简介一套12导联心电图ECG数据集资源面向医学数据分析、机器学习及深度学习入门与进阶学习者适用于异常检测、心率变异分析、心电分类等典型任务数据规模为39732条记录已按7:3划分为训练集与测试集便于直接用于模型训练与泛化验证。包内共45个文件以37个csv数据文件为主体含各样本心电记录及标签文件train_label.csv另有XML配置、README中文说明、.gitignore及项目配置文件等辅助内容压缩包大小约10.75MB已有4081人学习/下载。使用时可参考描述中提到的预处理要点如去噪、标准化与时间序列对齐也可利用CNN、RNN等方式建模。这份资源适合作为算法练习与科研实验的基础数据能帮助读者省去数据整理时间专注于特征工程、模型构建与结果解释。1. 12导联心电图数据比想象中难啃也比想象中值钱做心电AI的团队手里要是有一套完整的12导联心电图数据一半人当它是“三个通道的波形”直接丢进CNN另一半人卡在文件解析上就先放弃了。真正的问题是12导联不是传感器数量翻倍它是一组由心电向量在不同方位投影出来的时序信号导联之间自带电轴、空间和时间关系导联与导联的相位差和幅值比本身就能反映心肌缺血或梗死的位置。这篇不聊算法paper聊一线落地时怎么把它当数据工程来做——格式怎么读、预处理怎么做、样本怎么切、坑在哪以及如何做导联子集验证适合正要拿12导联数据开训的算法工程师和做可穿戴心电的开发者。2. 解析12导联原始格式从.hea/.dat/.atr到numpy数组的最小流程2.1 WFDB格式与三类文件的真实分工大多数公开的12导联心电图数据用的是WFDB格式PTB-XL这类大型公开集就是典型代表。一套完整记录由三类文件组成.hea头文件、.dat数据文件、.atr注释文件。搞懂它们的分工比急着写加载代码更重要。.hea是纯文本记录采样率、导联数、每个导联的名字、ADC增益、基线和每导联的存储格式。.dat是二进制波形数据按“每个采样点逐导联交错”的方式一行行写下去不经过头文件你根本不知道里面是int16还是float64、一帧几个字节。.atr是注释文件存R峰位置、Beat类型、节律标注和诊断结论。很多数据集的诊断标签并不在.atr里而在单独的csv或xlsx里拿到数据的头一天先花十分钟用记事本打开一个.hea再对着数据说明手册找标签表这个习惯能省下后面几天排错时间。常见坑是拿到病理数据后不看存储位宽直接按float读。有的数据集为了省空间把信号存成8位整数有的用16位还有的存成物理量mV读出来直接就是小数。判断方法很简单看.hea里第2行的ADCRate和后面每个通道的ADC Gain如果gain是1000或200这类整数说明.dat里存的是ADC原始值要除以gain才得到mV否则你画出来的波形幅值全是错的。2.2 最小读取代码用wfdb库从原始文件到numpy数组解析WFDB格式不需要自己手写二进制解析用wfdb这个python包就够了。下面这段代码是从12导联记录里读取前10秒信号和R峰注释的最小流程。import wfdb import numpy as np # 读信号返回record对象sampto5000表示只读前5000个采样点 record wfdb.rdrecord( path/to/record_001, sampto5000, physicalTrue # True返回mV物理量False返回ADC原始值 ) sig record.p_signal # shape (5000, 12)float数组单位mV fs record.fs # 采样率常见500Hz或100Hz ch_names record.sig_name # 导联名列表按文件里的顺序 # 读注释atr是R峰和beat标注的注释类型 ann wfdb.rdann(path/to/record_001, atr, sampto5000) r_peaks ann.sample # R峰所在的采样点索引 sym ann.symbol # 每个注释的类型符号如N正常、V室早 # 用通道名把信号重排到标准12导联顺序 std_order [I, II, III, aVR, aVL, aVF, V1, V2, V3, V4, V5, V6] idx [ch_names.index(c) for c in std_order if c in ch_names] sig sig[:, idx]rdrecord的sampto参数是按采样点截断500Hz下5000个点正好10秒。physicalTrue时返回的是已经除以增益、减掉基线的毫伏值做深度学习输入时优先用这个避免自己处理单位。rdann读出的sample是采样点索引不是时间秒后面的窗口切分和滤波都必须保持在这个索引体系里操作混用会出大问题。信号重排那段容易被忽略。不同来源的12导联记录导联顺序并不统一有的按I、II、III、aVR、aVL、aVF、V1到V6排有的先排胸前导联再排肢体导联。如果模型输入要求固定顺序必须在读取时就归一化到std_order否则同一个样本在不同批次里的通道语义不一致模型只能学到位置噪声。