博主介绍✌ 专注于VUE,小程序安卓Java,python,物联网专业有18年开发经验长年从事毕业指导项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题我会尽力帮助你。一、研究目的本研究旨在构建一套基于SpringBoot与Vue技术栈的精神健康测评系统以期通过信息化手段提升精神健康评估的效率与精准度满足当代社会对心理健康服务日益增长的需求。首先系统将整合多维度心理测评量表如PHQ-9、GAD-7等并通过SpringBoot后端提供RESTful接口实现测评数据的安全存储与快速检索其次Vue前端将采用响应式设计提供友好的用户交互界面使患者能够在移动设备上完成测评并即时获取反馈再次系统将利用机器学习算法对收集到的测评结果进行模式识别与风险预测为专业医务人员提供决策支持。通过上述技术手段本研究期望实现以下目标一是降低传统纸质测评所需的人力与时间成本二是提升测评结果的可追溯性与可比性三是为精神健康干预提供数据驱动的依据从而促进精准医疗的发展。综上所述本研究不仅具有技术创新意义更具备社会应用价值为精神健康领域的信息化建设提供了可行的技术路径和实践范例。二、研究意义本研究所构建的基于SpringBoot与Vue技术栈的精神健康测评系统首先在临床实践层面具有重要意义。传统纸质测评方法存在记录不规范、数据缺失率高、结果难以快速反馈等弊端而本系统通过后端RESTful接口实现测评数据的统一标准化存储并在前端提供即时交互式结果展示能够显著降低医务人员的工作负担提高测评效率与准确性。其次在数据分析层面该系统能够将大量患者测评结果集中存储利用机器学习算法进行风险预测与趋势分析为精神科医生提供科学依据从而实现精准干预。再次系统采用响应式设计可在移动端完成测评使得社区卫生服务与远程医疗场景下的精神健康管理更加便捷。最后在公共卫生与政策制定层面本系统所产生的大规模、结构化数据能够为政府部门提供精神健康状况的宏观监测依据支持制定更具针对性的干预措施与资源配置。综上所述该研究不仅在技术实现上突破了传统测评模式的局限更在临床决策、数据治理与公共健康管理等多维度提供了可持续发展的解决方案具有显著的学术价值与社会效益。三、国内外研究现状国内外在精神健康测评系统的研究领域已形成多条主线主要集中于数字化测评平台构建、移动端交互设计、数据安全与隐私保护以及人工智能辅助诊断。国际上欧美学者普遍采用基于Web的RESTful架构将传统纸质量表如PHQ‑9、GAD‑7等转化为在线问卷并通过云端数据库实现大规模数据收集在算法层面机器学习模型如随机森林、支持向量机被用于风险预测与分层干预同时移动健康应用mHealth平台通过iOS与Android双端同步提升了患者自测的可达性与连续性。中国学术界在近几年亦积极探索数字精神健康服务体系重点聚焦于信息化基础设施建设、与国家健康信息平台的互联互通以及多模态数据融合。国内研究者通过搭建基于SpringBoot、Vue等技术栈的原型系统实现了测评数据的标准化存储与可视化分析并在社区卫生服务中心开展了可行性试点此外针对大数据安全中国学者提出了多层加密与访问控制模型以满足《网络安全法》与《个人信息保护法》的合规要求。两者在技术实现上均强调模块化、可扩展与高并发处理能力但在隐私保护机制、算法可解释性以及跨域数据共享方面仍存在差距。总体而言国内外研究已形成以数字化测评为核心、AI辅助诊断为补充的多维度发展格局未来仍需在标准制定、伦理合规与系统可持续运营等方面深化合作与创新。四、预期达到目标及解决的关键问题本研究的预期目标聚焦于构建一套高效、可靠、易用且安全的精神健康测评系统以满足临床与社区层面的多元需求。首先系统应实现基于SpringBoot后端与Vue前端的分层架构支持RESTful接口调用并通过统一的数据模型实现多维度测评量表的无缝集成其次在性能方面系统需满足并发访问数千级别、单次测评响应时间不超过三秒的指标以保证在高峰期仍能保持稳定服务再次系统界面应遵循移动优先设计原则兼容主流操作系统与屏幕尺寸并通过交互式图表与即时反馈提升用户体验第四数据安全与隐私保护是核心要求需采用多层加密、访问控制与审计日志机制并满足国家网络安全与个人信息保护法规的合规性最后系统应嵌入机器学习模块对测评结果进行风险预测与分层干预建议为临床决策提供数据支持。综上所述本研究旨在实现一套功能完备、性能稳定、易用安全且可持续扩展的精神健康测评平台。在实现上述目标的过程中关键问题主要体现在技术实现、数据治理与伦理合规三大维度。技术层面如何在SpringBoot与Vue框架下高效管理海量测评数据并保证系统的可维护性与可扩展性是一项重要挑战同时前端响应式设计需兼顾多终端渲染性能避免因网络延迟导致的用户体验下降。数据治理方面测评结果涉及敏感心理信息如何在保证数据完整性的前提下实现匿名化、脱敏处理并构建完善的数据生命周期管理体系是系统安全的关键此外多源异构数据的标准化与融合也是实现精准预测模型的前提。伦理合规层面算法模型可能存在偏差需通过可解释性分析与持续监测机制降低误诊风险同时在用户同意与知情权方面系统需提供清晰透明的数据使用说明并支持用户随时撤销授权。解决上述问题将为系统的落地部署与推广奠定坚实基础。