A Multi-Night Instantaneous Heart Rate and Accelerometry Dataset with EEG Sleep Stage Labels

一、数据集概述

BIDSleep Dataset 是一个多夜间睡眠生理数据集，旨在支持基于可穿戴设备的睡眠分期建模与算法研究。

该数据集由 47名健康成人受试者组成，每人佩戴可穿戴设备进行最长 7个夜晚连续睡眠记录，最终形成约 253个完整夜间样本。数据通过多模态方式采集，核心目标是将消费级可穿戴设备数据与 EEG 金标准睡眠分期对齐，用于机器学习建模与验证。

二、数据来源与实验设计

研究采用双设备同步采集方案：

• Apple Watch（消费级设备）
  • 记录瞬时心率（Instantaneous Heart Rate, IHR）
  • 记录三轴加速度（x/y/z motion）
  • 通过 iPhone 同步时间戳
• Dreem 2 EEG Headband（研究级设备）
  • 提供 EEG 基础睡眠阶段标注
  • 按 AASM 标准分期：
    • Wake（清醒）
    • N1（浅睡1期）
    • N2（浅睡2期）
    • N3（深睡）
    • REM（快速眼动睡眠）

所有数据均在居家环境中采集，而非实验室 PSG 环境。

BIDSleep数据集：一个包含脑电图睡眠阶段标签的多夜即时心率和加速度计数据集

三、数据结构

数据按 **“受试者 → 夜晚”**组织，共 47 个受试者文件夹。

每个夜晚包含三类核心文件：

1. motion.csv

• 三轴加速度（x, y, z）
• Apple Watch 采集
• 带时间戳（Unix time）

2. hr.csv

• Instantaneous Heart Rate（bpm）
• 来自 PPG 信号（Apple Watch HealthKit）
• 采样率约 0.2 Hz

3. labels.mat

包含睡眠标签与元信息：

• recStart：记录起始时间
• dreem_label：
  • 0 = Wake
  • 1 = N1
  • 2 = N2
  • 3 = N3
  • 4 = REM
  • 5 = Unknown

同时包含：

• 自动标注结果
• 专家修正后的睡眠分期（基于 AASM 规则）

四、数据规模

• 受试者：47人
• 夜晚记录：约253晚
• 总数据量：约 27.9 GB
• 信号类型：
  • 心率（PPG派生）
  • 加速度（运动）
  • EEG标签（参考标准）

五、数据标注与质量控制

睡眠分期来自 Dreem EEG，并经过以下流程处理：

1. 自动睡眠分期（算法生成）
2. 专家逐 epoch 审核（30秒窗口）
3. 修正异常或不合理阶段
4. 保留原始 + 修正版本标签

特点：

• 单专家校正（无多评分者一致性统计）
• 强调连续性逻辑检查（避免不合理跳变）

六、研究价值与应用场景

该数据集主要用于以下研究方向：

1. 可穿戴睡眠分期模型

• 使用心率 + 加速度预测睡眠阶段
• 替代或补充 EEG/PSG

2. 多模态时间序列建模

• HR + motion 融合建模
• 深度学习序列模型（CNN / LSTM / Transformer）

3. 多夜间个体建模

• 分析个体夜间差异
• 研究跨夜泛化能力

4. 可穿戴设备验证

• Apple Watch vs EEG 对齐分析
• 消费级设备可靠性评估

七、使用建议（重要）

官方建议：

• 按受试者划分训练/测试
  • 避免跨夜数据泄漏
• 优先做 subject-level cross-validation
• 注意：
  • Dreem EEG ≠ 完整 PSG（仍存在一定误差）
  • 转换期（transition epochs）可能存在标签模糊

八、总结

BIDSleep Dataset 是一个典型的“可穿戴设备 + EEG标签对齐”的多夜间睡眠数据集，其核心价值在于：

• 将消费级设备数据（Apple Watch）与 EEG 标注对齐
• 支持大规模睡眠分期机器学习
• 提供真实世界、多夜间、跨天的连续睡眠行为数据

对于睡眠分析、医疗AI、时间序列建模都具有较高研究价值。