2.3 导联顺序与时间轴两个必须当场确认的细节读数据时就要确认导联顺序不要等训练曲线反常才回头查。record.sig_name返回的列表就是数据文件里的真实顺序打印出来跟标注文件、论文描述对比一遍。肢体导联里还有个经典差异有些数据集的aVR、aVL、aVF是直接采集的有些是软件从I、II导联合成计算的数值上会有细微差别但一般不影响模型训练真正影响大的是左右手电极接反那种数据里I导联和aVR导联的波形会整体倒置这种记录要当异常样本处理。时间轴要注意的是起始偏移。有的记录从心电采集开始就写入前几百毫秒可能是空白或起搏器伪迹有的数据集已经把记录裁剪到以第一个QRS波群开头。统一做法是先读.ann的R峰列表看第一个R峰与采样起点的距离是否在合理范围比如500Hz下应小于1秒偏移过大的记录在切窗口时要丢弃开头片段别让模型学到“开始的0.5秒永远是平的”。3. 12导联预处理三板斧重采样、滤波与导联对齐3.1 采样率不统一是第一个坎同一批模型要吃的训练数据如果来自多个数据集采样率几乎一定不统一。有的公开集给500Hz有的给100Hz自己采集的设备可能帧率还是250Hz。直接把不同采样率的数据混着喂给模型等于让模型同时学两种时间语义。我的处理顺序是先重采样到统一目标再滤波。目标采样率看任务做房颤、早搏这类节律识别250Hz足够做QRS精细形态分析统一到500Hz更稳。重采样用scipy.signal.resample_poly它比resample更适合心电因为它不会在信号两端引入明显的傅里叶振铃。from scipy import signal as ss def resample_ecg(sig, src_fs, dst_fs): # 计算上采样和下采样倍数先上后下保证质量 from math import gcd g gcd(src_fs, dst_fs) up dst_fs // g down src_fs // g # 默认axis-1按最后一维(时间维)重采样 return ss.resample_poly(sig, up, down, axis-1)参数上up和down是整数倍关系不要写成小数。比如500Hz转250Hzup1, down2。重采样后R峰位置会偏移一两个采样点所以对带注释的数据不要在重采样后再直接用旧的R峰索引做窗口中心需要按比例换算并重新检测这一点在避坑章会展开。3.2 带通滤波与工频陷波参数别照抄心电信号本身的能量集中在0.5Hz到40Hz之间P波、QRS、T波的主要分量都在这个范围。滤波的目的不是“把波形变好看”而是去掉基线漂移和高频肌电干扰这两个东西会让归一化和波形分类的输入分布不稳定。from scipy.signal import butter, filtfilt def bandpass_ecg(sig, fs, low0.5, high40, order3): # 0.5Hz高通去掉呼吸引起的基线漂移 # 40Hz低通去掉肌电和高频噪声又不损伤QRS形态 b, a butter(order, [low, high], btypebandpass, fsfs) # filtfilt是零相位滤波避免R峰位置被相位延迟拉偏 return filtfilt(b, a, sig, axis-1) def notch_ecg(sig, fs, f050): # 中国电网50Hz工频欧美部分数据是60Hz b, a butter(2, [f0 - 1, f0 1], btypebandstop, fsfs) return filtfilt(b, a, sig, axis-1)关键参数是低通上限。很多论文写40Hz但实际看波形有些记录在30Hz以上几乎没有能量这时候把上限放到45Hz反而会引入高频毛刺。经验做法是先对一条干净记录做频谱分析看能量在哪个频率截止再用。滤波阶数用3阶就够阶数越高过渡带越陡但零相位滤波后边缘伪影越明显。处理12导联时要整条记录一起滤波不要逐导联单独滤波因为filtfilt在信号首尾会产生边界效应逐导联处理会让边界位置在导联间出现不齐。3.3 时间对齐R峰、标签与窗口的偏移检查做完重采样和滤波必须重新检查R峰注释是否还在合理位置。办法是打印一条10秒波形在R峰采样点处画竖线用肉眼看三条不同导联的R峰是否都对齐在竖线上。这个“肉眼检查”不是玄学是最便宜的排错手段能同时发现采样率换算错误、时间轴偏移和滤波延迟三个问题。标签对齐是另一个隐蔽问题。如果诊断标签是“这一段有房颤”标签的时间范围通常由两个annotator分别标了起止采样点切窗口时要保证窗口完全落在标签区间内或者落在R峰序列的决策区间里。我只踩过一次这样的坑标注文件里写着起始点是“10秒采样点5000”但实际那个文件的采样率是250Hz5000点是20秒窗口直接切到了别的节律段上。所以每次切窗口前先用ann.sample / fs把注释点换算成秒再跟标签文件的时间戳核对。3.4 完整预处理流水线示例把上面几步串起来一个典型的最小预处理流程如下。这里的顺序不是随便定的先去基线漂移再做陷波是为了避免工频干扰在漂移校正后被放大重采样放在滤波前能减少重采样引入的混叠。