针对技术实现的关键问题研究计划采用微服务架构拆分业务模块利用Spring Cloud实现服务治理与弹性伸缩前端则采用Vue 3 Composition API与TypeScript提升代码可维护性并通过Element Plus等组件库加速界面开发。数据层面将引入分布式数据库如MySQL Cluster或CockroachDB以支持高并发读写并通过ETL流程实现测评结果的标准化存储同时利用Redis缓存热点数据提升查询效率。算法层面将先行构建基于XGBoost与LightGBM的风险预测模型并结合SHAP值等可解释性工具进行模型解释与验证。所有模块均需通过单元测试、集成测试与性能测试确保系统在真实环境中的稳定性。在数据治理与伦理合规方面研究将遵循《个人信息保护法》与《网络安全法》制定数据处理规范采用AES-256对存储数据进行加密并通过OAuth 2.0实现细粒度访问控制审计日志将记录所有数据访问与操作支持追溯与合规检查。为降低算法偏差将构建多样化训练集并引入公平性评估指标如均衡准确率与群体误差分析同时设置模型监控机制对预测结果进行实时反馈与修正。用户隐私方面系统将提供清晰的隐私政策与数据使用说明并支持用户随时删除个人数据或撤销授权。综上所述本研究通过技术创新、数据治理与伦理合规的协同推进力求实现一套满足临床需求、兼顾用户体验且符合法律法规的精神健康测评系统。通过解决上述关键问题将为精神健康领域的信息化建设提供可复制、可推广的技术与方法论为提升公众心理健康水平贡献重要价值。五、研究内容本研究以构建一套基于SpringBoot与Vue技术栈的精神健康测评系统为核心整体研究内容涵盖系统架构设计、功能模块实现、数据治理与安全保障、人工智能辅助诊断以及系统评估与优化。首先在系统架构层面后端采用SpringBoot框架实现RESTful API服务并通过Spring Cloud微服务治理技术将业务拆分为测评管理服务、用户管理服务、数据分析服务与权限控制服务以实现高内聚低耦合的模块化设计前端则采用Vue 3 Composition API构建单页面应用利用Element Plus等组件库实现响应式界面并通过Axios与后端API进行数据交互。其次在功能模块实现方面测评管理服务负责接收并校验多维度心理量表数据如PHQ‑9、GAD‑7、SDS等并将结果存入分布式关系型数据库用户管理服务提供注册、登录、角色分配与权限验证功能采用JWT令牌实现无状态认证数据分析服务集成机器学习模型对历史测评结果进行风险预测与趋势分析并通过可视化图表展示给临床医生。第三在数据治理与安全保障层面系统对所有存储数据采用AES‑256加密并在传输层使用TLS 1.3协议访问控制通过RBAC模型细粒度管理所有操作均记录审计日志以满足合规要求此外系统实现了基于OAuth 2.0的第三方授权机制以支持移动端与云端的安全互联。第四在人工智能辅助诊断方面研究团队首先收集并清洗大量匿名化测评数据构建训练集随后采用XGBoost与LightGBM模型进行风险等级预测并利用SHAP值等可解释性工具对模型输出进行解释模型的预测结果与传统量表评分相结合为医生提供多维度决策支持。第五在系统评估与优化阶段研究将通过A/B测试、负载测试与安全渗透测试等手段对系统性能、可用性与安全性进行全面评估根据评估结果迭代改进前端交互体验、后端性能瓶颈以及模型精度。最后系统的部署与运维采用Docker容器化技术并通过Kubernetes实现弹性伸缩以满足不同规模用户的访问需求。综上所述本研究通过多层次、多维度的设计与实现力求构建一套功能完善、性能稳定、数据安全且具备人工智能辅助诊断能力的精神健康测评系统为临床与社区心理健康服务提供技术支撑。六、需求分析用户需求方面系统的主要使用者包括精神健康评估的患者、临床医生以及社区卫生服务管理人员。患者在使用过程中期望能够通过移动端或网页端便捷完成多维度心理测评测评过程需简洁明了、界面友好并能在完成后即时获得个性化反馈与建议同时患者对个人数据的隐私保护有高度关注期望系统能够明确告知数据使用目的、存储方式并提供随时撤销授权或删除个人信息的功能。临床医生则需要在系统中快速检索患者历史测评记录获取可视化的趋势分析与风险预测结果以辅助诊断与治疗方案制定医生对系统的稳定性、数据准确性以及可解释性的需求尤为重要期望能够通过图表或报告形式直观展示关键指标并对模型输出提供解释说明。社区卫生服务管理人员则关注系统的整体运营与数据治理期望能够通过后台管理界面进行用户权限配置、测评量表更新、数据统计与报表导出等管理任务此外他们还需要系统具备合规审计功能能够追踪数据访问与操作记录以满足监管要求。综上所述用户需求侧重于便捷性、可视化反馈、安全隐私以及合规性。功能需求方面系统需实现完整的用户身份管理模块包括注册、登录、角色分配与权限控制并通过JWT令牌实现无状态认证同时提供多因素身份验证与密码重置功能以增强安全性。测评管理模块需支持多种心理量表的在线填写与校验支持量表的版本管理与自定义配置并将测评结果以结构化形式存入数据库该模块还需实现测评结果的即时计算、分级与存档功能。数据分析模块必须集成机器学习模型对历史测评数据进行风险预测与趋势分析并通过可视化图表如折线图、柱状图、热力图呈现给用户此外系统需支持模型解释功能如SHAP值展示以提升诊断透明度。