MIT-BIH心电数据库读取指南：.hea/.dat/.atr格式全解析

做心电信号分析的人，十有八九绕不开MIT-BIH这个数据库。它是心电领域最经典的公开数据集，也是心律失常检测算法绕不开的评测基准。很多人第一次接触它时，第一反应都是：数据从哪下载？怎么读取？那些.hea、.dat、.atr文件到底是干什么的？这篇文章就把这些文件从头到尾拆一遍，顺便给出完整的读取过程和避坑经验。不管你是要做信号处理、训练深度学习模型，还是做心率变异性分析，读完都能直接上手。

MIT-BIH心律失常数据库由美国麻省理工学院与Beth Israel医院合作建立，目前挂在PhysioNet平台上公开下载。整套数据包含48条时长约30分钟的双通道动态心电图记录，采样率360Hz，总标注心拍超过11万个。它之所以被广泛使用，是因为每一条记录都带有人工专家逐心拍的标注——你既可以从里面提取训练样本，也可以把它当作测试算法的“标准答案”。这篇文章的目标读者很明确：刚接触MIT-BIH、搞不清文件格式、读取时反复报错的人。

1. 项目概述：这套数据到底解决什么问题

1.1 什么是MIT-BIH，为什么它是心电分析的“默认答案”

MIT-BIH并不是一个简单的波形文件集合，而是一套经过精心设计、带标注的临床数据库。它收录了48条记录，每一条都来自一位真实的受试者，覆盖了正常窦性心律、室性早搏、房性早搏、束支传导阻滞、起搏心律等多种心律失常类型。受试者的年龄分布很广，男性和女性都有，这使得数据具备不错的多样性，做出来的算法不会只对某类人群有效。

为什么说它是“默认答案”？因为心电算法要评估好坏，必须有一个大家都能跑、指标可横向对比的数据集。MIT-BIH刚好满足这个条件：数据公开、标注精准、格式固定、文档齐全。到今天为止，大量论文里的心律失常分类、QRS波检测、心率变异性分析，仍然是在MIT-BIH上完成的。哪怕你做的是自己的临床数据，也常需要先用MIT-BIH验证一下方法的可靠性，再迁移到自己的场景里。

1.2 一句话看懂数据存储逻辑：记录、导联、采样率

从存储逻辑上看，MIT-BIH非常好理解。每一条记录，比如“100号记录”，对应一位受试者半小时的动态心电图。记录里有两个导联的信号，绝大多数记录是MLII和V1，少数是MLII和V5等其他导联组合。两个导联是同时采集的，采样率固定为360Hz，每个导联采样30分钟，算下来大约65万个采样点。

打开下载好的文件夹，你会看到每个记录名都对应好几个文件，核心就是三个：.hea头文件、.dat数据文件、.atr注释文件。我习惯用一个类比来说明它们的关系：.hea是档案袋上的标签，写清楚这份档案的基本信息；.dat是里面那张原始记录纸，波形全在上面；.atr是红笔写的批注，标记了每个心拍的位置和类型。三者配合，才是一份完整可用的心电图数据。

2. 各文件作用全拆解：.hea/.dat/.atr一个都不能少

2.1 .hea头文件：全记录的“说明书”与“地图”

.hea文件是纯文本格式，用记事本就能打开。以100号记录为例，开头大概是这样的：

100 2 360 650000 100.dat 212 200 11 1024 995 0 MLII 100.dat 212 200 11 1024 1004 0 V5 # 69 M 1085 1629

第一行的三个数字分别是记录名、导联数、采样率、采样点数。100 2 360 650000的意思就是：这条记录叫100，有两个导联，采样率360Hz，总共65万个采样点。采样点数不需要死记，.hea里写多少就是多少，读取数据时最好以它为准来截断文件，避免把多出来的字节也读进来。

第二行和第三行描述两个导联的细节，这行信息的价值经常被忽略。我们来逐段拆解：

• 100.dat：信号存储在哪个数据文件里。
• 212：数据编码格式，MIT-BIH用的是“212”格式，后面讲.dat时细说。
• 200：ADC增益，单位是ADC单位/mV，意思是1mV的心电信号会被量化为200个ADC单位。
• 11：ADC分辨率，11位，所以数字量范围大致在0到2047之间。
• 1024：基线值，即信号为0mV时对应的数字量。
• 995：第一个样本的值，可以用来校验读取是否正确。
• 0：校验和，用于检查文件是否损坏。
• MLII、V5：导联名称。

