========【重要提示：主页置顶文章找我咨询】=======
博主介绍：👉全网个人号和企业号粉丝40W+,每年辅导几千名大学生较好的完成毕业设计，不断的进行新技术的项目实战👈
可定制，需求的各位可以先收藏起来
1. 项目概述
1.1 系统目标
本系统旨在构建一个基于机器学习的高血压风险预测与分析平台，通过分析用户的健康指标数据，预测其患高血压的风险概率，并提供个性化的健康建议。
1.2 系统用途
健康风险评估：基于用户的年龄、血压、血脂、血糖等健康指标，预测高血压风险概率
数据可视化：通过图表展示预测结果和健康指标分布
历史记录管理：保存用户的预测历史，支持趋势分析
个性化建议：结合大语言模型生成针对性的健康管理建议
1.3 整体流程
数据预处理阶段：对原始数据集进行清洗、特征工程、不平衡处理，生成训练数据
模型训练阶段：使用随机森林、逻辑回归、XGBoost三种算法训练模型，通过网格搜索优化超参数，对比性能后选择最优模型
系统运行阶段：
用户注册/登录系统
输入健康数据（年龄、血压、血脂、血糖等）
系统调用训练好的模型进行风险预测
生成健康建议（优先使用大模型，失败则使用规则生成）
保存预测结果和历史记录
可视化展示预测结果和趋势
2. 技术栈简述
2.1 后端技术
Flask 2.3.3：轻量级Web框架，用于构建RESTful API服务
Flask-CORS 4.0.0：处理跨域请求，支持前后端分离架构
PyMySQL 1.1.0：MySQL数据库连接驱动
SQLAlchemy 2.0.23：ORM框架，简化数据库操作
scikit-learn 1.3.0：机器学习核心库，提供模型训练、评估、特征选择等功能
XGBoost 2.0.3：梯度提升算法实现
imbalanced-learn 0.14.1：处理数据不平衡问题（SMOTE过采样）
pandas 2.3.3：数据处理和分析
numpy <2.0.0：数值计算基础库
joblib 1.3.2：模型序列化和加载
requests 2.31.0：HTTP请求库，用于调用大模型API
matplotlib 3.7.2和seaborn 0.12.2：数据可视化，生成模型评估图表
2.2 前端技术
Vue 3.4.0：渐进式JavaScript框架，采用Composition API
TypeScript 5.3.3：类型安全的JavaScript超集
Vite 7.2.6：现代化前端构建工具，提供快速开发体验
Vue Router 4.2.5：前端路由管理
Pinia 2.1.7：状态管理库（Vue 3官方推荐）
Element Plus 2.4.4：基于Vue 3的UI组件库
ECharts 5.4.3：数据可视化图表库
Axios 1.6.2：HTTP客户端，用于API请求
marked 11.1.1：Markdown解析和渲染库
2.3 数据库
MySQL：关系型数据库，存储用户信息、健康数据和预测结果
2.4 机器学习相关
特征工程：相关性分析、RFE（递归特征消除）特征选择
模型算法：随机森林、逻辑回归、XGBoost
超参数优化：GridSearchCV网格搜索 + 交叉验证
模型评估：准确率、召回率、F1值、AUC值、混淆矩阵、ROC曲线
2.5 外部服务
大语言模型API：阿里云通义千问（Qwen），用于生成个性化健康建议
3. 项目结构总览
HyperML/ ├── backend/ # 后端服务 │ ├── app.py # Flask主应用入口，配置CORS和路由 │ ├── config.py # 配置文件（数据库、模型路径、LLM配置） │ ├── routes/ # API路由模块 │ │ ├── auth.py # 用户认证（注册、登录、登出） │ │ ├── predict.py # 预测接口（预测、快速预测、样本数据） │ │ └── history.py # 历史记录查询接口 │ ├── utils/ # 工具函数模块 │ │ ├── db_utils.py # 数据库操作封装（UserDAO、HealthDataDAO、PredictionDAO） │ │ ├── model_utils.py # 模型加载和预测（ModelPredictor类） │ │ ├── advice_utils.py # 健康建议生成（规则生成 + LLM调用） │ │ └── llm_advice.py # 大模型API调用（Qwen接口封装） │ ├── database/ # 数据库相关 │ │ ├── init_db.sql # 数据库表结构定义 │ │ └── init_database.py # 数据库初始化脚本 │ └── models/ # 训练好的模型文件 │ ├── best_model.pkl # 最优模型 │ ├── scaler.pkl # 特征标准化器 │ ├── feature_columns.pkl # 特征列名 │ └── [其他模型文件] │ ├── frontend/ # 前端应用 │ ├── src/ # 源代码目录 │ │ ├── main.ts # Vue应用入口 │ │ ├── App.vue # 根组件 │ │ ├── router/ # 路由配置 │ │ │ └── index.ts # 路由定义（登录、注册、仪表盘、预测、历史） │ │ ├── views/ # 页面组件 │ │ │ ├── Login.vue # 登录页 │ │ │ ├── Register.vue # 注册页 │ │ │ ├── Dashboard.vue # 仪表盘（统计信息、最近记录） │ │ │ ├── Predict.vue # 预测页面（表单输入、结果展示、图表） │ │ │ └── History.vue # 历史记录（列表、趋势图） │ │ ├── components/ # 公共组件 │ │ │ └── Navbar.vue # 导航栏 │ │ ├── layouts/ # 布局组件 │ │ │ └── MainLayout.vue # 主布局 │ │ ├── api/ # API封装 │ │ │ ├── request.ts # Axios请求拦截器配置 │ │ │ └── index.ts # API方法定义（authApi、predictApi、historyApi） │ │ ├── stores/ # 状态管理 │ │ │ └── user.ts # 用户状态（Pinia store） │ │ ├── utils/ # 工具函数 │ │ │ └── chart.ts # ECharts图表工具（仪表盘、雷达图、折线图） │ │ └── styles/ # 样式文件 │ ├── vite.config.ts # Vite构建配置（代理、别名） │ └── package.json # 前端依赖配置 │ ├── ml_scripts/ # 机器学习脚本 │ ├── data_preprocessing.py # 数据预处理（加载、清洗、特征工程、RFE、SMOTE） │ ├── model_training.py # 模型训练（三种算法、超参数优化） │ ├── model_evaluation.py # 模型评估（指标计算、可视化） │ ├── run_all.py # 完整流程执行脚本 │ └── processed_data/ # 处理后的数据文件 │ ├── datasets/ # 数据集目录 │ └── Hypertension-risk-model-main.csv # 原始数据集 │ ├── requirements.txt # Python依赖列表
=======【重要提示：主页置顶文章找我咨询】=========
4. 主要功能模块说明
4.1 数据预处理模块（ml_scripts/data_preprocessing.py）
功能：对原始数据集进行清洗、特征工程和平衡处理
数据加载：读取CSV格式的高血压数据集
数据清洗：处理缺失值、异常值
特征工程：
相关性分析：计算特征间相关性，生成热力图
RFE特征选择：使用递归特征消除筛选重要特征
数据平衡：使用SMOTE过采样处理类别不平衡问题
数据标准化：使用StandardScaler标准化数值特征
数据分割：将数据分为训练集和测试集
调用关系：被run_all.py调用，输出处理后的训练数据供模型训练使用
4.2 模型训练模块（ml_scripts/model_training.py）
功能：训练多种机器学习模型并优化超参数
模型类型：
随机森林（RandomForestClassifier）
逻辑回归（LogisticRegression）
XGBoost（XGBClassifier）
超参数优化：使用GridSearchCV进行网格搜索和交叉验证
模型保存：将训练好的模型、最优参数、标准化器保存为pkl文件
最优模型选择：根据评估指标（AUC、准确率等）选择最优模型
调用关系：接收预处理后的数据，输出训练好的模型文件到backend/models/
4.3 模型评估模块（ml_scripts/model_evaluation.py）
功能：评估模型性能并生成可视化报告
指标计算：准确率、召回率、F1值、AUC值、混淆矩阵
可视化生成：
ROC曲线对比图
指标对比柱状图
混淆矩阵热力图
指标雷达图
模型对比：生成CSV格式的模型性能对比表
调用关系：评估训练好的模型，生成评估报告和可视化图表
4.4 用户认证模块（backend/routes/auth.py）
功能：处理用户注册、登录、登出
用户注册：验证用户名、密码格式，检查重复，密码SHA256加密存储
用户登录：验证用户名密码，创建Session会话
用户登出：清除Session
数据验证：用户名格式（3-20字符，字母数字下划线）、密码长度（≥6位）、邮箱格式
调用关系：前端通过/api/register、/api/login、/api/logout调用，使用user_dao进行数据库操作