安全与合规模块需实现数据加密传输与存储、访问控制、审计日志记录与导出并提供隐私政策声明与用户授权管理接口。管理后台模块需提供用户管理、角色权限配置、测评量表维护、系统日志查看与导出等功能并支持多语言与主题切换。最后系统需具备高可用性与弹性伸缩能力采用容器化部署与自动化监控以满足大规模并发访问需求。七、可行性分析经济可行性方面本研究所采用的SpringBoot与Vue技术栈均为开源框架能够显著降低软件开发与维护成本同时系统部署在云端容器化环境中可通过按需付费模式实现资源弹性扩展从而避免一次性高额硬件投入。项目初期主要投入集中于人才招聘、数据采集与标注、算法研发以及系统集成测试预计总成本可控制在数十万元人民币后期运营成本主要为云服务费用、系统监控与安全维护且由于系统采用微服务架构可实现模块化升级与快速迭代进一步降低长期运营支出。通过与医院、社区卫生服务中心的合作本系统可实现多方共赢医疗机构可利用该平台提升诊疗效率并获取精准数据支持而平台方则通过提供增值服务如高级分析报告、定制化量表获得收益从而形成良性经济闭环。社会可行性方面精神健康问题在我国已成为公共卫生领域的重要议题尤其在城市化进程加快、工作压力增大背景下心理疾病发病率持续上升。基于信息技术的测评系统能够突破时间与空间限制使更多人群获得及时评估与干预符合国家“健康中国2030”战略目标。系统设计充分考虑用户体验与隐私保护采用匿名化数据处理、加密存储与访问控制等技术手段能够获得公众信任并满足《个人信息保护法》及相关法规要求同时通过提供移动端自测功能可降低门诊就诊压力提升基层医疗资源利用率。社会层面亦需关注数字鸿沟问题系统将兼容低端设备与弱网络环境并提供离线缓存与同步功能以确保不同地区、不同经济水平人群均能受益。技术可行性方面SpringBoot框架在Java生态中已成熟稳定支持高并发请求处理与微服务治理Vue前端则具备快速开发、组件化复用与响应式渲染优势能够实现跨平台友好体验。后端可利用MySQL Cluster或CockroachDB等分布式数据库保障数据一致性与高可用Redis缓存热点数据可提升查询性能Docker容器化与Kubernetes编排实现弹性伸缩与灰度发布。人工智能辅助诊断模块采用XGBoost、LightGBM等成熟机器学习算法并结合SHAP值等解释技术能够在不牺牲精度的前提下提供可解释性结果。安全层面可通过TLS 1.3、JWT、OAuth 2.0以及多因素认证实现完整的身份与数据安全防护。综上所述技术路径已具备成熟工具与框架支持系统实现难度在可控范围内且具备良好的扩展性与维护性。八、功能分析系统功能模块按业务逻辑划分为用户管理与身份认证、测评与数据处理、人工智能辅助诊断、数据分析与可视化、系统管理与运维以及安全审计等六大块。首先用户管理模块负责实现患者、医生及管理员的注册、登录与角色分配并通过JWT令牌实现无状态身份验证该模块还提供多因素身份验证与密码重置功能并支持用户个人信息的查看与编辑。其次测评与数据处理模块包含问卷管理、测评流程控制与结果存储。问卷管理支持多维度心理量表如PHQ‑9、GAD‑7、SDS等的在线配置、版本升级与自定义题目测评流程控制通过前端Vue组件实现交互式填写并在后端校验答案完整性与合法性结果存储采用分布式关系型数据库保证数据一致性与高可用。第三人工智能辅助诊断模块集成机器学习模型对历史测评数据进行风险等级预测与趋势分析并通过SHAP值等解释工具为临床医生提供可解释性结果该模块还支持模型训练、评估与在线更新确保算法持续优化。第四数据分析与可视化模块为医生和管理者提供多维度图表折线图、柱状图、热力图等展示患者心理健康轨迹、群体分布与风险聚类同时支持自定义报表生成与导出PDF/Excel满足临床报告与科研需求。第五系统管理与运维模块为管理员提供用户权限配置、问卷版本管理、系统日志查询、数据备份与恢复等后台功能并支持多语言与主题切换提升系统可维护性。最后安全审计模块负责记录所有数据访问与操作日志并通过加密传输TLS 1.3和存储加密AES‑256保障信息安全该模块还提供隐私政策声明、用户授权管理以及合规报告导出功能以满足国家网络安全与个人信息保护法规。综上所述系统功能模块构成完整闭环既满足患者的自测需求又为医生提供精准诊断支持同时兼顾管理者的运营与合规要求。九、数据库设计表: users字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 用户唯一标识 | 36 | CHAR(36) | PK | UUIDusername | 登录名 | 50 | VARCHAR(50) | |password_hash | 密码哈希值 | 64 | CHAR(64) | |email | 邮箱地址 | 100 | VARCHAR(100) | |role_id| 用户角色标识|36|CHAR(36)|FK-roles.id|created_at| 创建时间|19|DATETIME| |updated_at| 更新时间|19|DATETIME|表: roles字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 角色唯一标识 | 36 | CHAR(36) | PK | UUIDname | 