新生儿健康监测数据集

关于数据集

📌 简介

该数据集是对新生儿健康监测的 合成但逼真的模拟
。 它专为医疗保健分析、机器学习和应用程序开发而设计，尤其适用于新生儿健康风险的早期检测。

该数据集模拟了新生儿的日常健康记录，包括生命体征、生长参数、喂养模式和风险分类标签。

🎯 动机

新生儿健康是医疗保健领域最敏感的领域之一。
监测新生儿有助于及早 发现黄疸、感染、脱水和呼吸系统疾病
。 由于真实的新生儿数据是私密的且难以访问，该数据集为研究人员、学生和开发者提供了一个安全且实用的替代方案，可用于构建和测试：

• 📊探索性数据分析（EDA）
• 🤖机器学习分类模型
• 📱医疗保健监测应用程序（Streamlit、Flask、Django 等）

– 🏥预测医疗保健系统

数据集概述

• 婴儿总数：100
• 监测期：每个婴儿30天
• 总记录数：3,000
• 文件格式：CSV

–合成数据：使用 Python ( pandas, numpy, faker) 按照医学规则 生成

📑 列描述

🔹 人口统计

• baby_id → 每个婴儿的唯一标识符（例如B001）。
• 名字→随机生成的婴儿名字（为了真实）。
• 性别→男/女。
• gestational_age_weeks → 出生时的孕周（正常：37-42 周）。
• birth_weight_kg → 出生体重（正常范围：2.5–4.5 公斤）。
• birth_length_cm → 出生时的长度（平均：48-52 厘米）。
• birth_head_circumference_cm → 出生时的头围（平均：33-35 厘米）。

🔹 每日监控

• 日期→ 监测日期。
• age_days → 婴儿出生以来的年龄（天数）。
• weight_kg → 每日更新体重（增长趋势~25-30克/天）。
• length_cm → 每日更新身体长度（缓慢增加）。
• head_circumference_cm → 每日更新头围。
• temperature_c → 体温（°C）（正常：36.5–37.5°C）。
• heart_rate_bpm → 心率（正常：120–160 bpm）。
• breathing_rate_bpm → 呼吸频率（正常：30-60 次/分钟）。
• 氧饱和度→SpO₂ 水平（正常值 >95%）。

🔹 喂食和补水

• feeding_type → 母乳喂养 / 配方奶粉喂养 / 混合喂养。
• feeding_frequency_per_day → 每天喂食次数（正常：8-12）。
• urine_output_count → 每天湿尿布的数量（正常：6-8+）。
• stool_count → 每天排便次数（通常为 0-5）。

🔹 医疗检查

• jaundice_level_mg_dl → 胆红素水平（正常<5，轻度5-12，重度>15）。
• apgar_score → 出生时分数为 0-10（仅第 1 天）。
• immunizations_done → 是/否（第 1 天和第 30 天接种 BCG、HepB、OPV）。
• reflexes_normal → 新生儿反射检查（是/否）。

🔹风险分类

• risk_level → 自动分配的健康状态：
• ✅ 健康 → 所有生命体征正常。
• ⚠️ 有风险 → 轻度异常（例如轻度黄疸、轻微发烧、SpO₂ 92–95%）。

– 🚨 严重→严重异常（例如，黄疸>15，SpO₂<92，HR>180，体温>39°C）。

📊 数据是如何生成的

数据集是在Python中使用以下方式生成的：

• numpy并pandas用于数据模拟。
• faker用于生成婴儿的名字和日期。

-针对生命体征、生长、黄疸进展和风险分类的 医学上现实规则。

💡 潜在应用

• 机器学习：训练分类模型来预测新生儿的健康风险。
• Streamlit/Dash 应用程序：构建实时新生儿监控仪表板。
• 医疗保健研究：研究生长和生命体征模式。

–教育：在健康数据集上练习 EDA、可视化和预测模型。