privacy）	论文未明示去标识流程；受试者为儿童，涉未成年人数据	敏感——非受试者级可识别信息使用前需确认合规（§9）
元数据（Metadata）	规格、标签体系、任务定义较完整；逐类分布与逐中心样本量缺失	ASD/PFO/VSD 逐类数字待核（§9）
保存（Preservation）	官方站点可达性存疑，无公共镜像披露	长期可获取性有风险（§6.2）

这张表的核心用处：许可（License）与隐私（Privacy）两格是空的或不确定的——这正是任何拿 ZCHSound 做下游研究（尤其涉及发表、商用、再分发）的人首先必须补齐的信息。

§8 生态、互链与对照

8.1 库内可互链条目

在千方 AI-Ready Wikipedia 库内，与 ZCHSound 存在语义关联、可建立互链的条目如下（rid 由主会话按 url_name 反查确认，写手不开库）：

库内条目（url_name）	关联类型	关系说明
heart-lung-segmentations-data	语义相邻（心肺音）	心肺音分割/信号处理，同为听诊相关生理信号域，方法学可比；注意其为分割任务、ZCHSound 为分类任务
covid-19-sounds	音频类医学数据集（弱关联）	呼吸/咳嗽音，同属"音频类医学数据集"，但生理信号类型（呼吸音 vs. 心音）与任务域均不同，仅作"音频类"互链，不可当同类比较

互链方向建议：

1. 生理信号 / 语音信号标签簇——ZCHSound 归类为"生理信号"与"语音信号"，与库内所有音频/波形类数据集共处一个检索簇，建议在主会话建链时优先连接该簇内条目。
2. 心血管疾病标签簇——ZCHSound 的 target 是 CHD，与库内心血管相关条目（若有 ECG/心血管影像条目）构成"心血管 AI 数据"簇。
3. 儿科标签簇——受试者为 2 天至 14 岁儿童，与库内儿科数据集（若存在）互链。
4. 评测基准 / 医学问答与基准标签簇——ZCHSound 提供四任务基准与 RF 基线，属"带基准的数据集"，与库内其它 benchmark 类条目同类。

8.2 心音领域对照谱系

把 ZCHSound 放进心音（PCG）分析的整体谱系，可看清它的位置：

数据集/挑战赛	人群	任务	与 ZCHSound 的关系
PhysioNet/CinC Challenge 2016	以成人为主	正常/异常心音二分类	心音分类的经典基准；人群与标签体系不同于 ZCHSound 的儿科五分类
PhysioNet/CinC Challenge 2022	以成人为主	瓣膜病（valvular disease）分类	心音分类的后续挑战；聚焦瓣膜病，标签不同于先心病亚型
PASCAL Challenge Database	以成人为主	心音分类基准	心音分类早期基准，成人为主
CiC24 “Listening to the Heart”	跨语料	跨语料泛化评测	直接使用 ZCHSound——把四类 CHD 归为 abnormal 做跨语料评测，实证跨语料性能下降（§5.6）
SPRSound（SJTU）	儿科	呼吸音分类	同为国内开源儿科生理声音库，方法学可比，但信号域不同（呼吸音 vs. 心音）
ZCHSound（本条目）	儿科 2 天-14 岁	先心病五分类	国内开源、儿科、五分类 CHD、双专家共识金标准标签——定位独特

8.3 外部生态与下游复用

ZCHSound 的下游生态自 2024 年起已形成三条复现/扩展路径（§5.4）：

1. CiC24 “Listening to the Heart”（剑桥，PhysioNet/CinC 2024）——跨语料泛化评测，最活跃的下游使用。
2. MDPI 2026 CRNN + BiGRU 多模态融合——clean 子集 subject-wise 70:15:15，Mel 频谱输入。
3. Springer Scientific Reports 2026 Hybrid ViT——Mel 频谱 5 s 段，对标原论文协议。

这三条路径共同验证了原论文 SHAP 结论的方向性：下游研究普遍转向频谱/时频图输入（而非手工时域特征），正是因为"频域特征比时域更重要"（§5.7）。这是 ZCHSound 除数据本身之外的方法学溢出价值——它不仅提供了数据，还提供了一个被下游反复确认的特征工程方向。

