MEDICAL DATA RESEARCH
从原始波形到可验证标签:心电图数据集如何支撑自监督预训练与Holter部署
面向医疗AI研发团队,梳理心电图数据集从原始数字波形、诊断报告与多标签,到事件标注、患者级划分、外部验证和Holter部署的可复核设计与验收重点。
当研发团队希望用心电图识别房颤、房扑、房性或室性早搏、室速、室颤以及噪声时,真正的难点通常不是再选一个分类器,而是先回答:模型看到的究竟是不是可解释、可复现、与标签严格对齐的心电信号?如果数据只有波形图片,采样率和物理单位缺失,诊断报告又被压成单一疾病名,那么后续的自监督预训练、事件检测和设备端部署都会建立在不稳定的输入上。一个面向心律失常研发的心电图数据项目,应该把“能不能读出来”“标注指向什么”“是否能在新设备上复现”作为同一条技术链来设计。
先定义模型要吃什么数据
心电图数据至少有三种不同颗粒度。第一种是记录级数据:一条静息十二导联记录对应一段原始数字波形、一个或多个诊断标签以及一份报告文本。第二种是片段级数据:长时程或动态心电被切成五秒、十秒或其他窗口,用于识别某个时间范围内是否出现异常。第三种是事件级数据:心律失常的起止时间、R峰位置、逐搏类型、导联脱落和运动伪差被标到时间轴上。三者不能互相替代。记录级标签适合监督分类,片段级标签支撑局部检测,事件级标签才足以评价模型是否找到了正确的发生位置。
因此,数据交付不应只写“包含心电图及诊断报告”。对于波形,至少需要确认导联名称和顺序、采样率、量化精度、增益、基线、单位、记录时长、通道是否同步、缺失区间以及设备或采集协议。WFDB头文件规范把采样频率、信号文件、编码格式、ADC增益、单位和导联描述放在可解析的记录结构中,这些字段决定了同一段整数序列能否还原为有物理意义的电压信号。3 如果只交一张渲染图,研发人员无法重新采样、校准、检查伪差,也无法确认模型学习到的是心电形态还是绘图软件的版式。
格式可以有多种实现,但不能把“格式名称”当成质量证明。WFDB、MAT、EDF、HDF5或DICOM都需要附带字段字典、示例解析代码和完整性检查。DICOM标准对十二导联ECG、一般ECG和Holter波形分别定义了通道、采样频率和波形注释相关对象;十二导联对象允许的采样范围与动态心电对象并不完全相同,长时程记录也有不同的持续时间约束。4 项目应据此要求交付方明确哪些字段是原始采集值,哪些是转换或重采样结果,并保留版本化的转换日志。
一份数据是否适合预训练,还取决于重复记录和患者级关系。大规模原始波形可以用于学习一般表征,但同一患者的多次记录不能在训练和测试之间无控制地拆开,否则模型可能记住个体、设备或机构特征。公开的PTB-XL数据集把记录和患者分别编码,并提供按患者分配的推荐折次;它同时提供多标签诊断语句、信号质量字段和报告文本,说明一个可复用的基准需要把波形、标签、元数据和划分规则放在同一交付体系中。1
图1 技术示意:原始波形、标签证据与研发评价之间的关系;不表示真实患者、已完成实验或临床诊断结果。
把“诊断报告”拆成可以复核的标签
报告文本和结构化标签各有用途。文本保留了医生表述中的上下文、否定、程度和不确定性,适合未来的文本—波形多模态研究;结构化标签则为多标签分类、分层统计和一致性检查提供机器可读接口。两者不能简单地互相覆盖。一个报告可能同时描述窦性心律、房性早搏和束支传导异常,也可能出现“考虑”“不能排除”或“受伪差影响”等不确定语句。若强行压成一个互斥类别,模型训练会把真实共存关系当成标注冲突。
标签体系应先写成版本化代码本,而不是在标注过程中临时决定。记录级至少可区分正常或窦性节律、房颤、房扑、房性早搏、室性早搏、室速、室颤以及未确定或不可判读;同时可单独表示信号质量、导联脱落和运动伪差。对于存在共病或多个节律的记录,应允许多标签共存,并定义父类与子类的继承关系。PTB-XL将诊断、形态和节律语句组织为机器可读的多标签,并进一步提供层级分类,正好说明标签颗粒度和编码映射是数据产品的核心,而不是附加说明。1
事件级标签需要额外的时间语义。房颤或房扑可以是持续区间,室早和房早往往是离散逐搏事件,室速、室颤则可能需要连续事件窗;伪差又可能覆盖部分导联而不是整条记录。标注方案应规定起止点是否包含边界样本、短暂事件是否有最短持续时间、同一时间窗可否重叠、无法判断时标为“不确定”还是“缺失”。对于R峰和搏动标签,还要说明检测基准、异常搏动与正常搏动的定义、起搏节律如何编码,以及信号不可判读时是否保留空标签。
这种细化并非为了增加表格字段,而是为了让训练目标与验收目标一致。一个只要求记录级房颤标签的项目,不能据此验收逐搏定位能力;一个只提供人工报告而没有事件时间的项目,也不能声称支持精细的长程报警回放。2024年的一项真实世界可穿戴心电研究把R峰、节律标签、数据丢失、导联脱落、伪差和未知状态都放进时间相关数据结构,并将搏动类型与节律类型作为多标签任务处理。6 这类设计提示采购和研发应先确定输出粒度,再倒推标注成本与专家复核范围。
