心电研究规范 kvuvuv/ecg-research-skill

ECG 研究技能

一套面向心电图（ECG）信号处理的研究级操作标准，专为生物医学信号分析、机器学习、科学可视化和学术写作方向的研究生级别研究而设计。

本项目的目标不仅仅是提供 ECG 相关知识。它定义了一套结构化的研究工作流和一系列方法论约束，使 ECG 研究能够以严谨、可复现且科学负责的方式开展——无论是由研究者直接执行，还是委托给 AI 辅助的研究工作流。

概述

ecg-research 面向生物医学工程和生理信号处理研究，涉及以下主题：

* ECG 预处理
* 基线漂移去除
* 工频干扰抑制
* 信号质量评估
* R 波峰值检测
* QRS 检测
* P-QRS-T 波 delineation（波形 delineation）
* 心搏分割
* 心率变异性（HRV）
* 心律失常分类
* 心房颤动检测
* PVC / PAC 检测
* ECG 形态学分析
* 时域分析
* 频域分析
* 时频分析
* 经典机器学习
* 深度学习
* 1D CNN
* RNN / LSTM / GRU
* 基于 Transformer 的 ECG 模型
* 自监督学习
* 单导联 ECG
* 多导联 ECG
* 可穿戴 ECG
* PhysioNet 数据集
* 科学可视化
* 统计评估
* 可复现实验
* 学术论文写作与审阅

设计理念

本项目遵循若干核心原则：

1. 科学正确性比仅仅产出可运行的代码更为重要。
2. 必须主动防止患者级别的数据泄漏。
3. 实验参数必须被记录且可复现。
4. 预处理必须根据 ECG 任务进行论证。
5. 测试数据绝不能用于超参数优化。
6. 统计结论必须与实验设计相匹配。
7. 图表应达到出版级水准，而不仅仅是视觉上美观。
8. 文献引用不得捏造。
9. 实验结果绝不能凭空编造。
10. AI 生成的 ECG 分析应被视为研究辅助，而非临床诊断。

关键研究保障措施

患者级别划分

本项目最重要的规则之一是防止受试者泄漏。

对于包含同一患者多个心搏或片段的 ECG 数据集，应避免朴素的心搏级别随机划分，例如：

train_test_split(all_beats)

因为同一受试者的心搏可能同时出现在训练集和测试集中。

应优先采用如下策略：

* 患者级别划分
* 受试者级别划分
* 记录级别划分
* GroupKFold
* StratifiedGroupKFold

本标准鼓励研究者明确自问：

同一患者的数据是否可能同时出现在训练集和测试集中？

如果答案可能是肯定的，则应在继续之前重新审查实验设计。

ECG 处理工作流本项目支持的典型 ECG 工作流程为：

Raw ECG
↓
Dataset inspection
↓
Signal quality assessment
↓
Baseline / noise processing
↓
Filtering
↓
R-peak / QRS detection
↓
Beat segmentation / delineation
↓
Feature extraction or representation learning
↓
Model training
↓
Patient-level validation
↓
Statistical evaluation
↓
Publication figures
↓
Research interpretation

每个重要的处理步骤都应记录其参数和依据。

推荐的 Python 技术栈

本项目鼓励在适当情况下使用成熟的科学计算库：

NumPy
SciPy
Pandas
Matplotlib
scikit-learn
WFDB
NeuroKit2
PyWavelets
statsmodels
PyTorch

典型用途包括：

* WFDB — PhysioNet ECG 与注释处理
* SciPy — 滤波、重采样、频谱分析
* NeuroKit2 — ECG 预处理与生理信号分析
* scikit-learn — 传统机器学习和分组验证
* PyTorch — 深度学习
* Matplotlib — 出版级科学可视化

出版图规范

本项目包含用于生成出版级 ECG 图表的规则。

典型图表包括：

* 原始与滤波后 ECG 对比
* 基线漂移去除
* R 峰检测
* P-QRS-T delineation
* 心搏形态比较
* RR 间期图
* HRV 可视化
* 功率谱密度
* 时频分析
* 特征分布
* 混淆矩阵
* ROC 曲线
* 精确率-召回率曲线
* 消融研究
* 模型架构
* 研究工作流程图