8.4 使用场景与建议

按使用者角色给出对齐建议：

• 做智能听诊算法的研究者：主战场是 Task 2（高质量多分类，区分 ASD/PDA/PFO/VSD），这是当前最难点，KNN 仅 55-62%（§5.3）；建议用宏平均 F1 + AUPRC，并显式处理类别不平衡。
• 做跨域/跨语料泛化的研究者：直接对标 CiC24 的跨语料协议，把 ZCHSound 作为"儿科心音源域"之一。
• 做新生儿筛查的研究者：关注 318 名新生儿低质量子集（Task 3/4），这是最接近"床旁新生儿先心筛"场景的数据，但质量与人群特殊，结论需谨慎。
• 做数据治理/合规的研究者：ZCHSound 是一个许可未确证 + 涉未成年人数据的典型样本，可作"敏感生理数据集治理"的案例（§7.4）。

§9 遗留疑点与待核清单

以下为本条目成稿时未能确证的事项，逐条列出供后续核验与使用者对齐。凡涉及数字的疑点，主会话建链/收录时建议标注"待核"。

疑点 1（最高优先）：许可条款未确证。
论文未标注明确 SPDX 许可，官方站点 zchsound.ncrcch.org.cn 抓取时点根路径与 /data、/dataset 均返回 nginx 404，许可页不可达。NGDC 记 Accessible 只表示可访问，不等于许可条款。使用者在下游发表/商用/再分发前，必须自行向数据方（通讯作者 Weize Xu weizexu@zju.edu.cn 或 NCRCCH 官方渠道）确认许可（§6.3）。

疑点 2（高优先）：官方站点当前可达性存疑。
抓取时点 404，但域名有 nginx 响应，说明服务器在线、路径缺失。可能是访问受限（限院内/特定 IP）、路径改版、或迁移/下线。三种可能并列，未裁定（§6.2）。结论：数据当前是否仍可公开下载、从何入口下载，未确证。

疑点 3：ASD/PFO/VSD 逐类样本数未知。
仅确证 clean 子集 Normal 533 名、PDA 32 名（MDPI 2026 披露）。ASD、PFO、VSD 三类逐类数字本轮未逐条抓取，因此完整类别分布未知——这直接影响多分类的难度评估与宏平均 F1 的解读（§2.5）。

疑点 4：低质量子集的类别分布未披露。
318 名新生儿低质量子集里 Normal 与四类 CHD 各占多少，未见公开披露。Task 3/4（低质量子集）的类别不平衡程度因此未知（§2.5 / §9）。

疑点 5：逐中心样本量与逐中心分布未知。
三采集中心（浙江/海南/昆明）各自贡献多少受试者、各中心人群构成如何，论文摘要层面未逐一点名与量化，无法在公开信息层面评估"中心"这批次的混杂效应（§4.3）。

疑点 6：IEEE Xplore 正文 JS 门禁，关键数字依赖三方转录。
IEEE Xplore 正文受 JavaScript 门禁保护，本轮无法逐段直读 Results 表原文；本条目关键数字（1259/941/318、20.11 s、6.46-60.12 s、90.3% 等）依赖 CiC24 / Springer / MDPI 三方转录相互印证，属间接核验。若需引用精确数字，建议以论文正式版原文复核（§4.1）。

疑点 7：引文数随时点漂移。
NGDC 抓取时点显示 11 Citations（Europe PMC 2026-10-03）；首轮搜索 Europe PMC 摘要页显示 9/5 Citations。引用数随时间漂移，本条目记"截至 2026-10 约 11 次"，不作精确断言（§6.4）。

疑点 8：隐私与去标识流程未明示。
论文未明示受试者数据的去标识（de-identification）流程，受试者为儿童（含出生 5 天内新生儿），属未成年人敏感数据。使用前需确认数据方是否已完成合规去标识、是否满足所在机构的伦理与法规要求（§7.4）。