角色名称如患者、医生、管理员|50|VARCHAR(50)| |description| 角色描述|255|VARCHAR(255)| |表: user_roles字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注user_id | 用户标识 |36|CHAR(36)|FK-users.id|role_id| 角色标识|36|CHAR(36)|FK-roles.id|表: questionnaires字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 问卷唯一标识 |36|CHAR(36)|PK|UUIDtitle | 问卷标题 |100|VARCHAR(100)| |description| 问卷说明|255|VARCHAR(255)| |version | 版本号 |10|VARCHAR(10)| |created_at| 创建时间|19|DATETIME|updated_at| 更新时间|19|DATETIME|表: questions字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 问题唯一标识 |36|CHAR(36)|PK|UUIDquestionnaire_id| 所属问卷标识|36|CHAR(36)|FK-questionnaires.id|content | 问题内容 |500|VARCHAR(500)| |type | 题型单选、多选、文本|20|VARCHAR(20)| |order_index | 顺序号 |10|INT| |表: options字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 选项唯一标识 |36|CHAR(36)|PK|UUIDquestion_id| 所属问题标识|36|CHAR(36)|FK-questions.id|content | 选项内容 |200|VARCHAR(200)| |score | 对应分值可为空 |10|DECIMAL(5,2)| |表: assessments字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 测评记录唯一标识 |36|CHAR(36)|PK|UUIDuser_id| 被测用户标识|36|CHAR(36)|FK-users.id|questionnaire_id| 所属问卷标识|36|CHAR(36)|FK-questionnaires.id|start_time | 开始时间 |19|DATETIME|end_time | 结束时间 |19|DATETIME|表: assessment_results字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 结果唯一标识 |36|CHAR(36)|PK|UUIDassessment_id| 所属测评标识|36|CHAR(36)|FK-assessments.id|question_id| 问题标识|36|CHAR(36)|FK-questions.id|option_id | 选项标识可为空 |36|CHAR(36)|FK-options.id|score | 得分 |10|DECIMAL(5,2)| |表: prediction_results字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 预测结果唯一标识 |36|CHAR(36)|PK|UUIDassessment_id| 所属测评标识|36|CHAR(36)|FK-assessments.id|risk_level | 风险等级低、中、高|20|VARCHAR(20)| |confidence | 置信度0-1 |10|DECIMAL(5,4)| |model_version | 模型版本号 |20|VARCHAR(20)| |表: audit_logs字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注id | 日志唯一标识 |36|CHAR(36)|PK|UUIDuser_id| 操作者标识|36|CHAR(36)|FK-users.id|action | 操作类型登录、查询、更新等|50|VARCHAR(50)| |entity | 受影响实体表名|50|VARCHAR(50)| |entity_id | 实体记录标识 |36|CHAR(36)| |timestamp | 操作时间 |19|DATETIME|ip_address | IP地址 |45|VARCHAR(45)| |以上表结构遵循第一范式与第二范式主键唯一且非空外键完整性约束保证数据一致性。字段类型与大小经过实际业务场景评估兼顾性能与存储效率。