OU-DATASET — 匈牙利 22 例 1 型糖尿病多次每日注射（MDI）自由生活纵向多模态数据集

INFOBOX — OU-DATASET 一屏速览

维度	内容
本质	22 名 T1D 患者、8 周、MDI 治疗、自由生活的纵向多模态队列，非挑战赛、非泵、非闭环
团队	匈牙利 Óbuda University（人工胰腺组 + 生物信息学与人工智能研究所），合作 North-Buda Saint John 医院、Semmelweis、Heim Pál 儿童医院等
论文	Sci Data 2026，doi:10.1038/s41597-026-08271-3；收稿 2026-01-16 / 接收 2026-09-03 / 在线 2026-09-15
数据	Figshare DOI 10.6084/m9.figshare.30455546.v1，2026-07-10 发布（早于论文在线）
四路模态	血糖监测 / 胰岛素注射 / 活动追踪（心率、步数）/ 自报事件（进餐、运动、压力）
规模	22 人 × 8 周；记录条数、设备型号、采样间隔未公开
许可	论文 CC BY-NC-ND 4.0；NLM 转述 Figshare 为 CC BY 4.0（冲突，本条目按严者写）
定位价值	公开血清数据绝大多数是 CGM+泵，MDI 人群是明确空白；本数据集填的正是这个洞
硬约束	ND 条款：派生数据集不得再分发；小样本 + 自报偏倚限制统计结论强度
库内互链	ShanghaiT1DM & T2DM（rid 1136，同域异人群异设计）｜insulin4rl（rid 1010，ICU 静脉强化学习，异场景）

OU-DATASET 是迄今少数把镜头对准「没有泵、也没有闭环、只能每天打几针」的 1 型糖尿病患者的公开数据集。它不是最大的、也不是最精细的，但它补的是一个结构性缺口：全世界绝大多数 T1D 血糖公开语料，都来自装了胰岛素泵和动态血糖仪、并且愿意进实验室或临床试验的人；而真实世界里因为费用与可及性留在多次每日注射（Multiple Daily Injection, MDI）方案上的那一大批患者，长期在数据上隐形。22 个人、8 周、四路模态、自由生活——这组数字不算亮眼，它的价值在于把 MDI 人群的日常搬进了公开数据赛道。

导语读法三则：

1. 只想判断能不能用：直奔 §6 许可与获取——先看 ND 条款，再决定你的下游是否需要发布派生数据集；这条比数据质量更早决定项目可行性。
2. 关心它凭什么值得存在：直奔 §0 与 §4——「MDI 空白」这条论证链是本数据集全部价值的锚点，也是它区别于任何 CGM 数据集的根本。
3. 准备写论文引用它：直奔 §5 数据字典边界与 §9 坑点——设备、采样间隔、记录条数在公开层面缺失，任何写进论文的数字都必须先查 Figshare 包内文档，不能凭直觉套用同类数据集。

§0 导读：这个数据集解决什么问题

一句话：它解决的是「数据分布与患者分布错位」的问题。

血糖预测、低血糖预警、胰岛素剂量推荐这些 AI 任务，训练数据长期集中在连续血糖监测（Continuous Glucose Monitoring, CGM）与胰岛素泵（Continuous Subcutaneous Insulin Infusion, CSII）或混合闭环（Hybrid Closed-Loop, HCL）系统用户身上。这一选择的合理性只来自一个事实：泵和 CGM 会自动记录高密度数据，研究者省事。但它带来一个被论文摘要明确点出的后果——由于直接医疗成本更低、总生命周期成本更低、使用更简单舒适，全球大量 T1D 患者仍依赖 MDI 治疗，尤其是在糖尿病技术可及性受限的人群中。这些患者恰恰是最需要低成本数据驱动决策支持的人，却几乎没有公开真实世界数据可供建模。

OU-DATASET 的作者把这个缺口作为设计起点：不是再造一个更大的 CGM 队列，而是采集一个治疗模式明确为 MDI、生活条件明确为自由生活（free-living）的小队列，并且刻意把「行为与生理因素」一起采进来——血糖只是结果，进餐、运动、压力、注射才是原因。这种「结果 + 原因」同时在场的设计，是它相对纯 CGM 数据集的结构性优势：纯 CGM 数据能告诉模型血糖怎么变，但通常无法告诉模型为什么变。

§0 读法三则：

1. 本数据集的核心叙事是「补空白」而非「破纪录」。不要拿它的 22 人去和千人级 CGM 队列比规模，那是错位的比较；要比的是「MDI 场景公开数据集有几个」，答案接近零。
2. 四路模态的可贵之处在于因果链完整：注射→血糖、进餐→血糖、运动→血糖、压力→血糖，四个箭头在该数据集里同时有变量。
3. 但「完整」只到事件层级，不到剂量学层级：碳水量、注射部位、基础胰岛素方案等细节是否记录，公开层面未披露（§5）。

§1 数据集速览：十问十答

Q1：OU-DATASET 到底有多少人、多长时间？
22 名 1 型糖尿病患者，随访 8 周。这两个数字在论文摘要、Figshare 条目描述、NLM Dataset Catalog 三处表述完全一致，是可信度最高的硬数字。

Q2：治疗方式具体是什么？
多次每日注射（MDI）。论文摘要的措辞是 “participants on multiple daily injection therapy”，并在背景部分把它与 CSII（持续皮下胰岛素输注，即泵）和 HCL（混合闭环）明确对立。注意：摘要未说明每日注射几次、用的是哪种胰岛素（速效/长效配比），这些属于正文 Methods 内容，本条目记为未公开。

Q3：血糖是怎么测的？CGM 还是指尖血？
摘要只写 “glucose level monitoring”，未指明是 CGM 还是自我血糖监测（Self-Monitoring of Blood Glucose, SMBG）指尖采血。这一点对任务设计影响极大——CGM 能给 5 分钟级连续曲线，指尖血只有每天数次离散点；在拿到正文前，不可假设它是 CGM。本条目统一称「血糖监测序列」，并在 §9 坑点 2 中专门说明为何不能想当然。

Q4：活动追踪采了什么？
心率（heart rate）与步数（steps）两项。这是可穿戴设备最常见的两种派生量，能支撑「运动强度」与「日常活动量」的粗粒度刻画。设备品牌与型号未公开。

Q5：自报事件包括哪几类？
进餐（meals）、运动（exercise）、压力（stress）三类。这是典型的生态瞬时评估（Ecological Momentary Assessment, EMA）式自报，优点是能捕捉设备测不到的主观状态，代价是回忆偏倚与依从性衰减。

Q6：为什么强调「自由生活条件」？
自由生活（free-living）意味着受试者在自己的家庭、工作与社交环境中照常生活，而不是住进代谢病房吃标准化餐。这让数据更接近真实世界的血糖波动来源，也让混杂因素（作息不规律、外食、情绪波动）一并进入数据——后者是噪声，也是真实性的来源。

Q7：发在哪、什么时候？
Scientific Data（Nature Portfolio），DOI 10.1038/s41597-026-08271-3。收稿 2026-01-16，接收 2026-09-03，在线 2026-09-15。文章类型是 Data Descriptor（数据描述论文），不是研究报告。

Q8：数据在哪下？
Figshare，DOI 10.6084/m9.figshare.30455546.v1，条目页 2026-07-10 发布——比论文在线早两个多月。这是该数据集一个容易被忽略的时间线特征（见坑点 5）。

Q9：许可到底是什么？
论文侧是 CC BY-NC-ND 4.0；NLM Dataset Catalog 转述 Figshare 条目为 CC BY 4.0。两处都是一手页面却互相冲突，本条目按更严的 CC BY-NC-ND 4.0 书写，并在 §6 与坑点 1 并列存照。使用者须自行到 Figshare 当前版本页面复核。

Q10：它和上海那个糖尿病 CGM 数据集是什么关系？
没有谱系关系，是两条独立采集线。上海队列（库内 rid 1136）是 12 例 T1DM + 100 例 T2DM、FreeStyle Libre 15 分钟采样、最长 14 天、配称重饮食记录；本数据集是 22 例纯 T1D、8 周、MDI、四路模态。人群、病种、治疗模式、采集时长、饮食记录方式全部不同（§10.1 有逐项对照表）。

§2 论文与时间线

§2.1 论文身份

字段	内容
题目	Dataset for Glycemic Control Analysis in Type 1 Diabetes under Multiple Daily Injection Treatment in Free-living Conditions
期刊	Scientific Data（ISSN 2052-4463，Nature Portfolio）
文章类型	Data Descriptor
DOI	10.1038/s41597-026-08271-3
收稿	2026-01-16
接收	2026-09-03
在线	2026-09-15
卷期页码	在线优先；Crossref 未给 volume/issue/page（坑点 6）
论文许可	CC BY-NC-ND 4.0
资助	Óbuda University TKP2021-NKTA-36；Hungarian National Research Fund FK-142904
利益冲突	作者声明无

§2.2 时间线的三个层次

这个数据集有三个各自独立的时间点，混用会导致引用错误：

1. 伦理与采集时间：文稿写「22 名参与者在 8 周内采集」，但采集日历区间未在摘要层披露。论文 2026-01 收稿、2026-07 数据上线，倒推采集应在 2025 年或更早，但这是推理不是事实，本条目不写具体年份。
2. 数据上线时间：Figshare 条目 2026-07-10 14:23 发布。这意味着在论文正式在线之前两个多月，数据已经可以被下载——若你的研究在 2026 年 8 月引用了这份数据，引用的其实是 Figshare 版本而非论文版本。
3. 论文正式时间：2026-09-15 在线。收稿到接收跨越约 7.5 个月，属于 Data Descriptor 的常见周期（数据审查与可用性核验耗时）。

§2.3 为什么值得单独写一页

Scientific Data 的 Data Descriptor 体例决定了这篇文稿的性质：它不报告新发现，只报告数据是怎么来的、长什么样、能怎么用。因此本条目不应期待「实验结果」式的段落，全文重心在协议（protocol）、架构（architecture）与可及性（accessibility）三块——这正是论文摘要自己点明的三段结构。理解这一点，就不会因为正文缺少模型对比表而误判数据集质量。

§3 机构与人物

§3.1 主机构：Óbuda University 的人工胰腺组

Óbuda University（Óbudai Egyetem）位于布达佩斯，是匈牙利的技术型大学。本数据集的作者主体来自该校两个单位：

• Artificial Pancreas Group, Physiological Controls Research Center, University Research and Innovation Center——顾名思义，这是一个做人工胰腺（闭环胰岛素输注控制）的研究组，长期方向是 T1D 的生理控制算法。
• Biomatics and Applied Artificial Intelligence Institute, John von Neumann Faculty of Informatics——生物信息学与应用人工智能研究所，承担机器学习与数据侧工作。

