La Diabetes Mellitus tipo 2 (DM tipo 2) representa una problemática creciente a nivel mundial debido a su alta prevalencia y complicaciones asociadas. La detección oportuna de factores de riesgo modificables es esencial para la prevención y control de esta enfermedad. Se reportó recientemente el uso de señales de electrorretinograma (ERG) basal para predecir la obesidad y el síndrome metabólico que son factores de riesgo modificables de la DM tipo 2, sin embargo, hace falta una base de datos más amplia y sin sesgo relacionado con la edad para que la sensibilidad y especificidad de la predicción sean relevantes para la clínica. Este trabajo abordó la necesidad de ampliar y equilibrar una base de datos de series de tiempo relativas a la función basal de la retina mediante la generación de espectros sintéticos provenientes del ERG basal, utilizando modelos generativos adversarios (GAN). Se diseño exitosamente un modelo llamado espectraGAN para la generación de espectros sintéticos. Se evaluaron cualitativa y cuantitativamente las muestras generadas, confirmando su similitud espectral y coherencia fisiológica con los datos orgánicos. Los resultados demostraron que la integración de datos sintéticos en nuestras categorías control y en riesgo de DM tipo 2 mejoró la predicción mediante el modelo basado en redes neuronales con la ondícula Morlet real (ROC-AUC de 0,68). Este efecto mejoró aún más cuando la base de datos se amplió 10 y 100 veces, con métricas en comparativa con otro modelos con un de rendimiento medio entre 0,75 y 0,80 y entre 0,76 y 0,89, respectivamente. Este estudio demuestra la relevancia de espectraGAN en la investigación biomédica y sugiere una alternativa prometedora, no invasiva y accesible para detectar tempranamente factores de riesgo modificables asociados con la DM tipo 2.