MEDICAL DATA RESEARCH
12导联ECG特征标注:从P/QRS/T边界到可复核验收
面向医疗AI研发与数据采购,拆解12导联ECG的P波、QRS波群、T波和R峰标注规则,说明基线与导联优先级、专家复核、数据划分、时间偏差验收和交付边界,避免把波形标签误写成诊断效果。
心电图人工智能项目经常从“有没有一批心电图”开始,却在模型训练前才发现标签无法复核:不同导联的边界含义不一致,P波或T波起止点没有统一基线,R峰被当成区间标签,或者同一受试者的相邻记录同时进入训练和测试。对这类任务而言,数据量并不能替代定义。真正需要先冻结的是输入的时间语义、导联级标签、争议处理和验收口径。
本文围绕一份12导联ECG特征标注技术规范,拆解它可以形成的独立研发任务:在保留原始时序关系的前提下,逐导联标注P波、QRS波群和T波区间,并单独记录R峰等特征点;再通过复核、分歧记录和项目化质量指标,交付能被算法稳定读取的标签。这里讨论的是数据工程与研究验收,不是对任何个人心电图作诊断,也不把标注通过写成临床效果或监管结论。
先定义临床相关任务,而不是先定义软件按钮
这份规范的实际任务不是生成一段诊断报告,也不是给受试者分类。它要求从常规12导联ECG时序中提取波形事件的时间边界和关键点。输入应至少包含12个导联的名称、采样率、电压单位、记录起止时间以及能够将各导联和同一心动周期关联起来的记录标识。输出则应区分区间标签和点标签:P、QRS、T分别保存起点与终点,Rpeak保存一个时间位置。若项目还需要心率、节律或疾病类别,应另写标签定义和来源,不能把诊断文本暗中混入波形边界任务。
标准12导联由肢体导联I、II、III、aVR、aVL、aVF和胸导联V1至V6组成。不同导联是对心脏电活动的不同观察方向,不是12份彼此独立的图像。因此,标签数据既要能按导联读取,也要保留同一记录内的同步关系。AHA/ACCF/HRS关于心电图标准化的建议强调,数字化记录、代表性复合波和多导联时间关系会影响测量的可重复性;用于整体测量时,应明确波形最早起点和最晚终点的定义,而不能只挑一条导联得出结论。1
原规范的标注平台示例采用500 samples/s的时间序列配置。这个数值可作为该配置的输入约定,不能直接当作所有项目或所有设备的固定要求。实际采购或研发时,应先确认采样率、滤波设置、单位换算、导联缺失和波形显示方式,并把这些元数据写进交付清单。采样率变化会改变一个采样点对应的时间长度,若导出只保留像素坐标而没有时间轴,后续的毫秒偏差计算就失去基础。
图1 12导联 ECG 数据链路技术示意;不表示真实患者、实验完成、临床诊断或现货交付。
波形、基线与导联优先级必须写成可执行规则
P波、QRS波群和T波对应不同的心脏电活动阶段。对标注任务来说,重要的不是背诵生理学解释,而是把起止位置写成两个标注者能够重复执行的规则。原规范以TP段作为首选基线,在没有可用TP段时使用PR段替代。这个选择应与异常节律、噪声、波形融合和跨周期情形一起写入不确定标签或回退流程。不能在波形模糊时默认为“最接近基线的点”,却不记录为什么这样选择。
P波的起点应是从基线出现明确偏移的位置,终点是回到基线并与PR段衔接的位置。原规范优先检查II导联,II导联不清楚或P波缺失时再看V1,并把aVR作为判断极性的备选导联。这个优先级是本项目的操作规则,不应被宣传成对所有心律和所有设备都成立的临床诊断准则。房颤、交界性心律、早搏或基线漂移等情况应允许“无法可靠标注”或“需仲裁”,而不是强行制造一个P波区间。
QRS波群的起点是第一个离开基线的波形,终点是QRS与ST段的明确交界,即J点。原规范建议优先查看V2或V4,在胸导联不适用时参考I导联,必要时结合aVF。QRS较窄、起始斜率不明显或存在噪声时,标注者应记录边界不确定性。尤其要避免把ST段的早期变化当成QRS终点,也不能把“最容易看清的导联”直接当成所有导联的标签来源。若交付要求逐导联标注,就要保存逐导联的坐标和是否沿用了跨导联参考。