这两个单位组合起来解释了这个数据集的动机：一个做控制算法的组，长期只能在仿真环境（如 UVA/Padova 类模拟器）和泵用户数据上验证算法，缺少 MDI 真实世界数据，于是自己组织采集。

§3.2 临床合作方

论文署名的 9 个单位覆盖了「大学 + 医院 + 国外合作」的典型数据描述论文配置：

序号	单位	角色
1	Óbuda University（两组）	主导、算法与数据侧
2	North-Buda Saint John Central Hospital（布达佩斯）	临床招募与伦理支持
3	BioMathematics Lab, CNR IASI（罗马）	数学建模合作
4	University of Pannonia 系统工程系（维斯普雷姆）	系统与控制
5	Heim Pál Children’s Hospital（布达佩斯）	儿科临床（提示队列可能含青少年）
6	Semmelweis University 内科与肿瘤学系（布达佩斯）	临床内分泌
7	New-Buda Saint Christopher Clinic（布达佩斯）	临床
8	Pavol Jozef Šafárik University 儿科学与青少年医学系（科希策，斯洛伐克）	跨境儿科合作

读法提示：Heim Pál 儿童医院与 Šafárik 大学儿科系的出现，提示队列可能包含青少年患者，但摘要只说 “22 participants” 未给年龄分布。本条目 patient_tags 只写「成人」是基于未获年龄证据的保守取法，实际年龄构成须查正文——这是一处需要在后续维护时校正的暂定项（见 §9 坑点 4）。

§3.3 通讯作者

论文首页脚注给出三位通讯作者，邮箱均为 @uni-obuda.hu 域：

• Adina Chotbaeva（第一作者，adina.chotbaeva@uni-obuda.hu）
• Máté Siket（siket.mate@uni-obuda.hu）
• György Eigner（eigner.gyorgy@uni-obuda.hu）

其中 György Eigner 在匈牙利 MTMT 学术库中同时挂 Óbuda University 生物信息学与人工智能研究所与生理控制研究中心两个身份，是这个团队的稳定节点。数据使用许可问题、补充材料索取，优先联系这三位。

§3.4 作者数双口径

Crossref 记录 16 位作者；Figshare 条目元数据列出 17 人，多出的是 Viktória Ferencz。两处都属一手，差异原因未明（可能是 Figshare 侧把贡献者一并列出，也可能是论文定稿时删减）。本条目在陈述作者规模时并列两数，不以任何一方为唯一事实（坑点 7）。

§4 为什么 MDI 是空白：一份数据地理学

§4.1 公开血清数据的人口学偏斜

T1D 血糖公开数据集有一条不成文的共同基因：能进数据的，都是被技术装备过的人。OhioT1DM、HUPA-UCM、DiabTrend 等主流语料的采集前提几乎都是 CGM + 胰岛素泵，因为这套组合能自动产生研究者最想要的高频、低噪声、带剂量的数据。代价是：数据集描述的人群，不是 T1D 人群本身，而是「能负担并愿意使用糖尿病技术的那部分 T1D 人群」。

论文摘要把这条链条说得更直白：MDI 在直接医疗成本、总生命周期成本上更低，使用更简单舒适，因此全球大量 T1D 患者仍在 MDI 上，尤其是技术可及性受限者。这意味着两件事同时成立：

1. 数据侧：MDI 人群在公开语料中严重欠代表；
2. 需求侧：MDI 人群恰恰最需要低成本的、基于真实世界数据的 AI 决策支持。

需求最大的人群，供给最少的数据——这就是论文摘要自称要贡献的方向。

§4.2 MDI 与泵在建模上的本质差异

不是为了贬低泵类数据集，而是为了说清「不能直接混用」的技术原因：

维度	CGM + 泵（主流公开数据集）	MDI（本数据集场景）
胰岛素输入	持续皮下基础率 + 餐时大剂量，计量精确到 0.01-0.05 U/h	每日数次离散注射，基础胰岛素为长效、餐时为速效，吸收动力学与泵完全不同
输入可观测性	泵日志自动记录，时间戳精确	依赖患者记录或注射笔读数，存在漏记与时间误差
控制回路	可闭环（HCL），算法可直接下指令	开环，算法只能建议，患者执行
血糖感知	CGM 连续曲线	视设备而定，可能是指尖血离散点
数据丰富度	高频、低缺失	低频、事件驱动、缺失结构复杂

这张表的结论是：把泵数据训练的血糖预测模型直接搬到 MDI 人群，等于假设两种给药方式的胰岛素吸收曲线可以互换——这在生理上不成立。MDI 需要自己的数据、自己的模型假设、自己的缺失处理策略。本数据集的价值就在这个前提上成立。

§4.3 但「空白」不等于「充分」

必须同时说清反面：22 人 × 8 周无法「填补」一个空白，只能「标记」一个空白。它的正确用法是：

• 作为 MDI 场景的概念验证数据：先证明方法在 MDI 数据上能跑通，再去找更大的院内或商业数据；
• 作为迁移学习的源域：把泵数据学到的表征迁到 MDI 上，检验域偏移有多大；
• 作为协议模板：四路模态怎么同步、自报事件怎么设计，这套采集协议本身可复用。

反过来，把它当作「MDI 人群代表性样本」去做人群级推断，是方法学错误，因为 22 人的抽样方式（是否便利抽样）与代表性论文未公开（§9）。

§4.4 三类「非主流采集」数据集的共同困境

OU-DATASET 不是孤例，它属于一类共同的数据集：因为采集对象不在主流技术栈上，所以规模小、元数据薄、许可保守。理解这一类数据集的共同困境，才能正确评估它的价值。

困境一：被动感知的密度劣势。
泵与 CGM 是「主动报告设备」——每一次胰岛素输注、每 5 分钟一个血糖值，设备自动落库，无需患者配合。MDI 场景里，注射笔不会联网，血糖可能靠指尖血，数据密度由患者的记录习惯决定。这就造成了天然的噪声与缺失。任何在 MDI 数据上做的模型，都必须先解决「数据为什么缺」这个问题，而不是当作技术缺陷绕过去。

困境二：招募成本的非线性。
招募 22 例愿意连续 8 周记录四类数据的患者，难度远高于招募 200 例做一次采血的患者。8 周的自由生活随访意味着患者要持续佩戴设备、持续录入事件，脱落率是主要风险。22 这个数字背后是「能坚持 8 周的人数」，不是「研究团队能力上限」。

困境三：伦理与许可的保守化。
自由生活数据包含行为指纹，伦理委员会通常要求更严格的去标识与更保守的再分发条款。这就解释了为什么本数据集选择 NC-ND，而不像很多纯影像数据集那样大方地用 CC BY。许可的严格不是作者的保守，而是采集场景的必然结果。

理解了这三条，就能明白：对这类数据集的要求，应该是「协议是否严谨、文档是否够用」，而不是「规模是否够大」。

§4.5 MDI 场景的具体建模差异（细化版）

§4.2 的对照表给出了宏观差异，这一节细化到建模能感知的层面。

§4.5.1 胰岛素作用曲线的差异

速效胰岛素（如赖脯、门冬）皮下注射后约 15 分钟起效、1-2 小时达峰、作用持续 3-5 小时。泵的持续基础率把「基础胰岛素」变成一条可以随时调整的连续曲线；MDI 的基础胰岛素则是每日 1-2 次的长效注射（如甘精、地特），作用持续约 24 小时甚至更长，且日内无法调整。

对模型的影响：

1. 泵数据里「基础率」是一个可观测的连续输入；MDI 数据里「基础胰岛素」是一个稀疏的、每日一次的事件，且其血中浓度曲线要靠药代模型推算（如 Heise 模型）。
2. 泵可以做「临时基础率」（temp basal）来应对运动；MDI 做不到，患者只能通过加餐或调整餐时剂量补偿。这意味着 MDI 患者的运动前后血糖模式与泵用户系统性不同。
3. 校正剂量（correction bolus）在 MDI 里与餐时剂量合并在同一针里，事件日志无法区分「这 8 单位里几单位是吃饭、几单位是纠偏」。这是 MDI 数据特有的标签不可分辨性。

§4.5.2 缺失机制的不同

泵数据的缺失主要是设备故障（传感器漂移、导管堵塞），属于随机缺失；MDI 数据的缺失主要是患者行为（忘记记录、刻意不记），属于非随机缺失（MNAR）。

这个区别对建模至关重要：MAR 假设下可以用 EM 或 MICE 插补；MNAR 假设下插补会有偏，必须用 Heckman 类选择模型或显式的缺失指示变量。很多研究者在 MDI 数据上误用了针对 CGM 的插补流程，结果模型学到的是「记录习惯」而非「血糖动态」。

§4.5.3 依从性的内生性

MDI 患者对方案的依从性（是否按医嘱注射、是否按时测血糖）本身与血糖控制水平相关。这意味着**「记录完整度」与「血糖好坏」之间存在内生关系**——记录得勤的人可能本来就更自律。任何把「记录完整度」当协变量的模型，都要考虑这一内生性，否则会把依从性效应误读为生理效应。

§4.6 与「人工胰腺」研究议程的关系

Óbuda University 的人工胰腺组做的是闭环控制。表面上看，MDI 人群是闭环系统覆盖不到的人——闭环需要泵。那么一个做闭环的组为什么采 MDI 数据？

答案在「决策支持」而非「自动控制」。 对泵用户，算法的终极形态是自动闭环；对 MDI 用户，算法的终极形态是建议系统——告诉患者「这一餐大概打多少单位」、「现在血糖要往下走，注意加餐」。这类系统的训练数据需求与闭环完全不同：

需求	闭环（泵用户）	决策支持（MDI 用户）
输入	基础率 + 大剂量，连续可调	离散注射，需推测患者会怎么做
输出	控制指令	建议 + 解释
评价	TIR、低血糖时间	建议采纳率、患者负担、临床结局
数据	需要高频、精确的输入输出对	需要「真实决策」的分布，即人实际怎么打针

最后一行是关键：决策支持系统需要学习「人类在真实世界的决策模式」，而泵数据里人类的决策被算法接管了很大一部分。MDI 数据恰恰保留了完整的「人类决策」信号——每一次注射都是患者自己做的判断。这是 MDI 数据在方法学上不可替代的地方。