def preprocess_12lead(sig, fs, target_fs500): # 1) 重采样到统一采样率 if fs ! target_fs: sig resample_ecg(sig, fs, target_fs) fs target_fs # 2) 先带通去掉基线漂移和肌电 sig bandpass_ecg(sig, fs) # 3) 再陷波处理工频 sig notch_ecg(sig, fs) # 4) 每个导联做z-score归一化 mean sig.mean(axis-1, keepdimsTrue) std sig.std(axis-1, keepdimsTrue) sig (sig - mean) / (std 1e-6) return sig, fs归一化时按“每个导联自己”做不要按全部12个通道的全局均值和方差做。因为肢体导联和胸前导联的幅值天然不一样全局归一化会把本来就小的V3导联信号压得更小等于削弱了部分空间信息。std 1e-6是为了避免静息记录里某导联方差接近0时除零报错这个细节在批量处理大批数据时常遇到不加这一项会在某个安静样本上报RuntimeWarning。4. 标注与数据切分把12导联记录变成能训模型的样本集4.1 标注体系先搞清标签是给“记录”还是给“节律段”12导联数据的标签体系在不同数据集里差别很大。有的给的是整个记录的诊断结论比如“前壁心肌梗死”“正常”这种标签对应整条10秒记录有的标签是逐拍的把每个R峰标成正常、室早、房早还有的给的是节律标签标明某段时间是房颤还是窦性心律。拿到数据第一步先看标签的最小粒度是什么直接决定切窗口的策略。如果标签是记录级那切窗口时窗口内的标签直接用整条记录的标签如果标签是逐拍或逐节律段窗口标签需要由窗口内的R峰注释聚合而来比如统计窗口内室早比例超过多少才算正样本。我见过有人把逐拍标签直接复制到整条记录的所有窗口里导致正样本比例虚高、模型学到的其实是“记录里只要有一个室早所有窗口都算室早”。这类问题很难从训练曲线上看出来只能靠验证集上逐窗口的bad case分析发现。4.2 按患者切分是最低要求按记录切分等于白切医疗数据的切分规则和图像数据不一样。同一个病人的多份记录在导联波形上高度相似如果按记录随机分train/test同一个人的不同记录会同时出现在两边模型记住这个人的基线和电极位置就能刷高指标。这类数据泄漏在验证集上表现是AUC轻松上0.98一换新医院的真实数据就打回原形。正确做法是按患者ID分组建独立分层切分。patient_ids sorted(set(raw_df[patient_id])) np.random.seed(42) # 切分组不切开记录 test_pts set(np.random.choice(patient_ids, sizeint(len(patient_ids)*0.2), replaceFalse)) train_pts [p for p in patient_ids if p not in test_pts] train_records raw_df[raw_df[patient_id].isin(train_pts)] test_records raw_df[raw_df[patient_id].isin(test_pts)]核心是patient_id不是记录文件名。采集时一个病人做两次心电文件名不同但patient_id相同这类记录要么全在训练集要么全在测试集。验证集再用同样逻辑从训练患者里划出15%保证三个集合的患者完全不重叠。4.3 滑窗切分与样本筛选要点切窗口时窗口长度跟任务强相关。做单拍分类窗口取R峰前0.3秒到R峰后0.5秒做节律分类窗口取5到10秒做心肌梗死定位最少10秒起步。重叠率常用50%数据量不够时可以提到75%但要注意重叠窗口之间的样本不是独立的评估时最好按记录聚合结果别按窗口数算准确率。def make_windows(sig, window5000, stride2500): # sig: (n_leads, n_samples) n_samples sig.shape[1] starts range(0, max(1, n_samples - window 1), stride) for st in starts: piece sig[:, st:st window] if piece.shape[1] window: continue yield piece, st切完窗口必须做质量筛查。最简单有效的指标是峰峰幅度和方差正常12导联每导联峰峰值在0.5mV到3mV之间整段全零、恒定平台或者R峰检测器一个波都没检出来的窗口直接丢弃。这个筛除动作看似粗暴实际能去掉一大批电极脱落产生的垃圾样本这些样本如果留着会让模型的注意力被“导联掉了”这种设备伪迹带走。5. 12导联数据使用避坑五个让训练翻车的真实问题5.1 数据泄漏验证集AUC虚高部署到新数据直接崩现象训练还在正常过拟合验证集AUC却好得异常比如二分类轻松到0.99但换一批来自其他医院的记录做外部测试时性能掉到0.7以下。 