基于光电容积脉搏波信号与机器学习进行血糖估计的探索性研究
糖尿病和极端血糖水平是当今世界人类面临的一些主要健康问题。虽然连续血糖监测（CGM）已成为管理糖尿病以及监测血糖水平的有效技术，但该技术传统上是有创的（即需要刺破皮肤），并存在刺激、硬结等风险
基本信息
资源简介
基于光电容积脉搏波信号与机器学习进行血糖估计的探索性研究
糖尿病和极端血糖水平是当今世界人类面临的一些主要健康问题。连续血糖监测（CGM）已成为管理糖尿病以及监测血糖水平的有效技术，但该技术传统上是有创的，即需要刺破皮肤，并存在刺激、硬结等风险。这凸显了对可大规模部署的准确、无创CGM方法的需求。随着各种传感技术的出现及其在智能手表等可穿戴设备中的集成，人们现在能够以无创方式持续监测光电容积脉搏波（PPG）等身体信号。本数据集围绕利用机器学习从光电容积脉搏波信号估计血糖这一探索性研究展开，属于内分泌、营养和代谢疾病／糖尿病分类，来源于doi.org，由Bhatia, Ruhani与Ekbote, Vijval完成，机构为Zenodo，发布时间为2026年，采用Creative Commons Attribution 4.0 International许可。
【数据集背景】
糖尿病和极端血糖水平是当今世界人类面临的一些主要健康问题。连续血糖监测（CGM）已成为管理糖尿病以及监测血糖水平的有效技术，但该技术传统上是有创的，即需要刺破皮肤，并存在刺激、硬结等风险。这凸显了对可大规模部署的准确、无创CGM方法的需求。随着各种传感技术的出现及其在智能手表等可穿戴设备中的集成，人们现在能够以无创方式持续监测光电容积脉搏波（PPG）等身体信号。能够通过CGM持续监测血糖，并通过智能手表持续监测PPG信号，为相关研究提供了机会。本数据集即针对从光电容积脉搏波信号利用机器学习估计血糖这一方向进行探索性研究。
【数据内容】
源站未提供。
【采集与来源】
数据集英文名为“An Exploratory Study of Blood Glucose Estimation from Photoplethysmography Signals using Machine Learning”，来源站为doi.org，作者为Bhatia, Ruhani与Ekbote, Vijval，机构为Zenodo，发布时间为2026年。其余采集方式、样本规模、信号记录条件等信息源站未提供。
【适用场景】
该数据集所属分类为内分泌、营养和代谢疾病／糖尿病，其研究主题涉及利用机器学习从光电容积脉搏波信号估计血糖。结合背景信息，该方向面向无创连续血糖监测的需求，可应用于探索以可穿戴设备持续采集的PPG信号为基础进行血糖估计的研究场景。具体适用任务、模型类型与部署条件源站未提供。
【使用方法】
源站未提供。
【质量与限制】
源站未提供。
【引用与许可】
该数据集采用Creative Commons Attribution 4.0 International许可。作者为Bhatia, Ruhani与Ekbote, Vijval，机构为Zenodo，发布时间为2026年，来源站为doi.org。其余引用格式与使用限制信息源站未提供。
下载信息
注册下载
需要注册 Kaggle 账号并登录后下载，适合需要跟踪下载记录和使用 API 的用户。
暂未开放公开下载
无需注册即可直接获取公开样本或文档，适合快速预览和评估数据集质量。
免登录有偿下载
公开数据集受托下载与技术交付服务。
提供高速下载与技术交付服务（收技术服务费，非数据销售）
暂未开放当前数据集主要来源为 Kaggle 公开托管，完整影像包建议通过原始链接或 Kaggle API 获取。
使用方式
数据集获取
源站：https://doi.org/10.5281/zenodo.20691830
标准获取流程：
- 访问源站链接，注册/登录账号；
- 进入数据集详情页，按页面指引申请权限或直接下载；
- 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。
- OpenDataLab:
数据集大小约 3.50 GB。
数据说明
糖尿病和极端血糖水平是当今全球人类面临的一些主要健康问题。虽然连续血糖监测（CGM）已成为管理糖尿病和监测血糖水平的有效技术，但这项技术传统上是有创的（即需要刺破皮肤），并存在刺激、硬结等风险。这凸显了对可大规模部署的准确、无创CGM方法的需求。随着各种传感技术的出现及其在智能手表等可穿戴设备中的集成，我们现在能够以无创方式持续监测光电容积脉搏波（PPG）等身体信号。能够通过CGM持续监测血糖，并通过智能手表持续监测PPG信号，为获取这两者的密集数据提供了机会，从而为构建基于机器学习和深度学习的模型以从PPG信号估计血糖水平开辟了可能性。
在这项工作中，我们首先介绍了一个配对数据集，该数据集包含来自智能手表的连续PPG信号以及使用CGM设备记录的葡萄糖值。我们还展示了基于我们的数据集进行的一些初步实验探索的结果。这些初步结果表明，预测血糖水平达到合理精度或许是可行的，但仍需从更多个体获取更多数据进行更深入的探索。
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。
数据缺失？
依托陕西、四川两大基地，我们与超过十家三甲医院建立直接合作关系，覆盖合规授权、采集治理、专业标注、数据交付的全流程，为AI医疗团队提供即拿即用的高质量临床数据。
⚡️ 需要数据支持或标注服务？立即联系我们获取专业方案。
