基于PPG的混合神经ECG重建用于差分隐私房颤检测
该项目提出了一种使用可穿戴光电容积脉搏波（PPG）信号进行连续心脏监测的混合深度学习框架。使用一维 U-Net 从 PPG 片段重建 ECG 波形，而基于注意力的 CNN-LSTM 模型（Att-ECGNet）直接在重建的 ECG 信号上执行心房颤动（AFib）检测，无需心拍分割或频谱图转换
基本信息
资源简介
基于PPG的混合神经ECG重建用于差分隐私房颤检测
该项目提出了一种使用可穿戴光电容积脉搏波（PPG）信号进行连续心脏监测的混合深度学习框架。使用一维 U-Net 从 PPG 片段重建 ECG 波形，而基于注意力的 CNN-LSTM 模型（Att-ECGNet）直接在重建的 ECG 信号上执行心房颤动（AFib）检测，无需心拍分割或频谱图转换
Hybrid Neural Reconstruction of ECG from PPG for Differentially Private Atrial Fibrillation Detection
【数据集背景】
源站首次发布：2026。
【数据内容】
源站描述（机器翻译，仅供参考）：该仓库包含支持研究论文《Privacy-Preserving ECG Reconstruction and Atrial Fibrillation Detection from PPG Signals Using Hybrid Deep Learning》的实现与实验流程。该项目提出了一种使用可穿戴光电容积脉搏波（PPG）信号进行连续心脏监测的混合深度学习框架。使用一维 U-Net 从 PPG 片段重建 ECG 波形，而基于注意力的 CNN-LSTM 模型（Att-ECGNet）直接在重建的 ECG 信号上执行心房颤动（AFib）检测，无需心拍分割或频谱图转换。为了保护敏感生理数据，分类流程通过逐样本梯度裁剪和高斯噪声注入引入差分隐私（DP），在训练期间提供形式化的 (ε, δ)-DP 保证。该框架 i
【主题与分类】
主题标签：循环系统疾病、心房颤动检测、PPG信号、ECG重建、深度学习、差分隐私、U-Net、CNN-LSTM。本站分类：循环系统疾病/其他。
【获取与许可】
源站页面：https://zenodo.org/doi/10.5281/zenodo.20352854
使用许可：Creative Commons Attribution 4.0 International。
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://doi.org/10.5281/zenodo.20352854
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据集大小约 22.9 MB。
数据说明
本仓库包含支持研究工作“使用混合深度学习从PPG信号中进行隐私保护的心电图重建与心房颤动检测”的实现和实验流程。该项目提出了一种混合深度学习框架，用于使用可穿戴光电容积脉搏波（PPG）信号进行连续心脏监测。使用一维U-Net从PPG片段重建心电图波形，而基于注意力的CNN-LSTM模型（Att-ECGNet）直接在重建的心电信号上执行心房颤动（AFib）检测，无需心拍分割或频谱图转换。为了保护敏感生理数据，分类流程通过每样本梯度裁剪和高斯噪声注入纳入差分隐私（DP），在训练期间提供正式的$(\varepsilon, \delta)$-DP保证。该框架在多个公开可用数据集上进行评估，包括无袖带血压估计数据集、MIMIC-III波形匹配子集和UMMC Simband数据集（数据上传于此）。
实验结果表明，心电图重建准确，房颤检测性能高，并且在差分隐私约束下性能下降极小。该存储库包含了研究中使用的数据集和代码。
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。