§4.7 一条反方观点

必须诚实地呈现反方：有人认为 MDI 数据集的实用价值有限，理由是——

1. 真正需要 AI 决策支持的 MDI 患者，往往也是数字素养与设备可及性最低的人群，他们连连续记录都做不到，AI 建议系统对他们未必可用；
2. 22 人的数据不足以训练任何可部署的模型；
3. 采集这类数据的高成本，不如投入到「降低 CGM 成本」上。

这些批评有其道理，但都指向「这条路不够快」，而非「这条路错了」。数据基建的价值本来就滞后于应用——先有数据，才有方法，才有产品。本条目的立场是：把 OU-DATASET 看作起点标记而非解决方案，才是恰当的期待。

§4.8 小结

MDI 空白的论证链可以压缩成四步：

1. 公开血糖数据绝大多数来自泵与 CGM 用户；
2. 全球大量 T1D 患者因成本与可及性留在 MDI；
3. 泵与 MDI 在给药动力学、输入可观测性、缺失机制上系统性不同，数据不可直接互换；
4. 因此 MDI 需要自己的数据，而 OU-DATASET 是目前少数公开的 MDI 纵向多模态数据。

这条链的每一环都有论文摘要的直接支持（第 1、2 环），或由给药方式的基本事实推出（第 3 环），第 4 环是本条目的定位判断，而非论文原文断言——读者应当把第 4 环当作本库的编辑判断，而非作者的宣称。

§5 数据字典与模态解剖

§5.1 四路模态的结构性描述

论文摘要只给定模态清单，未给字段表。下表把「已确证」与「未公开」分开呈现，使用者据此决定需要向作者索取哪些补充材料。

模态	已确证内容	载体形式	采样/记录频率	状态
血糖监测	存在血糖水平监测记录	时间序列	未公开	已确证存在，粒度未知
胰岛素注射	存在注射记录	事件日志（时间 + 剂量推断）	每日数次（MDI 定义隐含）	已确证存在，字段未知
活动追踪	心率、步数	两条时间序列	未公开	已确证存在，设备未知
自报生活事件	进餐、运动、压力三类	事件日志	事件触发	已确证存在，标签体系未知

§5.2 缺失信息清单（必须向作者索取）

以下字段在任何公开元数据层面都未出现，写进论文前必须核实：

1. 血糖设备类型：CGM（哪个品牌、哪一代、佩戴周期）还是 SMBG 指尖血？这是决定任务可行性的第一分岔。
2. 采样间隔：CGM 常见 5 min 或 15 min；SMBG 则为每日 3-8 次不等。
3. 活动追踪器型号：不同品牌的心率算法与步数阈值差异会导致跨数据集不可比。
4. 事件字典：进餐事件是否带碳水克数？运动事件是否带类型与时长？压力事件用什么量表（主观 1-5 分还是 PSS 类问卷）？
5. 患者标识与临床背景表：年龄、性别、病程、HbA1c、BMI、并发症、胰岛素方案细节。
6. 缺失标记规则：设备未佩戴、患者未记录时是留空、插值还是打标记。

§5.3 为什么「未公开」要写得这么重

数据描述论文的通例是：摘要给规模，正文给结构，仓库给字段。本条目在 2026-10-17 的抓取条件下，正文与仓库文件清单均不可达（Nature 站点对无头请求返回验证页，Europe PMC 无收录，Figshare v2 API 返回 403 拒绝）。此时有三种写法：

• 抄同类数据集的字段结构「填空」——这是编造，坚决不做；
• 写成「详见论文」——等于把读者推回原点，没有增量；
• 明确列出「已确证/未公开」的分界线，并把索取清单交给读者——本条目选择这一种。

这个选择的代价是本条目在「数据字典」这一节的绝对信息量低于理想状态；收益是每一条写出的信息都可追溯，使用者不会因为错误的字段假设而写出错误的代码。

§5.4 四路模态的对齐难题（使用前必读）

即便拿到全部字段，多模态对齐仍是这个数据集的使用门槛，原因有四：

1. 时钟不同源：血糖设备、活动追踪器、患者手机/纸质记录三套时钟，漂移与夏令时切换都可能造成分钟级甚至小时级错位。
2. 时区与夏令时：匈牙利使用中欧时间（CET/CEST），8 周随访大概率跨越夏令时切换点（3 月最后一个周日或 10 月最后一个周日），若采集期跨越切换日，需确认数据是否已统一为 UTC 或已做本地校正。
3. 事件的时间语义：进餐事件的「时间戳」是开始进食还是记录时刻？压力事件的「时间」是发生时刻还是感受时刻？这直接影响特征工程的窗口设计。
4. 不同频率的重采样：把 5 分钟血糖、分钟级心率、事件级进餐对齐到统一时间轴时，插值策略会引入伪信号，尤其在心率为空（设备摘除）的时段。

实践建议：先做「原始时间轴 + 事件掩码」的双轨设计，不要在预处理阶段就把多路数据压成等间隔矩阵——压平之后所有对齐误差都不可回溯。

§5.5 数据包的预期形态与实测落差

§5.5.1 数据描述论文的数据包惯例

Scientific Data 的 Data Descriptor 通常要求数据包满足「可被发现、可被理解、可被复用」三条。实践中，合格的数据包一般包含：

1. 原始/半原始数据文件（按受试者、按模态分文件）；
2. 数据字典（字段名、类型、单位、取值范围）；
3. README（采集协议、设备清单、处理步骤、已知问题）；
4. 伦理与同意说明（去标识化方式、再分发限制）。

§5.5.2 OU-DATASET 的公开可见部分

在 2026-10-17 的抓取条件下，公开可见的只有第 4 类的一部分（许可与资助信息）与第 1 类的存在性（Figshare 条目有文件），第 2、3 类的内容完全未能核实。

这不是说它们不存在——极大概率存在于数据包内，只是未能通过网页抓取获得。Figshare 的文件清单通常以动态加载方式呈现，静态抓取往往只能拿到标题与描述。

§5.5.3 使用者应有的操作

1. 先手动打开 Figshare 页面，看文件树与每个文件的大小，这一步能回答「文件数、格式、体积」三个附表 B 中的问题；
2. 下载 README 与数据字典（通常体积很小），读完之后再下载大文件；
3. 核对数据字典与论文正文是否一致——数据描述论文偶尔会出现正文与数据包字段不同步的情况，这是常见缺陷；
4. 记录版本号与下载日期，写进论文的数据可用性声明。

§5.5.4 若数据包缺少数据字典怎么办

这是小规模数据集常见的问题。补救路径：

• 邮件通讯作者索取（三位通讯邮箱均公开，优先第一作者）；
• 用数据本身反推字段语义（需谨慎，必须在论文中声明字段解释为推断）；
• 参考同类数据集的字段结构做映射，但不得声称原数据集就是该结构。

§5.6 模态间的物理因果链

四路模态不是并列的四份数据，而是构成两条因果链：

链 A（行为 → 血糖）：

进餐（碳水量、时间） ──┐
运动（类型、强度、时长） ──┼──→ 血糖变化 ──→ 症状/自觉
压力（主观等级） ──────┘         ↑
                                 │
胰岛素注射（剂量、时间、类型） ───┘

链 B（血糖 → 行为）：

血糖（高/低） ──→ 患者感知 ──→ 加餐/补针/休息 ──→ 自报事件

链 B 是反向因果，是血糖-行为研究中最大的陷阱：看到「低血糖后出现进餐事件」，不能推断「进餐导致低血糖」，实际是「低血糖导致进餐」。使用本数据集做事件-血糖关联分析时，必须显式处理这条反向链，例如用滞后分析（只允许 t 时刻的事件预测 t+Δ 的血糖，不允许反向），或用工具变量。

这一节是本条目对使用者最有实用价值的提醒之一，因为它在论文摘要层面完全看不出来——摘要只列了四类数据，没说它们之间是双向的。

§5.7 一张「使用者需要自建」的最小 schema

既然官方字段表未公开，这里给出一个建议的统一 schema，供使用者在本地整理数据时采用。注意：这是本条目提出的映射建议，不是数据集的官方结构，不可在论文中声称原数据集即为此结构。

表	字段	类型	说明
subject	subject_id	string	参与者标识（匿名后）
subject	age, sex, diabetes_duration_y	number	临床背景，来源需核实
subject	hba1c_pct	number	基线 HbA1c，来源需核实
subject	insulin_regimen	string	MDI 细节（若可得）
glucose	subject_id, ts, value	string, datetime, float	血糖序列，单位须显式声明
glucose	device_type	string	CGM / SMBG，必填
insulin	subject_id, ts, units	string, datetime, float	注射事件
insulin	insulin_type	string	rapid / long / mixed，若不可知填 unknown
activity	subject_id, ts, hr, steps	string, datetime, float, int	心率与步数，可同表分段
event	subject_id, ts, event_type	string, datetime, string	meal / exercise / stress
event	detail_json	json	事件细节（碳水量、运动类型、压力分），若有
quality	subject_id, modality, missing_rate	string, string, float	数据质量摘要，便于过滤

这个 schema 的三条设计原则：

1. 单位显式化：血糖、剂量、时区全部写入字段或元数据，不依赖约定。
2. 缺失可表达：缺测与「值为零」必须能区分，因此所有时序表都以「事件表 + 规则采样表」双轨存储。
3. 来源可追溯：每个字段标注「来自原始数据 / 由推导得到 / 未知」，避免下游误用。

关于 ND 的再次提醒：这张 schema 表本身可以用（它是本条目作者的创作，不是原数据的改编）；但按此 schema 整理出来的数据文件不能公开分发（那是原数据的改编材料）。代码可以开源，数据不可以——这条线必须划清。

§5.8 采样率的隐含假设与需核实项

不同任务对采样率的要求：

任务	最低采样要求	若数据为 SMBG 会怎样
30 分钟血糖预测	5 分钟级连续	无法做，只能做「次日空腹预测」类粗粒度任务
低血糖预警	5 分钟级 + 至少 15-30 分钟提前量	基本不可行（指尖血每天数次，抓不到下降沿）
日内血糖变异性	每日 ≥ 4 次	勉强可算粗粒度指标，精度低
事件条件化分析	事件前后数小时有若干血糖点	可做，但窗口内点数太少