原因按记录而不是按患者分train/test同一个人的多次记录被拆到两个集合里。模型记住的是这个人固定的心电基线、电极贴放位置和个人生理特征不是疾病模式。 解决严格按patient_id分组切分并把切分代码写进数据pipeline而不是一次性脚本确保每次重跑实验的划分一致测试集从始至终不参与任何归一化或超参调优。5.2 导联顺序错位模型学到的是排列不是心电现象训练loss下降正常但swap某个导联的顺序后模型预测完全不敏感或者换一个数据集训练直接发散。 原因读取时没按标准导联顺序重排模型在某个中间层把“位置1”学成了“V4导联”本地测试集恰好也是同一个乱序所以指标看着正常。 解决读取后立即用std_order重排并打印每个导联的均值幅度做二次校验。V1到V6的胸前导联幅值通常逐导联变化如果重排后序列和幅度变化看起来不连续再回查映射逻辑。5.3 滤波把P波滤没了房颤检测跟着报废现象预训练时用0.5-40Hz带通滤波模型对房颤识别很差检查波形时发现P波位置几乎是平的。 原因对老年人或房颤患者的记录P波本身很微弱幅值常在0.05mV量级30Hz以上的低通对噪声是好事但3阶butter在40Hz处非理想衰减会把P波的高频起始部分连带滤掉。更隐蔽的是滤波后做了z-score归一化微弱的P波被整体压得更小。 解决滤波后抽查房颤和窦性两类样本的P波肉眼确认P波还存在对幅度差异大的导联考虑用阈值归一化代替z-score或保留[0.5, 30]Hz之外的高频分量单独做一路输入。5.4 重采样后R峰位置偏移窗口中心对不准QRS现象重采样后做拍分类输入窗口中心不是QRS波群模型学不到稳定的QRS形态准确率始终上不去。 原因resample_poly的滤波过程会引入相位变化虽然整体线性相位但R峰索引不经换算直接沿用旧位置误差可能达到几个采样点在250Hz下相当于几十毫秒的偏移。 解决重采样后再跑一次QRS检测比如用wfdb.processing.gqrs_detect或者把旧R峰索引乘上dst_fs/src_fs后再按检测到的R峰重新对齐一次。5.5 坏记录与零基线设备电极脱落混进训练集现象训练loss前期降得很快但验证集上模型对“正常人”的误报率极高输出概率偏向阳性。 原因数据里混入了大量电极脱落、导联线断开、患者剧烈运动产生的平台状或锯齿状记录。模型学到的是“高质量信号病理”因为训练集里高质量样本大多是心内科病人健康人反而少。 解决批量筛查时计算每个记录的零段比例和峰峰值。零段超过总时长30%的直接剔除所有导联峰峰值都低于0.2mV的记录也不要保留。这一步要放在切窗口之前避免垃圾样本被滑窗复制出几百个近重复样本。6. 进阶逐导联AUC验证与12导联到单导联的迁移6.1 用逐导联AUC找出最佳子集12导联数据的一个被低估的用法是量化每个导联对任务的贡献这能直接告诉你该不该为这个任务去做单导联可穿戴设备。做法很简单把12导联数据拆成12份单导联输入用同一个模型结构分别训练然后比较每个导联在独立测试集上的AUC。操作上把模型第一层卷积的输入通道数改成1即可其他结构不变。from sklearn.metrics import roc_auc_score for ch in range(12): X_ch X[:, ch:ch1, :] # 只取一个导联 model_ch build_model(in_channels1) model_ch.fit(X_ch, y) auc roc_auc_score(y_true, model_ch.predict_proba(X_ch_val)) print(f{lead_names[ch]}: {auc:.4f})注意训练时每个单导联模型要在同样的患者划分上训练否则导联间的比较会被划分差异污染。常见的结论是II导联和V5导联对缺血检测贡献最大aVR对某些节律异常有效但这个结论在不同数据集上会变一定要用自己的数据跑一遍而不是照搬文献结论。做完这个实验还能得到一个额外价值如果某个导联单独训练就能接近全导联AUC说明12导联模型里对这个任务起作用的信号其实很集中。6.2 12导联到单导联迁移的落地取舍最后给一个我养成的习惯动作训练完12导联模型我会先砍掉最没用的三四个导联把模型输入通道从12改成8或9重训一次对比性能衰减。如果掉点不超过0.5%就说明数据里存在大量冗余导联后续部署到单导联设备时心里有底。如果目标是做单导联设备迁移顺序不要直接用单导联预训练模型而是先拿12导联模型做知识蒸馏把12导联模型在大量无标注记录上的logits作为软标签去训练一个轻量单导联模型。这样比直接拿单导联数据从头训练收敛快很多也更容易保住12导联里的空间信息。我从第一套12导联数据开始就养成了两个习惯所有切分逻辑写进配置文件而不是散落在notebook里任何预处理改动后都强制肉眼抽查十组波形。这两个习惯帮我挡掉了好几次数据泄漏和滤波翻车。做12导联数据慢就是快前期多花一天确认格式和切分后面省下的重训时间往往以周计。希望这篇笔记能帮你少走一段弯路。本文还有配套的精品资源点击获取 12导联心电图数据工程：WFDB解析、预处理与训练切分避坑指南
