心电域泛化研究从0入门系列 | 第三篇：数据集+多源域划分+标准评估——域泛化科研的“实验地基”
写在第三篇开篇：数据和实验规则，是域泛化的“立身之本”
走完前两篇的基础认知和数据预处理，我们终于要触碰心电域泛化最核心的实操前提：用什么数据做研究、怎么把数据划分成“源域”和“目标域”、跑完模型后怎么证明它有泛化能力。
对于0基础同学来说，这部分最容易踩坑：随便找个数据集乱拆分、分不清域泛化和普通分类的实验差异、用错评估方法，最后做出来的结果完全不符合科研规范，发不了论文也复现不了经典工作。
本篇全程聚焦科研实操落地，不讲虚的理论，把心电域泛化领域公认的经典数据集、多源域标准划分规则、顶会顶刊通用的评估协议，全部用通俗语言拆解，看完就能直接搭建自己的实验框架，完美衔接后续第四篇域泛化基础理论和算法复现，也是后续写论文、做实验的核心参考依据。
一、先重温：域泛化里的“域”到底是什么？（心电场景专属定义）
先把核心概念砸实，避免后续混淆，这是理解数据集划分的关键，咱们结合心电场景简化记忆：
域（Domain）：简单说就是一批数据的“来源属性+分布”，同一域内的数据特征、噪声、形态规律高度一致；不同域之间存在分布差异，也就是咱们前两篇说的域偏移。
源域（Source Domain）：模型训练时能用到的所有数据，必须是多源域（至少2个），单域做不了域泛化；源域数据有标注，用来让模型学习跨域通用特征。
目标域（Target Domain）：模型训练时完全看不见、用不到的全新数据，无标注（零样本域泛化），用来测试模型泛化能力；域泛化的核心目标，就是在未见过的目标域上保持高精度。
域偏移（Domain Shift）：心电场景特指跨设备、跨医院、跨人群、跨采集环境带来的数据分布差异，比如三甲医院设备和手环采集的心电、老年人群和青年人群的心电，都属于不同域。
0基础核心提醒：域泛化 ≠ 普通数据随机划分！普通分类是把一个数据集随机拆成训练集和测试集，数据分布一致；而域泛化是按“数据来源”硬拆分，训练和测试数据分布完全不同，这是本质区别。
二、心电域泛化必用经典数据集：顶刊顶会标配
做心电域泛化不用自己采集数据，国际上有一批公开、高质量、多中心、多域属性的数据集，是领域内公认的基准数据，复现论文、做自己的研究都靠它们，按优先级排序，0基础优先学前3个。
1. PTB-XL 数据集（域泛化首选，No.1）
基本信息：大规模12导联心电数据集，共21837条样本，采样率500Hz，每条数据10秒，覆盖健康、心肌梗死、心律失常、心肌病等多种心电异常；
域属性亮点：数据来自两个不同医疗中心、两种不同采集设备，自带天然域偏移，完美适配域泛化研究，是近几年绝大多数心电DG论文的核心基准；
标注信息：精细标注诊断结果，包含5大类、71个子类疾病，标注规范，适合分类、异常检测任务；
适用场景：跨设备、跨中心域泛化，入门必练，后续复现算法首选这个数据集。
2. CPSC 2018/2020 数据集（国产多中心标杆）
基本信息：中国心血管健康联盟发布，CPSC2018共6877条12导联心电数据，覆盖9类常见心律失常；
域属性亮点：数据来自国内多家不同医院，自带跨医院域偏移，贴合国内临床场景；
优势：针对国人心电特征，比国外数据集更贴合国内研究，适合做跨医院域泛化。
3. MIT-BIH 心律失常数据库（经典入门单域，用于多域组合）
基本信息最经典的单导联心律失常数据集，48条30分钟长时序心电，采样率360Hz，标注房颤、早搏、传导阻滞等常见心律失常；
域属性：单一中心单一设备，属于单域数据，常和其他单域数据集组合，构建多源域；
适用：新手入门熟悉数据、调试预处理代码、跑通基础模型，后续搭配其他数据集做DG实验。
4. 其他常用补充数据集
Chapman-Shaoxing 数据集：大规模房颤数据集，跨人群域偏移明显，适合专项心律失常域泛化；
CinC 2020 数据集：多国家、多设备采集，跨国际人群域偏移，适合强泛化性研究；
穿戴式心电数据集（ECG-ID等）：单导联手环/胸贴采集，适合跨医疗设备-穿戴设备域泛化。
三、多源域标准划分方法：心电域泛化的“黄金规则”
数据选好了，最关键的一步就是按域拆分，绝对不能随机拆分！心电域泛化领域有通用的划分规则。
核心划分原则：按“数据来源属性”拆分，保证域独立性
拆分依据必须是真实世界的域偏移来源，不能人为虚构，常用划分维度：
按采集设备划分（最常用）：不同设备为不同域；
