呼吸机设置变化后5分钟SpO2预测分类器性能数据集
包含ANN和BACDT分类器在呼吸机设置变化后5分钟预测SpO2的准确率等性能指标，用于模型比较。
基本信息
资源简介
呼吸机设置变化后5分钟SpO2预测分类器性能数据集
【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 9.73 KB，主题涵盖 610 patients、limit over-fitting、gas exchange、data sources Data、class labels，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《Performance of artificial neural networks (ANN) and bootstrap aggregation of complex decision trees (BACDT) classifiers for SpO2 prediction at 5 min following a ventilator setting change, on test datasets (see Table 2).》。配套论文《Using machine learning models to predict oxygen saturation following ventilator support adjustment in critically ill children: A single center pilot study》发表于 PLOS ONE（2019），DOI：10.1371/journal.pone.0198921。源站首次发布：2019-02-20。
【数据内容】
源站原始描述：Avg/total: average accuracy of total classification values. In italics is the performance of the best predictive model obtained among the eight tested
中文译文（机器翻译，仅供快速理解，请以原文为准）：平均/总计：总分类值的平均准确率。斜体显示的是在八个受测模型中得出的最佳预测模型的性能。
【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.0198921.t003。
【主题与分类】
源站学科分类：Biochemistry、Cell Biology、Molecular Biology、Biotechnology、Biological Sciences not elsewhere classified、Information Systems not elsewhere classified。主题标签：610 patients、limit over-fitting、gas exchange、data sources Data、class labels、decision support systems、decision trees、May 2015、classification performances、SpO 2。
【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://plos.figshare.com/articles/dataset/Performance_of_artificial_neural_networks_ANN_and_bootstrap_aggregation_of_complex_decision_trees_BACDT_classifiers_for_SpO_sub_2_sub_prediction_at_5_min_following_a_ventilator_setting_change_on_test_datasets_see_Table_2_/7749047
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：Ghazal, Sam; Sauthier, Michael; Brossier, David; Bouachir, Wassim; Jouvet, Philippe A.; Noumeir, Rita (2019). Performance of artificial neural networks (ANN) and bootstrap aggregation of complex decision trees (BACDT) classifiers for SpO2 prediction at 5 min following a ventilator setting change, on…
【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：Performance of artificial neural networks (ANN) and bootstrap aggregation of complex decision trees (BACDT) classifiers for SpO<sub>2</sub> prediction at 5 min following a ventilator setting change, on test datasets (see Table 2).
- DOI：10.1371/journal.pone.0198921.t003
- 发布日期：2019-02-20
- 文件数：1 个
- 文件总体积：9.73 KB
- 源站页面：https://plos.figshare.com/articles/dataset/Performance_of_artificial_neural_networks_ANN_and_bootstrap_aggregation_of_complex_decision_trees_BACDT_classifiers_for_SpO_sub_2_sub_prediction_at_5_min_following_a_ventilator_setting_change_on_test_datasets_see_Table_2_/7749047
命令行下载
curl -L -o "Table 3.xls" "https://ndownloader.figshare.com/files/14417678"
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
Avg/total: average accuracy of total classification values. In italics is the performance of the best predictive model obtained among the eight tested.
许可
CC BY 4.0
引用
学术使用请引用 DOI 10.1371/journal.pone.0198921.t003（source: https://plos.figshare.com/articles/dataset/Performance_of_artificial_neural_networks_ANN_and_bootstrap_aggregation_of_complex_decision_trees_BACDT_classifiers_for_SpO_sub_2_sub_prediction_at_5_min_following_a_ventilator_setting_change_on_test_datasets_see_Table_2_/7749047）。
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。