简介一套12导联心电图ECG数据集资源面向医学数据分析、机器学习及深度学习入门与进阶学习者适用于异常检测、心率变异分析、心电分类等典型任务数据规模为39732条记录已按7:3划分为训练集与测试集便于直接用于模型训练与泛化验证。包内共45个文件以37个csv数据文件为主体含各样本心电记录及标签文件train_label.csv另有XML配置、README中文说明、.gitignore及项目配置文件等辅助内容压缩包大小约10.75MB已有4081人学习/下载。使用时可参考描述中提到的预处理要点如去噪、标准化与时间序列对齐也可利用CNN、RNN等方式建模。这份资源适合作为算法练习与科研实验的基础数据能帮助读者省去数据整理时间专注于特征工程、模型构建与结果解释。1. 12导联心电图数据比想象中难啃也比想象中值钱做心电AI的团队手里要是有一套完整的12导联心电图数据一半人当它是“三个通道的波形”直接丢进CNN另一半人卡在文件解析上就先放弃了。真正的问题是12导联不是传感器数量翻倍它是一组由心电向量在不同方位投影出来的时序信号导联之间自带电轴、空间和时间关系导联与导联的相位差和幅值比本身就能反映心肌缺血或梗死的位置。这篇不聊算法paper聊一线落地时怎么把它当数据工程来做——格式怎么读、预处理怎么做、样本怎么切、坑在哪以及如何做导联子集验证适合正要拿12导联数据开训的算法工程师和做可穿戴心电的开发者。2. 解析12导联原始格式从.hea/.dat/.atr到numpy数组的最小流程2.1 WFDB格式与三类文件的真实分工大多数公开的12导联心电图数据用的是WFDB格式PTB-XL这类大型公开集就是典型代表。一套完整记录由三类文件组成.hea头文件、.dat数据文件、.atr注释文件。搞懂它们的分工比急着写加载代码更重要。.hea是纯文本记录采样率、导联数、每个导联的名字、ADC增益、基线和每导联的存储格式。.dat是二进制波形数据按“每个采样点逐导联交错”的方式一行行写下去不经过头文件你根本不知道里面是int16还是float64、一帧几个字节。.atr是注释文件存R峰位置、Beat类型、节律标注和诊断结论。很多数据集的诊断标签并不在.atr里而在单独的csv或xlsx里拿到数据的头一天先花十分钟用记事本打开一个.hea再对着数据说明手册找标签表这个习惯能省下后面几天排错时间。常见坑是拿到病理数据后不看存储位宽直接按float读。有的数据集为了省空间把信号存成8位整数有的用16位还有的存成物理量mV读出来直接就是小数。判断方法很简单看.hea里第2行的ADCRate和后面每个通道的ADC Gain如果gain是1000或200这类整数说明.dat里存的是ADC原始值要除以gain才得到mV否则你画出来的波形幅值全是错的。2.2 最小读取代码用wfdb库从原始文件到numpy数组解析WFDB格式不需要自己手写二进制解析用wfdb这个python包就够了。下面这段代码是从12导联记录里读取前10秒信号和R峰注释的最小流程。import wfdb import numpy as np # 读信号返回record对象sampto5000表示只读前5000个采样点 record wfdb.rdrecord( path/to/record_001, sampto5000, physicalTrue # True返回mV物理量False返回ADC原始值 ) sig record.p_signal # shape (5000, 12)float数组单位mV fs record.fs # 采样率常见500Hz或100Hz ch_names record.sig_name # 导联名列表按文件里的顺序 # 读注释atr是R峰和beat标注的注释类型 ann wfdb.rdann(path/to/record_001, atr, sampto5000) r_peaks ann.sample # R峰所在的采样点索引 sym ann.symbol # 每个注释的类型符号如N正常、V室早 # 用通道名把信号重排到标准12导联顺序 std_order [I, II, III, aVR, aVL, aVF, V1, V2, V3, V4, V5, V6] idx [ch_names.index(c) for c in std_order if c in ch_names] sig sig[:, idx]rdrecord的sampto参数是按采样点截断500Hz下5000个点正好10秒。physicalTrue时返回的是已经除以增益、减掉基线的毫伏值做深度学习输入时优先用这个避免自己处理单位。rdann读出的sample是采样点索引不是时间秒后面的窗口切分和滤波都必须保持在这个索引体系里操作混用会出大问题。信号重排那段容易被忽略。不同来源的12导联记录导联顺序并不统一有的按I、II、III、aVR、aVL、aVF、V1到V6排有的先排胸前导联再排肢体导联。如果模型输入要求固定顺序必须在读取时就归一化到std_order否则同一个样本在不同批次里的通道语义不一致模型只能学到位置噪声。