基于深度学习健康管理系统

① 慢性病风险预测： 基于用户健康数据，使用神经网络模型预测未来患糖尿病、高血压等慢性病的风险。
② 健康年龄计算： 通过FT-Transformer 模型，计算用户的生物年龄（健康年龄），直观反映身体老化状况。
③ 亚健康状态评估： 通过问卷与活动数据，使用聚类算法+神经网络模型对用户的亚健康状态进行分类与评分。
① 睡眠阶段分析： 基于智能手环的心率、体动数据，使用深度学习模型1D-CNN + Transformer对用户的睡眠阶段进行精准分期。
② 异常心律筛查： 对连续心率数据进行监控，使用异常检测算法或深度学习模型自动筛查可能的心律不齐事件，并发出预警。
③ 运动模式识别与能耗估算： 利用设备加速度计等传感器数据，通过深度学习模型识别用户运动类型（如走路、跑步），并精确计算热量消耗。
④ 长期健康趋势分析： 对用户长期的静息心率、步数等数据进行时间序列分析，发现周期性规律和长期变化趋势。

① 症状自查器： 用户通过勾选症状或输入文本描述自身状况。
② 疾病智能预测： 基于深度学习模型Feature Tokenizer Transformer（FT-Transformer），对输入的症状进行分析，输出可能的疾病及概率。
③ AI健康助手： 集成大语言模型API，为预测结果提供人性化的护理建议与就医警示。
④ 自查历史记录： 记录并展示用户历次的健康自查记录。
① 智能饮食推荐： 基于用户身体指标与健康目标，使用推荐算法生成个性化食谱。
② 自适应运动计划： 根据用户体能和目标生成并动态调整运动计划。
③ 健康习惯追踪与提醒： 提供服药、饮水、久坐等智能提醒功能。
④ 睡眠改善方案： 针对睡眠问题，提供个性化的改善建议。

前端部分

前端基于 Vue 3 + Vite 搭建，使用 Vue Router 做页面路由管理，使用 Pinia 做登录态和用户状态管理，界面层采用 Element Plus 组件库，接口请求通过 Axios 完成。项目里也配置了 @ 路径别名，便于按模块组织页面、接口和公共配置。

前端的主要职责有三块：

第一块是业务页面承载。
系统前端不是只有一个首页，而是围绕健康管理流程拆成了登录注册、基础信息管理、健康数据录入、糖尿病预测、健康年龄、亚健康评估、睡眠监测、心律筛查、运动识别、趋势预测、多疾病辅助判断、干预中心、历史中心、报告中心和综合看板等页面。对应论文摘要里提到的核心功能，也都集中在这些页面中完成交互。

第二块是结果可视化与统一风格。
前端不仅负责把接口结果显示出来，还要把风险等级、概率值、趋势图、干预建议、提醒信息这些内容组织成用户能看懂的页面结构。你现在项目里摘要已经明确写到系统支持历史记录查询、综合报告展示与导出，这说明前端承担了结果整合和展示的重要职责。

第三块是接口编排。
前端通过统一的 API 层对不同模块发请求，把用户输入转成后端和模型服务可接收的数据结构，再把返回结果映射到页面组件中。这种做法能把页面代码和接口调用拆开，后期维护更方便。

后端业务层

按你当前项目的实际实现，后端更适合表述为业务服务层 + 模型接口适配层。任务书里希望系统采用前后端分离微服务思路，后端承担 RESTful API、数据管理和服务调用；你论文摘要里也写了“后端结合业务服务与模型推理接口，对用户健康档案、日常监测数据和历史分析结果进行统一管理”。所以答辩时最稳的说法是：后端负责业务数据管理、历史记录管理、接口聚合和模型服务编排。

它的作用主要有四点：

一是接收前端提交的注册登录、档案维护、健康数据录入和分析请求。
二是做参数校验、业务编排和异常处理。
三是调用对应的模型推理服务，拿到分析结果。
四是把结果写回历史记录和报告汇总，供前端后续查询和展示。

这种结构的优点是：前端不用直接面对复杂模型，模型层也不需要关心页面逻辑，中间由业务后端做统一封装，系统耦合度更低。

模型与算法服务层

模型层是你这个毕设的核心亮点。任务书和摘要都说明了这一点：系统不是纯管理系统，而是把多种机器学习、深度学习和大语言模型能力集成到了健康管理流程中。当前系统已覆盖的分析方向包括：

糖尿病风险预测
健康年龄计算
亚健康状态评估
睡眠阶段分析
异常心律筛查
运动模式识别与能耗估算
长期健康趋势分析
多疾病辅助判断
基于分析结果的个性化干预建议生成

这些能力共同支撑了你项目“智能健康管理”的核心定位。