这张表说明：「这个数据集能不能做血糖预测」这个问题的答案，完全取决于一个未公开的字段（设备类型）。这也是本条目反复把它列为第一优先核实项的原因。

§6 许可、获取与 ND 条款的硬约束

§6.1 获取路径

项	内容
存放平台	Figshare
数据集 DOI	10.6084/m9.figshare.30455546.v1
条目页	https://figshare.com/articles/dataset/OU-DATASET/30455546
Figshare 发布日	2026-07-10 14:23
是否开放下载	是（Figshare 公开条目；本代理环境因 403 未能实测下载）
版本	v1（DOI 内含版本号，后续可能出现 v2，引用须固定版本）
论文	10.1038/s41597-026-08271-3（CC BY-NC-ND 4.0）

§6.2 许可的双口径冲突

这是本条目最重要的一处事实分歧，必须原样并列：

口径 A（论文侧，本条目采用）：CC BY-NC-ND 4.0。

• 证据 1：Springer 版权声明原文 “This article is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License”。
• 证据 2：Crossref license 数组两个元素（content-version: tdm 与 am）的 URL 均指向 creativecommons.org/licenses/by-nc-nd/4.0。

口径 B（NLM 侧转述）：CC BY 4.0。

• 证据：NLM Dataset Catalog 条目（q=0003095226）在 Rights 字段写 “Creative Commons Attribution 4.0 International (CC BY 4.0)”，数据集 URI 正是 10.6084/m9.figshare.30455546.v1。

处置原则：取更严者。本条目 frontmatter 的 license 字段写 CC BY-NC-ND 4.0，并在同一字段内注明 NLM 的转述与复核要求。理由有三：

1. 论文正文与 Crossref 是 Nature 侧的直接元数据，权威性高于第三方目录的转录；
2. 若真实许可确为 CC BY 4.0，按 NC-ND 使用不会违规（过严不越界）；反之若真实许可是 NC-ND 而按 CC BY 商用，则构成侵权。取严是唯一安全解。
3. Figshare 条目页首次抓取时 “Licence” 标题下内容未能取到，无法直接裁定，只能并列存照。

§6.3 ND 条款到底禁止什么——给 AI 使用者的硬约束

署名-非商业性使用-禁止演绎 4.0（Attribution-NonCommercial-NoDerivatives 4.0, CC BY-NC-ND 4.0）的三项限制中，ND 是最容易被低估的一条。

允许：下载、复制、以任何媒介和格式分享原样未修改的材料；非商业目的使用；署名。

禁止：分享改编材料（adapted material）。按 CC 官方定义，改编包括修改、翻译、编排改动、以及以该材料为基础产生的新的作品。

对 AI 数据使用者而言，这条约束的落地后果是：

下游行为	是否落在许可内	说明
下载后做统计分析、写论文	是	属于使用而非分享改编材料
本地训练模型、不公开模型	通常可以	模型权重不是该材料的复制品，版权层面一般不构成改编材料的分享；但各地判例不同，须法务确认
清洗/插补/重采样后的数据在 GitHub 或新 Figshare 条目发布	否	清洗后版本属于改编材料，ND 禁止分享
基于该数据做数据增强/合成数据并发布	否	合成数据若实质源于原数据，同样落入改编
重新标注（如给事件加新标签）后发布	否	重标注版本是典型的改编材料
与其他数据集合并后发布合并集	否	合并集包含改编后的原数据
在论文中报告统计量、图表	是	但需署名并注明未修改

这一条的现实影响：许多 AI 研究的工作流天然包含「清洗后数据开源」这一步（如把原始多模态数据整理成统一 schema 的 benchmark 包再发布）。在 OU-DATASET 上，这一步被明确禁止。如果项目需要发布衍生数据包，必须先行联系通讯作者取得单独授权，而不能仅凭仓库页面标注的许可推定。

§6.4 与同类数据集的许可对照

数据集	许可	衍生数据能否再发布
OU-DATASET（本条目）	CC BY-NC-ND 4.0（论文侧）/ CC BY 4.0（NLM 转述）	按严者：不能
ShanghaiT1DM & T2DM（rid 1136）	CC BY 4.0	可以（需署名）
多数 PhysioNet 数据集	ODC-BY 1.0 或 CC BY 4.0	一般可以（需署名）

结论：在本库已收录的 T1D/T2D 血糖类数据集中，OU-DATASET 是许可最严的一个。这一点在选型阶段就应当成为决策变量，而不是等到论文投稿前才发现派生数据不能开源。

§7 质量评估：小样本、自报偏倚与统计功效

§7.1 22 人的统计功效账

22 名参与者的样本量，在不同分析层级上的后果完全不同：

个体内分析（within-subject）——可用。每名患者贡献 8 周数据，若血糖为 5 分钟采样，单人可达约 1.6 万个点（8 周 × 7 天 × 24 h × 12 点/h ≈ 16,128 点，此为按 5 分钟假设的推算，实际采样间隔未公开，此数仅示意量级）。个体级血糖预测模型的训练数据量在这个层级是可以接受的。

个体间分析（between-subject）——受限严重。22 人若按二分组（如 HbA1c 达标 vs 未达标）划分，每组约 11 人；在 α=0.05、power=0.8 的条件下，能检出的效应量（Cohen’s d）约在 1.2 以上，属于「极大效应」门槛。这意味着中等程度的组间差异在这个样本量下大概率检不出，得到的阴性结果不能解读为「无差异」。

人群推断（population inference）——不可。22 人的便利样本（抽样方式未公开），不足以代表匈牙利 T1D 人群，更不足以代表全球 MDI 人群。

§7.2 自报事件的三重偏倚

自报生活事件的误差不是随机的，它有系统方向：

1. 回忆偏倚（recall bias）：患者倾向回忆「记得住的事件」——大餐、剧烈运动、明显情绪波动，而漏掉日常小食、短时走动、轻度压力。这会让事件分布向「极端值」偏移。
2. 依从性衰减（compliance decay）：EMA 类研究中，录入率通常在前两周最高，随后下降。8 周随访的后期数据可能系统性地更稀疏，若不检查录入率随时间的曲线，会误把「记录变少」当成「事件变少」。
3. 社会期望偏倚（social desirability bias）：患者可能倾向于报告「更健康」的行为（多报运动、少报高糖餐），尤其在知道自己被研究时。

缓解手段（使用者侧）：把「是否记录」本身当作一个特征或缺失指示变量；在时间序列模型中加入「距上次录入的时间间隔」特征；做敏感性分析（只用录入率高的患者子集重跑）。

§7.3 缺失结构

多模态自由生活数据集的缺失不是随机缺失（Missing At Random, MAR），而是结构性缺失：

• 设备摘除（洗澡、充电）→ 心率与步数成段缺失；
• 患者忘记记录 → 事件缺失，但血糖仍在；
• 传感器失效 → 血糖缺失，事件仍在。

这意味着简单的均值插补或前向填充会制造伪平稳信号。正确做法是为每路模态维护独立的缺失掩码，并在模型输入中显式传入。

§7.4 与更大队列的定位关系

22 人不应被评价为「小」，而应被评价为「定位不同」：

• 千人级 CGM 队列（如商业保险数据库衍生的数据集）：适合人群级风险建模，但不含 MDI 治疗细节；
• 百人级临床队列（如上海 112 例）：适合跨病种比较，但采样时长短（3-14 天）；
• 22 人 × 8 周的 OU-DATASET：适合纵向轨迹建模与 MDI 场景的方法验证。

§7.5 统计功效的量化推演

把 §7.1 的定性说法落成可计算的数字，便于读者在做预注册时直接引用。

场景一：两组比较（如 HbA1c 达标 vs 未达标）

• 组样本量 n₁ ≈ n₂ ≈ 11（22 人二分）
• 双侧检验，α = 0.05，power = 0.80
• 可检出的最小效应量：Cohen’s d ≈ 1.25（近似估算）
• 换算成 HbA1c 百分比：若组内标准差约 1.0%，则组间均值差需达约 1.25 个百分点才能检出
• 解读：这个门槛意味着只有「差距极大」的两个亚组才会被检出。糖尿病临床中 0.5% 的 HbA1c 差异已具有临床意义，但在这个样本量下会被判为阴性。

场景二：连续变量相关分析

• n = 22，α = 0.05，power = 0.80
• 可检出的最小相关系数：|r| ≈ 0.57
• 解读：中等相关（r ≈ 0.3-0.4）无法检出。若研究报告「压力事件与血糖无显著相关」，不能据此否定关联存在。

场景三：个体内时间序列预测

• 单人 8 周，若 5 分钟采样约 1.6 万个点（假设，非实测）
• 这个量级足以训练个体化短期预测模型，但时间点之间高度自相关，有效样本量远小于 1.6 万
• 结论：个体内任务在 22 人规模下是可行的，但必须用 LOSO 或时间前向验证，不能用随机切分。

场景四：多模态消融实验

• 四路模态 → 2⁴ − 1 = 15 种组合，若全做，每种组合都在 22 人上评估
• 问题：多重比较校正后（Bonferroni，15 次），单次检验的 α 降到 0.0033，几乎无法检出任何差异
• 建议：只做有假设支撑的少数消融（如「加事件特征 vs 不加」），并预注册比较次数。

上述数值为按标准功效公式的近似推演，用于说明量级，不作为本数据集的官方统计结论。实际计算需以真实样本分布为准，且 22 人若存在脱落，有效 n 会更低。

§7.6 自报数据的信度与效度问题

信度（reliability）：同一患者在不同时间报告同类事件的一致性。8 周内，患者对「什么算一次运动」、「什么算高压力」的判定标准会漂移，这叫内省标准漂移，无法通过增加样本量解决。

效度（validity）：自报内容与客观真实的一致性。有研究显示，自报饮食能量摄入普遍低估 10-30%，自报运动量普遍高估。这类系统偏差会以固定方向污染关联分析——如果进餐被系统性低估，那么「进餐对血糖的效应」就会被系统性高估（因为同样的血糖变化被归因于更少的食物）。

可做的事：

1. 报告自报事件的时间分布，检查是否存在「整点聚集」（提示补记而非实时记录）；
2. 检查事件记录与设备数据的时间差分布（如运动事件前后步数是否真的升高），用设备数据做自报的外部校验；
3. 在论文中区分「记录的进餐」与「实际的进餐」，不做等同。

第三条尤其重要：论文里凡是写「进餐后血糖升高」，实际说的是「记录的进餐事件后血糖升高」，两者之间的差距就是该数据集的核心不确定性。

§7.7 与其他 22 人级研究的可比性

同类规模的真实世界 T1D 数据集并不少（多为单中心可行性研究），但公开的极少。原因是这类数据通常在机构内部使用，不对外发布。OU-DATASET 的贡献之一就是把一个「通常不发」的规模公开了。