疑点 9：版本是否会更新未知。
当前仅披露 v1.0（NGDC 2024-01-09），无后续版本。是否会发布修正版或扩充版未知（§6.5）。

9.1 待核项优先级

优先级	事项	对使用者的影响
P0	许可条款（疑点 1）	决定能否合法使用/再分发
P0	隐私与合规（疑点 8）	涉未成年人，决定能否合法使用
P1	站点可达性（疑点 2）	决定能否拿到数据
P1	ASD/PFO/VSD 逐类分布（疑点 3）	决定多分类评测方案
P2	低质量子集分布（疑点 4）	影响 Task 3/4 设计
P2	逐中心样本量（疑点 5）	影响跨中心分析可行性
P3	正文精确数字（疑点 6）	引用精度
P3	引文数（疑点 7）	时效性陈述

§10 附录

10.1 关键术语中英对照表

中文	英文 / 缩写	说明
先天性心脏病	Congenital Heart Disease（CHD）	本数据集的目标疾病
心音图	Phonocardiogram（PCG）	单通道心音信号
智能听诊	intelligent auscultation	算法辅助听诊
电子听诊器	electronic stethoscope	采集设备类型（ChildCare G-100）
房间隔缺损	Atrial Septal Defect（ASD）	CHD 亚型之一
动脉导管未闭	Patent Ductus Arteriosus（PDA）	CHD 亚型之一（clean 子集仅 32 名）
卵圆孔未闭	Patent Foramen Ovale（PFO）	CHD 亚型之一
室间隔缺损	Ventricular Septal Defect（VSD）	CHD 亚型之一
心脏超声	echocardiography	诊断依据
双专家共识	consensus of two cardiac experts	标签确认流程
时频特征	time-frequency features	84 维手工特征
舒张期	diastolic period	SHAP 显示比收缩期更重要
收缩期	systolic period	—
客观间隙	—	—

10.2 关键来源清单

来源	用途	标识
IEEE TBME 原论文	数据本体、任务、基准、Limitations	doi:10.1109/TBME.2023.3348800；PMID 38194403
NGDC Database Commons	登记元数据、PI、版本、可达性	zchsound 登记条目
CiC24 “Listening to the Heart”	跨语料评测、1259/941/318 数字互证	PhysioNet/CinC 2024
MDPI 2026 CRNN+BiGRU 复现	类别分布（Normal 533/PDA 32）、subject-wise 划分	MDPI
Springer Scientific Reports 2026 Hybrid ViT	时长口径（11-30 s）、Preprocessing	Springer
selectdataset（第三方目录）	建库时间口径（2024-07-15）	第三方口径

10.3 一句话结论

ZCHSound 是当前唯一公开的、由心脏超声+双专家共识金标准标注的儿科先心病五分类心音数据库（1259 名儿童，941 高质量 + 318 新生儿低质量），填补了"儿科 + 先心病 + 开源心音"的空白；但它同时携带三个必须向使用者明示的前提——类别严重不平衡（Normal 533 vs. PDA 32）、单中心标注偏倚（论文自曝）、以及许可未确证且官方站点可达性存疑。用好它的关键不是模型多强，而是先把这三个前提对齐。

---

本条目由千方病案医学编辑部编写，事实核验时点 2026-10-08。所有硬数字均标注来源，三方不一致处已在 §7.1 与 §9 逐条存照。许可与隐私条款以数据方官方声明为准。

§11 深入解读：为什么"儿科 + 先心病 + 开源"这三重身份难得

ZCHSound 的价值最容易被低估的地方，是它的稀缺性组合。单看"心音数据集"，全球并不少；单看"先心病"，临床数据也不稀少。但把三个条件叠加——儿科 + 先心病 + 开源（可公开获取）——可得的数据集屈指可数。本章拆解这三重身份各自的门槛，以及 ZCHSound 恰好同时越过它们的意义。