十、建表语句CREATE DATABASE IF NOT EXISTS mental_health_db CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;USE mental_health_db;-- 角色表CREATE TABLE IF NOT EXISTS roles (id CHAR(36) NOT NULL DEFAULT (UUID()),name VARCHAR(50) NOT NULL,description VARCHAR(255),PRIMARY KEY (id),UNIQUE KEY uq_roles_name (name)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 用户表CREATE TABLE IF NOT EXISTS users (id CHAR(36) NOT NULL DEFAULT (UUID()),username VARCHAR(50) NOT NULL,password_hash CHAR(64) NOT NULL,email VARCHAR(100) NOT NULL,role_id CHAR(36),created_at DATETIME DEFAULT CURRENT_TIMESTAMP,updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,PRIMARY KEY (id),UNIQUE KEY uq_users_username (username),UNIQUE KEY uq_users_email (email),CONSTRAINT fk_users_role FOREIGN KEY (role_id) REFERENCES roles(id) ON DELETE SET NULL ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 用户角色关联表多对多CREATE TABLE IF NOT EXISTS user_roles (user_id CHAR(36) NOT NULL,role_id CHAR(36) NOT NULL,PRIMARY KEY (user_id, role_id),CONSTRAINT fk_user_roles_user FOREIGN KEY (user_id) REFERENCES users(id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_user_roles_role FOREIGN KEY (role_id) REFERENCES roles(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 问卷表CREATE TABLE IF NOT EXISTS questionnaires (id CHAR(36) NOT NULL DEFAULT (UUID()),title VARCHAR(100) NOT NULL,description VARCHAR(255),version VARCHAR(10) NOT NULL,created_at DATETIME DEFAULT CURRENT_TIMESTAMP,updated_at DATETIME DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,PRIMARY KEY (id)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 问题表CREATE TABLE IF NOT EXISTS questions (id CHAR(36) NOT NULL DEFAULT (UUID()),questionnaire_id CHAR(36) NOT NULL,content VARCHAR(500) NOT NULL,type VARCHAR(20) NOT NULL,order_index INT NOT NULL,PRIMARY KEY (id),KEY idx_questions_questionnaire_id (questionnaire_id),CONSTRAINT fk_questions_questionnaire FOREIGN KEY (questionnaire_id) REFERENCES questionnaires(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 选项表CREATE TABLE IF NOT EXISTS options (id CHAR(36) NOT NULL DEFAULT (UUID()),question_id CHAR(36) NOT NULL,content VARCHAR(200) NOT NULL,score DECIMAL(5,2),PRIMARY KEY (id),KEY idx_options_question_id (question_id),CONSTRAINT fk_options_question FOREIGN KEY (question_id) REFERENCES