从自监督到下游微调的分层算法路线
对于大量未标注或只有弱标签的波形,第一阶段可以做信号表征学习,而不是立即训练疾病分类器。自监督任务可以包括掩码片段重建、跨导联一致性、时间顺序判断、增强前后表征一致性或波形重构。增强操作必须符合心电物理含义:有限的幅值扰动、局部遮挡、基线变化或通道缺失可以模拟采集差异,但不能把房颤周期结构随意打乱,更不能用增强生成未经审核的疾病标签。预训练数据仍要记录患者、设备、时间和来源分组,避免同一人的相邻片段跨集合泄漏。
第二阶段使用专家确认的多标签记录做监督微调。记录级模型可以采用多通道一维卷积、时间卷积网络或Transformer;对长时程数据,则可先以短窗编码,再用层级聚合器整合片段和事件。多标签输出通常使用每类独立概率,但标签之间存在节律—搏动、父类—子类和互斥状态关系时,可以在损失函数、后处理或标签图中显式表达。模型应为每个标签单独选择操作点,不宜用一个全局阈值掩盖罕见类别与常见类别的不同代价。
2023年一项大规模可穿戴十二导联研究采用未标注数据进行自监督预训练,再迁移到多标签心电诊断任务;其数据记录了固定采样频率和时长,并由多名心脏专科医生进行独立标注与复核。5 该研究提供了一个可研究的实例,说明“先用波形学习表征、再用标签微调”可以作为一种研究路线,但论文中的设备、人口、专家配置和在线测试条件不能直接变成任何数据集的承诺。研究结果是该研究设置下的实验效果,不等于另一个数据项目的临床效果,更不等于监管批准。
第三阶段应围绕目标设备和工作流做独立评价,而不是只追求内部测试分数。如果最终要部署到Holter或其他长时程设备,测试集至少要覆盖采样率、导联布局、佩戴状态、噪声类型和记录长度的变化。模型可以先在标准十二导联数据上预训练,再用目标设备的少量高质量样本校准;但迁移前后必须分开记录,不能把目标设备测试样本反复用于调参。对于边缘设备,还要同时验收推理延迟、内存、功耗、断点续传、缺失数据处理和模型版本回滚,而不是只验收AUROC。
无监督或自监督表征也可能学到与疾病无关的机构、设备和人群特征。2025年的一项研究在多个独立数据集上评估十二导联和单导联ECG潜在空间,显示独立数据集可以帮助检查表征在不同来源上的稳定性。7 这类证据支持把“外部数据集、来源差异和人群差异”写进数据采购与模型验收条件,但不支持把某一研究的关联结果直接解释为临床预测能力。
专家标注、误差与质量闭环
心电标注的第一道质量控制是标注指南。指南需要给出正常、异常、伪差、不可判读和不确定的边界案例,并附脱敏后的示例描述与反例。第二道是独立标注和盲审:标注者不应看到模型预测或彼此的初始判断,复核者应能追溯到原始波形和报告文本。第三道是分歧处理:明确哪些分歧由资深专家裁决,哪些保留为软标签或不纳入某一任务。第四道是持续抽检和版本管理:标签代码本、指南、修订原因、批次、审核者角色和回修记录都应可追踪。
不要把“专家审核”当成一个无法核验的形容词。验收时可以抽取不同疾病、不同信号质量、不同年龄段和不同设备来源的盲样,分别检查记录级标签、事件边界和报告—标签映射。对于多标签任务,可报告每个标签的一致性、阳性与阴性样本的数量、未决样本比例以及分歧原因,而不是只给一个总体准确率。少数类若样本太少,应先标注为证据不足并扩大抽样,而不是通过重复相似正常记录来填充规模。
信号质量也需要独立于疾病标签验收。常见质量维度包括基线漂移、肌电或运动伪差、工频干扰、导联脱落、饱和、截断和数据丢失。质量标签可以是记录级,也可以是按导联、时间窗或事件级记录。若数据只保留“好/坏”两类,模型可能在真实场景中把“低质量但仍可判读”错误地当成疾病阴性。公开数据集的做法表明,信号质量、噪声、基线漂移和电极问题等元数据对于评价真实世界泛化同样重要。1
合规检查不能被简化为删除姓名。项目应确认患者标识、日期、设备序列号、自由文本和波形内嵌信息是否已处理,纵向记录的重识别风险是否评估,报告文本是否含有未脱敏的机构或人员信息。还应书面确认数据可用于哪类研究、模型训练、模型权重和衍生模型,是否允许商业研发,以及伦理审查或授权链条由谁保存。公开稿只讨论原则,不披露具体授权文件、来源名单或合同条件。
图2 技术示意:验收应同时覆盖来源治理、标签一致性、信号质量和外部评价;不表示真实项目已完成或具有固定通过阈值。
外部验证比单一分数更接近真实部署
模型验收应先锁定数据划分,再锁定评价指标。划分单位通常应是患者,而不是随机切片;有纵向记录时,还需按时间或设备做额外隔离。内部验证可用于调参,锁定测试集用于一次性估计,外部验证则应来自不同来源、设备、流程或人群。对罕见房颤、室速和室颤,除了AUROC,还应报告AUPRC、灵敏度、特异度、阳性预测值、阴性预测值、校准和置信区间,并说明阳性率、阈值和参考标准。