11.1 门槛一：儿科数据的采集难度

成人数据集的采集相对"省事"：受试者配合度高、体位稳定、可按规程完成多个听诊点与体位变换。儿科数据采集中，每一个环节都被放大：

1. 配合度：婴幼儿无法按指令呼吸或静卧，哭闹、体动是常态，直接污染录音质量。ZCHSound 的 318 名新生儿低质量子集（§2.8）正是这一难度的直接产物。
2. 生理尺度：新生儿胸壁薄、心音传导路径短、心率快（120-160 次/分，§4.2），成人听诊器的设计频响与尺寸未必最优适配。
3. 伦理约束：儿童数据的伦理审查更严、知情同意需监护人参与（§3.5），采集的合规成本高。
4. 人群异质：2 天至 14 岁的跨度意味着心率、心音形态、胸壁厚度、疾病谱都随年龄变化，"一个儿科数据集"内部的人群异质性可能接近甚至超过"成人 vs. 儿童"的差距。

含义：儿科数据集的公开数量天然少于成人数据集，这是 ZCHSound 稀缺性的第一层来源。

11.2 门槛二：先心病的标注成本

先心病的诊断不能靠听诊单独确定——它需要心脏超声（echocardiography）作为影像依据，并由专科医师判读。ZCHSound 更进一步，用两名心脏专家或心脏外科医师的共识确认最终诊断（§3.2）。这意味着：

1. 每一条标签背后是一整套临床流程：采集→超声成像→超声判读→双专家共识。相比"医生听一下打标签"，成本高一个量级。
2. 标签是金标准，不是听诊意见。这使 ZCHSound 可以被用来做"心音→金标准诊断"的学习，而非"心音→听诊结论"的模仿——前者才是临床真正需要的（§5.10）。
3. 代价是规模受限。专家共识无法像众包标注那样规模化，这解释了为什么 ZCHSound 只有 1259 名而非数万名（§2.10）。

含义：高标签质量与大规模在临床数据集上通常是矛盾的，ZCHSound 选择了前者。

11.3 门槛三：开源的可持续性

"开源"意味着数据可被公开访问与复用——这对临床数据集尤其困难：

1. 隐私与合规：儿童生理数据公开涉及隐私、伦理、法规多重约束（§3.5），许多机构选择"申请制/院内访问"而非"公开下载"。
2. 持续维护成本：托管站点需要服务器、带宽、维护人员，而科研项目经费有周期（§3.8）。ZCHSound 官方站点本轮 404 的实况（§6.2）正是"开源数据集托管脆弱性"的一个现实注脚。
3. 知识产权顾虑：部分机构担心数据被商用或再分发，故不采用开放许可——这也是 ZCHSound 许可未确证（§6.3）可能的背景之一。

含义：ZCHSound 敢于公开，是一份难得的贡献；但它同样暴露了"开源"的脆弱——公开一次 ≠ 长期可取。

11.4 三重门槛叠加后的定位

身份	同行数量	ZCHSound 的地位
心音数据集	中等	常规
儿科心音数据集	少	稀缺
儿科先心病心音 + 金标准标注 + 开源	极少	填补空白
儿科先心病心音 + 金标准标注 + 开源 + 中国人群	几乎唯一	独特

最后一行是 ZCHSound 最不可替代之处：中国儿科人群的心音+诊断数据在开源世界里几乎空白。对研究中国儿童 CHD 流行病学、或开发面向中国基层的先心病筛查算法的人而言，ZCHSound 可能是当前唯一的选择。这一稀缺性也意味着它有责任被认真对待与妥善引用——因为它一旦失维，填补空白者短期内难以出现。

§12 使用者的决策清单

本章把散见于全文的要点收敛为可执行清单，供不同角色的使用者在动手前逐项核对。

12.1 动手前必答的六个问题

1. 许可与合规：我是否已确认 ZCHSound 的许可条款？涉及未成年人的使用是否满足我的机构伦理要求？（§6.3 / §3.5）——未答"是"则不应开始。
2. 数据可获取性：我是否已通过官方或下游渠道实际拿到了数据？还是只有文献里的 404 URL？（§6.2 / §6.6）
3. 子集选择：我的任务对应高质量（clean 941）还是低质量（noisy 318）子集？两者不可混用。（§2.1 / §5.1）
4. 分类口径：我做二分类（CHD vs. non-CHD）还是多分类（五类亚型）？难度与指标完全不同。（§5.3）
5. 划分方式：我是否采用 subject-wise 划分防止切片泄漏？我的划分比例是 60-20-20 还是 70:15:15？报告里是否声明？（§5.5）
6. 评估指标：我是否用宏平均 F1 + 每类指标 + AUPRC，而非整体准确率？是否考虑了类别不平衡？（§2.11 / §7.2）

