摘要：ECG 增强数据集包含 2,448 张图像（训练集 2,000/测试集 448），4 个平衡类别（ABH/MI/HMI/NORM，各 500 训练+112 测试），通过形态学/噪声/几何增强技术扩展，专为 ECG 分类和心血管疾病预测设计。

数据集简介

数据集概述

ECG 增强数据集（ECG Augmented Dataset）是一个经过增强的心电图（ECG）图像数据集，旨在平衡和丰富原始类别以用于基于深度学习的心血管疾病分类。原始数据集在训练集中各类别的图像数量不平衡（ABH 233 张、MI 239 张、HMI 172 张、NORM 284 张）。为了改善类别平衡和模型泛化能力，使用形态学、噪声和几何数据增强技术的组合将训练集中的每个类别扩展到 500 张图像。此外，测试集每个类别包含 112 张图像。数据集专为训练和评估用于 ECG 图像分类的深度学习模型、医学图像增强研究、不平衡数据学习和心血管疾病预测而设计。

原始数据集分布（不平衡）：ABH（233 张）、MI（239 张）、HMI（172 张）、NORM（284 张）。最终数据集组成：训练集：4 个类别 × 500 张图像 = 2,000 张图像；测试集：4 个类别 × 112 张图像 = 448 张图像。

数据增强技术包括：
(1) 形态学变换：腐蚀（Erosion）、膨胀（Dilation）、无变换（保留原始图像）；
(2) 噪声引入：黑色条纹噪声、随机黑色像素丢失、白色条纹噪声、随机白色像素丢失；
(3) 几何变换：平移（Shift，各方向小幅平移）、缩放（Scale，0.9× 到 1.1× 随机缩放）、旋转（Rotate，-5° 到 +5° 小幅旋转）。这些变换以平衡比例应用，以确保多样性和真实性，同时保留 ECG 信号的诊断特征。

该数据集专为以下用途设计：训练和评估用于 ECG 图像分类的深度学习模型（CNN、Vision Transformer）；医学图像增强研究；不平衡数据学习；心血管疾病预测。支持心电图图像分类（4 类：ABH/MI/HMI/NORM）、心血管疾病检测、深度学习模型训练（CNN、ViT、ResNet、EfficientNet）、类别不平衡处理、数据增强方法研究、医学图像分析、计算机辅助诊断（CAD）系统、心脏病预测、临床决策支持、算法基准测试。该数据集通过数据增强技术解决了原始数据集的类别不平衡问题，为心血管疾病分类提供高质量、平衡的训练数据。

数据集来源

由张家梁(Bob)整理并于2026年在7zcode平台公开发布。

数据集信息

免责声明与引用

数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。

作者信息

作者：Bob (张家梁)
项目编号：Datasets-164
文件大小：4.8G
原创声明：本数据集为整理作品