2.3 导联顺序与时间轴两个必须当场确认的细节读数据时就要确认导联顺序不要等训练曲线反常才回头查。record.sig_name返回的列表就是数据文件里的真实顺序打印出来跟标注文件、论文描述对比一遍。肢体导联里还有个经典差异有些数据集的aVR、aVL、aVF是直接采集的有些是软件从I、II导联合成计算的数值上会有细微差别但一般不影响模型训练真正影响大的是左右手电极接反那种数据里I导联和aVR导联的波形会整体倒置这种记录要当异常样本处理。时间轴要注意的是起始偏移。有的记录从心电采集开始就写入前几百毫秒可能是空白或起搏器伪迹有的数据集已经把记录裁剪到以第一个QRS波群开头。统一做法是先读.ann的R峰列表看第一个R峰与采样起点的距离是否在合理范围比如500Hz下应小于1秒偏移过大的记录在切窗口时要丢弃开头片段别让模型学到“开始的0.5秒永远是平的”。3. 12导联预处理三板斧重采样、滤波与导联对齐3.1 采样率不统一是第一个坎同一批模型要吃的训练数据如果来自多个数据集采样率几乎一定不统一。有的公开集给500Hz有的给100Hz自己采集的设备可能帧率还是250Hz。直接把不同采样率的数据混着喂给模型等于让模型同时学两种时间语义。我的处理顺序是先重采样到统一目标再滤波。目标采样率看任务做房颤、早搏这类节律识别250Hz足够做QRS精细形态分析统一到500Hz更稳。重采样用scipy.signal.resample_poly它比resample更适合心电因为它不会在信号两端引入明显的傅里叶振铃。from scipy import signal as ss def resample_ecg(sig, src_fs, dst_fs): # 计算上采样和下采样倍数先上后下保证质量 from math import gcd g gcd(src_fs, dst_fs) up dst_fs // g down src_fs // g # 默认axis-1按最后一维(时间维)重采样 return ss.resample_poly(sig, up, down, axis-1)参数上up和down是整数倍关系不要写成小数。比如500Hz转250Hzup1, down2。重采样后R峰位置会偏移一两个采样点所以对带注释的数据不要在重采样后再直接用旧的R峰索引做窗口中心需要按比例换算并重新检测这一点在避坑章会展开。3.2 带通滤波与工频陷波参数别照抄心电信号本身的能量集中在0.5Hz到40Hz之间P波、QRS、T波的主要分量都在这个范围。滤波的目的不是“把波形变好看”而是去掉基线漂移和高频肌电干扰这两个东西会让归一化和波形分类的输入分布不稳定。from scipy.signal import butter, filtfilt def bandpass_ecg(sig, fs, low0.5, high40, order3): # 0.5Hz高通去掉呼吸引起的基线漂移 # 40Hz低通去掉肌电和高频噪声又不损伤QRS形态 b, a butter(order, [low, high], btypebandpass, fsfs) # filtfilt是零相位滤波避免R峰位置被相位延迟拉偏 return filtfilt(b, a, sig, axis-1) def notch_ecg(sig, fs, f050): # 中国电网50Hz工频欧美部分数据是60Hz b, a butter(2, [f0 - 1, f0 1], btypebandstop, fsfs) return filtfilt(b, a, sig, axis-1)关键参数是低通上限。很多论文写40Hz但实际看波形有些记录在30Hz以上几乎没有能量这时候把上限放到45Hz反而会引入高频毛刺。经验做法是先对一条干净记录做频谱分析看能量在哪个频率截止再用。滤波阶数用3阶就够阶数越高过渡带越陡但零相位滤波后边缘伪影越明显。处理12导联时要整条记录一起滤波不要逐导联单独滤波因为filtfilt在信号首尾会产生边界效应逐导联处理会让边界位置在导联间出现不齐。3.3 时间对齐R峰、标签与窗口的偏移检查做完重采样和滤波必须重新检查R峰注释是否还在合理位置。办法是打印一条10秒波形在R峰采样点处画竖线用肉眼看三条不同导联的R峰是否都对齐在竖线上。这个“肉眼检查”不是玄学是最便宜的排错手段能同时发现采样率换算错误、时间轴偏移和滤波延迟三个问题。标签对齐是另一个隐蔽问题。如果诊断标签是“这一段有房颤”标签的时间范围通常由两个annotator分别标了起止采样点切窗口时要保证窗口完全落在标签区间内或者落在R峰序列的决策区间里。我只踩过一次这样的坑标注文件里写着起始点是“10秒采样点5000”但实际那个文件的采样率是250Hz5000点是20秒窗口直接切到了别的节律段上。所以每次切窗口前先用ann.sample / fs把注释点换算成秒再跟标签文件的时间戳核对。3.4 完整预处理流水线示例把上面几步串起来一个典型的最小预处理流程如下。