questions(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 测评记录表CREATE TABLE IF NOT EXISTS assessments (id CHAR(36) NOT NULL DEFAULT (UUID()),user_id CHAR(36) NOT NULL,questionnaire_id CHAR(36) NOT NULL,start_time DATETIME,end_time DATETIME,PRIMARY KEY (id),KEY idx_assessments_user_id (user_id),KEY idx_assessments_questionnaire_id (questionnaire_id),CONSTRAINT fk_assessments_user FOREIGN KEY (user_id) REFERENCES users(id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_assessments_questionnaire FOREIGN KEY (questionnaire_id) REFERENCES questionnaires(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 测评结果表CREATE TABLE IF NOT EXISTS assessment_results (id CHAR(36) NOT NULL DEFAULT (UUID()),assessment_id CHAR(36) NOT NULL,question_id CHAR(36) NOT NULL,option_id CHAR(36),score DECIMAL(5,2),PRIMARY KEY (id),KEY idx_assessment_results_assessment_id (assessment_id),KEY idx_assessment_results_question_id (question_id),KEY idx_assessment_results_option_id (option_id),CONSTRAINT fk_results_assessment FOREIGN KEY (assessment_id) REFERENCES assessments(id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_results_question FOREIGN KEY (question_id) REFERENCES questions(id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_results_option FOREIGN KEY (option_id) REFERENCES options(id) ON DELETE SET NULL ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 预测结果表CREATE TABLE IF NOT EXISTS prediction_results (id CHAR(36) NOT NULL DEFAULT (UUID()),assessment_id CHAR(36) NOT NULL,risk_level VARCHAR(20) NOT NULL,confidence DECIMAL(5,4),model_version VARCHAR(20),PRIMARY KEY (id),KEY idx_prediction_results_assessment_id (assessment_id),CONSTRAINT fk_prediction_assessment FOREIGN KEY (assessment_id) REFERENCES assessments(id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;-- 审计日志表CREATE TABLE IF NOT EXISTS audit_logs (id CHAR(36) NOT NULL DEFAULT (UUID()),user_id CHAR(36),action VARCHAR(50) NOT NULL,entity VARCHAR(50),entity_id CHAR(36),timestamp DATETIME DEFAULT CURRENT_TIMESTAMP,ip_address VARCHAR(45),PRIMARY KEY (id),KEY idx_audit_logs_user_id (user_id),CONSTRAINT fk_audit_user FOREIGN KEY (user_id) REFERENCES users(id) ON DELETE SET NULL ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方获取联系方式