PhysioCGM再评估：泄漏控制的数据划分、预测、结果与基于AI的无创低血糖检测代码

数据集获取

源站：https://doi.org/10.5281/zenodo.23042241

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 32.6 MB。

数据说明

用于以下研究的数据与代码：Abu Owida, H.; Alsarhan, A.; Olamat, A.; Banat, M.; Ozel, P. 基于多模态可穿戴信号的人工智能无创低血糖检测（稿件已投稿至 Computers, 2026）。本研究在四种评估协议下重新评估了已发表的 PhysioCGM 数据集多模态深度学习流程（ECG、PPG 和 EDA 网络及晚期融合；Quamer 等，Sci. Data 2025）：原始随机五折片段划分、带独立验证集的随机折、按天分块折（未见天数，60 分钟间隔）以及留一参与者法（未见参与者）。研究新增了泄漏基线（绝对记录时间、一天中的时间、生理汇总特征、最近邻）、邻近性分析、预先指定的基于特征的检测器、稳健性分析（未拟合融合、固定轮数训练、在未见天数协议下使用不同随机种子的三次训练运行、葡萄糖纳入范围）以及在 D1NAMO 数据集上的外部检验，包括在全部八名 PhysioCGM 参与者上训练的 ECG 模型的得分。内容。

(1) 各方案下每5分钟片段的训练、验证与测试分配；(2) 每个模型与每次运行的片段级测试预测及每折指标，包括修订运行（revision/文件夹）；(3) 统计结果及所有图表和表格的源数据；(4) 分析代码（MIT许可证），包括对公开PhysioCGM实现（github.com/PSI-TAMU/PhysioCGM，提交6940f1d）的补丁，以及新方案与分析的脚本。README给出了运行顺序和软件版本。源数据。PhysioCGM（doi:10.6084/m9.figshare.28136294.v1，CC0 1.0）和D1NAMO（doi:10.5281/zenodo.5651217，CC BY-SA 4.0）。原始数据不再分发。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。