这里的顺序不是随便定的先去基线漂移再做陷波是为了避免工频干扰在漂移校正后被放大重采样放在滤波前能减少重采样引入的混叠。def preprocess_12lead(sig, fs, target_fs500): # 1) 重采样到统一采样率 if fs ! target_fs: sig resample_ecg(sig, fs, target_fs) fs target_fs # 2) 先带通去掉基线漂移和肌电 sig bandpass_ecg(sig, fs) # 3) 再陷波处理工频 sig notch_ecg(sig, fs) # 4) 每个导联做z-score归一化 mean sig.mean(axis-1, keepdimsTrue) std sig.std(axis-1, keepdimsTrue) sig (sig - mean) / (std 1e-6) return sig, fs归一化时按“每个导联自己”做不要按全部12个通道的全局均值和方差做。因为肢体导联和胸前导联的幅值天然不一样全局归一化会把本来就小的V3导联信号压得更小等于削弱了部分空间信息。std 1e-6是为了避免静息记录里某导联方差接近0时除零报错这个细节在批量处理大批数据时常遇到不加这一项会在某个安静样本上报RuntimeWarning。4. 标注与数据切分把12导联记录变成能训模型的样本集4.1 标注体系先搞清标签是给“记录”还是给“节律段”12导联数据的标签体系在不同数据集里差别很大。有的给的是整个记录的诊断结论比如“前壁心肌梗死”“正常”这种标签对应整条10秒记录有的标签是逐拍的把每个R峰标成正常、室早、房早还有的给的是节律标签标明某段时间是房颤还是窦性心律。拿到数据第一步先看标签的最小粒度是什么直接决定切窗口的策略。如果标签是记录级那切窗口时窗口内的标签直接用整条记录的标签如果标签是逐拍或逐节律段窗口标签需要由窗口内的R峰注释聚合而来比如统计窗口内室早比例超过多少才算正样本。我见过有人把逐拍标签直接复制到整条记录的所有窗口里导致正样本比例虚高、模型学到的其实是“记录里只要有一个室早所有窗口都算室早”。这类问题很难从训练曲线上看出来只能靠验证集上逐窗口的bad case分析发现。4.2 按患者切分是最低要求按记录切分等于白切医疗数据的切分规则和图像数据不一样。同一个病人的多份记录在导联波形上高度相似如果按记录随机分train/test同一个人的不同记录会同时出现在两边模型记住这个人的基线和电极位置就能刷高指标。这类数据泄漏在验证集上表现是AUC轻松上0.98一换新医院的真实数据就打回原形。正确做法是按患者ID分组建独立分层切分。patient_ids sorted(set(raw_df[patient_id])) np.random.seed(42) # 切分组不切开记录 test_pts set(np.random.choice(patient_ids, sizeint(len(patient_ids)*0.2), replaceFalse)) train_pts [p for p in patient_ids if p not in test_pts] train_records raw_df[raw_df[patient_id].isin(train_pts)] test_records raw_df[raw_df[patient_id].isin(test_pts)]核心是patient_id不是记录文件名。采集时一个病人做两次心电文件名不同但patient_id相同这类记录要么全在训练集要么全在测试集。验证集再用同样逻辑从训练患者里划出15%保证三个集合的患者完全不重叠。4.3 滑窗切分与样本筛选要点切窗口时窗口长度跟任务强相关。做单拍分类窗口取R峰前0.3秒到R峰后0.5秒做节律分类窗口取5到10秒做心肌梗死定位最少10秒起步。重叠率常用50%数据量不够时可以提到75%但要注意重叠窗口之间的样本不是独立的评估时最好按记录聚合结果别按窗口数算准确率。def make_windows(sig, window5000, stride2500): # sig: (n_leads, n_samples) n_samples sig.shape[1] starts range(0, max(1, n_samples - window 1), stride) for st in starts: piece sig[:, st:st window] if piece.shape[1] window: continue yield piece, st切完窗口必须做质量筛查。最简单有效的指标是峰峰幅度和方差正常12导联每导联峰峰值在0.5mV到3mV之间整段全零、恒定平台或者R峰检测器一个波都没检出来的窗口直接丢弃。这个筛除动作看似粗暴实际能去掉一大批电极脱落产生的垃圾样本这些样本如果留着会让模型的注意力被“导联掉了”这种设备伪迹带走。5. 12导联数据使用避坑五个让训练翻车的真实问题5.1 数据泄漏验证集AUC虚高部署到新数据直接崩现象训练还在正常过拟合验证集AUC却好得异常比如二分类轻松到0.99但换一批来自其他医院的记录做外部测试时性能掉到0.7以下。 