MIT-BIH Atrial Fibrillation Database (AFDB)

房颤患者的长期心电图记录（阵发性或持续性）；PhysioNet开放获取。Long-term electrocardiogram (ECG) recordings of patients with atrial fibrillation (paroxysmal or persistent); openly accessible via PhysioNet.

原始信息汇总

数据集概述：MIT-BIH Atrial Fibrillation Database (AFDB)

MIT-BIH心房颤动数据库 是一个公开的生理信号数据集，专注于心房颤动（房颤）的心电信号分析，包含长期动态心电记录，可用于房颤节律分析及心电图身份识别研究。

---

1. 基本信息

项目	内容
数据集ID	afdb
数据类型	生理信号（心电ECG）
数据来源	PhysioNet（开放获取）
访问权限	公开
信号通道	双通道心电（ECG）
采样频率	250 Hz
记录时长	每个信号记录约10小时
受试者/记录数	列出的记录为25个，其中23个包含完整连续信号；00735和03665仅含节律注释，无信号数据
信号格式	WFDB格式（.dat/.hea/.atr/.qrs）
数据量	本地data/文件夹下共102个文件，约606 MiB

---

2. 数据内容与任务

• 主要任务：房颤节律分析、心电图身份识别基准测试
• 记录平台：MIT-BIH长期动态房颤记录
• 注释类型：
  • 节律注释（.atr）
  • QRS波检测注释（.qrs）
  • 部分记录附带额外注释文件（.qrsc）
• 真实/合成：真实采集数据

---

3. 数据文件结构

text data/ ├── RECORDS # 25个记录ID列表 ├── 00735.hea/.atr/.qrs # 仅注释，无信号数据 ├── 03665.hea/.atr/.qrs # 仅注释，无信号数据 ├── 04015.dat/.hea/.atr/.qrs └── … # 直至08455

---

4. 使用方式（Python快速示例）

python import wfdb

rec = wfdb.rdrecord("data/04015") ann = wfdb.rdann("data/04015", "atr") print(rec.sig_name, rec.fs, rec.p_signal.shape, len(ann.sample))

也可通过命令行一键下载：

bash python download_afdb.py

或

python -c "import wfdb; wfdb.dl_database(afdb, rdata)"

---

5. 数据许可与引用

对象	许可
数据	Open Data Commons Attribution License v1.0 (ODC-By 1.0)
帮助文件/文档	CC BY 4.0

引用：使用该数据时，请引用PhysioNet AFDB原始出版物及其资源页面（https://physionet.org/content/afdb/1.0.0/）中的推荐引用方式。

---

6. 相关链接

• 当前仓库：https://github.com/biometric-community/MIT-BIH-Atrial-Fibrillation-Database
• 上游数据源：https://physionet.org/content/afdb/1.0.0/
• DOI：https://doi.org/10.13026/C2MW2D

搜集汇总

数据集介绍

构建方式

MIT-BIH心房颤动数据库（AFDB）源自PhysioNet开放存取项目，由波士顿的Beth Israel Deaconess医学中心于1980年代采集，旨在提供针对房颤（阵发性或持续性）的长期动态心电图记录。数据库包含25条记录，其中23条拥有完整的双通道连续心电图数据（.dat文件），采样频率为250 Hz，每条记录时长约10小时；另两条记录（00735和03665）仅提供节律注释。数据采用WFDB标准格式存储，涵盖信号文件（.dat/.hea）及节律（.atr）与QRS（.qrs）注释，部分记录亦包含修正后的QRS注释（.qrsc）。

特点

该数据集的核心特色在于其长期动态的房颤节律记录，每条记录均标注了细致的节律类型与QRS波检测结果，为房颤分型及心电生物识别研究提供了黄金标准。所有数据来源于真实临床患者，确保了生理信号的多样性和病理代表性的均衡。数据以250 Hz采样，覆盖约10小时，充分反映了房颤发作的间歇性与持续性，极其适合分析节律动态演变。其开源授权（ODC-By 1.0）及公开访问特性，加之配套的WFDB工具兼容性，使得AFDB成为心律失常算法验证和心电身份识别基准测试中的权威资源。

