基于机器学习的心房颤动再入驱动源定位电生理数据

数据集获取

源站：https://search.dataone.org/view/null

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。

数据说明

该数据集来源于一项针对心房颤动（AF）驱动源定位的研究，通过简单的细胞自动机模型模拟心房颤动，并收集了间接电生理图（electrogram）测量数据。数据集包含模拟生成的电生理信号及其特征梯度，用于训练机器学习算法（如现成的分类或回归模型），以关联电生理图特征与再入驱动源位置之间的位移关系。该方法对电活动的局部波动较不敏感，在单驱动源组织中成功定位95.4%的驱动源，在双驱动源组织中分别成功定位95.1%和92.6%的驱动源。研究展示了该技术可扩展至任意数量驱动源的组织，虽目前尚未达到临床应用水平，但为未来改善心房颤动靶向消融治疗提供了有前景的研究路径。

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。