惚兮1. 项目背景与核心价值
心血管疾病是全球范围内的头号健康杀手，每年导致约1790万人死亡（占全球总死亡人数的31%）。传统诊断方法主要依赖医生经验判断和固定阈值检测，存在主观性强、早期预警不足等问题。这个毕业设计项目通过机器学习技术构建数据分析系统，能够从海量医疗数据中挖掘潜在规律，实现更精准的风险预测和辅助诊断。
我在三甲医院心内科实习时亲眼目睹过误诊案例：一位45岁患者的心电图ST段轻微抬高被忽视，三天后发生急性心梗。这促使我思考如何用技术手段减少此类遗憾。本系统通过特征工程提取30+临床指标，采用集成学习算法实现90%以上的交叉验证准确率，源码完整包含数据预处理、模型训练和可视化模块。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 系统架构设计
2.1 技术栈选型
前端采用Vue.js+ECharts实现动态可视化，后端使用Flask轻量级框架，数据库选用MySQL关系型数据库与MongoDB非关系型数据库混合存储。核心机器学习模块基于Python生态：
python复制主要依赖库：
- pandas 1.5.3（数据清洗）
- scikit-learn 1.2.2（传统机器学习）
- XGBoost 1.7.5（梯度提升树）
- TensorFlow 2.11.0（深度学习备选）
- SHAP 0.41.0（模型解释）
特别注意：医疗数据需进行严格的匿名化处理，删除所有PHI（受保护健康信息）字段，如姓名、身份证号等
2.2 数据处理流水线
原始医疗数据通常存在大量噪声和缺失值，我们设计了五步清洗流程：
-
异常值处理：采用Tukey fences方法识别离群点
python复制Q1 = df['age'].quantile(0.25) Q3 = df['age'].quantile(0.75) IQR = Q3 - Q1 df = df[~((df['age'] < (Q1 - 1.5*IQR)) | (df['age'] > (Q3 + 1.5*IQR)))] -
缺失值填补：数值型用KNNImputer，分类型用众数填补
-
特征工程：生成派生特征如BMI指数、脉压差等
-
标准化处理：连续变量采用Z-score标准化
-
类别编码：有序变量用OrdinalEn