这意味着：

• 正面对照稀缺：很难找到另一个 22 人级公开 MDI 数据集做基准对比；
• 间接对照可行：可与 22 人级泵数据集（若存在）做「治疗模式」层面的定性比较，但不做数字层面的显著性检验；
• 元分析潜力：若未来有多个同类小数据集，合并做个体参与者数据（IPD）元分析是可行路径——但前提是许可允许合并再分发，而 ND 条款恰好堵死这条路（§6.3）。

最后这一点值得强调：ND 条款不只影响单个数据集的使用，还影响整个领域的证据整合方式。当所有小数据集都采用 ND 许可时，IPD 元分析这种最能解决小样本问题的方法就无法实施。这是一个超出本条目、属于数据治理层面的结构性观察。

§8 使用场景与建模路线

§8.1 四个任务的可行性排序

按「数据是否支撑 + 许可是否允许」双维度排序：

任务	数据支撑	许可风险	综合建议
个体化血糖短期预测（30-120 min）	中（依赖采样间隔）	低（本地训练不发布）	推荐首选
低血糖事件预警	中（事件数未知，稀疏问题）	低	推荐，须处理类别不平衡
血糖变异性指标（CV、MAGE、TIR）的横断面比较	高（8 周足够）	低	最稳妥的入门任务
胰岛素剂量推荐	低（剂量记录完整性未知）	中（涉及临床决策风险）	谨慎，仅作方法演示
多模态融合表征学习	高（四路齐备）	低	推荐，本数据集的强项
发布清洗后的 benchmark 包	—	高（ND 禁止）	不可行

§8.2 推荐建模路线：以「事件条件化」为核心的基线

第一步：构建统一时间轴与掩码
以血糖序列为主轴（假设为最高频），把注射、心率、步数、事件分别对齐；为每路保留 observed 布尔掩码与 time_since_last_event 特征。不要做全局插值。

第二步：事件条件化特征
把进餐、运动、压力转成「事件编码 + 衰减核」。例如进餐后 0-3 小时用指数衰减权重标记，运动后 0-6 小时同样处理。这是把稀疏事件转成连续特征的通用做法，比 one-hot 更贴近生理过程。

第三步：注射记录的剂量-时间建模
MDI 的胰岛素作用曲线与泵不同：速效胰岛素餐时注射、长效基础胰岛素每日 1-2 次。若字段中没有「胰岛素类型」，则只能做合并建模，须在论文中声明这一简化。

第四步：个体化 vs 全局模型对照
在 22 人规模下，个体化模型（per-patient）与全局模型（pooled with patient embedding）的对比本身就是有价值的发现——它能回答「这个数据量下，个体化是否还值得」。

第五步：留一受试者交叉验证（LOSO）
22 人规模的标准做法是 Leave-One-Subject-Out。切忌随机切分时间点——同一患者的相邻时间点高度相关，随机切分会让测试集泄漏训练信息，指标虚高。

§8.3 评价指标

任务	主指标	辅助指标	注意
血糖预测	RMSE、MAE（mmol/L）	Clarke Error Grid / Parkes Error Grid 各区占比	误差网格是临床可解释的硬指标，纯 RMSE 不够
低血糖预警	灵敏度、提前预警时间（lead time）	假阳性率/天	必须报「每天误报几次」，否则灵敏度无意义
变异性分析	CV、TIR、TBR、TAR	MAGE、M 值	按国际共识（ATTD）阈值划分

特别提醒：血糖单位可能是 mmol/L 或 mg/dL，跨数据集比较前必须统一。匈牙利临床惯例用 mmol/L，但须实测确认（§9 坑点 8）。

§8.4 可复用的实验设计模板

1. 预处理层：单位统一 → 时间轴统一（UTC）→ 缺失掩码生成 → 异常值标注（不删除）。
2. 特征层：血糖滞后特征 → 事件衰减核 → 注射特征 → 活动特征 → 时间元特征（小时、星期）。
3. 模型层：至少实现两个基线（线性/树模型 + 一个序列模型），否则无法证明深度模型有必要。
4. 验证层：LOSO + 时间前向验证双轨。
5. 报告层：报样本数、每患者记录数、缺失率、事件数——这五项缺一项，结果都无法被复现。

§8.5 预处理流水线（按执行顺序）

下面给出一个按依赖关系排序的预处理步骤清单，每一步都写明「为什么在这一步」和「常见的顺序错误」。

步骤 1：许可核对与版本固定。
在任何代码写出之前，先记录 Figshare 当前版本号、当前许可、下载日期。顺序错误：先写代码后查许可，等发现 ND 时数据已经处理完，投入白费（§6.3）。

步骤 2：单位与时间基准统一。
血糖单位（mmol/L 或 mg/dL）、胰岛素剂量单位（U 或 IU）、心率（bpm）、步数（count）——四种单位先统一，时间全部转 UTC。顺序错误：先做插值再转时区，跨越夏令时的插值窗口会错一小时（坑点 10）。

步骤 3：缺失掩码生成。
对每路模态生成布尔观测掩码，且掩码本身作为一个特征保存。顺序错误：先填充后建掩码，掩码就只剩下「原始有值」这一种信息，丢掉了「填充过」这一关键状态。

步骤 4：异常值标注而非删除。
血糖出现 0 或 40 mmol/L 这类不可能值，先标注为 invalid，保留位置。删除会破坏时间轴等距性。顺序错误：直接 dropna，后续对齐时时间索引出现缺口。

步骤 5：事件标准化。
把进餐/运动/压力三类事件映射到统一 schema，保留原始文本（若有）与标准化类型两列。顺序错误：只保留标准化类型，后续想复查原始描述时已不可得。

步骤 6：患者级切分。
在建模前就用 LOSO 固定切分，写进配置文件。顺序错误：先探索全量数据做特征选择，再做切分，等于信息泄漏。

步骤 7：特征工程。
在训练折内部做所有依赖统计量的变换（标准化、分位数裁剪），避免把测试折的分布带进训练。

§8.6 两类基线的最小实现说明

基线 A：持久性预测（persistence）
用 t 时刻血糖作为 t+Δ 的预测。这是血糖预测领域的标准弱基线。任何模型若不能显著优于它，说明模型没学到东西。注意：持久性基线在平稳段表现极好，会拉高整体 RMSE 的「难度门槛」，因此必须同时报告分段误差（上升段/下降段/平稳段）。

基线 B：线性回归 / 梯度提升树
用血糖滞后项、事件衰减核、时间元特征作为输入。这是强基线，通常在中等数据量下就逼近深度模型。若树模型已接近深度模型，说明数据量不足以支撑深度模型——这在 22 人规模下很可能发生，本身就是有价值的结论。

关于深度模型的现实判断：22 人 × 8 周的数据量，参数量超过十万的模型大概率过拟合。若要用深度模型，推荐先在大规模 CGM 数据上预训练、再在本数据上微调，且冻结大部分层。

§8.7 结果报告的必备清单

论文结果部分若使用本数据集，至少报告以下九项，缺一项即可被审稿人质疑不可复现：

1. 使用的 Figshare 版本号与下载日期；
2. 参与者数（含是否有排除）；
3. 每名参与者的记录条数与缺失率；
4. 血糖设备类型与采样间隔；
5. 事件数量（分进餐/运动/压力）；
6. 单位（血糖、剂量）；
7. 验证方案（LOSO 还是时间前向）；
8. 基线结果（至少持久性基线）；
9. 许可声明（是否发布代码、有无发布数据）。

第 9 项常常被漏掉，但在 ND 许可下它恰恰是最重要的一项——读者需要知道你发布的代码能不能配数据跑。

§13.4 常见报错与排查

现象	可能原因	排查动作
血糖值全部在 3-20 之间但均值偏低	单位已是 mmol/L，误按 mg/dL 处理	检查均值：正常人约 5-8 mmol/L 或 90-150 mg/dL
时间索引出现重复	同一时刻多条记录（多设备或多事件）	按设备/事件类型去重，不要盲目 drop_duplicates
心率出现 0 或 250+	设备未佩戴时的占位值	视作缺失，不要当真实值
事件表时间戳全在同一分钟	患者事后批量补记	检查时间分布是否呈整点聚集（§7.6）
跨患者拼接后索引冲突	未按患者分组重建索引	用 (subject_id, ts) 复合索引
模型在测试集上异常好	随机切分导致泄漏	改 LOSO（§8.2 第五步）

§9 坑点清单

坑点 1：许可双口径——论文写 ND，NLM 写 CC BY。
两处均为一手页面，冲突未解。处置：一律按 CC BY-NC-ND 4.0 行事，商用与衍生发布前必须书面联系通讯作者确认。错过这一条的后果不是论文被拒，而是侵权。

坑点 2：不要默认血糖数据是 CGM。
摘要只写 “glucose level monitoring”。MDI 人群因成本考量，很可能混合使用指尖血（SMBG）与 CGM。若按 5 分钟连续序列写代码，而实际是每日数次指尖血，整个特征工程都会失效。第一步必须确认设备类型与采样间隔。

坑点 3：ND 会拦死「清洗后开源」的常规工作流。
很多团队的习惯是「先整理成统一格式再发 GitHub」。在本数据集上这是越界行为。若项目需要发布衍生数据，要么走作者授权，要么只发布代码而不发布数据。

坑点 4：年龄构成未公开，patient_tags 的「成人」是暂定。
署名机构含 Heim Pál 儿童医院与 Šafárik 大学儿科系，队列可能含青少年。若你的模型对年龄敏感，须先核实。

坑点 5：数据上线早于论文在线两个多月。
Figshare 2026-07-10 发布，论文 2026-09-15 在线。2026 年 8 月引用该数据的文献，引用的是 Figshare 版本。核查引用一致性时要留意这一时间差。

坑点 6：卷号页码不可信。
Crossref 无 volume/issue/page；匈牙利 MTMT 记 “Scientific Data 9, 1-14, 2026”。卷号 9 未获 Crossref 印证，正式引用建议写 “Sci Data (2026), doi:10.1038/s41597-026-08271-3”，不写卷页。

坑点 7：作者数 16 与 17 并存。
Crossref 16 人，Figshare 17 人（多 Viktória Ferencz）。引用时以论文正式作者列表为准，但检索时要知道 Figshare 侧多一人。

