ahtzy/AIcode

Fork 0

Files

group04_tangzhuoyang f77195a9d7 A

2026-04-02 17:16:19 +08:00

7.5 KiB

Raw Blame History

CardioAI - 心血管疾病智能辅助系统

项目概述

CardioAI是一个多模块应用系统，集成了数据可视化、机器学习预测和AI语音问答功能，用于心血管疾病的智能辅助分析和诊断。

系统模块

Module 1: 数据可视化仪表板 (Streamlit) - 本模块
- 数据清洗与特征工程
- 交互式数据筛选
- 可视化分析图表
Module 2: 机器学习预测器 (Flask + XGBoost)
- 心血管疾病风险预测模型
- RESTful API接口
- 实时预测服务
Module 3: AI语音助手 (DeepSeek + CosyVoice)
- 自然语言问答
- 语音交互界面
- 疾病知识查询

Module 1: 数据可视化仪表板

功能特性

✅ 数据加载与清洗: 自动处理异常值和缺失数据
✅ 特征工程: 年龄转换、BMI计算、类别编码
✅ 交互式筛选: 侧边栏多维度数据筛选
✅ 可视化分析: Plotly交互式图表
✅ 性能优化: 使用缓存加速数据加载

数据处理流程

数据加载: 从Excel文件加载原始数据
年龄转换: 将天数转换为年数（四舍五入）
BMI计算: BMI = 体重(kg) / (身高(m)^2)
异常值处理:
- 删除舒张压 ≥ 收缩压的记录
- 删除收缩压不在[90, 250] mmHg范围的记录
- 删除舒张压不在[60, 150] mmHg范围的记录
类别转换:
- 胆固醇水平: 1=正常, 2=高于正常, 3=极高
- 血糖水平: 1=正常, 2=高于正常, 3=极高
- 性别: 1=女性, 2=男性
- BMI分类: <18.5=偏瘦, 18.5-24.9=正常, 25-29.9=超重, ≥30=肥胖

快速开始

1. 环境配置

# 创建并激活conda虚拟环境
conda create -n cardioenv python=3.10
conda activate cardioenv

# 安装依赖包
pip install -r requirements.txt

2. 数据准备

确保数据文件位于正确路径：

项目根目录/
├── data/
│   └── 心血管疾病.xlsx
└── module1_dashboard/
    └── cardio_dashboard.py

3. 启动仪表板

# 进入项目根目录
cd D:\Project\PythonProject\AIcode\test

# 激活conda环境
conda activate cardioenv

# 启动Streamlit应用程序
streamlit run module1_dashboard/cardio_dashboard.py

或者使用conda直接运行：

"D:\software\anaconda\Scripts\conda.exe" run -n cardioenv streamlit run module1_dashboard/cardio_dashboard.py

4. 访问应用

打开浏览器，访问: http://localhost:8501

界面说明

侧边栏筛选器

年龄范围: 滑动选择器，筛选指定年龄范围的记录
性别: 多选框，选择要分析的性别（女性/男性）
心血管疾病状态: 多选框，选择疾病状态（有/无）
BMI分类: 多选框，选择BMI分类（偏瘦/正常/超重/肥胖）
胆固醇水平: 多选框，选择胆固醇水平
血糖水平: 多选框，选择血糖水平

主界面区域

关键指标面板
- 筛选后记录数
- 心血管疾病风险率
- 平均年龄
- 平均BMI
数据可视化图表
- 年龄分布与心血管疾病关系直方图
- BMI分类对心血管疾病影响的堆叠柱状图
- 血压关系散点图
- 胆固醇水平分布饼图
- 血糖水平分布饼图
数据预览
- 数据摘要（形状、类型、缺失值）
- 原始数据表格（可自定义显示的列）

配置文件说明

.env 文件包含以下配置项：

# 数据文件路径
DATA_PATH=./data/心血管疾病.xlsx

# Flask服务器配置
FLASK_APP=module2_predictor/app.py
FLASK_ENV=development

# Streamlit配置
STREAMLIT_PORT=8501

# AI模型API密钥（需要替换为实际值）
DASHSCOPE_API_KEY=your_dashscope_api_key_here
OPENAI_API_KEY=your_openai_api_key_here

# 模型文件路径
MODEL_PATH=./module2_predictor/models/xgb_model.pkl

依赖包说明

详细依赖见 requirements.txt：

数据处理: pandas, numpy, openpyxl
机器学习: scikit-learn, xgboost, joblib
可视化: streamlit, plotly
Web服务: Flask
环境管理: python-dotenv
AI集成: langchain-openai, dashscope, requests

常见问题

Q1: 数据加载失败

症状: 应用程序无法启动，提示文件找不到或格式错误解决:

检查 data/心血管疾病.xlsx 文件是否存在
确认文件格式为Excel 2007+ (.xlsx)
检查文件编码，确保不是二进制损坏

Q2: 图表显示异常

症状: 图表不显示或显示错误解决:

检查Plotly是否正确安装：pip install plotly
确保数据经过正确清洗，没有无限值或NaN
检查筛选条件是否过于严格导致无数据

Q3: 应用程序运行缓慢

症状: 页面响应慢，筛选操作延迟解决:

利用 @st.cache_data 装饰器的缓存功能
减少一次性加载的数据量
优化图表复杂度，减少数据点数量

Q4: 中文显示乱码

症状: 中文文字显示为乱码解决:

确保系统支持中文字体
Streamlit默认支持UTF-8编码，检查源代码文件保存为UTF-8
在Windows系统上，设置控制台编码为UTF-8

开发说明

项目结构

D:\Project\PythonProject\AIcode\test\
├── data\                   # 数据文件目录
│   └── 心血管疾病.xlsx
├── module1_dashboard\     # 数据可视化模块
│   ├── cardio_dashboard.py
│   └── test_data.py
├── module2_predictor\     # 机器学习预测模块
│   └── templates\
├── module3_voice_assistant\ # AI语音助手模块
│   └── templates\
├── requirements.txt       # Python依赖包
├── .env                  # 环境配置
└── README.md            # 项目文档

代码结构

load_and_process_data(): 数据加载和清洗主函数，使用 @st.cache_data 缓存
create_filters(): 创建侧边栏筛选器组件
apply_filters(): 应用筛选条件到数据框
display_metrics(): 显示关键指标卡片
create_visualizations(): 创建所有可视化图表
display_data_preview(): 显示数据预览和摘要

扩展开发

添加新图表

def create_new_chart(df):
    fig = px.scatter(df, x='column1', y='column2', color='cardio_str')
    st.plotly_chart(fig, use_container_width=True)

添加新筛选器

# 在create_filters函数中添加
new_filter = st.sidebar.selectbox("新筛选器", options=['选项1', '选项2'])

自定义样式

st.markdown("""
<style>
    .custom-class { color: blue; }
</style>
""", unsafe_allow_html=True)

性能优化建议

数据缓存: 所有数据处理函数使用 @st.cache_data 装饰器
增量加载: 对于大型数据集，考虑分页或懒加载
图表优化: 使用采样或聚合减少数据点数量
异步处理: 长时间操作使用异步函数避免阻塞UI

下一步计划

Module 2开发: 实现XGBoost预测模型和Flask API
Module 3开发: 集成DeepSeek和CosyVoice语音助手
功能增强: 添加数据导出、报告生成功能
部署优化: Docker容器化，云平台部署

技术支持

问题反馈: 检查GitHub Issues或联系开发团队
文档更新: 随着功能迭代保持文档同步
版本管理: 使用Git进行版本控制，定期发布稳定版本

7.5 KiB Raw Blame History Unescape Escape