合成连续血糖监测(CGM)信号数据集
基于CGAN合成的40,000个CGM日信号，模拟1型糖尿病患者和健康个体的血糖变化，按HbA1c水平分为四类。
基本信息
资源简介
合成连续血糖监测(CGM)信号数据集
【一句话概览】
本数据集是 Mendeley Data 公开的时序数据集，收录 1 个文件、合计 194.68 MB，可用于疾病进展预测与生理信号时序建模。
【数据集背景】
本数据集源站标题为《Synthetic Continuous Glucose Monitoring (CGM) Signals》。源站首次发布：2021-08-20。
【数据内容】
源站原始描述：Based on a trained Conditional Generative Adversarial Network (CGAN), the dataset contains 40,000 CGM days with a sampling frequency 288/day, equivalent to 940,000 hours of synthetic CGM. The dataset contains both signal resembling people with type 1 diabetes and healthy individuals. Profiles are categorized into four groups resembling different HbA1c levels: (1) below 6.5% (healthy without diabetes), (2) between 6.5% to <7%, (3) between 7% to <8% and (4) above 8%. Reference: Cichosz SL, Xylande…
中文译文（机器翻译，仅供快速理解，请以原文为准）：基于训练好的条件生成对抗网络（CGAN），该数据集包含40,000个CGM日，采样频率为288/日，相当于940,000小时的合成CGM。该数据集包含既类似1型糖尿病患者又类似健康个体的信号。这些曲线被分为四组，分别类似不同的HbA1c水平：（1）低于6.5%（无糖尿病的健康人），（2）6.5%至<7%，（3）7%至<8%，以及（4）高于8%。参考文献：Cichosz SL, Xylander AAP. A Conditional Generative Adversarial Network for Synthesis of Continuous Glucose Monitoring Signals. J Diabetes Sci Technol. 2021 May 30:19322968211014255. doi: 10.1177/19322968211014255. Epub ahead of print. PMID: 34056935
【数据结构与技术规格】
文件数 1 个，合计 194.68 MB。数据集 DOI：10.17632/chd8hx65r4.2。
【适用方向】
时序数据适用于疾病进展预测、生理信号监测与事件发生的时序建模。
【获取与许可】
源站页面：https://data.mendeley.com/datasets/chd8hx65r4
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://data.mendeley.com/datasets/chd8hx65r4
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:
数据加载示例（表格/文本类）
import pandas as pd, glob, os
files = (glob.glob(os.path.join(path, "**", "*.csv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.tsv"), recursive=True)
+ glob.glob(os.path.join(path, "**", "*.xlsx"), recursive=True))
print("数据文件:", files)
df = pd.read_csv(files[0])
print(df.shape); print(df.columns.tolist()); print(df.head(3))
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。
