基于神经网络与降维的心跳分类系统数据

数据集获取（Figshare）

• 源站标题：Heartbeat classification system based on neural networks and dimensionality reduction
• DOI：10.6084/m9.figshare.7509080.v1
• 发布日期：2018-12-26
• 文件数：9 个
• 文件总体积：327.01 KB
• 源站页面：https://scielo.figshare.com/articles/dataset/Heartbeat_classification_system_based_on_neural_networks_and_dimensionality_reduction/7509080

命令行下载

curl -L -o "2446-4740-reng-2446-474005815-gf01.jpg" "https://ndownloader.figshare.com/files/13924001"
curl -L -o "2446-4740-reng-2446-474005815-gf02.jpg" "https://ndownloader.figshare.com/files/13924007"
curl -L -o "2446-4740-reng-2446-474005815-gf03.jpg" "https://ndownloader.figshare.com/files/13924010"
curl -L -o "2446-4740-reng-2446-474005815-gf04.jpg" "https://ndownloader.figshare.com/files/13924016"
curl -L -o "Table_1.xls" "https://ndownloader.figshare.com/files/13924019"
curl -L -o "Table_2.xls" "https://ndownloader.figshare.com/files/13924022"
curl -L -o "Table_3.xls" "https://ndownloader.figshare.com/files/13924025"
curl -L -o "Table_4.xls" "https://ndownloader.figshare.com/files/13924028"

文件清单

• 2446-4740-reng-2446-474005815-gf01.jpg（92.94 KB）
• 2446-4740-reng-2446-474005815-gf02.jpg（30.78 KB）
• 2446-4740-reng-2446-474005815-gf03.jpg（111.78 KB）
• 2446-4740-reng-2446-474005815-gf04.jpg（55.15 KB）
• Table_1.xls（9.73 KB）
• Table_2.xls（5.63 KB）
• Table_3.xls（5.63 KB）
• Table_4.xls（9.73 KB）
• Table_5.xls（5.63 KB）

文件总体积 327.01 KB（源站 API 实测）。

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。

数据说明

摘要 引言 本文提出了一种完整的心跳自动分类方法，以辅助专家诊断典型心律失常，如右束支传导阻滞、左束支传导阻滞、室性早搏、房性早搏和起搏心搏。方法 首先对心电图（ECG）进行预处理以去除基线漂移。随后，实施QRS波群检测算法以检测心跳，其包含了分类方法所采用的主要信息。接着进行ECG分割，据此从ECG信号中提取基于RR间期和心搏波形形态的一组特征。通过主成分分析降低特征向量的维度。最后，将降维后的特征向量作为人工神经网络的输入。结果 我们的方法在麻省理工学院心律失常数据库上进行了测试。

在由18份每份30分钟的心电图记录组成的测试集上，分类性能达到了96.97%的准确率、95.05%的灵敏度、90.88%的特异度、95.11%的阳性预测值和92.7%的阴性预测值。结论：所提出的方法在心电图心搏分类方面达到了高准确率，可用于辅助心脏病专家开展远程心脏病学服务。我们分类策略的主要贡献在于特征选择步骤，该步骤降低了分类复杂度，而性能没有发生重大变化。

许可

CC BY 4.0

引用

学术使用请引用 DOI 10.6084/m9.figshare.7509080.v1（source: https://scielo.figshare.com/articles/dataset/Heartbeat_classification_system_based_on_neural_networks_and_dimensionality_reduction/7509080）。