12.2 建模阶段清单

• [ ] 信号预处理：明确是否重采样（8 kHz → 16 kHz）、是否转 Mel 频谱（window/hop/bins）；
• [ ] 特征路线：手工 84 维 vs. 时频图学习表示，或两者融合；
• [ ] 不平衡处理：类别加权/重采样/增强，并记录所用方式；
• [ ] 划分：分层 + subject-wise，多次划分或 K 折；
• [ ] 基线对标：与随机森林 F1 90.3%（Task 1）及 KNN 55-62%（Task 2）比较；
• [ ] 稳健性：报告均值±标准差，单列 PDA 等少数类表现。

12.3 报告阶段清单

• [ ] 声明数据子集（clean/noisy）；
• [ ] 声明分类口径（二分类/多分类）；
• [ ] 声明划分方式与比例；
• [ ] 声明评估指标（宏/微、AUROC/AUPRC）；
• [ ] 声明训练语料与测试语料的域关系（同域/跨域）；
• [ ] 引用规范：正式卷期口径 + DOI + 数据集入口及访问日期（§6.7）。

12.4 各角色的最短路径

角色	最短路径
智能听诊算法研究者	§2.2 规格 → §5.1 四任务 → §5.8 数据效率策略 → §7.2 指标
跨语料泛化研究者	§5.6 跨语料发现 → §5.9 域偏移结构 → §8.2 对照谱系
新生儿筛查研究者	§2.8 低质量操作化 → §5.1 Task 3/4 → §3.7 临床差距
数据治理/合规研究者	§6.3 许可 → §3.5 伦理 → §7.4 DAIMS → §9 疑点清单
想快速了解者	§0 导读 → §1 十问十答 → INFOBOX → §10.3 一句话结论

§13 反面视角：ZCHSound 的局限与批评空间

一篇负责任的百科条目不应只讲价值。本章以"如果我来批评 ZCHSound，会从哪几处入手"的视角，列出可被合理质疑的点——这些不是定论，而是提醒使用者保持批判性。

13.1 规模与深度的张力

• 1259 名对深度学习偏小，且 Normal 占主导（§2.11），少数类（PDA 32 名）在划分后测试样本可能仅个位数。任何在 ZCHSound 上"刷高"的多分类分数，都存在测试集太小导致统计不显著的风险。
• "五分类"的名义丰富度 vs. 实际的类别稀疏度：标签有 5 类，但可用样本被 Normal 与（未知的）少数类严重拉扯，名义上的多分类任务在实践中接近"二分类 + 稀疏多类"。

13.2 标注偏倚的不可消除性

• 论文自曝单中心标注偏倚（§3.3），但没有提供量化偏倚的手段（如多中心标注一致性 kappa）。使用者无法评估偏倚的幅度，只能定性警惕。
• 共识流程可能强化而非削弱偏倚：两名同源专家达成的共识，反映的是同一套诊断习惯，不会因为"两人同意"而变成"客观金标准"。

13.3 元数据缺口的实际阻碍

• 逐类分布不全（仅 Normal 533/PDA 32，§2.5）、逐中心样本量缺失（§4.3）、划分口径不一（§5.5）、许可未确证（§6.3）——这些缺口叠加，使得**"严格可复现"在当前公开信息下难以达成**（§3.6 综合评级中等偏低）。
• 官方站点 404（§6.2）意味着"开源"的承诺在当前时点可能无法兑现，这与"Open-Source"的标题形成张力。

13.4 方法学上的可商榷处

• 单一听诊点限制了临床完备性（§2.9），对某些瓣膜病变覆盖不足；
• 手工 84 维特征虽适合小数据，但其逐特征定义未公开，复现特征工程存在不确定性；
• 基线只用 RF/KNN，未提供深度基线，下游比较时缺少统一参照。