按采集医院/中心划分（临床最贴合）：不同医院为不同域；
按人群特征划分：年龄（老年/青年）、性别、是否有基础病为不同域；
按导联类型划分：12导联/单导联为不同域。
1. 留一域验证（Leave-One-Domain-Out，LODO）—— 领域金标准
这是心电域泛化最权威、最常用的评估方法，所有顶刊顶刊必用，通俗拆解：
操作逻辑：假设有N个独立源域（N≥3），每次留1个域作为未知目标域，剩下N-1个域全部作为训练用的源域；
重复操作：轮换每个域作为目标域，直到所有域都当过一次目标域；
结果计算：取所有轮次目标域上的平均性能，作为模型最终泛化能力指标；
举例：PTB-XL按设备分成2个域，CPSC按医院分成4个域，每次留一个医院当测试域，其余训练。
为什么用这个？完全模拟真实临床场景：模型在现有医院/设备上训练，直接用到新医院、新设备上，全程不接触目标域数据，完美贴合域泛化“零样本跨域”的核心定义。
2. 多源域→单未知域（简易版，入门首选）
新手刚上手，不用先做复杂的留一验证，直接用这个简易划分：
选2-3个不同来源的数据集/子域作为源域（合并训练）；
选1个完全独立的数据集/子域作为唯一未知目标域；
源域训练，目标域直接测试，不做任何微调。
比如：用MIT-BIH + CPSC部分数据当源域，PTB-XL其中一个设备域当目标域，快速验证模型效果。
3. 新手避坑：绝对不能犯的划分错误
❌ 禁止把一个数据集随机拆分成训练和测试，冒充域泛化（这是普通分类，不是DG）；
❌ 禁止目标域数据混入训练集，哪怕一个样本都不行；
❌ 禁止不同域用不同预处理参数，必须全程统一（第二篇强调过）。
四、域泛化标准评估指标：怎么衡量模型“泛化得好不好”？
模型跑完后，不能只看准确率，心电域泛化有专属评估指标，既要看目标域精度，也要看跨域性能衰减幅度，这才是泛化能力的核心。
1. 核心分类指标（心电异常检测通用）
Accuracy（准确率）：整体预测正确的比例，适合类别均衡数据；
F1-Score（加权F1）：领域首选指标，解决心电数据类别不平衡（异常样本少）问题；
AUC-ROC / AUC-PR：衡量二分类/多分类判别能力，AUC-PR更适配不平衡心电数据；
Sen（灵敏度）/ Spe（特异度）：临床关键指标，反映模型检出异常和排除正常的能力。
2. 域泛化专属指标：性能衰减率（最关键）
这是区分域泛化模型和普通模型的核心指标，计算公式：
性能衰减率 = 源域平均性能 - 目标域性能
通俗理解：普通模型跨域后精度会暴跌，衰减率很大；好的域泛化模型，衰减率极小，目标域性能接近源域。
比如：普通CNN在源域F1是0.89，目标域骤降到0.62，衰减率0.27；域泛化模型源域F1 0.87，目标域0.81，衰减率只有0.06，泛化能力远超普通模型。
3. 论文标准汇报方式
顶会论文通用格式：汇报留一域验证每一轮目标域的指标+平均指标+性能衰减率，同时对比普通CNN、域适应模型的结果，突出泛化优势。
五、直接照搬，快速上手
这里有一套入门实验，不用纠结选择，直接照着做，跑通整个流程：
数据集：PTB-XL（按设备分成2个域，Domain A、Domain B）；
域划分：留一域验证，第一轮A当源域、B当目标域，第二轮轮换；
预处理：统一重采样250Hz、带通滤波、Z-Score标准化（第二篇流程）；
基线模型：简单1D-CNN（先跑普通模型，看衰减率）；
评估：计算加权F1、AUC-PR、性能衰减率。
跑通这个流程，你就完全懂了心电域泛化的实验逻辑，后续再叠加域泛化算法，优化性能衰减率即可。
六、本篇总结
第三篇核心知识点复盘
域泛化核心是“多源域训练，未知目标域测试”，和普通随机划分分类有本质区别；
首选数据集：PTB-XL、CPSC2018，自带多域属性，适配科研基准；
金标准评估方法：留一域验证（LODO），核心看性能衰减率；
域划分必须按真实来源（设备、医院），严禁随机拆分。
第四篇内容预告
第四篇我们正式进入域泛化基础理论与主流方法分类，从零讲解域泛化的核心原理，拆解数据层面、模型层面、正则化层面的主流方法，区分域泛化和域适应的差异，详解IRM、DANN、MixStyle这几个心电领域最常用的经典算法，为后续复现论文、改进模型打好理论基础。
新手小任务：本篇结束后，可以先去PhysioNet官网下载PTB-XL数据集，用第二篇的预处理代码跑通数据清洗，提前熟悉数据格式，为下一篇算法学习做准备～