Vib2ECG

Vib2ECG是由莱顿大学和中国科学技术大学联合创建的首个多通道机电心脏信号配对数据集，包含17名受试者在6个胸导联位置同步采集的十二导联心电图和惯性测量单元振动信号。该数据集通过FPGA全局时钟实现精确跨模态对齐，每条记录包含1小时生理数据，并创新性地将振动信号分解为SCG（<20Hz）和PCGL（≥20Hz）成分以保留完整生理信息。其核心价值在于填补胸导联配对数据的空白，为探索心脏电-机械信号空间关系提供基础，最终目标是实现基于低成本振动信号的移动端友好型心电图监测系统。

原始信息汇总

Vib2ECG 数据集概述

数据集基本信息

• 数据集名称：Vib2ECG
• 创建者/维护者：Lu, G. (Guorui)
• 数据集访问地址：https://leidenuniv1-my.sharepoint.com/:f:/g/personal/lug_vuw_leidenuniv_nl/IgDg5j2CIATlQ56qjY4YIf-vAanPDRScblrc056wRheo7Us?e=KZEeAS

数据集内容结构

数据集包含多个文件夹和文件，具体如下：

文件夹

1. noisy_09（20 个项目）
2. noisy_09_（6 个项目）
3. 00（9 个项目）
4. 01（4 个项目）
5. 02（4 个项目）
6. 03（3 个项目）
7. 04（5 个项目）
8. 05（3 个项目）
9. 06（4 个项目）
10. 07（4 个项目）
11. 08（4 个项目）
12. 09（6 个项目）
13. 10（4 个项目）
14. 11（6 个项目）
15. 12（7 个项目）
16. 13（7 个项目）
17. 14（6 个项目）
18. 15（5 个项目）
19. 16（5 个项目）
20. 17（5 个项目）
21. 18（5 个项目）
22. 19（6 个项目）
23. 20（6 个项目）
24. 21（7 个项目）
25. 22（6 个项目）
26. 23（85 个项目）

独立文件

1. cumulative_freq_diag.m（1.21 KB）
2. fig_plot_SCG_PCG.m（887 字节）
3. imu_time_data.mat（128 字节）
4. loop_save_mat.m（845 字节）

数据集元数据

• 最后修改日期：主要集中在 1 月 25 日至 1 月 26 日，其中 loop_save_mat.m 修改于 2 月 5 日。
• 共享状态：所有项目均为“共享”状态。

搜集汇总

数据集介绍

构建方式

在心脏电生理监测领域，Vib2ECG数据集的构建采用了创新的同步采集策略。该数据集通过将惯性测量单元（IMU）与心电图电极结合，在六个体表胸导联位置同步记录心脏振动信号与十二导联心电图。采集过程中，所有传感器由单一现场可编程门阵列控制，共享全局时钟，实现了跨模态信号的时间对齐，误差低于20纳秒。数据来自17名健康受试者，每位受试者在静卧状态下进行长达1.5小时的实验，其中1小时用于信号记录，确保了数据的连续性与配对完整性。

特点

Vib2ECG数据集的核心特点在于其首次提供了多位置、配对式胸导联心脏电-机械信号。数据集不仅包含完整的十二导联心电图，还同步采集了六个胸导联位置的振动信号，涵盖了低频心震图与高频心音图样成分。这种设计使得研究者能够深入探究心脏电活动与机械活动随空间位置变化的关系。此外，数据集还包含来自同一受试者的连续多日记录，为研究模型的时间泛化性提供了独特资源。

使用方法

该数据集主要用于探索从低成本振动信号重建胸导联心电图的可行性。研究者可基于配对数据训练轻量级神经网络，如参数仅364K的U-Net模型，以振动信号作为输入，重建对应位置的心电图波形。数据集支持主题特定的训练与测试划分，通常按时间顺序将数据的70%用于训练，10%用于验证，20%用于测试。此外，数据集还可用于心脏电-机械耦合分析、穿戴式心震图最佳位置选择以及振动信号去噪等研究。

背景与挑战

背景概述

Vib2ECG数据集由莱顿大学与科学技术大学的研究团队于2026年创建，旨在解决心血管长期监测中的关键瓶颈。传统十二导联心电图设备因硬件复杂、成本高昂，难以在日常场景中广泛应用。该数据集创新性地同步采集了胸导联位置的心电图与心脏振动信号，首次提供了多通道、配对的机电心脏信号数据。其核心研究问题在于探索如何从低成本、易获取的振动信号中重建具有临床诊断价值的胸导联心电图，从而为移动健康监测开辟新路径，对可穿戴生理信号分析领域产生了深远影响。

当前挑战

该数据集致力于解决从心脏振动信号重建多导联心电图这一新兴领域的核心挑战。首要挑战在于克服振动信号与心电信号在生理机制与空间表征上的固有差异，实现跨模态的精确映射。构建过程中的挑战尤为显著，包括确保六处胸导联位置振动信号与心电图的高精度时空同步采集，以及处理实验过程中因受试者鼾声、体动引入的噪声干扰。此外，数据标注依赖噪声环境下的心电图作为参考，对重建模型的精度评估提出了更高要求。

常用场景

经典使用场景

在心血管监测领域，Vib2ECG数据集为探索心脏电信号与机械振动信号之间的跨模态映射关系提供了关键实验平台。其最经典的使用场景在于训练和验证从心震图（SCG）及类心音图（PCGL）信号重建胸导联心电图（ECG）的深度学习模型。研究者利用该数据集同步采集的六通道胸导联配对数据，能够系统评估模型在特定解剖位置进行信号转换的精度与鲁棒性，为核心算法开发奠定数据基础。

实际应用

Vib2ECG数据集的实际应用价值主要体现在推动低成本、可移动的心血管健康监测技术发展。基于该数据集训练的轻量化模型，有望部署于配备惯性测量单元（IMU）的智能手机或智能贴片上，仅需将设备置于胸部即可重建出具有临床意义的胸导联ECG。这为大规模、长期的家庭或社区心脏监测提供了硬件成本低廉且用户友好的解决方案，尤其适用于慢性心血管疾病的日常管理，显著提升了心电图监测的可及性与便利性。

衍生相关工作

围绕Vib2ECG数据集，已衍生出一系列具有启发性的相关研究工作。基准研究采用轻量级U-Net网络验证了胸导联ECG重建的可行性，并首次系统识别和分析了重建过程中出现的“幻觉”现象及其成因。这些发现促使后续研究探索输入信号降噪、结合心音与R峰检测的生理一致性校验等缓解策略。此外，数据集支持的最优单通道SCG传感器位点选择、电-机械耦合分析以及振动信号降噪等方向，也为心脏信号处理领域开辟了新的研究路径。