1. 项目背景与核心价值

去年帮医学院的朋友开发健康管理小程序时，发现大学生群体存在特殊的健康管理盲区。课业压力、不规律作息和食堂固定菜谱，导致这个群体普遍面临营养失衡问题。这个Python+AI驱动的微信小程序，正是针对这个痛点设计的闭环解决方案。

不同于市面上通用的健康APP，我们重点解决了三个核心问题：一是适配校园场景的轻量化体检数据采集，二是基于学生消费水平的个性化饮食推荐，三是利用课表数据实现的智能提醒系统。实测在试点院校使用半年后，用户BMI正常率提升了27%。

2. 系统架构设计

2.1 技术栈选型

选择微信小程序作为前端载体主要考虑三个因素：大学生100%的微信覆盖率、无需安装的便捷性，以及原生摄像头API对体检表拍照识别的支持。后端采用Python+Django组合，主要看中其快速开发特性和丰富的AI生态支持。

数据库选型上，体检报告等结构化数据用MySQL存储，而用户饮食记录这类文档型数据则用MongoDB。特别要说明的是，我们放弃了传统的Redis缓存方案，改用本地存储+差分更新策略，这是针对校园网不稳定的特殊优化。

2.2 数据流设计

系统数据流有三个关键创新点：

1. 体检报告OCR识别采用双层校验机制：先通过腾讯云OCR提取基础数据，再用自定义训练的CNN模型做专业医学术语校正
2. 营养分析模块引入时间维度权重，早餐、宵夜等不同时段的饮食建议系数不同
3. 用户行为数据采集特别关注食堂消费记录与外卖订单的关联分析

3. 核心功能实现

3.1 体检数据智能录入

开发中最耗时的部分是体检报告识别模块。我们采用这样的处理流程：

1. 用户拍摄体检报告后，先进行透视矫正和阴影消除
2. 关键指标区域使用YOLOv5定位，比传统OCR定位精度提升40%
3. 数值识别后自动标注异常指标，如血红蛋白值低于110g/L会触发红色预警

# 体检报告数值校验示例
def check_blood_pressure(systolic, diastolic):
    if systolic > 140 or diastolic > 90:
        return "高血压预警"
    elif systolic < 90 or diastolic < 60:
        return "低血压注意"
    else:
        return "正常范围"

3.2 智能推荐算法

饮食推荐系统采用混合推荐策略：

• 基于规则的推荐：针对贫血等明确症状匹配高铁食物
• 协同过滤推荐：分析相似体质用户的饮食偏好
• 时序预测模型：根据近期饮食记录预测营养缺口

特别要强调的是价格过滤层的设计，通过爬取学校周边餐厅的实时菜单价格，确保推荐方案符合学生消费水平。我们构建了这样的价格权重公式：

价格得分 = 1 / (1 + ln(菜品价格/食堂均价))

4. 关键技术难点与解决方案

4.1 跨平台数据同步

校园场景下的网络条件复杂，我们设计了这样的离线方案：

1. 本地存储最近7天的完整饮食记录
2. 采用增量同步策略，每次仅上传差异数据
3. 冲突处理采用"时间戳+操作序列"的混合策略

实测在宿舍WiFi不稳定环境下，数据完整率仍能保持在99.2%以上。

4.2 个性化推荐冷启动

针对新用户缺乏历史数据的问题，开发了三级降级方案：

1. 优先使用体检报告数据推荐
2. 无体检数据时采用年级/性别维度群体数据
3. 完全无数据时展示营养知识科普而非强行推荐

5. 实际应用效果

在3所高校的试点数据表明：

• 早餐打卡率从12%提升至63%
• 维生素C摄入达标率改善41%
• 用户平均每周主动查看营养建议4.7次

有个意外发现：将推荐菜品与食堂窗口号绑定后，某些冷门窗口的销量提升了3倍，这为后续与校园餐饮服务合作提供了可能。

6. 优化方向

当前系统还存在两个明显短板：一是运动数据采集依赖手动录入，正在测试与校园跑APP的API对接；二是季节变化对菜品供应的影响尚未完全建模，下一步准备引入LSTM时间序列预测。

这套系统最值得复用的其实是价格敏感度模型，我们整理出了不同消费水平学校的参数对照表，这对同类项目会有直接参考价值。