4.5 预测模块（backend/routes/predict.py）
功能：接收健康数据，调用模型进行风险预测
数据验证：验证必填字段和数值范围（年龄、血压、胆固醇、血糖等）
模型预测：调用
model_utils.predict_risk()进行预测健康建议生成：调用
advice_utils.generate_health_advice()生成建议（优先LLM，失败则规则生成）数据持久化：保存健康数据和预测结果到数据库
样本数据接口：从数据集中随机返回一条样本数据供前端表单填充
调用关系：
接收前端POST请求（
/api/predict）调用
model_utils进行预测调用
advice_utils生成建议使用
db_utils保存数据
4.6 历史记录模块（backend/routes/history.py）
功能：查询用户的预测历史记录
历史列表：按时间倒序返回用户的预测记录
详情查询：根据预测ID查询完整的预测详情和健康数据
权限验证：检查用户登录状态，确保只能查询自己的记录
调用关系：前端通过/api/history调用，使用prediction_dao和health_data_dao查询数据
4.7 模型预测工具（backend/utils/model_utils.py）
功能：加载模型并执行预测
模型加载：单例模式加载最优模型、标准化器、特征列
特征预处理：将用户输入的健康数据转换为模型所需格式，应用标准化
风险预测：调用模型进行预测，返回风险概率和风险状态（0/1）
调用关系：被predict.py路由调用，是预测功能的核心逻辑
4.8 健康建议生成模块（backend/utils/advice_utils.py + llm_advice.py）
功能：生成个性化的健康建议
LLM生成：优先调用通义千问API，基于用户健康数据和预测结果生成建议
规则生成：如果LLM不可用或调用失败，使用规则引擎生成基础建议
提示词构建：将健康数据、风险概率、风险状态组织成结构化的提示词
调用关系：被predict.py调用，advice_utils根据配置决定使用LLM还是规则生成
4.9 前端页面模块
功能：提供用户交互界面
登录/注册页：用户认证入口，支持表单验证
仪表盘：展示统计信息（总预测次数、高风险次数、平均风险概率）和最近预测记录
预测页面：
健康数据输入表单（基本信息、健康指标、其他信息）
样本数据快速填充功能
预测结果展示（风险等级、概率、健康建议）
可视化图表（风险概率仪表盘、健康指标雷达图）
历史记录页：列表展示历史预测，趋势折线图，详情查看
调用关系：通过api/index.ts中的API方法调用后端接口，使用chart.ts生成可视化图表
5. 关键接口或核心逻辑说明
5.1 预测接口（POST /api/predict）
功能：接收健康数据，返回风险预测结果和健康建议调用方式：
POST /api/predict Body: { age: number, sysBP: number, diaBP: number, totChol: number, glucose: number, male: 0|1, currentSmoker: 0|1, // ... 其他可选字段 }返回：{ risk_probability, risk_status, risk_level, health_advice, prediction_id }核心逻辑：
验证用户登录状态（Session）
验证健康数据格式和范围
调用
predict_risk()进行预测调用
generate_health_advice()生成建议保存数据到数据库
5.2 模型预测函数（model_utils.predict_risk）
功能：执行模型预测调用方式：predict_risk(health_data: Dict) -> (float, int)返回：(风险概率, 风险状态)核心逻辑：
加载模型、标准化器、特征列（单例模式）
将健康数据转换为DataFrame，按特征列顺序排列
应用标准化器标准化数值特征
调用模型
predict_proba()和predict()获取结果
5.3 健康建议生成（advice_utils.generate_health_advice）
功能：生成个性化健康建议调用方式：generate_health_advice(health_data, risk_probability, risk_status, use_llm=True)返回：健康建议文本（Markdown格式）核心逻辑：
如果启用LLM且配置完整，调用
llm_advice.generate_llm_advice()如果LLM失败或未启用，使用规则引擎生成基础建议
建议内容包含针对性建议、生活方式改善、医疗建议、预防措施
5.4 用户认证（POST /api/login）
功能：用户登录，创建Session调用方式：