事件检测要增加时间容差和事件级指标。例如,预测区间与专家区间是否有重叠、起点和终点误差多大、短事件是否被漏掉、同一事件是否被重复报警。长程监测还要分别评价每小时或每条记录的误报负担,因为一个过低阈值可能提高灵敏度,却把审核工作量推到不可用的程度。分类器的操作点不应由总体样本比例自动决定,而应结合漏报与误报在具体工作流中的后果,由临床和工程团队共同确认。
STARD-AI在2025年提出了面向AI诊断准确性研究的最低报告集,特别强调数据集来源与纳排条件、标注方法、采集设备与软件版本、预处理、训练—验证—测试划分、测试集代表性、算法偏差和外部审查。8 这些条目也可以转化为数据交付验收清单:每个样本从哪里来,如何被标注,如何进入某个集合,模型在何种设备和人群上被评价,都应有可复核记录。若项目目标是预测而非诊断分类,还应进一步采用适合预测模型的报告规范,并披露校准和临床使用场景。
数据与模型的版本需要一起冻结。波形转换、去噪、重采样、切窗、标签映射和异常剔除都应有版本号;每次修订都要能说明影响了哪些记录、哪些标签和哪些评价结果。交付时可以提供一小批可解析样例、字段字典、标签代码本、质量报告、划分清单和回归测试脚本。只有样例能在独立环境中读出预期的导联数、采样率、单位、时长和标签,后续的大批量数据才值得继续评估。
样例评估还应模拟真实的研发动作,而不只是打开几个文件看波形。可以先用解析器批量读取样例,检查文件配对、通道顺序、数值范围、时间戳和缺失标记,再随机抽取记录核对报告、结构化标签与专家复核结果。随后用同一套切窗和划分脚本跑一个不追求最终性能的基线,观察不同采样率、噪声等级和标签稀疏度是否会改变任务定义。若样例阶段发现某类标签只存在于报告文本、某些事件没有时间边界,或不同格式之间的单位换算不一致,就应先修订规格,而不是把不确定性带入正式批次。这样既能减少大规模返工,也能把数据方、标注方和模型方对“可用”的理解落到可执行检查上。
把数据交付接到研发流程
对于数据服务方,合理的业务逻辑不是先承诺一个脱离任务的固定库存,而是先依据模态、病种、标签颗粒度和目标设备做样例评估,再确认可交付范围、授权边界和验收方法。医疗数据目录和项目规格可以帮助研发团队找到适合的信号类型,但目录本身不等于现货证明,也不等于某一病种的数量、质量或临床效果。需求方应把“原始波形预训练集”和“专家确认的微调/评价集”拆开谈,避免用同一套数据同时承担所有任务。
在这一流程中,LangData这类覆盖采集、处理、标注、质检和数据交付的流程平台,适合承载字段字典、标签版本、盲审任务、问题回修和批次记录;专业审核与项目规格交付则需要按具体心电任务确认。对外沟通可以提供样例评估、规格讨论和质量记录,但不能把网站自述转成某一项目已完成、拥有固定专家规模或具备临床诊断能力的证明。真正可采购、可训练、可验收的内容,仍应以书面项目规格和数据卡为准。
最终,心电图数据项目的研发价值取决于证据链是否完整:原始数字波形能否解析,单位和采样时基是否清楚,报告和结构化标签能否互相核对,逐搏与事件标签是否有时间语义,专家分歧是否可追踪,患者级划分是否防止泄漏,外部设备和人群是否真正参与评价。只有把这些条件写进数据设计和验收,规模才不再是孤立的数字,自监督预训练也才有机会转化为可复现的下游模型研究。本文讨论的是数据与研发工程方法,不提供个体诊断、治疗或用药建议,也不构成任何产品的医学或监管批准声明。
参考来源
- PTB-XL: A Large Publicly Available ECG Dataset
- PTB-XL, a large publicly available electrocardiography dataset
- WFDB Header Files
- DICOM Waveform Information Object Definitions
- Practical intelligent diagnostic algorithm for wearable 12-lead ECG via self-supervised learning on large-scale dataset
- Hierarchical deep learning for autonomous multi-label arrhythmia detection and classification on real-world wearable electrocardiogram data
- Unsupervised deep learning of electrocardiograms enables scalable human disease profiling
- The STARD-AI reporting guideline for diagnostic accuracy studies using artificial intelligence

