妊娠期糖尿病早期预测时序数据集
该数据集面向妊娠期糖尿病的早期预测，基于 Kaggle 公开 GDM 数据构建，以保证透明性与可复现性。原始数据经清洗后使用 SMOTE 处理类别不平衡，得到平衡的静态数据集，再通过生理学引导的增强方法扩展为按周划分的时序序列
基本信息
资源简介
妊娠期糖尿病早期预测时序数据集
Temporal Dataset for Early Prediction of Gestational Diabetes Mellitus
该数据集面向妊娠期糖尿病的早期预测，基于 Kaggle 公开 GDM 数据构建，以保证透明性与可复现性。原始数据经清洗后使用 SMOTE 处理类别不平衡，得到平衡的静态数据集，再通过生理学引导的增强方法扩展为按周划分的时序序列。数据覆盖孕期第 8 至 28 周的生理轨迹，可用于开发与验证 GDM 早期预测模型（来源 figshare，CC BY 4.0 许可）。
【数据集背景】
源站首次发布：2026-09-17。
【数据内容】
源站描述（机器翻译，仅供参考）：该数据集旨在支持妊娠期糖尿病（GDM）的稳健早期预测。由于难以获取大型临床队列，采用了一个来自 Kaggle 的公开 GDM 数据集，以确保透明性和可复现性。原始数据经过清洗，并使用 SMOTE 处理类别不平衡。随后，通过生理学引导的增强方法，将得到的平衡静态数据集扩展为按周划分的时序序列。这些生理轨迹经过验证，与已确立的母体生理趋势一致，构成了后续模型开发的基础。
【数据结构与技术规格】
文件数 4 个，合计 2.35 MB。数据集 DOI：10.6084/m9.figshare.30995215.v2。
【主题与分类】
源站学科分类：Computational physiology、Neural engineering。主题标签：Gestational Diabetes Mellitus、GDM。本站分类：内分泌、营养和代谢疾病/糖尿病。
【适用方向】
源站学科分类标注为 Computational physiology、Neural engineering。
【获取与许可】
源站页面：https://figshare.com/articles/dataset/_b_Synthetic_Temporal_Dataset_for_Early_Prediction_of_Gestational_Diabetes_Mellitus_b_/30995215
使用许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）。
规范引用：K, Sridharan (2026). Temporal Dataset for Early Prediction of Gestational Diabetes Mellitus. figshare. Dataset
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/10.6084/m9.figshare.30995215
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 2.3 MB。
数据说明
本数据集旨在支持对妊娠期糖尿病（GDM）进行稳健的早期预测。由于难以获取大型临床队列数据，我们采用了Kaggle上公开可用的GDM数据集，以确保透明性和可重复性。对原始数据进行了清洗，并使用SMOTE方法解决了类别不平衡问题。随后，通过一种生理学指导的增强方法，将得到的平衡静态数据集扩展为按周划分的时间序列。这些生理轨迹经过验证，与已确立的母体生理趋势相符，为后续模型开发奠定了基础。
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。
