外周前庭病变位置对居家虚拟现实前庭治疗效果的影响
该数据集来自 clinicaltrials.gov,聚焦外周前庭疾病,涵盖良性阵发性位置性眩晕、梅尼埃病、前庭神经炎、迷路炎及耳带状疱疹等病种

基本信息
资源简介
外周前庭病变位置对居家虚拟现实前庭治疗效果的影响
该数据集来自 clinicaltrials.gov,聚焦外周前庭疾病,涵盖良性阵发性位置性眩晕、梅尼埃病、前庭神经炎、迷路炎及耳带状疱疹等病种。其目的是评估外周前庭病灶位置是否影响居家头戴式显示虚拟现实辅助治疗对患者症状的改善效果,并考察该疗法在干预后0至3个月内的不良反应。数据可用于分析虚拟现实前庭康复的疗效差异与安全性,支持神经系统疾病领域的预测建模与临床研究(来源 clinicaltrials.gov)。
【数据内容】
源站描述(机器翻译,仅供参考):疾病:外周前庭障碍、良性阵发性位置性眩晕、梅尼埃病、前庭神经炎、前庭神经元炎、迷路炎、耳带状疱疹。目的:确定外周前庭病灶的位置是否影响辅助性居家头戴式显示虚拟现实治疗在干预后0-3个月改善患者症状的疗效。同时确定居家头戴式显示虚拟现实治疗引起的不良反应。理由:居家头戴式显示虚拟现实视频游戏练习利用虚拟环境鼓励佩戴者完成模仿前庭康复练习的头部运动。这种虚拟现实干预可作为标准虚拟现实治疗的有价值辅助手段。然而,当前文献缺乏关于外周前庭病灶位置如何影响的信息。
【主题与分类】
主题标签:Peripheral Vestibular Disorder、Benign Paroxysmal Positional Vertigo、Meniere Disease、Vestibular Neuritis、Vestibular Neuronitis、Labyrinthitis、Herpes Zoster Oticus。本站分类:神经系统疾病。
【获取与许可】
源站页面:https://clinicaltrials.gov/study/NCT05424302
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://clinicaltrials.gov/study/NCT05424302
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:
数据说明
疾病:外周前庭疾病、良性阵发性位置性眩晕、梅尼埃病、前庭神经炎、前庭神经元炎、迷路炎、耳带状疱疹。目的:确定外周前庭病变的位置是否会影响辅助性居家头戴式显示虚拟现实疗法在干预后0-3个月改善患者症状的疗效。同时确定居家头戴式显示虚拟现实疗法引起的不良反应。依据:基于居家的头戴式显示虚拟现实视频游戏练习利用虚拟环境鼓励佩戴者完成模仿前庭康复练习的头部运动。这种虚拟现实干预可作为标准虚拟现实疗法的有价值的辅助手段。然而,当前文献缺乏关于外周前庭病变位置如何影响HBVR前庭康复疗效的信息。将该信息加入该领域可进一步实现前庭康复的个体化。
我们的研究团队、专科门诊以及前庭检查资源使我们具备开展这项工作的良好条件。研究设计:这是一项平行组随机对照试验,涉及多次临床访视(具体次数取决于诊断)。统计分析:根据既往文献和我们希望达到的预期检验效能,确定40例(每组20例)的样本量足以满足本研究需要。研究团队完成的一项荟萃分析(目前正在考虑发表)表明,当前关于前庭康复中虚拟现实(VR)的随机对照试验中,DHI标准化均数差的均值为-1.13。该荟萃分析中有一篇与本次随机对照试验方法学相似的文章,其ABC标准化均数差为1.0。此外,设计良好的随机对照试验将II型错误率设定为0.20或0.10,对应80%或90%的检验效能。将这些标准化均数差和90%检验效能值代入Altman于1982年发表的列线图,y
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。