手动读取.dat的时候，最关键的参数就是基线和增益。因为文件里存的不是以毫伏为单位的物理值，而是一个整数。要把整数变成真正的电压值，公式是：

物理值(mV) = (数字量 - 基线) / 增益

比如数字量是1024，基线也是1024，那电压就是0mV；数字量是1224，电压就是(1224-1024)/200=1.0mV。这个公式看起来简单，但如果读数据时忘记减基线，波形整体就会“飘”得很高或很低，后面无论做滤波还是做心拍检测，结果都会受影响。

2.2 .dat数据文件：按3字节打包的二进制心电图

.dat是二进制文件，不能直接用文本编辑器打开。MIT-BIH采用了一种叫“format 212”的编码方式，名字里的212其实来自“12位采样、两个通道、3字节存储”的缩写。为什么要这么设计？早期存储和传输资源都很紧张，如果每个12位样本用一个16位整数存，会浪费4位空间；如果直接按每个样本3字节存，又会把两倍数据量写在盘上。212格式巧妙地用3个字节存下两个通道的各一个样本，正好每个通道占12位。

具体规则是：每3个字节为一组，存放两个样本。假设三个字节是b0、b1、b2，那么：

• 通道1的样本值 = (b0 << 4) | (b1 >> 4)
• 通道2的样本值 = ((b1 & 0x0F) << 8) | b2

用大白话说，第一个字节的8位加上第二个字节的高4位，拼出通道1的12位值；第二个字节的低4位加上第三个字节的8位，拼出通道2的12位值。位运算看起来略繁琐，但这是理解.dat文件的关键。如果你用现成的wfdb库，根本不需要自己写这些；但如果你想排查奇怪的问题，或者做自定义工具，就必须懂这个底层格式。

细心的朋友会发现，这样读出来的数值是“数字量”，范围大概在0到2047之间，距离真正的心电信号还有一步。所以读取.dat之后，一定要记得做基线校正和单位换算：

physical_signal = (digital_signal - baseline) / gain

做完这步，你看到的波形幅值就基本落在-5mV到+5mV之间，这才符合真实心电信号的物理范围。

2.3 .atr注释文件：逐心拍标注的二进制协议

如果说.dat是“波形原始记录”，那.atr就是“专家批注”。文件里记录了每一个被人工识别出的心拍位置，以及这个心拍的类型。MIT-BIH的标注非常细致，常用符号有N（正常心搏）、L（左束支传导阻滞）、R（右束支传导阻滞）、A（房性早搏）、V（室性早搏）、F（融合心搏）、J（交界性早搏）等。做心律失常分类任务时，人们通常会把它们归并为五大类：N、S、V、F、Q，分别对应正常、室上性、室性、融合和未知/不可分类。

.atr也是二进制格式，结构比.dat复杂一些。每个注释记录通常会包含一个标志字节、两个字节的时间增量、一个字节的类型码，可能还有一些辅助字节。时间增量的单位是“采样点”，不是“秒”。比如一个注释说某个心拍在“第1024个采样点”，那在360Hz的采样率下，对应的时刻就是1024/360≈2.84秒。

如果想手动解析.atr，工作量不大但很琐碎，要处理边缘情况，比如符号为0的伪注释、节奏类型注释等。我的建议是：日常使用直接用wfdb库的rdann函数，它会帮你把类型码映射成可读的符号，把采样点索引也解析好。但你仍然需要理解一个核心概念——annotation.sample给出的是第几个采样点，不是秒，也不是某个心拍在整个记录里的“第几拍”。所有后续对齐操作都要基于采样点索引来做。