坑点 8：血糖单位未确认。
mmol/L 与 mg/dL 相差 18 倍。转换错误会让所有阈值（如低血糖 3.9 mmol/L = 70 mg/dL）失效。

坑点 9：把 22 人的结论写成人群结论。
「MDI 患者的血糖变异性高于泵患者」这类比较，用 22 人做不出来。论文中必须写明这是队列内描述，不做人群推断。

坑点 10：夏令时。
8 周随访若跨越 3 月或 10 月的夏令时切换，本地时间戳会出现 1 小时跳变。若数据未统一 UTC，跨切换点的窗口统计会出错。

坑点 11：检索时 “OU” 是高频词。
“Ohio University”、“Open University” 等都缩写 OU。检索时必须用完整串 “OU-DATASET”，或配合 “Chotbaeva”、“Óbuda” 等限定词，否则命中大量无关结果。

坑点 12：Crossref 与 Europe PMC 收录滞后。
2026-10-17 查询 Europe PMC 时该 DOI hitCount=0，说明尚未进入 Europe PMC 索引。此时不能据此判定论文「不存在」，应以 Nature/Crossref 为准。

§10 生态、互链与对照

§10.1 与库内 ShanghaiT1DM & T2DM 的逐项区分

这是本条目最需要写清的一节——两个数据集都叫「糖尿病血糖数据集」，都上 Figshare，都是自由生活条件，极易被混为一谈。

维度	OU-DATASET（本条目）	ShanghaiT1DM & T2DM（rid 1136）
国家/人群	匈牙利（布达佩斯）	中国（上海）
患者数	22	112（T1DM 12 + T2DM 100）
病种	仅 1 型糖尿病	1 型 + 2 型（T1DM 中 10 例为 LADA）
治疗模式	明确 MDI	未限定，含多种降糖方案
血糖设备	未公开	FreeStyle Libre H（15 min 采样）
随访时长	8 周	单次佩戴 3-14 天
饮食记录	自报进餐事件	称重饮食记录（食物重量）
其他模态	心率、步数、压力事件	实验室检查、人口学、用药
许可	CC BY-NC-ND 4.0（严）	CC BY 4.0（宽）
任务重心	MDI 场景的方法验证	跨病种血糖预测与低血糖预警

一句话区分：上海队列是「宽而短」的跨病种快照，本数据集是「窄而长」的 MDI 纵向轨迹。两者互补而非替代——研究中若需要跨病种比较用前者，需要 MDI 纵向深度用后者。

§10.2 库内其他相关条目

条目	rid	关系
insulin4rl	1010	ICU 静脉胰岛素滴定的离线强化学习环境；异场景（住院重症 vs 门诊 MDI），仅「胰岛素决策」这一抽象层相关，不可混用
cerebral-perfusion-diabetes	1022	2 型糖尿病脑灌注影像，与血糖时序无关
cerebral-vasoreg-diabetes	1023	糖尿病脑血管调节，同上
shanghai-t1dm-t2dm-cgm	1136	见 §10.1，最需区分

§10.3 库外生态位

• OhioT1DM：CGM + 泵，T1D 血糖预测的经典基准，是「泵侧」代表。
• HUPA-UCM：马德里 CGM 数据集，同为泵/CGM 场景。
• DiabTrend：CGM 场景的血糖预测竞赛数据。
• UVA/Padova 模拟器：不是真实数据，但常被用来补充小样本真实数据的训练量。

本数据集在这条谱系上的位置：唯一的「MDI + 自由生活 + 多模态」组合。不与它们竞争规模，而是占据它们没有覆盖的治疗模式维度。

§10.4 机构生态

Óbuda University 的人工胰腺组长期做 T1D 控制算法（强化学习、模型预测控制方向）。本数据集是该组从「仿真验证」走向「真实世界数据」的基础设施建设。可以预期后续会有基于此数据集的控制算法论文出现——检索该组的新论文时，留意 “Eigner”、“Kovács”、“Siket” 这几个名字。

§10.5 库内互链的实现建议

本库的互链机制依赖 category_tags 与正文的 rid 引用。对本条目，建议的互链落点如下：

目标条目	互链理由	建议呈现位置
shanghai-t1dm-t2dm-cgm（1136）	同为 T1D 血糖自由生活数据集，人群/病种/治疗/许可四项全异	§10.1 对照表 + 尾注
insulin4rl（1010）	同为胰岛素决策数据，但场景为 ICU 静脉滴定	§10.2 表 + §16.1 组合矩阵
cerebral-perfusion-diabetes（1022）	糖尿病并发症方向，弱相关	§10.2 表（仅列名，不展开）
cerebral-vasoreg-diabetes（1023）	同上	§10.2 表（仅列名，不展开）

互链的颗粒度原则：强相关（同域同任务）写对照表并逐项列差异；弱相关（同域异任务）只列表名与 rid，不写「N 个共同点」式的凑数段落。宁可少链，不可虚链。

§10.6 库外检索的邻域图谱

为方便后续维护者判断「是否已有新条目该收录」，列出本条目周边值得监控的库外数据集：

数据集	采集地	治疗模式	规模量级	与本条目关系
OhioT1DM	美国俄亥俄州立大学	泵 + CGM	数十人 × 8 周	规模与随访时长高度相似，治疗模式相反——最直接的「泵 vs MDI」对照
HUPA-UCM	西班牙马德里	泵/CGM	数十人	同类小队列，侧重血糖预测
DiabTrend	匈牙利（同国！）	CGM	竞赛型	与本条目同国不同队列，值得核实是否存在人群重叠
UVA/Padova	意大利（仿真）	泵	仿真 30 例	非真实数据，但常被用作小样本的补充

其中 DiabTrend 与 OU-DATASET 同属匈牙利，理论上存在参与者重叠的可能。若两数据集的时间窗重合，合并使用时必须排查重复个体——这是跨数据集合并的常规陷阱，在同一个国家的小队列之间尤其需要警惕。

§10.7 分类学落点

若把本条目放进一个「糖尿病数据」的知识树，它的路径是：

代谢与内分泌疾病数据
└── 糖尿病
    ├── 1 型糖尿病（T1D）
    │   ├── 血糖时序
    │   │   ├── CGM 单模态（OhioT1DM 类）
    │   │   ├── CGM + 泵（闭环研究类）
    │   │   └── MDI 多模态（← 本条目）
    │   └── 血糖 + 饮食（上海队列类，跨 T1/T2）
    └── 2 型糖尿病
        ├── 血糖时序
        └── 并发症影像（1022、1023 类）

这条路径的价值在于：它让「本条目为什么特殊」变成结构性的、可检索的，而不是靠一段形容词来说服读者。在 MDI 那个分叉上，目前只有它一个节点——这就是本条目在整个库里的独特位置。

§10.8 互链时的表述纪律

本库多条条目之间容易出现「互相吹捧」式的表述（「本数据集与 X 高度互补，共同构成完整生态」）。本条目主张的纪律是：

1. 差异优先于共性：写互链时先写「哪里不同」，再写「哪里可以组合」。差异是可验证的事实，共性是编辑判断。
2. 不虚构共同点：不得因为两个数据集都属于「糖尿病」，就写出「共同覆盖 T1D 全病程」这类无据表述。
3. 数字不跨条目挪用：本条目中出现的 128,170 个 CGM 点、112 例患者等上海队列数字，仅用于对照展示规模差异，不得作为本数据集的性质描述。
4. 强链三条以内：一篇条目中真正展开对照的库内条目不超过 3 个，其余只列表名与 rid。

§10.9 条目维护触发点

以下事件发生时，本条目需要更新：

触发事件	需更新的章节	优先级
论文正文可获取（Methods / Data Records）	§5 全节、附表 B、坑点 2/4/8	高
Figshare 发布 v2	§6.1 版本链、附表 A	高
Figshare 许可变更为 CC BY	§6.2、§6.3、坑点 1	高
作者提供 GitHub 代码仓库	§13、附表 B	中
出现基于本数据集的后续算法论文	§10.4、§17	中
库内新增同类 MDI 数据集	§10.7 分类树、§10.6 邻域图谱	中
DiabTrend 与本体参与者重叠被证实	§10.6	低

维护时的基本原则：只改有证据的部分，不因为「看起来该更新了」而改动无据内容。若正文仍不可达，「未公开」应当保留，不得因为时间推移就替换成推测值。

§11 DAIMS 评估

DAOIMS（Discoverability / Accessibility / Interoperability / Metadata / Sustainability，可发现性 / 可访问性 / 互操作性 / 元数据 / 可持续性）五维评估：

维度	评分	依据
可发现性（Discoverability）	中	有 DOI、有 Sci Data 论文、被 NLM Dataset Catalog 收录；但名称 “OU-DATASET” 过于泛化，检索歧义大；Europe PMC 尚未索引
可访问性（Accessibility）	中高	Figshare 公开条目，无需申请即可访问；但许可为 ND，实际可做的「再分发」极少
互操作性（Interoperability）	低	无标准 schema（如 OMOP、FHIR、PhysioNet WFDB）；单位、时间戳格式、字段命名均未公开；跨数据集合并成本高
元数据（Metadata）	中	论文摘要、Figshare 描述、NLM 条目三处元数据一致（22 人/8 周/四路模态）；但设备、采样率、字段表缺失
可持续性（Sustainability）	中高	Figshare DOI 带版本号，具备长期引用条件；机构与资助方均为稳定的公共主体；但 Figshare 免费额度政策变化会影响长期可用性

总评：一个「论文元数据合格、技术元数据不足」的数据集。它的可发现性与长期引用性达标，互操作性是最明显的短板——这既是限制，也是使用者的机会（谁先做出标准化的加载器与字段映射，谁就占据生态位，但注意 ND 意味着这个加载器只能发代码不能发数据）。

§12 伦理、隐私与合规

§12.1 去标识化层级

自由生活条件下的纵向采集，隐私风险显著高于单次临床采血，原因是数据里嵌入了行为指纹：

• 心率与步数能反推出作息（几点睡、几点出门）、职业类型（久坐/体力型）；
• 进餐事件能反推出饮食习惯、宗教与节庆（如斋戒期）；
• 血糖波动模式本身具有个体可识别性——有研究表明连续血糖轨迹可作为准生物特征。

论文摘要未说明去标识化方式（是否移除日期、是否做时间抖动、是否聚合到日级）。在拿到数据说明文档前，使用者不应假设已做充分的去标识化处理。

§12.2 二次使用的伦理边界

即便许可允许，二次使用仍需自问三问：

1. 是否可能重识别：把本数据与公开的匈牙利糖尿病队列或社交媒体数据交叉比对，是否有重识别风险？22 人规模下，结合机构信息（就诊于 North-Buda Saint John 医院、时间段 8 周），重识别门槛并不高。
2. 是否用于个体化临床决策：把在该数据上训练的模型直接用于给患者建议剂量，属于医疗器械监管范畴，不是「研究使用」能覆盖的。
3. 是否用于商业产品：NC 条款明确排除商业性使用。即便 NLM 侧写的是 CC BY 4.0，按严者原则也应回避商业路径。