使用方法

使用AFDB时，研究通过WFDB软件包（如Python的wfdb库）高效读取数据。典型步骤包括调用wfdb.rdrecord读取信号、wfdb.rdann解析注释，进而获取心电波形与节律标签。开发者可便捷地利用克隆仓库或执行下载脚本获取数据，并直接以编程方式加载记录（如示例中加载记录04015）进行后续分析。该数据集预设为适用于房颤节律分析、信号处理算法开发及生物识别模型验证，其统一格式和公开接口降低了数据预处理的复杂度，使得研究者能专注于算法与模型的创新。

背景与挑战

背景概述

MIT-BIH Atrial Fibrillation Database（AFDB）由麻省理工学院与Beth Israel医院的研究团队于20世纪80年代构建，旨在系统采集房颤患者的长期心电信号，以支持房颤的自动检测与机制研究。该数据库包含25例受试者的记录，其中23例提供持续约10小时的双通道动态心电图，采样频率为250 Hz，并附有专业医师标注的节律标签与QRS波检测结果。其创建核心问题在于揭示阵发性与持续性房颤的心电特征差异，为心律失常的计算机辅助诊断提供标准化测试平台。作为PhysioNet上开放获取的重要资源，AFDB已被广泛应用于心电信号处理、房颤检测算法验证及生物特征识别等领域，成为该方向不可或缺的基准数据集。

当前挑战

AFDB数据集面临的挑战涵盖领域问题与构建过程两个层面。在领域层面，房颤检测需应对个体差异大、噪声干扰强、节律形态多变等难题，且数据中阵发性房颤与窦性心律交替出现，要求算法具备高时间分辨率与鲁棒分类能力。在构建过程中，长时程动态心电记录的数据质量受电极脱落、运动伪迹影响，需精细的人工标注以确保节律标签的准确性；同时，部分记录（如00735、03665）仅提供节律注释而无原始信号，限制了多模态分析的可行性。此外，数据格式为PhysioNet WFDB专用规范，需借助工具库解析，增加了跨平台应用的复杂性。

常用场景

经典使用场景

MIT-BIH心房颤动数据库作为心律失常分析领域的经典基准，常被用于算法验证与性能评估。研究者利用其中长约10小时的双通道动态心电图记录及逐搏标注，开发并测试房颤自动检测算法，涵盖节律分析与QRS波群识别等核心任务。其公开、标准化的格式（WFDB）支持跨研究对比，成为房颤检测、分类与预测研究的理想数据平台。

衍生相关工作

基于AFDB衍生出众多经典工作，如Moody和Mark的房颤检测先驱性研究（1983年），奠定了节律标注基础。后续工作涵盖了信号处理（如时频分析、小波变换）与机器学习分类器的应用，以及近年来的深度卷积神经网络和循环神经网络模型，显著提升了房颤检测的准确性。此外，该数据集常与其他数据库（如MIT-BIH心律失常数据库）联合使用，以增强模型跨人群的鲁棒性，催生了大量高引论文和开源工具库。

数据集最近研究

最新研究方向

鉴于MIT-BIH心房颤动数据库（AFDB）涵盖25例阵发性或持续性房颤患者的长时间双通道心电图记录，且在2025年其全新镜像仓库于GitHub上发布，这一经典资源正焕发新的研究活力。当前，该数据集的前沿探索聚焦于深度学习模型对房颤节律的精确识别与预测，尤其是在可穿戴设备实时监测情境下的应用。与此同时，基于该数据集的心电生物特征识别研究亦成为热点，将生理信号与个体身份验证相结合，开创了安全认证的新维度。AFDB在推动心电智能诊断算法的可重复性评估、跨数据集泛化能力测试以及心电图基础模型预训练等方面展现出不可替代的价值，其公开许可进一步促进了全球范围内的协作创新。