表V：胸外按压期间脉搏存在预测的机器学习与特征工程——包含心率特征时进行CPR与不进行CPR的训练AUC
包含以心率为特征的多种机器学习模型在胸外按压脉搏预测中的训练AUC对比表格。
基本信息
资源简介
表V：胸外按压期间脉搏存在预测的机器学习与特征工程——包含心率特征时进行CPR与不进行CPR的训练AUC
【一句话概览】
本数据集是 figshare 公开的结构化表格数据集，收录 1 个文件、合计 68.36 KB，主题涵盖 wavelets、machine learning、resuscitation，可用于统计建模、特征工程与队列分析，CC BY 4.0 许可开放获取。
【数据集背景】
本数据集源站标题为《Table V: Training AUC with and without CPR with heartrate included as a feature from Machine learning and feature engineering for predicting pulse presence during chest compressions》。配套论文《Machine learning and feature engineering for predicting pulse presence during chest compressions》发表于 Royal Society Open Science（2021），DOI：10.1098/rsos.210566。源站首次发布：2021-11-10。
【数据内容】
源站原始描述：Comparison of Training AUC values and 95% confidence intervals for various models with and without heartrate (HR), where LDA : Linear Discriminant Analysis, QDA :Quadratic Discriminant Analysis, SVM: Support Vector Machine, GMM: Gaussian Mixture Model, LR: Logistic Regression, RF: Random Forest, NN: Neural Network, ConvNN: Convolutional Neural Network
中文译文（机器翻译，仅供快速理解，请以原文为准）：各种模型在包含和不包含心率（HR）时的训练AUC值及95%置信区间的比较，其中 LDA：线性判别分析，QDA：二次判别分析，SVM：支持向量机，GMM：高斯混合模型，LR：逻辑回归，RF：随机森林，NN：神经网络，ConvNN：卷积神经网络。
【数据结构与技术规格】
文件数 1 个，合计 68.36 KB。rsos210566_si_003.pdf：application/pdf，68.36 KB。数据集 DOI：10.6084/m9.figshare.16884521.v2。
【主题与分类】
主题标签：wavelets、machine learning、resuscitation。
【适用方向】
结构化表格数据可直接用于统计建模、特征工程与队列分析。
【获取与许可】
源站页面：https://rs.figshare.com/articles/journal_contribution/Table_V_Training_AUC_with_and_without_CPR_with_heartrate_included_as_a_feature_from_Machine_learning_and_feature_engineering_for_predicting_pulse_presence_during_chest_compressions/16884521
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Sashidhar, Diya; Kwok, Heemun; Coult, Jason; Blackwood, Jennifer; Kudenchuk, Peter J.; Bhandari, Shiv; et al. (2021). Table V: Training AUC with and without CPR with heartrate included as a feature from Machine learning and feature engineering for predicting pulse presence during chest compressions.…
【使用注意】
· 源站最后修改于 2026-02-17，引用时请注意版本时效。
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（Figshare）
- 源站标题：Table V: Training AUC with and without CPR with heartrate included as a feature from Machine learning and feature engineering for predicting pulse presence during chest compressions
- DOI：10.6084/m9.figshare.16884521.v2
- 发布日期：2021-11-10
- 文件数：1 个
- 文件总体积：68.36 KB
- 源站页面：https://rs.figshare.com/articles/journal_contribution/Table_V_Training_AUC_with_and_without_CPR_with_heartrate_included_as_a_feature_from_Machine_learning_and_feature_engineering_for_predicting_pulse_presence_during_chest_compressions/16884521
命令行下载
curl -L -o "rsos210566_si_003.pdf" "https://ndownloader.figshare.com/files/31503947"
文件清单
rsos210566_si_003.pdf（68.36 KB）
文件总体积 68.36 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
Comparison of Training AUC values and 95% confidence intervals for various models with and without heartrate (HR), where LDA : Linear Discriminant Analysis, QDA :Quadratic Discriminant Analysis, SVM: Support Vector Machine, GMM: Gaussian Mixture Model, LR: Logistic Regression, RF: Random Forest, NN: Neural Network, ConvNN: Convolutional Neural Network.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.6084/m9.figshare.16884521.v2（source: https://rs.figshare.com/articles/journal_contribution/Table_V_Training_AUC_with_and_without_CPR_with_heartrate_included_as_a_feature_from_Machine_learning_and_feature_engineering_for_predicting_pulse_presence_during_chest_compressions/16884521）。
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。