§12.3 与中国数据合规的交叉

若研究者在中国境内使用该数据集：

• 数据出境问题：本数据集本身从境外获取，属于「数据入境」，一般不受数据出境安全评估约束；
• 但若后续把基于该数据训练的模型与配套的中国患者数据合并，再对外提供，则触发出境评估；
• 遗传资源层面：血糖与行为数据不属于人类遗传资源材料，一般不适用《人类遗传资源管理条例》，但若涉及基因数据合并则另议。

结论：合规路径清晰度中等，主要风险点在「衍生数据的再发布」与「商业使用」两处，均与 ND/NC 条款直接相关。

§13 复现指南

§13.1 三十分钟上手清单

1. 打开 https://figshare.com/articles/dataset/OU-DATASET/30455546 ，先读许可栏，把当前显示的许可截图存档（因为存在双口径，存档是你日后自证的唯一凭据）。
2. 下载数据包，记录 DOI 版本号（v1）与下载日期。
3. 清点文件：确认每个参与者对应哪些文件、有没有数据字典/README。
4. 抽取一名参与者的全部四路数据，画出时间轴叠加图——这是发现对齐问题最快的方式。
5. 统计每路模态的缺失率与记录密度。
6. 再决定任务，不要先定模型后找数据。

§13.2 最小可复现脚本骨架

# 仅为结构示意：字段名以实际数据包为准，勿照抄字段名
import pandas as pd

# 1) 载入并统一时钟
glucose = pd.read_csv("participant_01_glucose.csv", parse_dates=["timestamp"])
insulin = pd.read_csv("participant_01_insulin.csv", parse_dates=["timestamp"])
activity = pd.read_csv("participant_01_activity.csv", parse_dates=["timestamp"])
events = pd.read_csv("participant_01_events.csv", parse_dates=["timestamp"])

for df in (glucose, insulin, activity, events):
    df["timestamp"] = df["timestamp"].dt.tz_localize("UTC")  # 若原始为本地时间，先确认夏令时

# 2) 保留原始轴，不插值；生成掩码
glucose["observed"] = True
full_index = pd.date_range(glucose["timestamp"].min(), glucose["timestamp"].max(),
                           freq="5min", tz="UTC")   # 频率须以实际采样间隔替换
frame = pd.DataFrame(index=full_index)
frame["glucose"] = glucose.set_index("timestamp")["glucose"].reindex(full_index)
frame["glucose_observed"] = frame["glucose"].notna()

# 3) 事件衰减核（示例：进餐后 3 小时指数衰减）
import numpy as np
def decay_kernel(events, horizon_h=3, tau_h=1.0):
    k = np.zeros(len(frame))
    for t in events["timestamp"]:
        dt = (frame.index - t).total_seconds() / 3600
        mask = (dt >= 0) & (dt <= horizon_h)
        k[mask] += np.exp(-dt[mask] / tau_h)
    return k

frame["meal_kernel"] = decay_kernel(events[events["type"] == "meal"])

§13.3 复现时的五个检查点

检查点	通过标准	不通过怎么办
采样间隔	相邻时间戳差值的众数稳定	众数不稳 → 确认是否为事件驱动记录
单位	血糖值落在 3-20 mmol/L 或 54-360 mg/dL	落在另一区间 → 单位搞反
时区	跨夏令时点无 1 小时跳变	有跳变 → 统一转 UTC 后重建索引
缺失结构	缺失段与设备摘除/未记录时段吻合	不吻合 → 追问作者缺失标记规则
事件计数	每人每日事件数在合理区间	数量异常 → 检查是否重复记录/时间戳错误

§13.5 与公开工具链的对接

本条目不推荐特定框架，但给出对接要点：

• 时间序列库：多数库要求等间隔索引，本数据集需先重采样到统一网格并保留掩码列，再把掩码作为额外输入通道；
• 表格库：事件表可直接作为长表处理，但要注意同一患者的多条事件在聚合时的顺序；
• 可穿戴数据工具：心率与步数往往以不同频率记录，需分别重采样后合并，不要假设同一设备同一采样率。

一条通用原则：先对齐到最粗的公共频率，再在模型内部用掩码恢复分辨率。反过来（先对齐到最细频率再降采样）会把高频噪声灌进低频通道。

§13.6 复现报告的存档建议

研究结束后，建议存档四样东西（都不涉及数据再分发，因此不触发 ND）：

1. 代码仓库（MIT 或 Apache 许可，不含数据）；
2. 预处理配置（YAML/JSON，记录每个参数）；
3. 结果表与图（可公开的统计摘要）；
4. 数据获取脚本（只写「从 Figshare 下载」的步骤说明，不含数据本体）。

第四项是关键：可复现性不等于数据可再分发。提供获取路径说明，比打包数据更符合 ND 的要求，也更符合数据治理的最佳实践。

§14 术语表

缩写/术语	全称	中文
T1D / T1DM	Type 1 Diabetes Mellitus	1 型糖尿病
T2DM	Type 2 Diabetes Mellitus	2 型糖尿病
MDI	Multiple Daily Injection	多次每日注射
CSII	Continuous Subcutaneous Insulin Infusion	持续皮下胰岛素输注（胰岛素泵）
CGM	Continuous Glucose Monitoring	连续血糖监测
SMBG	Self-Monitoring of Blood Glucose	自我血糖监测（指尖血）
HCL	Hybrid Closed-Loop	混合闭环（人工胰腺）
TIR / TBR / TAR	Time in / Below / Above Range	目标范围内/低于/高于时间占比
CV	Coefficient of Variation	变异系数
MAGE	Mean Amplitude of Glycemic Excursions	平均血糖波动幅度
EMA	Ecological Momentary Assessment	生态瞬时评估
LOSO	Leave-One-Subject-Out	留一受试者交叉验证
MAR	Missing At Random	随机缺失
HbA1c	Glycated Hemoglobin	糖化血红蛋白
NC / ND	NonCommercial / NoDerivatives	非商业性使用 / 禁止演绎
DAIMS	Discoverability, Accessibility, Interoperability, Metadata, Sustainability	数据资产五维评估
LADA	Latent Autoimmune Diabetes in Adults	成人隐匿性自身免疫糖尿病

§15 常见误解与澄清

误解一：「22 人太少，不值得用。」
不对。样本量与任务匹配度比绝对值重要。做纵向个体内建模，22 人 × 8 周的数据点总量可能有十万级；做人群推断，22 万人也不一定代表得了特定亚群。问题是「你问的问题需不需要代表性」。

误解二：「MDI 就是不打泵，跟泵数据差不多。」
不对。两者的胰岛素吸收动力学、输入可观测性、闭环可行性都不同（§4.2 表）。把两者混训而不加治疗模式协变量，模型会学到「设备」而非「生理」。

误解三：「CC BY-NC-ND 里的 ND 只是不能改数据内容。」
不全面。ND 禁止分享改编材料，「改编」的范围比「改内容」宽——重新格式化、合并、重新标注、基于原数据生成合成数据，都可能落入其中。只有原样分享才安全。

误解四：「Figshare 上能下载就等于可以随便用。」
两者无关。可下载是访问权限问题，许可是使用权利问题。ND/NC 恰恰是在「能下载」的前提下限制你能做什么。

误解五：「论文发在 Scientific Data，数据一定高质量。」
Sci Data 做数据审查，但审查重点是可复现性与文档完备性，不是数据本身的临床质量。22 人的自报数据，临床质量上限由采集设计决定，不由期刊决定。

误解六：「压力和血糖的关系可以用这个数据做强因果推断。」
不行。压力是自报的主观变量，无客观生理指标（如皮质醇）校准；且 8 周内的压力事件与血糖变化存在大量混杂（睡眠、饮食、用药依从性）。只能做关联分析与效应量估计，不能做因果识别。

误解七：「把四路模态拼成一张宽表就完事了。」
拼宽表会丢掉缺失结构。正确做法是保留「观测/未观测」的两值状态，让模型自己学习缺失模式（§5.4、§13.2）。

误解八：「这个数据集的许可和上海那个一样，都是 CC BY。」
不一样。上海是 CC BY 4.0，本条按严者是 CC BY-NC-ND 4.0。同一个 Figshare 平台，许可可以完全不同。

§16 与本库其他条目的组合用法

§16.1 组合矩阵

组合	用途	注意事项
OU-DATASET + ShanghaiT1DM/T2DM	跨人群、跨病种的血糖预测迁移学习	许可不同（ND vs BY），合并后不能发布合并数据集，只能在本地训练
OU-DATASET + OhioT1DM	泵 vs MDI 的域适应研究	治疗模式是显式协变量，不能隐式混训
OU-DATASET + insulin4rl（rid 1010）	从真实世界血糖轨迹抽取状态分布，喂给强化学习环境	insulin4rl 是 ICU 静脉场景，仅「状态空间设计」层面可借鉴
OU-DATASET 单用	MDI 场景方法验证、四路模态融合	最适合的用法

§16.2 组合时的三条红线

1. 不发布合并后的数据——ND 条款在合并场景下必然被触发。
2. 不跨数据集比较绝对误差——不同设备的测量误差不同，RMSE 直接比较无意义；应比较相对改进。
3. 显式声明治疗模式——任何混合训练的实验，结果表里必须有「治疗模式」一列，否则读者无法判断结论来源。

§17 未来演进预判

§17.1 数据集侧

• 扩容：作者团队若延续该项目，最可能的扩展方向是增加参与者数量与延长随访（8 周已能覆盖一个月经周期或季节变化的一小段，更长随访能看到季节性血糖变化）。
• 版本更新：DOI 带 .v1，若发布 v2（如补充数据字典、修正时间戳），引用时必须更新版本号。
• 协议复用：四路模态的采集协议本身是资产，可能被其他匈牙利临床中心复用。

§17.2 方法侧

• MDI 专用模型：现有的血糖预测模型几乎都在泵数据上调参，MDI 的缺失结构与给药动力学会催生专门的模型架构。
• 小样本 + 迁移：22 人规模的现实约束下，「预训练于大 CGM 队列 + 微调于 MDI 小队列」会是最主流的技术路线。
• 自报数据的质量建模：把「是否记录」本身当作信号的建模思路，会从这个小数据集开始被更多人重视。