T波起点与ST段相接,终点回到基线并进入TP段。原规范优先使用V5或V6,次选II导联,侧壁异常时再参考aVL。T波倒置、双峰、与U波融合或在多个导联中形态不一致时,必须把争议分开处理。特别是U波不能被默认为T波终点;如果规则不允许稳定区分,就应由项目预先规定“不可判定”标签和复核路径。
R峰不是一个区间。它是QRS波群内需要单独保存的点标签,原则上对应该QRS内的最高振幅点。该点会影响心率、QRS振幅和部分时序特征,因此不能用QRS区间中心近似,也不能把S波低谷或T波起点误标为R峰。点标签和区间标签在数据结构中应有不同字段,且都带有导联、周期、时间坐标和标注状态。
数据颗粒度决定标签能否用于训练
最小的可复核单位不是一张波形截图,而是“记录—导联—心动周期—标签对象”。建议每个对象至少带有记录ID、受试者级匿名ID、导联、周期索引、标签类型、起点、终点或点坐标、规范版本、标注者、审核状态以及不确定性原因。若只导出一组没有上下文的时间点,算法端无法知道它属于哪个导联、哪个周期,也无法检查是否跨周期标注。
同一记录的12个导联应共享可对齐的时间轴。若项目使用代表性心动周期,还要记录周期选择或对齐方法。AHA建议在测量前形成各导联的准确模板,并用时间相干的多导联数据确定整体测量的起始和结束位置。1 2024年的一项12导联分界研究也把P波、QRS波群和QT相关边界作为独立输出,并在标准化数据库上验证测量误差,说明“波形分界”与“诊断分类”是不同的工程任务。3
预处理不能覆盖原始质量问题。基线漂移、肌电干扰、工频干扰、饱和、缺导联和异常起搏状态应在记录级或片段级留下状态,而不是在清洗后让使用者误以为信号天然干净。研究数据库LUDB公开说明了这一点:其记录为10秒、12导联、500 samples/s,并由心脏科医生逐导联标注P、T和QRS的边界与峰值,同时保留节律等记录信息。4 其作为开放验证工具的设计目的也强调了标准化波形边界对算法比较的作用。5 这类公开数据库可以帮助研发团队理解标签结构和评估方法,但不能替代目标项目自身的授权、设备分布、纳排标准和专家复核。
训练、验证和测试应按受试者或记录级别划分,而不是随机打散每个心动周期。否则,同一受试者的形态、设备和噪声模式可能同时出现在训练和测试中,结果会高估泛化能力。若有连续动态记录,还需说明相邻窗口是否属于同一受试者和同一检查。标签版本发生变化时,应保留旧版本与变更原因,避免模型结果无法解释是数据变了还是算法变了。
标注者、专家和分歧记录要相互独立
原规范把“多人标注、专家共识和重复标注”写进质量评估:建议由至少两名有经验的心电专家共同形成参考标签,并选取包含正常与异常波形的样本;另外安排多名标注者独立标注一批记录,再进行一致性分析。这里的“资深”“专业背景”和经验年限是项目实施时需要核验的资格条件,不是朗慧已经拥有某一数量专家或已经完成某项目的证明。公开文章只能说明这套流程如何设计,不能替项目方虚构专家资质。
更可靠的做法是先盲标,再复核。标注者不应在第一次标注时看到其他人的边界;复核时要区分“发现错误”“对规则理解不同”和“波形本身不可判定”。仲裁记录应写明采用了哪一版规范、看了哪些导联、是否移动了起点或终点,以及原标签是否保留。对于无法稳定定义的波形,保留不确定标签比为了达到完整率而给出伪精确时间更诚实。
多标注者一致性不能只写一个总分。P波、QRS和T波的难度不同,起点、终点、J点和R峰的误差也不同。报告应至少分对象、分导联或分波形列出样本数、缺失数、异常数和统计口径。对连续时间点可以考虑组内相关系数或误差分布;对区间可补充重叠或边界距离指标;对类别状态则应使用与类别任务匹配的方法。统计实现、参考标签、抽样单位和缺失值处理应在项目书中预先约定,不能在看到结果后选择最有利的指标。