3. 数据读取实操：从手动解析到一行代码

3.1 手动读取.dat，搞懂底层字节流

先别急着装库，我建议至少手动读一次.dat，这样以后遇到问题心里有底。下面是一段可以直接运行的Python代码，用numpy读一个记录的前N个样本：

import numpy as np def read_mit_bih_dat(record_name, num_samples=3600): """ 手动读取MIT-BIH的.dat文件（format 212） 返回两个导联的数字量，shape=(num_samples, 2) """ with open(record_name + '.dat', 'rb') as f: # 每3个字节存两个12位样本 raw = f.read((num_samples * 3) // 2) byte_arr = np.frombuffer(raw, dtype=np.uint8).reshape(-1, 3) ch1 = (byte_arr[:, 0].astype(np.int16) << 4) | (byte_arr[:, 1].astype(np.int16) >> 4) ch2 = ((byte_arr[:, 1].astype(np.int16) & 0x0F) << 8) | byte_arr[:, 2].astype(np.int16) return np.column_stack([ch1, ch2])

注意我这里的读取长度先按num_samples * 3 // 2换算成字节数，因为3个字节对应2个样本。如果你想读整条记录，直接用.hea文件里的采样点数来计算字节数更稳妥。读完数字量后，再配合基线1024和增益200做物理单位换算，就能得到类似这样的输出：

第0个样本: 995 -> 物理值 -0.145 mV 第1个样本: 1005 -> 物理值 -0.095 mV 第2个样本: 1011 -> 物理值 -0.065 mV

看到这些数值在0附近缓慢波动，说明读取基本正确。如果出来几百几千的数值，或者直接乱码，大概率是字节拼接方向搞反了。

3.2 处理注释文件，理解时间增量

注释文件的解析虽然琐碎，但理解一下时间增量的原理很有必要。每个注释记录的大致结构是：先出现一个0x00标志字节，然后是两个字节的时间增量（16位整数，单位是采样点），再往后是一个类型字节，某些类型后面还会带辅助数据。

实际解析时，你会碰到几个麻烦点：

• 注释流里有“伪注释”，它们的类型码是0，不表示真实心拍，主要用于帮助定位，处理时要跳过。
• 节奏类型（比如心动过速开始、结束）也混在注释流里，后缀可能是“+”、“x”等，不是所有符号都对应一个心拍。
• 文件末尾可能有填充字节，不能硬当成注释来解。

所以手动解析.atr可以当作一次练习，但生产环境里真的没必要。下面这段只展示核心逻辑，方便你理解采样点索引是怎么来的：

def read_ann_basic(atr_path): samples = [] symbols = [] with open(atr_path, 'rb') as f: data = f.read() i = 0 time_counter = 0 while i < len(data): if data[i] == 0x00: # 时间增量占2字节 delta = int.from_bytes(data[i+1:i+3], 'little') ann_type = data[i+3] i += 4 time_counter += delta # 这里省略辅助字节处理，完整实现需参考WFDB格式文档 if ann_type not in [0, 1]: samples.append(time_counter) symbols.append(chr(ann_type) if ann_type < 128 else '?') else: i += 1 return samples, symbols

这段代码只是为了让你感受注释文件的解析逻辑，不能直接用在实际项目中，因为辅助字节和特殊时间标志都被跳过了。遇到复杂的注释记录，老老实实用成熟的库解析，别自己造轮子。

3.3 用wfdb库一行读取，傻瓜式落地

手动解析可以让你明白原理，但日常开发我更推荐用wfdb这个Python库。它是PhysioNet官方维护的WFDB软件包的Python绑定，读取MIT-BIH就是几行代码的事：

pip install wfdb numpy matplotlib

import wfdb record = wfdb.rdrecord('100', sampto=3600, physical=True) annotation = wfdb.rdann('100', 'atr', sampto=3600) # record.p_signal 保存物理单位信号，shape=(3600, 2) # annotation.sample 保存心拍位置索引 # annotation.symbol 保存心拍类型符号 print(record.p_signal[:5]) print(annotation.sample[:10]) print(annotation.symbol[:10]) wfdb.plot_wfdb(record=record, annotation=annotation)

rdrecord负责读.hea和.dat，rdann负责读.atr。你不需要自己处理字节拼接、基线、增益，库内部全部搞定。渲染出来的图会同时显示两个导联的波形和每个心拍的标注符号，立刻能看出读取是否正确。实测下来，wfdb库对MIT-BIH的兼容性很好，几百行数据的读取也就是毫秒级。