§17.3 生态侧

• 许可趋势：Nature Portfolio 的 Data Descriptor 对数据集许可没有统一要求，ND 条款在数据集中并不常见（多数是 CC BY 或 CC0）。本数据集选择 ND 可能出于对参与者再识别风险的顾虑——这意味着未来若作者提供「申请制」的宽许可版本，会显著提升其可用性。
• 互操作标准化：血糖数据的 FHIR/OMOP 映射正在推进，本数据集若被纳入标准化工作，互操作性短板会被补齐。

§18 结论

OU-DATASET 的价值不在规模，而在位置。它站在一个被主流数据采集逻辑跳过的位置上：MDI 治疗、自由生活、真实世界、四路模态齐全。这个位置的稀缺性，使得 22 人 × 8 周的数据虽然无法支撑人群推断，却足以支撑「MDI 场景能不能做」这个前置问题的回答。

它有四个必须明说的边界：样本小，限制统计功效；自报事件，带来回忆偏倚与依从性衰减；元数据不全，设备、采样间隔、字段表在公开层面缺失；许可含 ND，派生数据集不能发布。前三条是数据质量问题，可以通过谨慎的实验设计与向作者索取补充材料缓解；第四条是法律问题，没有缓解手段，只能绕行或取得授权。

使用它的正确姿势是：先问许可，再问任务，最后问模型。顺序颠倒的团队，会在投稿前发现辛苦整理的 benchmark 包不能开源，或者发现代码按 CGM 写了而数据其实是指尖血。

附表 A：已确证事实与来源对照

事实	值	来源
参与者数	22	论文摘要 / Figshare / NLM 三源一致
随访时长	8 周	同上
治疗模式	MDI	同上
生活条件	free-living	论文标题与摘要
模态	血糖、注射、心率步数、自报餐/运动/压力	同上
论文 DOI	10.1038/s41597-026-08271-3	Crossref
收稿/接收/在线	2026-01-16 / 2026-09-03 / 2026-09-15	Crossref article-history
论文许可	CC BY-NC-ND 4.0	Crossref license 数组 + Springer 版权声明
数据集 DOI	10.6084/m9.figshare.30455546.v1	NLM Dataset Catalog
数据集发布日	2026-07-10 14:23	Figshare 条目页
作者数	16（Crossref）/ 17（Figshare）	两处一手
资助编号	TKP2021-NKTA-36、FK-142904	论文 + Figshare
第一作者单位	Óbuda University 人工胰腺组	论文首页脚注
通讯作者	Chotbaeva / Siket / Eigner	论文首页脚注

附表 B：未公开字段清单

字段	状态	建议获取方式
采集日历区间	未公开	邮件通讯作者
血糖设备型号与类型	未公开	数据包内 README 或邮件
采样间隔	未公开	同上
活动追踪器品牌	未公开	同上
注射记录字段（是否含剂量、胰岛素类型）	未公开	同上
事件字典（是否含碳水量、运动类型、压力量表）	未公开	同上
文件数、总体积、格式	未公开	实测下载
患者临床特征表	未公开	论文正文 Methods
年龄分布	未公开	论文正文
去标识化方式	未公开	数据使用说明
缺失标记规则	未公开	数据包内文档
代码仓库	未公开	邮件询问

附表 C：检索路径示范

目标	推荐查询式	预期命中
本体论文	“OU-DATASET” AND “Multiple Daily Injection”	Sci Data 2026
数据集仓库	site:figshare.com OU-DATASET	30455546
机构背景	Óbuda University “Artificial Pancreas” Eigner	团队主页与后续论文
同类对照	“OhioT1DM” OR “HUPA-UCM” + glucose forecasting	泵类数据集
库内对照	本库 shanghai-t1dm-t2dm-cgm	rid 1136
反例（勿用）	“OU dataset” 单独检索	大量无关命中（坑点 11）

尾注

本条目为 AI-Ready Wikipedia 数据集条目，生产于 2026-10-17。事实陈述以论文 DOI 元数据（Crossref）、Figshare 条目页、NLM Dataset Catalog 与论文摘要为源。正文内容（Methods / Data Records / Usage Notes）在本次抓取条件下不可达，凡属该部分的事实一律记为「未公开」，不做推测与套用。许可双口径（CC BY-NC-ND 4.0 vs CC BY 4.0）已在坑点 1 与 §6.2 并列存照，并按更严者成稿。条目与库内 shanghai-t1dm-t2dm-cgm（rid 1136）构成 T1D 血糖数据的「跨病种短时快照 vs MDI 纵向轨迹」对照面。后续维护触发点：论文正文可获取、Figshare 发布 v2、作者提供代码仓库或宽许可版本。

§18.1 三句话给出使用建议

如果你的目标是「做出一个在真实世界可用的血糖预测模型」：本数据集适合做 MDI 场景的可行性验证与域适应实验，不适合做最终训练集的唯一来源。建议路线：大 CGM 语料预训练 → 本数据集微调 → 外部 MDI 数据验证。

如果你的目标是「发表一篇数据集方法学论文」：本数据集适合做多模态对齐方法、自报事件质量建模、小样本个体化建模三类方法学研究。它的小样本恰好是这类研究的论证前提，而非缺陷。

如果你的目标是「构建可公开分发的 benchmark」：本数据集不适合。ND 条款使任何派生数据包的发布都需另行授权（§6.3）。这是选型阶段就应排除的组合，而非后期可以补救的问题。

§18.2 对本库读者的三条提醒

1. 不要用本条目替代论文。本条目在「正文级事实」（字段、设备、采样率、采集日期）上存在系统性缺口，引用具体数字时必须回溯原文或数据包。
2. 不要把「小样本」当作拒绝理由，也不要把「MDI 空白」当作过度乐观的理由。两者都需要落到具体任务上判断（§8.1 的任务可行性表）。
3. 许可先于一切。本库收录的数据集许可跨度很大，从 CC0 到 CC BY-NC-ND 都有。把许可当作选型的第一个筛选条件，比把它当作最后一道检查更省时间。

附表 D：一页纸事实卡（供快速引用）

项	值	置信度
数据集名	OU-DATASET	高（三源一致）
参与者	22 名 T1D	高（三源一致）
随访	8 周	高（三源一致）
治疗	MDI	高（论文标题+摘要+仓库描述）
场景	自由生活	高（论文标题）
模态	血糖 / 注射 / 心率步数 / 自报餐·运动·压力	高（摘要+仓库描述）
国家	匈牙利	高（机构署名）
主机构	Óbuda University	高（论文脚注）
论文 DOI	10.1038/s41597-026-08271-3	高（Crossref）
论文时间	收稿 2026-01-16 / 接收 2026-09-03 / 在线 2026-09-15	高（Crossref article-history）
数据 DOI	10.6084/m9.figshare.30455546.v1	高（NLM 转载）
数据发布日	2026-07-10	高（Figshare 页）
许可	CC BY-NC-ND 4.0（论文侧）/ CC BY 4.0（NLM 转述）	中（双口径冲突）
设备类型	血糖设备类型未明	无（未公开）
采样间隔	未公开	无
记录条数	未公开	无
采集起止日期	未公开	无
年龄分布	未公开	无
代码仓库	未公开	无

使用说明：置信度「高」表示至少两处一手来源互证；「中」表示存在冲突或仅一处来源；「无」表示公开层面完全无据。任何写作、引用、模型设计，都应先看这一列。

附表 E：与相邻数据集的选型决策树

开始
│
├─ 需要「是否有人自报的进餐/运动/压力」？ ──否──→ 选纯 CGM 数据集（如上海队列）
│                                          │
│                                          是
│                                          ↓
├─ 需要「治疗模式是 MDI」必须成立？ ──────否──→ 可在泵类数据集上做（OhioT1DM 等）
│                                          │
│                                          是
│                                          ↓
├─ 需要「发布派生数据集 / benchmark 包」？ ──是──→ **停**：ND 限制，需先取得作者授权
│                                          │
│                                          否
│                                          ↓
└─ 需要「纵向深度 ≥ 4 周」？ ─────────────是──→ 采用 OU-DATASET（22 人 × 8 周）
                                           │
                                           否
                                           ↓
                                     上海队列（单次 3-14 天）或更短期的院内数据

这棵树的三个分支对应本条目反复强调的三条边界：MDI 场景稀缺、纵向深度是它的强项、ND 是它的硬门槛。按树走一遍，选型结论通常在五分钟内得出，比逐篇读论文快得多。

附表 F：术语的英文原文对照（供英文学术写作）

中文	英文原文（建议在英文论文中使用）
多次每日注射	multiple daily injection (MDI)
持续皮下胰岛素输注	continuous subcutaneous insulin infusion (CSII)
连续血糖监测	continuous glucose monitoring (CGM)
自我血糖监测	self-monitoring of blood glucose (SMBG)
混合闭环	hybrid closed-loop (HCL)
自由生活条件	free-living conditions
自报生活事件	self-reported lifestyle events
生态瞬时评估	ecological momentary assessment (EMA)
血糖变异性	glycemic variability
目标范围内时间	time in range (TIR)
平均血糖波动幅度	mean amplitude of glycemic excursions (MAGE)
回忆偏倚	recall bias
依从性衰减	compliance decay
留一受试者交叉验证	leave-one-subject-out (LOSO)
禁止演绎	no derivatives (ND)
非商业性使用	non-commercial (NC)

英文写作时的两个提醒：一是 “MDI” 首次出现必须展开全称，缩写在中英文里都不能裸用；二是 “free-living” 常被误写成 “free living”（无连字符），在数据描述类论文里连字符是惯例。

---

相关数据集导航

以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：

• d1namo — 共享标签：生理信号 / 可穿戴传感 / 时序数据 / 真实世界数据 / 多模态
• shanghai-t1dm-t2dm-cgm — 共享标签：生理信号 / 可穿戴传感 / 时序数据 / 真实世界数据
• wearable-exam-stress — 共享标签：生理信号 / 可穿戴传感 / 时序数据 / 多模态
• live-gaitneurokids — 共享标签：生理信号 / 可穿戴传感 / 时序数据 / 多模态
• wesad — 共享标签：生理信号 / 可穿戴传感 / 多模态
• perg-ioba-dataset — 共享标签：生理信号 / 时序数据 / 真实世界数据
• mhealth — 共享标签：生理信号 / 可穿戴传感 / 时序数据
• uci-har — 共享标签：生理信号 / 可穿戴传感 / 时序数据
• ephnogram — 共享标签：生理信号 / 可穿戴传感 / 多模态
• body-sway-music-vr — 共享标签：生理信号 / 可穿戴传感 / 多模态

导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。