方案 A：先打牢透明基线
使用自我报告或历史周期数据，建立日历 / 历史基线，并把评估协议写得异常清楚。这通常比一个标签混乱的弱穿戴模型更站得住脚。
Data & Code
数据与代码
这页不是把资源平铺出来，而是帮助你快速判断：我现在最需要公开数据、starter code、baseline 案例，还是可重复性检查清单。
你现在最需要什么
新研究员的现实起步路径
方案 B：做穿戴概念验证
使用 mcPHASES 这样的开放数据集测试体温和心血管特征，但避免从小样本直接外推出强泛化结论。
方案 C：做临床锚定小样本
如果能自己采集数据，一个标注清晰的中小规模 cohort 往往比一个大而弱标签的便利样本更有科学价值。
方案 D：做评估方法论文
围绕 irregularity subgroup、指标标准化或标签定义比较的研究，本身就是当前领域非常实际的贡献。
数据集选择器
| 数据集 | 适合谁 | 能回答什么 | 不适合回答什么 | 主要风险 |
|---|---|---|---|---|
| mcPHASES | 想做 wearable proof-of-concept 的 AI / DS 研究者 | 多模态生理信号与月经健康标签如何对齐 | 大规模产品级泛化能力 | 样本量有限，预处理门槛较高 |
| Kaggle 月经周期表格数据 | 想快速做 baseline 的开发者或数据科学新手 | 表格清洗、特征工程、grouped evaluation | 严格的临床或 wearable 结论 | 来源、标签与预处理质量需要额外核查 |
| Marquette Menstrual Cycle Data | 关注历史性周期结构和生育感知记录的研究者 | 非穿戴历史数据中的周期结构与规则 | 现代消费级 wearable 模型验证 | 历史数据语境和采集方式与现代 app 数据不同 |
公开访问不代表质量统一。每次使用数据集都应明确记录标签来源、缺失模式、群体过滤器，以及这些数据究竟更像真实部署环境还是受控研究环境。
Kaggle 与 mcPHASES：两种完全不同的起步方式
Kaggle 路线
mcPHASES 路线
Starter code 与教学型落点
Kaggle 教学案例
一个低门槛 baseline 案例，帮助你看懂数据清洗、特征处理和 GroupKFold 评估在这个领域里为什么重要。
注：本仓库当前只保留案例说明页，原始 Notebook 与本地导出文件未随网站仓库一同打包。
mcPHASES 处理工作流
这是更贴近 wearable 生理研究的路径，重点不在模型，而在如何对齐体温、HRV、激素相关事件和日历数据。
精选开源仓库
iurteaga/menstrual_cycle_analysis
显式考虑依从性与缺失数据的生成模型。很适合理解真实世界 mHealth 数据的结构性问题。
链接cilab-ufersa/period_cycle_prediction
使用 LSTM / GRU 进行周期长度预测，适合作为标准时间序列模型的 baseline 参考。
链接lenakmeth/MenstruatioNN
一个较直接的 RNN 多步预测实现，适合帮助医学背景读者看懂时序模型如何组织输入输出。
链接nhaboudal/MenstrualCycle_SleepReadiness_Predictor
展示 Oura Ring 与 Natural Cycles 数据如何被用来探索跨相位的生理变化。
链接为什么最有影响力的数据通常不是完全公开的
大规模 App 和消费级 wearable 研究塑造了这个领域，但它们背后的原始纵向数据通常不会公开下载。最常见原因是隐私、商业所有权、知情同意范围，以及生殖健康数据本身的高度敏感性。
可重复性检查清单
对 App 开发者，这是功能可信度底线；对 AI / DS 研究者，这是实验有效性底线；对医学研究者，这是判断算法结论能否信的底线。
- 明确预测目标：下次出血、排卵日、受孕窗口还是周期相位。
- 明确标签规则：例如 LH onset、LH peak 或 peak + 1 天。
- 说明预测时可用信息，避免未来信息泄露。
- 声称泛化时优先使用 subject-wise split 或 GroupKFold。
- 在适当情况下同时报告连续误差和窗口型准确率。
- 描述缺失值模式和依从性，而不是静默删除困难样本。
- 写清 cohort 是规则型、混合型还是明确不规则型。