图表通常应包含：

* 清晰的坐标轴标签
* 物理单位
* 可读的字体大小
* 一致的模型配色
* 受控的线宽
* 可访问的视觉编码
* 尽可能使用矢量导出

推荐的输出格式：

PDF
SVG
PNG

仓库结构

ecg-research/
├── LICENSE
├── README.md
├── SKILL.md
└── references/
├── ecg-signal-processing.md
├── experiment-design.md
├── statistics.md
├── publication-figures.md
├── paper-writing.md
└── reviewer-checklist.md

SKILL.md

主入口文件。

它定义了：

* 何时应激活该标准
* 核心 ECG 研究规则
* 研究工作流程
* 方法学保障措施
* 不同任务应加载哪些参考文档

references/ecg-signal-processing.md

详细的 ECG 信号处理指南，包括：

* 采样率
* 滤波
* 基线漂移
* 工频干扰
* QRS 检测
* delineation
* 心搏分割
* HRV
* 频谱分析

references/experiment-design.md

以下方面的指南：

* 数据集划分
* 防止泄漏
* 基线方法
* 模型训练
* 消融研究
* 外部验证
* 可复现性

references/statistics.md

以下方面的指南：

* 统计检验
* 置信区间
* 效应量
* 多重比较
* 模型评估指标

references/publication-figures.md
心电图研究与稿件准备的科学可视化规则。

references/paper-writing.md

写作指南：

* 方法
* 结果
* 讨论
* 局限性
* 图注
* 科学论断

references/reviewer-checklist.md

一份审稿人风格的检查清单，用于识别以下方面的问题：

* 信号处理
* 实验设计
* 机器学习
* 统计学
* 可复现性
* 稿件论断

示例研究工作流程

对于如下项目：

使用单导联心电图进行患者级心房颤动检测

该标准可通过以下流程指导研究过程：

研究问题 ↓ 文献综述 ↓ 数据集检查 ↓ 患者级划分 ↓ 心电图预处理 ↓ 基线模型 ↓ 所提模型 ↓ 训练 ↓ 内部验证 ↓ 外部验证 ↓ 统计分析 ↓ 消融研究 ↓ 发表用图 ↓ 稿件 ↓ 审稿人风格审计

多智能体研究

本项目设计为可与多智能体研究系统良好配合。

一个可能的心电图研究团队是：

PI / 研究规划者 │ ├── 文献智能体 ├── 心电图信号处理智能体 ├── 机器学习智能体 ├── 统计学智能体 ├── 可复现性智能体 ├── 图表智能体 └── 论文审稿人

这种分离有助于降低让同一智能体在无独立检查的情况下设计、执行、评估和审查自身实验的风险。

示例提示词

使用心电图研究技能，为单导联心房颤动检测设计一个严谨的实验。

数据集：PhysioNet 心电图数据。

请首先创建：

1. 研究问题
2. 假设
3. 数据集检查清单
4. 患者级划分策略
5. 心电图预处理流程
6. 基线模型
7. 所提模型
8. 评估指标
9. 统计分析计划
10. 消融研究
11. 发表用图计划
12. 可复现性检查清单

在实验设计经过审查之前，不要实现模型。

研究诚信

本项目明确反对捏造：

* 实验结果
* 统计显著性
* 混淆矩阵
* 模型性能
* 引用
* DOI 编号
* PMID 编号
* 数据集
* 临床结论

当实验尚未实际执行时，输出应明确标注为：

预期输出

或：

说明性示例

而不是作为真实实验证据呈现。

临床免责声明

本项目旨在用于研究和教育用途。

使用本标准生成的心电图相关模型预测不应被解释为临床诊断，也不应被用作合格医学评估的替代品。

将心电图算法转化为临床系统需要适当的临床验证、监管评估和专业监督。

状态

本项目正在积极开发中。
计划中的改进可能包括：

* 额外的 ECG 数据集指南
* PhysioNet 工作流模板
* PTB-XL 研究模板
* MIT-BIH 评估模板
* 针对 HRV 的工作流
* ECG 基础模型指南
* 额外的出版图表样式
* 稿件审稿人模板
* 自动化可复现性检查

贡献

欢迎提出建议、更正、ECG 研究工作流和方法学改进。

在提出变更时，应优先考虑：

* 有科学依据的建议
* 可复现的方法
* 成熟的 ECG 处理实践
* 可靠的原始文献
* 明确区分研究用途与临床声明

许可证

本项目根据 MIT License 发布。