如果你是从网上下载的.mat版本（即信号被保存为MATLAB格式），也不要慌。wfdb库同样支持读取，只是底层逻辑稍有不同，核心API差别不大。但如果你要做标准的MIT-BIH流程，建议还是用原生的.hea/.dat/.atr三件套。

4. 读取后的验证与预处理要点

4.1 怎么确认读取结果没出错

读取代码跑通了，不代表数据没问题。我见过太多人读出来的“心电信号”幅值稳定在500以上，波形直奔顶格，还拿着一堆错误数据去训练模型。所以验证这一步不能省。

最直接的验证方法有三个。第一，打印信号的统计信息，正常心电信号在0mV附近波动，标准差一般在0.1到0.5之间；第二，画出前几秒的波形，肉眼找一下QRS波群，正常波形里应该能明显看到P波、QRS波、T波的形态；第三，把.atr里标注的心拍位置叠到波形上，如果标注的点正好落在R波峰值附近，说明读取和标注都对齐了。

wfdb.plot_wfdb可以帮你一次性完成第二、第三步。如果你读出来的波形“糊成一片”或者标注和波峰对不上，先回去看基线、增益、字节拼接这几项，90%的问题都出在这几个地方。

4.2 标签对齐、重采样与心拍切分

很多任务需要把原始信号处理成固定长度的样本，比如“以R峰为中心，向前取0.2秒，向后取0.4秒”。MIT-BIH的采样率是360Hz，所以0.2秒就是72个采样点，0.4秒就是144个采样点。切分时要注意，注释里的采样点索引是原始的整数索引，如果你做了重采样或滤波，原始索引可能不再适用于新信号。

如果必须重采样，比如要统一到250Hz，我建议先用插值把信号变到新采样率，同时把标注的采样点也按比例缩放，并四舍五入取整。这里的“按比例缩放”指的是乘以新采样率与旧采样率的比值，不是简单加减。标签一偏移，后面训练出来的模型再准也是错的，这个问题很容易被忽略。

预处理环节还有一个常见操作是滤波。MIT-BIH原始信号里有基线漂移和工频干扰，做心拍检测前建议先用带通滤波器过滤掉0.5Hz以下和50Hz以上的成分。滤波时要注意，滤波器是有群延迟的，如果做的是零相位滤波（比如scipy.signal.filtfilt），信号延迟会被补偿，标签位置基本不需要调整；如果用了普通IIR滤波，相位延迟会导致R峰位置偏移，标签也要相应微调。

4.3 训练集/测试集划分：患者级分割的必要性

MIT-BIH的48条记录来自47位受试者，其中有两份记录（201和202）来自同一位受试者。做心律失常分类时，如果把同一位受试者的记录同时放进训练集和测试集，模型等于提前见过了这个人的心电形态，测试指标会虚高。这种“信息泄露”在跨患者评估中特别致命。

合理的做法是按患者划分数据，训练集和测试集不要包含同一位受试者的任何记录。很多论文采用的做法是取一部分记录做训练，另一部分记录做测试，比如用前40条记录训练，后8条记录测试，但前提仍然是要确认这些记录确实来自不同受试者。所以在实验设计阶段，建议先查一下官方受试者列表，把同一受试者的记录标记出来，再决定怎么划分。这个细节直接决定你论文结果的可信度。

5. 常见问题与排查技巧实录

5.1 信号变成乱码或幅值异常

这是读取MIT-BIH时遇上最多的问题，症状是画出来的波形完全不像是心电图，或者数值非常大。核心原因有三类：

• 字节拼接方向错误。format 212的位运算规则如果写反，读出来的数字会完全错位，波形像打乱的马赛克。
• 没有做基线校正。数字量直接当物理值用，波形整体上移几百个单位，看起来像一条粗大的直线在顶部。
• 增益参数用错。MIT-BIH的增益通常是200，如果你用了别的数值，幅值会被等比放大或缩小。

排查方法也很简单：打印前10个数字量，先看是不是在0到2047之间；再看计算后的物理值是不是在正负5mV量级。两步能排除掉绝大多数问题。

5.2 注释解析失败或标签漂移

.atr解析最容易踩的坑是符号处理。注释里那些“+”和“x”符号其实不表示普通心拍，前者通常代表起搏心拍，后者代表伪迹或质量差的片段。如果做分类任务时把它们也当成普通标签，数据集就会被污染。