POST /api/login Body: { username: string, password: string }返回：{ user_id, username, email }核心逻辑：
验证用户名密码格式
查询数据库验证用户
密码SHA256加密后比对
创建Session，设置
user_id
5.5 历史记录查询（GET /api/history）
功能：获取用户的预测历史调用方式：GET /api/history?limit=10返回：{ history: Array<预测记录> }核心逻辑：
验证用户登录状态
从数据库查询该用户的预测记录
按时间倒序返回，支持limit限制数量
6. 前后端交互概述
6.1 数据流转方式
通信协议：HTTP/HTTPS
数据格式：JSON
认证方式：基于Session的Cookie认证（开发环境支持跨域）
跨域处理：Flask-CORS配置允许前端域名（localhost:8000）访问，支持凭证传递
6.2 主要请求流程
用户登录流程：
前端：用户在登录页输入用户名密码
前端：调用
authApi.login()发送POST请求到/api/login后端：验证用户信息，创建Session，返回用户信息
前端：保存用户信息到Pinia store和localStorage
前端：路由跳转到仪表盘
预测流程：
前端：用户在预测页填写健康数据表单
前端：调用
predictApi.predict()发送POST请求到/api/predict（携带Session Cookie）后端：验证Session，验证数据格式
后端：调用
model_utils.predict_risk()加载模型并预测后端：调用
advice_utils.generate_health_advice()生成建议（可能调用LLM API）后端：保存健康数据和预测结果到MySQL
后端：返回预测结果（风险概率、状态、建议）
前端：接收结果，使用ECharts渲染图表（仪表盘、雷达图），使用marked渲染Markdown格式的健康建议
历史记录查询流程：
前端：在历史记录页调用
historyApi.getHistory()前端：发送GET请求到
/api/history?limit=100（携带Session Cookie）后端：验证Session，查询数据库
后端：返回历史记录列表
前端：渲染列表和趋势折线图
6.3 API接口列表
POST /api/register- 用户注册POST /api/login- 用户登录POST /api/logout- 用户登出POST /api/predict- 风险预测（保存到数据库）POST /api/predict/quick- 快速预测（不保存）GET /api/sample-data- 获取样本数据GET /api/history- 查询历史记录GET /api/history/<id>- 查询预测详情GET /api/health- 健康检查
7. 需求文档对应关系（概述）
7.1 数据处理需求实现
数据清洗：
data_preprocessing.py中的clean_data()方法处理缺失值和异常值不平衡处理：使用
SMOTE过采样，在feature_engineering()中实现特征工程：实现了相关性分析（
analyze_correlation()）和RFE特征选择（select_features_rfe()）数据标准化：使用
StandardScaler标准化数值特征
7.2 多算法模型构建需求实现
三种算法：
model_training.py中实现了随机森林、逻辑回归、XGBoost的训练超参数优化：使用
GridSearchCV进行网格搜索和交叉验证模型对比：
model_evaluation.py计算准确率、召回率、F1值、AUC值等指标，生成对比图表最优模型选择：根据评估结果选择最优模型保存为
best_model.pkl
7.3 系统开发需求实现
前端：使用Vue 3 + TypeScript + Element Plus实现用户界面，ECharts实现可视化，支持用户注册登录、数据输入、结果展示、历史记录查看
后端：基于Flask框架，实现RESTful API，支持多模型调用（通过
model_utils统一接口）数据库：MySQL数据库，包含users、health_data、predictions三张表，通过
db_utils封装数据访问
7.4 健康建议模块需求实现
大模型接口集成：
llm_advice.py实现了通义千问（Qwen）API的调用个性化建议生成：
advice_utils.py根据用户健康数据和预测结果，调用LLM生成个性化建议，失败时回退到规则生成Markdown渲染：前端使用
marked库渲染健康建议，支持格式化显示
7.5 系统测试需求
功能测试：通过前后端集成测试验证各功能模块
性能测试：模型预测响应时间、API响应时间
模型评估：通过测试集评估模型性能，生成评估报告
资料获取
========【重要提示：主页置顶文章找我】========
