数据与代码:心房颤动终止预测

该数据集包含用于预测心房颤动自发终止的数据与代码,配套论文基于 Dual Path Network 与特征选择方法。数据部分涵盖山东省立医院的临床动态心电图数据、AFDB 数据库的筛选数据以及 AFTDB 数据库的数据;代码部分包含网络模型、运行测试及相关讨论的实现

google_dataset
2023-05-10 更新
浏览 7
时间序列预测心房颤动心血管系统疾病特征选择心电图AFDBAFTDB
Data and Code: Prediction of termination of atrial fibrillation

基本信息

模态
时间序列
大小
0.059087221 GB
任务类型
预测
创建/更新时间
2023-05-10
版本
v1

资源简介

数据与代码:心房颤动终止预测

Data and Code: Prediction of termination of atrial fibrillation

该数据集包含用于预测心房颤动自发终止的数据与代码,配套论文基于 Dual Path Network 与特征选择方法。数据部分涵盖山东省立医院的临床动态心电图数据、AFDB 数据库的筛选数据以及 AFTDB 数据库的数据;代码部分包含网络模型、运行测试及相关讨论的实现。数据集共 2448 个文件,发布于 2023 年 5 月 10 日,可用于心房颤动终止预测的模型训练与复现研究(来源 Mendeley Data)。

【数据集背景】

源站首次发布:2023-05-10。

【数据内容】

源站描述(机器翻译,仅供参考):这些数据和代码涵盖在文章《Predicting spontaneous termination of Atrial Fibrillation based on Dual Path Network and feature selection》中。“Data”文件夹包含:(a) 来自山东省立医院的临床动态心电图数据;(b) 来自 AFDB 数据库的筛选数据;(c) 来自 AFTDB 数据库的数据。“Code”文件夹包含文章工作的网络模型、运行测试及相关讨论的代码。

【数据结构与技术规格】

文件数 2448 个,合计 59.09 MB。数据集 DOI:10.17632/khxprpdt3z.1。

【主题与分类】

主题标签:心房颤动、心血管系统疾病、特征选择、心电图、AFDB、AFTDB。本站分类:心血管系统疾病/心房颤动。

【获取与许可】

源站页面:https://data.mendeley.com/datasets/khxprpdt3z

官方服务

专家保障全链路合规授权与标注交付

陕川双基地 × 超十家三甲医院直连

从合规授权、采集治理、专业标注到数据集交付,我们提供全链路闭环服务,让高质量临床数据即拿即用。

⚡️ 需要原始数据或标注支持?联系我们获取定制方案。

帮我联系

下载信息

注册下载

需要注册 Kaggle 账号并登录后下载,适合需要跟踪下载记录和使用 API 的用户。

暂未开放

公开下载

无需注册即可直接获取公开样本或文档,适合快速预览和评估数据集质量。

免登录

有偿下载

公开数据集受托下载与技术交付服务。

提供高速下载与技术交付服务(收技术服务费,非数据销售)

暂未开放

当前数据集主要来源为 Kaggle 公开托管,完整影像包建议通过原始链接或 Kaggle API 获取。

使用方式

数据集获取

源站:https://data.mendeley.com/datasets/khxprpdt3z

标准获取流程:

  1. 访问源站链接,注册/登录账号;
  2. 进入数据集详情页,按页面指引申请权限或直接下载;
  3. 部分平台提供 SDK,例如:
    • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
    • ModelScope: pip install modelscope 后 modelscope download
    • 天池: 登录后页面提供直链下载
      以源站「数据下载/使用文档」页面为准。

数据集大小约 59.1 MB。

数据说明

lei liu (2023). Data and Code: Prediction of termination of atrial fibrillation [Dataset]. http://doi.org/10.17632/khxprpdt3z.1

数据加载示例(图像类)

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。

数据缺失?

依托陕西、四川两大基地,我们与超过十家三甲医院建立直接合作关系,覆盖合规授权、采集治理、专业标注、数据交付的全流程,为AI医疗团队提供即拿即用的高质量临床数据。

⚡️ 需要数据支持或标注服务?立即联系我们获取专业方案。

获取专属数据定制方案