把原件阈值当作项目验收约定,而不是行业保证
原件提出了四个质量维度。准确性关注标注点与参考标签的时间偏差;一致性关注不同标注者或不同次标注的结果是否接近;完整性关注P、QRS、T和R峰是否漏标或误标;可重复性关注同一标注者隔一段时间后能否得到相近结果。这四类问题互有关联,但不能用一个“准确率”概括全部质量。
原件还给出了具体的项目阈值:P波起止点和T波起止点的允许偏差可按不超过50 ms记录,QRS起点与J点、R峰可按不超过20 ms记录;偏差超标率建议不超过5%,R峰正确标注率建议不低于99%;并提出用三名标注者评估ICC、以间隔一周的重复标注评估稳定性,以及检查100%的应标特征覆盖。这些数值是原件的需求和验收草案,不是本文替项目方宣称已经达到的结果,也不能脱离采样率、参考标签、异常波形和评估样本解释。项目书应写清阈值的适用对象、分母、容许的不可判定样本和复核后的计算版本。
例如,“偏差超标率”应明确是超过对应波形阈值的特征点数量除以有效参考点总数,还是按记录统计后再平均;“R峰正确率”要定义匹配窗口、漏检、重复检出以及多峰情况;“覆盖率100%”要说明遇到不可判定波形时如何记录。若只报一个满足阈值的比例,却不展示失败样本和异常类型,算法团队无法定位规则缺陷。医学数据的验收首先是可追溯,随后才是数值是否达到项目约定。
图2 ECG 标注验收与算法评估技术示意;不表示真实患者、实验完成、模型性能或临床批准。
算法开发要围绕标签语义,不能把模型结果写成诊断效果
这类标签可以支持多个研究方向,例如自动定位P/QRS/T边界、计算间期、提取R峰、识别低质量片段,或作为更高层任务的中间监督信号。每个方向都要绑定自己的输出定义。波形分界模型的输出是起止点或区间,评价可以是毫秒误差、检出率、漏检率、误检率和对噪声的敏感性;它不等于疾病诊断准确率,更不等于患者获益。
研究文献通常也会把参考数据库、分界任务和临床解释分开。2023年的12导联分界研究使用LUDB的人工标注波形作为训练或评估基础,并明确把P、QRS和T的起止标记作为监督目标。2 2024年的研究则在PTB-XL和CSE等数据库框架下比较多种网络结构,并把结果解释为对参考分界或标准测量的复现能力。3 这些论文可以提供方法学参照,但不能直接证明某一批待交付数据具有相同覆盖范围,也不能把论文性能改写为公司服务效果。
数据泄漏是ECG任务最容易被忽视的风险之一。按心动周期随机切分,会让同一记录的形态和噪声重复出现在不同集合;按受试者切分仍需检查重复检查、设备迁移和时间邻近记录。外部验证应说明来源数据库、设备、采样率、疾病谱、标签标准和是否存在域偏移。若只在单一设备或单一中心数据上取得较好边界误差,应限定结论为该数据条件下的研究结果。
模型还应对“没有可靠答案”的片段保持可解释状态。缺失导联、严重噪声、波形融合或标注者无法共识时,可以输出待复核或拒识状态,而不把模型强行输出的一个数字当作金标准。可视化工具能够帮助检查模型关注的时间窗口,但热图不是证据,不能取代冻结的测试集、边界误差和错误样本清单。
从标注规范到可交付项目的实施边界
一个可实施的项目可以分为四个阶段。第一阶段是入库和样本检查:确认授权范围、受试者匿名化、导联完整性、采样率、单位和设备信息,抽取少量脱敏样本检查是否能被目标工具读取。第二阶段是规范冻结:明确P、QRS、T和R峰的标签层级、基线、优先导联、跨导联关系、异常情形和不可判定编码,并给出带版本号的示例。
