# 心理健康风险预警系统前端（PsyMirror）

**Repository Path**: logic1266/Logic

## Basic Information

- **Project Name**: 心理健康风险预警系统前端（PsyMirror）
- **Description**: 心理健康风险预警系统的前端与智能体子系统，面向两类用户：1.学生群体；2.心理健康老师。

- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 0
- **Created**: 2025-09-01
- **Last Updated**: 2026-03-31

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AI多模态心理健康风险预警系统-前端网页

## 项目介绍

「AI 多模态心理健康风险预警系统」是一款面向校园等公共场所的智能化心理健康监测工具，基于 Streamlit 开发前端界面，核心目标是通过无感化采集、多模态数据分析和隐私合规设计，解决传统心理筛查主观失真、实时性差的痛点。

系统支持人脸 / 声纹身份认证、健康数据可视化、AI 智能体咨询等功能，可帮助学校建立主动预警机制，辅助精准干预，同时为用户提供低压力、隐私安全的心理健康监测体验。

## 核心功能

### 1. 用户端核心功能  
🔐 账号注册 / 登录 / 注销，支持密码加密存储（SHA-256）  
🧑 人脸 / 声纹信息录入与加密存储（AES-256）  
📊 健康评分趋势可视化（折线图 / 柱状图）、历史数据查询  
🤖 AI 心理健康智能体咨询（基于 Dify 平台集成，支持个性化建议）  
🔒 隐私权限管理（动态同意机制、数据脱敏处理）  
### 2. 管理员端核心功能  
👥 多用户数据管理与筛选  
⚠️ 低分用户预警（可自定义阈值）  
📈 批量用户健康数据统计与可视化  
📋 演示数据生成（用于功能测试）  
### 3. 隐私保护亮点  
原始音视频数据本地处理后立即销毁，仅存储加密特征向量  
敏感信息（姓名、学号、生物特征）AES-256 加密存储  
支持动态授权机制，用户可随时查看数据用途并调整权限  
符合《个人信息保护法》，系统日志可追溯  


## 技术栈

| 类别   | 核心技术/工具 |
| ------ | ---- |
| 前端框架   | Streamlit |
| 数据处理   | Pandas, Plotly |
| 生物特征识别   | OpenCV，face_recognition, libsora, resemblyz |
| 数据存储   | MySQL |
| 加密技术   | AES-256（敏感数据加密）、SHA-256(密码哈希) |
| API集成 | aiohttp（异步请求）、Dify API（AI 智能体交互） |
| 开发环境   | Python 3.8+、Ubuntu 20.04+、NVIDIA GPU |


## 本地安装与部署指南

### 1.  环境准备  
操作系统：Windows 10+/macOS 12+/Ubuntu 20.04+  
Python 版本：3.8+  
依赖管理：pip/Conda  
可选：NVIDIA GPU  

### 2.  快速部署步骤

#### 步骤1：克隆仓库
```bash
git clone https://gitee.com/logic1266/Logic
```


#### 步骤2：安装依赖    
创建并激活虚拟环境（推荐）：    

Conda方式  
```bash
conda create -n mental-health python=3.9
conda activate mental-health
```

Pip方式
```bash
python -m venv venv
# Windows激活：venv\Scripts\activate
# Mac/Linux激活：source venv/bin/activate
```

安装依赖包
```bash
pip install -r requirements.txt
```

#### 步骤3：配置环境变量      
创建 .streamlit/secrets.toml 文件，填入以下内容：  

```toml
# 数据库配置
db_host = "你的数据库地址"
db_user = "数据库用户名"
db_password = "数据库密码"
db_database = "health_system_local"

# 加密密钥（32字节，可通过 Fernet.generate_key() 生成）
ENCRYPTION_KEY = "你的AES加密密钥"

# Dify API配置（AI智能体）
[dify]
api_url = "http://localhost:80"  # Dify平台部署地址
api_key = "你的Dify API密钥"
app_id = "你的Dify应用ID"
```  

#### 步骤4：初始化数据库  
1.手动创建 MySQL 数据库（名称与 db_database 一致）
2.运行前端代码自动初始化表结构：
```bash
streamlit run website.py
```
系统会自动创建 users、user_profiles、health_scores 三张核心表。

#### 步骤5：启动应用

```bash
streamlit run website.py
```

浏览器访问 http://localhost:8501 即可使用。


## 使用说明

### 1. 普通用户使用流程
注册登录：创建账号并登录，首次登录需同意用户条款。  
信息录入：  
进入「个人信息」页面，录入真实姓名、学号、年龄等基本信息；   
完成人脸录入（光线充足环境下拍摄，系统自动提取特征）；  
完成声纹录入（按提示朗读指定文本，录音时长≥3 秒）。 
数据查看：  
系统自动同步健康数据（测试环境可点击「生成演示数据」）；    
查看健康评分趋势图、历史记录；  
智能咨询：在「心理健康专家智能体」模块提问，获取个性化建议。
### 2. 管理员使用流程  
使用管理员账号登录（is_admin 字段设为 TRUE）；  
侧边栏选择「选择查看的用户」，查看指定用户的健康数据；   
调整「低分阈值」，筛选需要关注的用户并导出预警列表；   
生成演示数据用于功能测试或展示。  


## 目录结构

plaintext  
frontend/  
├── website.py          # 主程序（集成所有功能模块）  
├── requirements.txt    # 依赖清单  
├── environments.yml    # 环境配置  
├── .streamlit/  
│   └── secrets.toml    # 环境变量配置（不提交到Git）    
└── README.md           # 本说明文档  

核心代码模块说明  
| 模块   | 功能描述 |
| ------ | ---- |  
| 数据库操作   | 封装数据库连接、用户/健康数据 CRUD、数据加密 |  
| 生物特征处理   | 人脸检测 / 编码、声纹提取 / 匹配，支持重新录入与删除 |  
| 用户认证   | 账号注册、登录验证、密码哈希存储 |  
| 数据可视化   | 健康评分趋势图、柱状图、数据仪表盘 |  
| AI 智能体交互   | 调用 Dify API，基于用户健康数据生成个性化咨询建议 |  
| 隐私保护   | 敏感数据加密存储、原始数据本地销毁、动态同意机制 |      


## 项目亮点
无感化监测：复用现有音视频设备，无需用户主动配合，实时采集多模态数据；  
多模态融合：结合人脸表情、语音语调、用户画像，提升风险评估准确率；  
隐私合规：全流程加密 + 本地处理，符合个人信息保护法规；  
轻量化部署：基于 Streamlit 快速开发，支持本地 / 云端部署，硬件要求低。

## 已知问题与注意事项
人脸录入需保证光线充足，避免遮挡面部（眼镜、口罩可能影响识别）；  
声纹录入需在安静环境下进行，避免背景噪音干扰；   
实时处理功能建议部署在 GPU 环境，CPU 环境可能存在延迟问题；  
数据库需定期备份，避免数据丢失。

## 未来规划
优化多模态融合算法，提升风险评估准确率
增加手机端适配，支持移动设备访问
扩展预警渠道（短信、邮件、校园 APP 推送）
增加心理干预资源库，提供更多专业支持

## 前端贡献者
项目负责人：赵嘉熠（后端开发、项目统筹）；
核心开发：张舜尧、郭同语（前端设计、UI 优化、智能体开发）  
项目调研：张舜尧、宋秉谦、刘一诺、崔悦琪、张西尧、胡景元


## 许可证
本项目采用 MIT License 开源协议，允许非商业用途的修改、分发和使用，使用前请遵守相关条款。