BMD-HS Dataset
收藏资源简介：
BMD-HS数据集是一个突破性的心脏声音记录集合，精心策划以增强自动化心血管疾病（CVD）诊断。该数据集包含超过800个录音，分为六个类别，包括常见瓣膜疾病：主动脉瓣狭窄（AS）、主动脉瓣反流（AR）、二尖瓣反流（MR）、多疾病（MD）和二尖瓣狭窄（MS），以及健康（正常）样本。
The BMD-HS dataset is a breakthrough collection of heart sound recordings, meticulously curated to enhance automated cardiovascular disease (CVD) diagnosis. This dataset contains over 800 recordings, categorized into six classes, including common valvular heart diseases: aortic stenosis (AS), aortic regurgitation (AR), mitral regurgitation (MR), multi-disease (MD), mitral stenosis (MS), as well as healthy (normal) samples.
BMD-HS Dataset: Heart Sound Recordings for Automated Cardiovascular Disease Diagnosis
概述
BMD-HS数据集是一个突破性的心脏声音记录集合，精心策划以增强自动化心血管疾病（CVD）诊断。该数据集包含超过800个录音，分为六个类别，包括常见瓣膜疾病：主动脉狭窄（AS）、主动脉反流（AR）、二尖瓣反流（MR）、多疾病（MD）和二尖瓣狭窄（MS），以及健康（正常）样本。
关键特征
- 多标签注释：允许通过捕捉独特的疾病状态进行细致分类，包括单瓣膜和多瓣膜疾病。
- 超声心动图数据：包括超声心动图（ECHO）数据，为心血管疾病研究提供额外的诊断背景。
- 多样化的代表性：在孟加拉国心血管疾病国家研究所记录，数据集包括性别平衡的心脏声音集合，确保其在孟加拉国及类似地区的相关性。
- 平衡的类别代表性：从20名健康受试者和每种瓣膜疾病类别的20名受试者中收集录音，解决了类别不平衡问题。
- 丰富的元数据：注释包括疾病存在、严重程度和人口统计信息，支持深入研究和潜在的新关联发现。
- 多疾病数据：包括患有多种瓣膜疾病的患者，提供了一个复杂的真实世界场景数据集。
数据集结构
1. Train Folder
- 文件：包含872个
.wav音频文件。 - 详情：从59名患者在8个不同位置采集的录音，每段录音持续20秒，采样频率为4 kHz。
2. Train.csv
- 目的：包含训练标签和每个患者的相应录音文件名。
- 列：
- patient_id：训练文件夹中的文件名。
- AS：主动脉狭窄标签（0 = 不存在，1 = 存在）。
- AR：主动脉反流标签（0 = 不存在，1 = 存在）。
- MR：二尖瓣反流标签（0 = 不存在，1 = 存在）。
- MS：二尖瓣狭窄标签（0 = 不存在，1 = 存在）。
- MD：多疾病患者标签（0 = 疾病，1 = 正常）。
- N：正常患者标签（0 = 疾病，1 = 正常）。
- recording_1 到 recording_8：每个患者在不同位置的8个录音文件名。
3. Additional_metadata.csv
- 目的：提供患者的补充信息，可用于增强预测或进行推断。
- 列：
- patient_id：训练文件夹中的文件名。
- Age：患者的年龄。
- Gender：患者的性别（M = 男性，F = 女性）。
- Smoker：吸烟状态（0 = 不吸烟，1 = 吸烟）。
- Lives：患者的居住区域（U = 城市，F = 农村）。
关键点
- 预处理与增强：由于训练集规模有限，有效的预处理和增强技术至关重要。
- 迁移学习：鼓励利用外部公开数据集进行迁移学习。
- 元数据利用：寻找瓣膜疾病类别与提供的元数据（年龄、性别、吸烟状态、居住区域）之间的关联，可能提高模型性能。
弱点
- 数据集不平衡：尽管努力平衡类别代表性，某些疾病严重程度和人口统计学上的变化仍可能引入不平衡，可能影响模型训练和性能。
潜在影响
BMD-HS数据集代表了多样化的代表性，特别适用于孟加拉国等地区的研究和医疗发展。多标签注释、超声心动图数据和全面的心脏健康状态表示，对推进基于AI的心血管疾病诊断工具具有重要意义，特别是在服务不足的地区。