原因按记录而不是按患者分train/test同一个人的多次记录被拆到两个集合里。模型记住的是这个人固定的心电基线、电极贴放位置和个人生理特征不是疾病模式。 解决严格按patient_id分组切分并把切分代码写进数据pipeline而不是一次性脚本确保每次重跑实验的划分一致测试集从始至终不参与任何归一化或超参调优。5.2 导联顺序错位模型学到的是排列不是心电现象训练loss下降正常但swap某个导联的顺序后模型预测完全不敏感或者换一个数据集训练直接发散。 原因读取时没按标准导联顺序重排模型在某个中间层把“位置1”学成了“V4导联”本地测试集恰好也是同一个乱序所以指标看着正常。 解决读取后立即用std_order重排并打印每个导联的均值幅度做二次校验。V1到V6的胸前导联幅值通常逐导联变化如果重排后序列和幅度变化看起来不连续再回查映射逻辑。5.3 滤波把P波滤没了房颤检测跟着报废现象预训练时用0.5-40Hz带通滤波模型对房颤识别很差检查波形时发现P波位置几乎是平的。 原因对老年人或房颤患者的记录P波本身很微弱幅值常在0.05mV量级30Hz以上的低通对噪声是好事但3阶butter在40Hz处非理想衰减会把P波的高频起始部分连带滤掉。更隐蔽的是滤波后做了z-score归一化微弱的P波被整体压得更小。 解决滤波后抽查房颤和窦性两类样本的P波肉眼确认P波还存在对幅度差异大的导联考虑用阈值归一化代替z-score或保留[0.5, 30]Hz之外的高频分量单独做一路输入。5.4 重采样后R峰位置偏移窗口中心对不准QRS现象重采样后做拍分类输入窗口中心不是QRS波群模型学不到稳定的QRS形态准确率始终上不去。 原因resample_poly的滤波过程会引入相位变化虽然整体线性相位但R峰索引不经换算直接沿用旧位置误差可能达到几个采样点在250Hz下相当于几十毫秒的偏移。 解决重采样后再跑一次QRS检测比如用wfdb.processing.gqrs_detect或者把旧R峰索引乘上dst_fs/src_fs后再按检测到的R峰重新对齐一次。5.5 坏记录与零基线设备电极脱落混进训练集现象训练loss前期降得很快但验证集上模型对“正常人”的误报率极高输出概率偏向阳性。 原因数据里混入了大量电极脱落、导联线断开、患者剧烈运动产生的平台状或锯齿状记录。模型学到的是“高质量信号病理”因为训练集里高质量样本大多是心内科病人健康人反而少。 解决批量筛查时计算每个记录的零段比例和峰峰值。零段超过总时长30%的直接剔除所有导联峰峰值都低于0.2mV的记录也不要保留。这一步要放在切窗口之前避免垃圾样本被滑窗复制出几百个近重复样本。6. 进阶逐导联AUC验证与12导联到单导联的迁移6.1 用逐导联AUC找出最佳子集12导联数据的一个被低估的用法是量化每个导联对任务的贡献这能直接告诉你该不该为这个任务去做单导联可穿戴设备。做法很简单把12导联数据拆成12份单导联输入用同一个模型结构分别训练然后比较每个导联在独立测试集上的AUC。操作上把模型第一层卷积的输入通道数改成1即可其他结构不变。from sklearn.metrics import roc_auc_score for ch in range(12): X_ch X[:, ch:ch1, :] # 只取一个导联 model_ch build_model(in_channels1) model_ch.fit(X_ch, y) auc roc_auc_score(y_true, model_ch.predict_proba(X_ch_val)) print(f{lead_names[ch]}: {auc:.4f})注意训练时每个单导联模型要在同样的患者划分上训练否则导联间的比较会被划分差异污染。常见的结论是II导联和V5导联对缺血检测贡献最大aVR对某些节律异常有效但这个结论在不同数据集上会变一定要用自己的数据跑一遍而不是照搬文献结论。做完这个实验还能得到一个额外价值如果某个导联单独训练就能接近全导联AUC说明12导联模型里对这个任务起作用的信号其实很集中。6.2 12导联到单导联迁移的落地取舍最后给一个我养成的习惯动作训练完12导联模型我会先砍掉最没用的三四个导联把模型输入通道从12改成8或9重训一次对比性能衰减。如果掉点不超过0.5%就说明数据里存在大量冗余导联后续部署到单导联设备时心里有底。如果目标是做单导联设备迁移顺序不要直接用单导联预训练模型而是先拿12导联模型做知识蒸馏把12导联模型在大量无标注记录上的logits作为软标签去训练一个轻量单导联模型。这样比直接拿单导联数据从头训练收敛快很多也更容易保住12导联里的空间信息。我从第一套12导联数据开始就养成了两个习惯所有切分逻辑写进配置文件而不是散落在notebook里任何预处理改动后都强制肉眼抽查十组波形。这两个习惯帮我挡掉了好几次数据泄漏和滤波翻车。做12导联数据慢就是快前期多花一天确认格式和切分后面省下的重训时间往往以周计。希望这篇笔记能帮你少走一段弯路。本文还有配套的精品资源点击获取