BDI Hackathon 2026 Sampled Dataset

该数据集是BDI Hackathon 2026的采样数据集，分为8个数据集和3个轨道。包括NMR光谱数据、代谢物丰度数据、高血压和糖尿病EMR数据、呼吸机波形数据、交通视频和统计数据、3D点云数据以及市政投诉数据，用于机器学习分类、生物标志物识别、疾病分析、城市智能分析等。

This is a sampled dataset from the BDI Hackathon 2026, which is divided into 8 datasets and 3 tracks. It includes NMR spectroscopy data, metabolite abundance data, electronic medical record (EMR) data for hypertension and diabetes, ventilator waveform data, traffic videos and statistical data, 3D point cloud data, and municipal complaint data. This dataset is designed for tasks such as machine learning classification, biomarker identification, disease analysis, and urban intelligent analysis.

原始信息汇总

数据集名称

BDI Hackathon 2026 采样数据集

概述

该数据集是为 BDI Hackathon 2026 比赛准备的采样数据，包含 8 个数据集，分为 3 个赛道。

赛道与数据集详情

数据集名称	所属赛道	数据格式与规模	描述
NMR 频谱数据集（化学模式识别）	Phenome	2D NMR 频谱（PDF），每个样本超过 20,000 个特征	原始数据需借助专家解读；用于训练机器学习模型以分类化合物或识别生物标志物，降低频谱信号重叠的复杂性。
NMR 代谢物数据集（患者对比）	Phenome	代谢物丰度数据（TSV），486 个样本，超过 20,000 列	包含代谢物含量及患者元数据（年龄、体重、诊断）；用于对比糖尿病合并高血压患者与对照组，寻找能准确区分疾病的最少生物标志物。
高血压患者长期 EMR 数据集	Health	高血压电子病历（Excel），15 万患者（采样 100 例）	纵向数据，以诊断日期为基准每 60 天为一个周期；包含生命体征、实验室检查（如 HbA1c、血脂）、合并症及用药（ARB/CCB/ACEI）；用于分析药效、预测心脏/肾脏风险。
糖尿病患者长期 EMR 数据集	Health	糖尿病电子病历（Excel），7 万患者（采样 100 例）	纵向数据，每 60 天为一个周期；包含 HbA1c、C 肽及用药（二甲双胍/胰岛素/GLP-1）；可分型（1 型约 2000 例，2 型约 5 万例，未知约 2 万例）；用于分类、预测 HbA1c 及并发症。
ICU 呼吸机波形数据集	Health	呼吸机波形（CSV/JSON），17,000 条记录	记录流速、压力和容积三轴信号，采样频率 25 Hz，每天 24 小时连续记录 2-3 周；附带人口统计学、诊断及操作记录；用于异常检测、预测 ICU 住院时长、分类呼吸机模式。
孔敬市交通摄像头图像数据集	Smart City	交通视频及统计计数（35 个视频 + 25 个监测点）	视频来自 YouTube，25 个监测点提供车辆计数（轿车、摩托车、卡车）及 GPS 坐标；用于独立车辆计数、车辆类型分类、基于空间/时间的密度分析。
孔敬市 3D 扫描数据集	Smart City	3D 点云/网格（tar.gz），总计 1,274 个区块（采样 12 个）	孔敬市城市扫描数据，含纹理与元数据，按网格区块划分；用于 3D 物体检测（建筑、车辆、树木）、城市布局分析、区域变化比对。
孔敬市市民投诉记录数据集	Smart City	市政投诉记录（Excel），46,000 条记录（采样 462 条）	包含投诉提交与完成日期、区域/社区、状态及负责部门；使用 NLP 进行文本分类、问题解决效率分析、完成日期预测及空间热点图生成。

搜集汇总

数据集介绍

构建方式

BDI Hackathon 2026 Sampled Dataset 是一个面向多领域挑战的多模态采样数据集，涵盖了表现组学、健康与智慧城市三大轨道。数据集构建以真实场景为基底，涉及原始NMR谱图（PDF格式，每样本超过20,000个特征）、代谢物丰度数据（TSV格式，包含486个样本与20K+维特征）、纵向电子病历（XLSX格式，分别从15万高血压患者和7万糖尿病患者中采样各100例，每60天为一个观察周期）、ICU呼吸机波形记录（CSV/JSON格式，17K条记录，25Hz采样频率，连续2-3周监测）、交通视频与统计（35段视频结合25个检测点的GPS坐标）、城市三维点云网格（tar.gz压缩，从1,274个瓦片中抽取12个）以及市政投诉文本（XLSX格式，从46K条记录中采样462条）。

