eating behavior ECG dataset

该数据集是用于饮食行为监测的第一个也是最大的ECG数据集，由四川大学提供。数据集包含了连续的心电图信号，旨在用于研究饮食行为与心脏活动之间的关系。该数据集通过将1D ECG信号转换为2D伪图像，为深度学习模型提供了比较关系的表征，并可用于心脏证据挖掘，以帮助技术人员识别饮食行为的心脏种子床。

This dataset is the first and largest ECG dataset for dietary behavior monitoring, provided by Sichuan University. It contains continuous electrocardiogram (ECG) signals, and is designed to explore the relationship between dietary behavior and cardiac activity. By converting one-dimensional (1D) ECG signals into two-dimensional (2D) pseudo-images, this dataset offers comparative relational representations for deep learning models, and can be used for cardiac evidence mining to assist technicians in identifying cardiac seed beds related to dietary behaviors.

搜集汇总

数据集介绍

构建方式

该数据集通过将1D ECG信号转换为2D伪图像来构建，以适应基于2D图像的深度模型。具体来说，数据集将ECG信号分割成多个段，并构建一个关系矩阵，该矩阵将相邻段之间的相关性或距离编码为矩阵元素。然后，将多个关系矩阵组合成一个三维张量，该张量包含从不同视角对原始ECG数据的理解。这种构建方式使得数据集能够更好地适应深度模型，并能够进行更深入的比较关系挖掘和可解释的证据回溯。

使用方法

使用该数据集的方法主要包括以下步骤：首先，将1D ECG信号转换为2D伪图像，并将其作为深度模型的输入。然后，使用周期性注意力机制对深度网络进行训练，以使其能够更好地理解ECG信号的周期性。最后，使用类激活映射（CAM）解码和决策树/森林生成方法，以实现证据回溯和生成可解释的证据表示。这些方法可以帮助技术人员更好地理解心脏病学证据，并为心脏病学研究提供新的见解。

背景与挑战

背景概述

在医学研究领域，饮食行为监测长期以来一直是一项挑战，这主要是因为缺乏连续监测的非侵入式传感器，以及缺乏可靠的自动行为检测方法。为了解决这一问题，张旭路、杨振勤、姜冬梅等研究人员于2025年2月发表了一篇论文，题为“基于相邻心电图成像的心脏证据回溯饮食行为监测”，该论文提出了一种使用可穿戴24小时心电图(ECG)进行监测和定制深度学习以进行非侵入式和可解释的检测的试点研究。该研究使用了一种相邻学习框架，该框架包括将1D ECG信号构建为相邻张量作为伪图像，以改进2D图像基础深度模型的可行性；将ECG数据的分析逻辑公式化为比较性注意调节器，以指导深度推理以人类可理解的方式收集证据；并通过一组为类激活图(CAM)解码和决策树/森林生成设计的方法来提高框架的可解释性。该框架已在最大的ECG饮食行为数据集上得到验证，其性能优于传统模型，其心脏证据挖掘能力也通过其回溯的证据与先前医学研究的一致性得到验证。

当前挑战

该数据集的挑战主要包括：1) 解决了饮食行为监测的领域问题，即使用非侵入式方法连续监测饮食行为并自动检测行为；2) 在构建过程中遇到的挑战，例如将1D ECG信号转换为2D伪图像，以适应图像基础深度模型，并设计周期性注意机制以适应ECG信号的周期性。

常用场景

经典使用场景

在饮食行为监测领域，eating behavior ECG dataset 被广泛应用于构建和训练深度学习模型。该数据集包含24小时心电图信号，通过将一维心电图信号转换为二维伪图像，利用深度学习方法对饮食行为进行自动检测。此外，数据集还支持对心电图数据进行比较分析，通过周期性注意力的调节，指导深度网络进行推理，并使证据的收集过程更加符合人类的理解方式。

解决学术问题

eating behavior ECG dataset 解决了长期困扰医学研究的饮食行为监测难题。该数据集为非侵入式连续监测提供了可能性，并利用深度学习方法实现了自动行为检测。此外，该数据集还通过比较分析方法，提高了心电图数据的可解释性，使研究人员能够更好地理解饮食行为与心脏活动之间的关系。

实际应用

eating behavior ECG dataset 在实际应用中具有广泛的应用前景。该数据集可用于开发智能健康监测系统，帮助患者进行饮食管理。此外，该数据集还可用于研究饮食行为与心脏疾病之间的关系，为心血管疾病的预防和治疗提供新的思路。

数据集最近研究

最新研究方向

在消化系统疾病和慢性病管理领域，饮食行为记录对于肥胖、暴食症等疾病的研究至关重要。本研究提出了一种基于可穿戴24小时心电图（ECG）的非侵入性、连续性饮食行为监测方法。研究使用深度学习技术，通过构建共现张量，将1D ECG信号转换为2D伪图像，从而提高了2D图像深度模型的可行性。此外，研究还设计了周期性注意力调节机制，以指导深度推理以收集人类可理解的方式的证据。最后，通过一组方法对类激活映射（CAM）解码和决策树/森林生成进行改进，提高了框架的可解释性。该方法在迄今为止最大的饮食行为ECG数据集上得到了验证，并在性能方面优于传统模型。该框架还通过追踪到的证据与先前医学研究的证据的一致性，验证了其心脏证据挖掘的能力。

相关研究论文

• Cardiac Evidence Backtracking for Eating Behavior Monitoring using Collocative Electrocardiogram Imagining

  四川大学计算机科学与技术学院, 香港中文大学生物医学工程系, 中国人民解放军西北工业大学计算机学院, 四川大学华西口腔医院国家口腔医学研究中心 · 2025年