摘要：ISRUC睡眠数据集-CWT图像是基于ISRUC-Sleep公共数据集创建的预处理图像数据集，使用C4-A1脑电图通道的30秒时间窗口信号，通过连续小波变换（CWT）转换为时频域图像，并附带睡眠分期标签。
数据集简介
数据集概述
ISRUC睡眠数据集 – CWT图像是基于ISRUC-Sleep公共数据集创建的预处理图像数据集，使用C4-A1脑电图通道的30秒时间窗口信号，通过连续小波变换（CWT）转换为时频域图像，并附带睡眠分期标签。原始ISRUC-Sleep数据集由Khalighi Sirvan等人于2016年发表在《生物医学计算机方法和程序》期刊，是一个面向睡眠研究人员的综合性公共数据集。该预处理版本将原始1D脑电信号转换为2D CWT频谱图，使数据能够直接用于基于图像的深度学习模型（如CNN、ResNet、VGG等），无需研究者自行进行信号处理和特征提取。C4-A1是标准睡眠脑电图采集通道，30秒窗口是睡眠分期的国际标准时长，CWT转换保留了信号的时频特征，适用于睡眠分期自动分类、睡眠障碍检测和睡眠质量评估研究。
数据结构与关键特征
数据集包含CWT转换后的图像文件和对应的睡眠分期标签，每张图像表示C4-A1通道30秒窗口的脑电信号时频特征。关键特征包括：信号图像化（通过CWT将1D时域信号转换为2D时频域图像，适合卷积神经网络处理）、标准时间窗口（30秒符合睡眠分期国际标准，便于与其他研究对比）、单通道聚焦（C4-A1是睡眠分期的关键通道，简化了数据复杂度）、以及即用型格式（无需研究者重复进行信号预处理和CWT转换）。CWT的优势在于同时提供时间和频率信息，能够捕捉睡眠不同阶段的脑电节律变化（如睡眠纺锤波、K复合波、慢波等），相比传统频谱分析具有更好的时频分辨率。数据集的图像化表示使睡眠分期问题转换为图像分类问题，可以直接应用成熟的图像分类网络和迁移学习技术。
应用价值与研究方向
该数据集在睡眠医学、脑电图分析和医疗AI研究领域具有重要应用价值，可用于开发自动睡眠分期系统、睡眠障碍诊断工具、睡眠质量评估平台和远程睡眠监测应用。研究方向包括：基于深度学习的睡眠分期自动分类算法、卷积神经网络在脑电图图像分类中的应用、迁移学习技术、多模态睡眠数据融合、睡眠障碍检测（失眠、睡眠呼吸暂停、REM行为障碍）、以及轻量级模型设计用于可穿戴睡眠监测设备。数据集的CWT图像格式特别适合研究如何利用成熟的图像分类网络（ResNet、EfficientNet、Vision Transformer）进行睡眠分期、如何通过可视化理解模型决策依据、以及如何在小样本情况下利用预训练模型提升性能。此外，该数据集还可扩展至其他生理信号分析任务（心电图、肌电图）和神经科学研究，为推动AI技术在睡眠医学中的应用、降低多导睡眠监测成本、实现家庭睡眠监测、改善睡眠障碍诊断效率提供重要的数据支撑和技术基础。
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-212
文件大小：5.9G
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)