13.5 如何建设性地看待这些局限

这些局限不否定 ZCHSound 的价值，而是界定它的适用半径：它是一份高质量标签、中等规模、人群独特、但分发与元数据有缺口的儿科心音基准。把它用在"基准评测、跨语料源域、方法学对照"上是恰当的；把它当作"数据丰富、开箱即用、可部署"的资源，则会踩到 §7.3 的坑。批判性地用，胜过理想化地用。

10.4 常见误解对照表

下表汇总使用 ZCHSound 时最易产生的误解与澄清，可作为快速纠偏表：

误解	澄清	依据
“1259 是录音数，每人多条”	1259 既是受试者数也是录音数，每人恰好一条	§2.1 / §2.2
“941 和 318 是同类数据的两个划分”	它们是采集条件与人群都不同的两个子集，不可混用	§2.1 / §2.8
“标签是医生听诊得出的”	是超声 + 双心脏专家共识确认的金标准诊断	§3.2 / §5.10
“Normal 533，所以数据很均衡”	恰恰相反，Normal 占绝对多数，PDA 仅 32，严重不平衡	§2.5 / §2.11
“多分类 55% 说明数据集没用”	多分类本就是最难任务，二分类可达 90%+，难度层级不同	§5.3
“50% 准确率就是没用”	不平衡下准确率无意义，看宏平均 F1 与每类指标	§7.2
“开源数据集一定可以随便用”	许可未确证，且涉未成年人，须先确认合规	§6.3 / §3.5
“官网能打开”	本轮抓取时点根路径与 /data、/dataset 均 404	§6.2
“ZCHSound 就是 SPRSound”	前者心音先心病，后者呼吸音呼吸系统	§3.9 / §8.2
“在新数据集上 95% 就能上临床”	单中心标注偏倚 + 跨语料退化，不等于可部署	§3.3 / §5.6
“和 PhysioNet 2016 可以直接比”	2016 以成人为主，人群与标签体系都不同	§8.2
“ECG 也一起发布了”	论文提 ECG 用于诊断，但是否随数据发布未确证	§5.10 疑点

10.5 本条目编写说明

信息边界声明：ZCHSound 的核心事实来自 IEEE TBME 2024 原论文，但由于 IEEE Xplore 正文的 JavaScript 门禁（§9 疑点 6），本条目无法逐段直读 Results 表原文，关键数字（1259/941/318、时长、F1 等）依赖 CiC24、Springer Sci Rep、MDPI 三方独立转录相互印证。凡三方一致处按"硬数字"处理；凡三方不一致处（共五处，§7.1）一律并列存照、不裁定。

核验方法论：

1. 三源互证——同一数字至少两个独立来源一致才记为硬数字；
2. 存照优先——口径冲突处全部原样记录来源与表述，供读者自行判断；
3. 疑点显式——查不到的项不猜测、不用"约""可能"掩盖，直接列入 §9 遗留疑点。

未使用的推测：本条目刻意避免对论文未披露的事项（如逐中心样本量、ASD/PFO/VSD 逐类数字）做数值推测。§4.6 的地理人群分析、§2.11 的不平衡估算均明确标注为"依据公开信息的推断"，并提示以官方数据为准。

可直接复用的硬数字锚点（供后续条目引用）：

• 受试者 1259 = 941（clean）+ 318（noisy newborns）；
• 采样 8000 Hz / 16-bit / .wav；时长均值 20.11 s；
• 五分类 Normal/ASD/PDA/PFO/VSD；
• RF 二分类 F1 = 90.3%（Task 1）；KNN 多分类 55-62%（Task 2）；
• 84 维时频特征；四基准任务；SHAP：频域>时域、舒张期>收缩期。

10.6 建议的互链清单（交主会话确认 rid）

目标 url_name	关联强度	建议锚点文本
heart-lung-segmentations-data	中	心肺音信号处理的相邻条目
covid-19-sounds	弱	音频类医学数据集（呼吸音，任务域不同）
心血管疾病标签簇条目	中	同为心血管 AI 数据
儿科标签簇条目	中	同为儿科数据
评测基准标签簇条目	中	同为带基准的数据集

建链原则建议：优先按方法学共性（如"金标准标注 + 含偏倚声明"“音频类生理信号”“带评测基准”）而非仅按模态建链——因为 ZCHSound 的可迁移经验主要在"如何读一个儿科临床数据集"，而非"音频处理方法"。