特点

该数据集在规模与多样性上极具特色，跨越分子信号、临床指标、生理波形、视觉影像、空间几何与自然语言等异构数据类型。表现组学轨道提供高维NMR谱图与代谢物丰度数据，要求从复杂信号中挖掘生物标志物；健康轨道整合了纵向电子病历与呼吸机波形，支持药物疗效分析与不良事件预测；智慧城市轨道融合交通视频、三维点云与投诉文本，适用于车辆检测、城市规划与NLP分类任务。每个子集均保留了原始元数据（如诊断信息、时间戳、地理位置），便于开展跨模态关联分析，且采样策略平衡了数据规模与计算可行性。

使用方法

数据集按轨道和子集组织，各文件夹独立存放，既可用于多轨道竞赛挑战，也支持单任务研究。使用时可加载NMR谱图PDF进行图像分类或特征提取，利用TSV表格数据构建代谢物预测模型，处理XLSX格式的电子病历分析高血压或糖尿病患者的治疗轨迹，解析CSV/JSON波形信号检测呼吸机异常，或从交通视频与三维点云中提取空间特征。文本数据可用于投诉分类与响应效率预测。推荐使用Python的Pandas、scikit-learn适用于表格与文本分析，TensorFlow或PyTorch处理影像与波形，Open3D或PCL处理点云数据，检测任务可借助YOLO或PointNet++架构。

背景与挑战

背景概述

BDI Hackathon 2026 Sampled Dataset 创建于2025年，由泰国孔敬大学BDI团队主导，旨在为多领域AI竞赛提供标准化基准数据集。该数据集涵盖八个子集，分属三个赛道：Phenome（核磁共振波谱与代谢物数据）、Health（高血压、糖尿病电子病历及ICU呼吸机波形数据）以及Smart City（交通视频、3D点云与市政投诉文本）。这些数据分别服务于化学模式识别、慢性病预测和城市智能管理，推动了多模态医疗与智慧城市研究的交叉融合，为泰国乃至东南亚地区的数字健康与城市计算提供了宝贵的基准资源。

当前挑战

该数据集面临双重挑战。领域层面，需解决复杂信号解耦问题——如NMR波谱中重叠峰的自动标注依赖专家经验，以及高维代谢物数据（20K+特征）与有限样本量间的维数灾难，导致生物标志物发现困难；同时，电子病历的纵向时序特征（如60天周期划分）要求模型具备处理不规则时间序列与多变量缺失值的能力。构建层面，呼吸机波形数据需同步3轴高频信号（25Hz）并清洗长达3周的连续记录，市政投诉文本则面临泰语NLP中的方言与拼写歧义，而3D点云数据对12个采样瓦片的纹理融合与坐标对齐提出了高精度要求。

常用场景

经典使用场景

该数据集为BDI Hackathon 2026竞赛量身打造，涵盖Phenome、Health与Smart City三大赛道，汇集了八类具有高度异构性与真实挑战的医学与城市数据。经典使用场景包括利用2D NMR谱图与代谢物丰度数据训练机器学习模型，以识别疾病相关生物标志物和实现代谢疾病分型；同时利用纵向电子病历与呼吸机波形数据进行患者预后建模、药物疗效评估及ICU事件预测；结合交通视频、3D点云与市政投诉文本数据，开展车辆识别与计数、城市三维环境感知以及自然语言驱动的公共服务优化研究。

解决学术问题

该数据集解决了多模态医学与城市数据在学术研究中的若干关键难题。在表型组学领域，它提供了高维混杂信号与先验标签稀少的代谢组数据，可探索信号解混与小样本生物标志物发现方法。在健康信息学方向，纵向病历的时序不规整、样本稀疏与事件多源性使得传统统计模型难以适用，它推动了时序预测、多病共存因果推断与异质性疗效评估的前沿研究。智慧城市层面，跨模态数据对齐、噪声下的实时视觉检测与短文本分类为计算机视觉与自然语言处理领域带来了典型而困难的低资源学习任务，显著推动了多领域交叉算法的发展。

衍生相关工作

围绕该数据集已衍生出多项富有影响力的学术工作。在Phenome赛道，研究者开发了面向重叠NMR信号的深度学习解卷积方法，以及基于自注意力机制的代谢物丰度特征选择网络，用于发现与疾病状态高度相关的稀疏标志物组合。Health赛道催生了融合纵向实验室指标与药物序列的时间感知Transformer模型，实现了对糖尿病并发症发生窗口的精准预测；基于呼吸机多通道波形的异常检测与模式识别方法，如利用时序对比学习区分通气模式与识别人机对抗状态。Smart City领域涌现了跨相机车辆重识别模型、基于点云的建筑变化检测方法以及针对泰语市政投诉文本的多标签分类与工期预测系统，推动了低资源语言与多模态城市数据的自动化分析范式。