标签漂移则多见于重采样之后。原始标注索引是360Hz下的整数值，重采样后如果你只是粗暴地round(downsample_ratio * sample_index)，某些边缘位置的索引会偏移一两个点，导致切出来的样本窗口错位。我的习惯是重采样后再验证一次R峰对齐效果，抽查十几个心拍，看波峰是否仍在窗口中心附近。

5.3 高频踩坑清单速查

下面这张表是实际使用中最常见的几个问题和对应解法，建议收藏备用。

除了上面这些，还有一个容易被忽略的小问题：如果你把.dat整个文件读进内存，它会占掉不少空间，因为650000个样本乘以2个导联，转成float64后大约是10MB左右。听起来不大，但如果你同时读48条记录，内存也是几十MB起步。读取后及时转成float32，或者按需分段读取，实验会流畅很多。

6. 从读取到建模：MIT-BIH还能这么用

6.1 心拍级分类的标准流程

读通MIT-BIH之后，下一步通常就是做心拍级分类。最常见的流程是：先用wfdb.rdrecord读信号，用wfdb.rdann读标注；接着做带通滤波去噪；然后在每个标注位置附近切出固定长度的心拍窗口；最后把标注符号映射成类别标签，输入分类模型。

窗口长度需要根据任务调整，太短可能漏掉P波或T波，太长又会带入无关噪声。我的经验是取R峰前0.25秒到R峰后0.4秒，既能看到完整的QRS波群，又能包含一部分ST段和T波，对判别室性早搏和正常心拍很有帮助。样本切好后，要检查一下各类别的样本数量分布。MIT-BIH中正常心拍远多于室性早搏和房性早搏，不做类平衡处理的话，模型会严重偏向多数类，导致少数类几乎识别不出来。

6.2 RR间期、心率变异性等扩展特征

标注文件的价值不止用来生成分类标签，它本身就是宝贵的特征来源。通过annotation.sample可以轻松算出相邻心拍之间的间隔，也就是RR间期。RR间期序列反映的是心率变化趋势，对检测房颤、早搏等异常非常有用。

用简单的numpy代码就能计算：

import numpy as np rr_intervals = np.diff(annotation.sample) / record.fs # 单位：秒 mean_hr = 60.0 / np.mean(rr_intervals)

有了RR间期序列，还可以继续统计标准差、RMSSD等时域指标，或者做频域分析。很多心率变异性研究就是在这种基础上开展的。也就是说，一个.atr文件不光是“答案”，同时也是特征工程的一座富矿。

6.3 把自己的数据对齐成MIT-BIH格式

最后再分享一个很实用的技巧：WFDB工具链不仅支持读取，也支持写入。也就是说，你可以把自己采集的心电数据转换成MIT-BIH的.hea/.dat/.atr格式，这样就能直接复用整个WFDB生态里的工具和脚本。

在wfdb库里，写入一条记录大致是这样：

import wfdb import numpy as np # signal shape=(n_samples, n_channels)，单位mV signal = np.random.randn(3600, 2).astype(np.float64) wfdb.wrsamp( record_name='my_record', fs=360, units=['mV', 'mV'], sig_name=['MLII', 'V5'], p_signal=signal, fmt=['212', '212'], adc_gain=[200, 200], baseline=[1024, 1024], )

写出来的文件会自动生成.hea和.dat，如果你还想写.atr，就需要构造标注数组再调用对应的写注释接口。这个过程稍微复杂一些，但能帮你建立起一套“私有数据也能用公开工具处理”的流程，对于团队协作和实验复现都很有价值。

我在实际使用中的最大感触是：MIT-BIH的读取难点从来不在代码本身，而在对文件格式底层逻辑的理解。先花半小时把.hea里的参数、.dat的位运算、.atr的含义搞明白，后面所有实验都会顺畅很多。就算你决定用wfdb库偷懒，也别完全放弃这些底层知识，否则遇到数据异常时你会连从哪里排查看起都不知道。另一个小技巧是，读好一份数据后立刻保存成.npy或.npz缓存，后续实验反复读取会快得多，尤其是做深度学习时，数据的I/O时间经常被严重低估。