基于心电图的房颤折返驱动定位机器学习数据集

数据集获取

源站：https://doi.org/10.5061/dryad.675260p

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 161.4 KB。

数据说明

映射分辨率近来被认为是成功定位心房颤动驱动因素的一个关键限制。通过使用一个简单的心房颤动细胞自动机模型，我们展示了一种方法，该方法利用一系列间接电描记测量结果，能够快速且准确地定位折返驱动源。所提出的方法采用了简单的、现成的机器学习算法，将特征性电描记梯度与电描记记录相对于折返驱动源的位移关联起来。这种方法对电活动的局部波动不太敏感。因此，该方法在包含单个驱动源的组织中成功定位了95.4%的驱动源，在包含两个心房颤动驱动源的组织中，对第一个（第二个）驱动源的定位成功率分别为95.1%（92.6%）。此外，我们还展示了该技术如何应用于具有任意数量驱动源的组织。就目前形式而言，所提出的技术尚不够完善，不适合临床环境。然而，这些方法为未来旨在改进心房颤动靶向消融的研究提供了一条有希望的路径。

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。