§14 结语

ZCHSound 是一次罕见的组合：中国儿科人群 + 金标准标注 + 公开开源。它把儿科先心病听诊这一高度依赖经验的任务，转化为一个可训练、可评测的数据问题，并诚实地写下了自己的软肋——类别不平衡、单中心标注偏倚、双子集异质。

对使用者而言，本条目最想传达的不是某个具体数字，而是一种使用临床数据集的正确姿态：

• 先解决许可与合规，再谈建模（§6.3 / §3.5）；
• 先理解数据的分野与偏倚，再解读分数（§2 / §3.3）；
• 先声明口径与划分，再比较模型（§5.5 / §7.2）。

ZCHSound 的启示超越了它自身：它示范了一个数据集如何把"局限"写进论文（Limitations 自曝标注偏倚），也暴露了一个开源数据集如何可能"论文长存而站点失维"（§3.8）。认真的使用者，应当既享用它的数据，也接续它的问题。

§15 快速索引

为便于检索，本条目各章主题一览：

章	主题	一句话
§0	导读	ZCHSound 解决"儿科听诊经验稀缺"问题
§1	速览二十问	规模/规格/标签/任务/基线的快答
§2	数据构成与规格	1259 双子集、8 kHz、五分类、类别不平衡
§3	采集流程与质控	三中心、双专家共识、标注偏倚、伦理
§4	规模与规格总表	硬数字总表、人群、设备、建模清单
§5	任务特征与评估	四任务、84 维特征、RF 基线、SHAP、跨语料
§6	获取许可与版本	官方入口、404 存照、许可未确证、版本链
§7	双口径与陷阱	五处存照、F1 口径、五个坑、DAIMS
§8	生态与互链	库内互链、心音谱系、下游复用
§9	遗留疑点	九条疑点 + 优先级
§10	附录	术语、来源、误解对照、互链清单
§11	深入解读	儿科+先心病+开源三重稀缺性
§12	决策清单	动手前六问 + 建模/报告清单
§13	反面视角	规模、偏倚、元数据、方法学的批评空间
§14	结语	先合规、再理解、再比较

检索关键词：ZCHSound、ZJU Paediatric Heart Sound Database、浙江大学儿童心音数据库、儿科先心病、先天性心脏病、心音、PCG、智能听诊、电子听诊器、ChildCare G-100、ASD、PDA、PFO、VSD、五分类、1259、941、318、8000 Hz、随机森林、SHAP、跨语料、CiC24、SPRSound。

---

条目终。事实核验时点 2026-10-08；拼接代理 agent-d-zchsound2；五处双口径存照见 §7.1，九条遗留疑点见 §9。

条目维护说明：本条目为 AI-Ready Wikipedia 千方病案医数集条目，slug 为 zchsound。若数据方发布新版本或补全许可条款、逐类分布，应回到 §6（获取与许可）、§7.1（双口径存照）、§9（遗留疑点）三处同步更新。

引用本条目时，请以正文标注的一手来源为准，不直接引用本百科条目。

---

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：

• leipzig-heart-center-ecg — 共享标签：生理信号 / 心血管疾病 / 儿科 / 医学问答与基准 / 评测基准
• circor-heart-sound — 共享标签：生理信号 / 心血管疾病 / 儿科 / 评测基准
• circor-digiscope — 共享标签：生理信号 / 心血管疾病 / 儿科 / 语音信号
• sprsound — 共享标签：生理信号 / 儿科 / 评测基准 / 语音信号
• hls-cmds — 共享标签：生理信号 / 心血管疾病 / 语音信号
• physionet-cinc-2016 — 共享标签：生理信号 / 心血管疾病 / 语音信号
• parkinsons-voice-uci — 共享标签：生理信号 / 医学问答与基准 / 评测基准 / 语音信号
• babycry-ujm-axa — 共享标签：生理信号 / 儿科 / 评测基准 / 语音信号
• speech-commands — 共享标签：生理信号 / 评测基准 / 语音信号
• b2ai-voice-pediatric — 共享标签：生理信号 / 儿科 / 语音信号

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。