第三阶段是标注与复核:先由标注者独立完成,再按项目约定进行盲审、专家复核或仲裁。修订不能只覆盖最终标签,还要保留修改前后坐标、操作者、时间、原因和当前状态。第四阶段是验收与导出:按记录或受试者单位统计质量指标,复核训练代码能否正确解析导联名、时间坐标和标签语义,并在下游工具中检查一个或多个脱敏样例的对齐关系。
交付物不应只有一个CSV。更完整的交付包应包括标签文件、字段字典、规范版本、质量报告、异常和拒识清单、修订日志、抽样样例以及数据卡。若项目需要原始波形、诊断文本或临床变量,应分别列出授权目的和字段范围。波形标注规范不自动授权诊断报告、基因信息或患者身份字段;把不必要的患者ID、诊断字符串或内部地址塞进标注配置,会增加隐私风险,也会让公开资料无法复用。
朗慧公开定位是AI数据基础设施与流程服务商,能力边界包括围绕项目规格开展数据处理、标注、质检和交付,以及通过LangData等平台承载相应流程。官网能力说明不能被理解成某一批ECG现货、固定专家数量、医院合作、临床部署或统一质量证书。实际数据来源、授权范围、样本规模、人员资格、周期、接口和验收阈值,都应在需求评估、书面项目规格和合同中逐项确认。若需要平台演示或样例评估,应先使用脱敏样例并另行确认传输和保留方式。
给算法、临床研究和信息部门的共同检查项
启动前至少应回答八个问题:标签对象是区间、点还是记录级类别;一个坐标代表采样点、毫秒还是归一化时间;是否逐导联保存并保持同步;基线和导联优先级在异常波形时如何回退;哪些情形允许不可判定;专家共识和分歧仲裁由谁负责;训练验证测试按什么单位划分;最终交付如何证明下游读取后没有导联错位和时间偏移。
若这些问题尚未明确,不宜先以模型结构或平台功能作为采购核心。先冻结一个小规模试标,覆盖正常、节律不齐、传导异常、ST-T变化、噪声和缺导联等情形,再依据失败样本修订规则。试标的目的不是制造一个漂亮的准确率,而是确认边界定义、标注者理解和导出格式能够闭环。通过验收的也只是约定的数据和流程,不是对未来临床诊断表现的保证。
结语
12导联ECG特征标注的价值,在于把连续的电活动记录转成带有时间、导联和版本语义的研究数据。P/QRS/T的边界、R峰的点标签、异常和不可判定状态,以及专家分歧和质量指标,必须在训练前共同冻结。公开研究与LUDB等数据库可以帮助团队理解标注和评估方法,但每个新项目仍需按照自身设备、授权、样本和研究终点建立可追溯方案。
对于数据采购和研发交付,最稳妥的验收语言不是“准确率高”或“可用于诊断”,而是明确某一版规范下的标签定义、样本单位、质量统计、失败样本、版本记录和下游可读性。这样,数据才有机会成为可复核的算法输入;至于模型是否能在新的中心、新的设备或临床场景中工作,必须通过独立验证和相应的医学、伦理与监管流程另行判断。
参考来源
- AHA/ACCF/HRS Recommendations for the Standardization and Interpretation of the Electrocardiogram: Part I: The Electrocardiogram and Its Technology
- Improved delineation model of a standard 12-lead electrocardiogram using deep learning
- Delineation of 12-Lead ECG Representative Beats Using Deep Neural Networks
- Lobachevsky University Electrocardiography Database
- LUDB: A New Open-Access Validation Tool for Electrocardiogram Delineation Algorithms

