摘要：该数据集是一个增强版的多部位贫血检测图像数据集，包含结膜（Conjuctiva）、指甲（Finger_Nails）和手掌（Palm）三个解剖部位的图像样本，用于开发基于可见光图像的贫血无创筛查系统。
数据集概述
该数据集是一个增强版的多部位贫血检测图像数据集，包含结膜（Conjuctiva）、指甲（Finger_Nails）和手掌（Palm）三个解剖部位的图像样本，用于开发基于可见光图像的贫血无创筛查系统。贫血是全球最常见的营养缺乏症之一，影响超过20亿人口，传统诊断依赖血液检测，在资源受限地区存在可及性障碍。该数据集利用结膜苍白、甲床颜色变化和手掌皮肤色泽减退这三种临床常用的贫血体征作为视觉判别依据，通过数据增强技术（旋转、翻转、亮度调整、对比度变化等）扩充样本量，显著提升了相比原始数据集的规模（从95MB扩展至956MB，约10倍增长）。数据集命名中的”clean_augmented”表明经过质量筛查和标准化预处理，为训练鲁棒的深度学习分类模型、多部位联合诊断算法和移动健康应用开发提供了丰富的训练数据资源。
数据结构与关键特征
数据集采用三层目录结构组织，顶层包含Conjuctiva、Finger_Nails和Palm三个解剖部位文件夹，每个文件夹进一步按贫血/非贫血二分类或数据增强类型细分子目录。结膜图像捕获下眼睑翻转后暴露的睑结膜区域，贫血患者因血红蛋白降低呈现粉红色减退或苍白，正常人呈现健康红润色泽；指甲图像记录甲床和甲体颜色，贫血者显示苍白、缺乏血色或勺状甲形态改变；手掌图像聚焦掌纹和掌心皮肤，贫血者呈现整体色泽减退和掌纹对比度下降。数据增强技术应用于原始样本，通过几何变换（旋转、翻转、裁剪）、色彩变换（亮度、对比度、饱和度调整）和噪声注入生成多样化训练样本，模拟不同光照条件、拍摄角度和设备差异，提升模型对真实世界场景的泛化能力。三部位联合采集设计支持多模态融合策略，通过集成不同解剖位置的互补信息（结膜血管网络、指甲床微循环、手掌皮肤色素）提升诊断准确率和鲁棒性，克服单一部位因个体差异或图像质量问题导致的误判。
应用价值与研究方向
该数据集为IoT网络安全防护提供了大规模真实攻击场景基准，可直接应用于入侵检测系统开发、异常流量识别、攻击类型分类和威胁情报生成。技术层面支持传统机器学习（随机森林、SVM、XGBoost）和深度学习（CNN、LSTM、Transformer）性能对比、特征工程优化以及类别不平衡学习方法验证（SMOTE、代价敏感学习）。研究方向包括：轻量级入侵检测模型开发（适配资源受限的IoT设备）、零日攻击检测（异常检测识别未知模式）、多阶段攻击链重建、跨设备类型泛化性研究、联邦学习在分布式IoT环境中的应用、可解释性AI生成攻击特征分析、以及IoT僵尸网络传播动力学建模，数据集的大规模真实设备基础和33种攻击类型覆盖还为网络取证、威胁狩猎、SOC自动化和IoT安全标准制定提供决策支持，配套Sensors期刊论文提供详细方法学，促进IoT安全研究的可重复性和规范化。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-285
文件大小：918M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)