可电击心电图检测深度学习数据集
用于自动检测可电击心电图信号的深度学习方法数据集，包含心电信号记录和分类模型。
基本信息
资源简介
可电击心电图检测深度学习数据集
【数据集背景】
本数据集源站标题为《State-of-the-art deep learning methods used for automated detection of shockable ECG signals.》。配套论文《LDIAED: A lightweight deep learning algorithm implementable on automated external defibrillators》发表于 PLOS ONE（2022），DOI：10.1371/journal.pone.0264405。源站首次发布：2022-02-25。
【数据内容】
源站原始描述：State-of-the-art deep learning methods used for automated detection of shockable ECG signals
【数据结构与技术规格】
文件数 1 个，合计 9.73 KB。Table 3.xls：application/vnd.ms-excel，9.73 KB。数据集 DOI：10.1371/journal.pone.0264405.t003。
【主题与分类】
源站学科分类：Space Science、Physiology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified。主题标签：xlink "> differentiating、raspberry pi minicomputer、diverse patients extracted、deep neural network、automated external defibrillators、845 seconds meeting、ventricular tachyarrhythmia signals、signals would increase、aed &# 8217、proposed technique could。
【适用方向】
时序数据适用于疾病进展预测、生理信号监测与事件发生的时序建模。
【获取与许可】
源站页面：https://plos.figshare.com/articles/dataset/State-of-the-art_deep_learning_methods_used_for_automated_detection_of_shockable_ECG_signals_/19239736
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Nasimi, Fahimeh; Yazdchi, Mohammadreza (2022). State-of-the-art deep learning methods used for automated detection of shockable ECG signals.. PLOS ONE. Dataset
【使用注意】
· 源站最后修改于 2023-05-31，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：State-of-the-art deep learning methods used for automated detection of shockable ECG signals.
- DOI：10.1371/journal.pone.0264405.t003
- 发布日期：2022-02-25
- 文件数：1 个
- 文件总体积：9.73 KB
- 源站页面：https://plos.figshare.com/articles/dataset/State-of-the-art_deep_learning_methods_used_for_automated_detection_of_shockable_ECG_signals_/19239736
命令行下载
curl -L -o "Table 3.xls" "https://ndownloader.figshare.com/files/34183174"
文件清单
Table 3.xls（9.73 KB）
文件总体积 9.73 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
State-of-the-art deep learning methods used for automated detection of shockable ECG signals.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0264405.t003（source: https://plos.figshare.com/articles/dataset/State-of-the-art_deep_learning_methods_used_for_automated_detection_of_shockable_ECG_signals_/19239736）。
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。
