博主介绍✌ 专注于VUE,小程序安卓Java,python,物联网专业 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种基于深度学习的皮肤病变分类系统以提高临床诊断的准确性与效率。该系统通过整合大规模多中心图像数据集利用卷积神经网络实现对常见及罕见皮肤病变的高精度识别从而减轻医生在影像分析上的工作负担。为解决传统方法在样本不均衡、噪声干扰和分辨率限制下的性能下降问题本研究引入了多尺度特征融合与注意力机制提升模型对细微纹理与边界信息的感知能力。与此同时考虑到不同人种、肤色及光照条件对图像质量的影响本文采用域自适应技术使模型在跨域迁移时保持鲁棒性。为了增强系统的可解释性与临床可接受度研究还设计了基于Grad-CAM的可视化模块使医生能够直观查看模型关注区域并进行交叉验证。系统的评估将通过与多位皮肤科专家标注结果进行对比并采用交叉验证、混淆矩阵及ROC曲线等指标全面衡量性能。最终本研究期望构建的分类系统能够在移动医疗终端实现实时推理为偏远地区提供及时、精准的诊疗支持并为后续皮肤病变自动化管理与个性化治疗奠定技术基础。二、研究意义本研究的意义体现在多维度的临床与技术层面。首先皮肤病变的早期诊断对预防恶性肿瘤转化具有决定性作用而传统诊断依赖经验丰富的皮肤科医生受人力资源与时间成本限制导致误诊率偏高。通过构建基于深度学习的自动分类系统可在短时间内对大量图像进行高精度分析从而显著降低误诊与漏诊概率提升患者获得及时、精准治疗的机会。其次在医疗资源分布不均的地区缺乏专业皮肤科医生导致疾病筛查与随访延迟。该系统可嵌入移动医疗终端或远程诊疗平台实现无人工干预的初步筛查为偏远地区患者提供即时评估与转诊建议促进医疗公平。再次本文提出的多尺度特征融合与注意力机制在图像细节捕捉方面优于传统卷积网络能够更好地识别色素、纹理及边缘信息为深度学习模型在医学影像领域的可迁移性与鲁棒性提供了新的技术路径。与此同时结合Grad‑CAM可视化模块使模型决策过程对临床医师透明可用于验证与修正提升系统可信度并为医学教育提供案例分析工具。最后本研究为将深度学习模型与电子健康记录系统、影像存档及决策支持系统深度融合奠定了基础展望未来可实现从图像识别到个性化治疗方案推荐的闭环医疗智能化。通过上述多方面的贡献本研究不仅在技术层面推动了医学影像分析的发展也在临床实践中具有显著的社会与经济价值。三、国内外研究现状近年来医学影像领域的研究者在皮肤病变分类方面取得了显著进展尤其是深度学习技术的引入使得自动化诊断系统的性能大幅提升。国际上最早期的研究主要依赖手工特征提取与传统机器学习方法如纹理分析、颜色直方图以及支持向量机等但这些方法在复杂病变样本上的识别准确率受限。随着卷积神经网络的兴起学术界开始将AlexNet、VGG、ResNet等经典模型迁移至皮肤图像分类任务并通过大规模公开数据集如ISIC Archive、Derm7pt以及Kaggle竞赛数据进行训练与评估取得了相当可观的准确率提升。与此同时研究者提出了多尺度特征融合、注意力机制以及深度可分离卷积等技术以进一步提升模型对细微纹理与边缘信息的感知能力并降低模型参数量。值得关注的是针对不同肤色与光照条件导致的域偏移问题学术界提出了域自适应、对抗训练以及多任务学习等方法使得模型在跨域迁移时保持鲁棒性。近年来一些研究还将分割与分类任务联合建模通过语义分割提取病变区域后再进行分类显著提升了诊断精度。与此同时Grad‑CAM、Score‑CAM等可视化技术被广泛应用以增强模型决策的可解释性为临床医生提供直观的关注区域分析。在国内随着医学影像数据资源的丰富与计算平台的普及研究者也在积极探索适合中国人群特征的深度学习模型。多家高校与医院合作构建了本土化的数据集例如来自北京、上海、广州等城市皮肤科中心收集的数千张高分辨率病变图像并采用数据增强、伪标签与半监督学习等技术弥补标注样本不足的问题。国内研究者在模型轻量化方面也取得了突破利用MobileNetV2、ShuffleNet以及深度可分离卷积等结构在保持高准确率的前提下将模型参数压缩至数百KB适合嵌入移动终端与边缘设备实现实时推理。鉴于医疗数据的隐私敏感性国内学术界也在探索联邦学习与差分隐私等技术以实现多中心数据协同训练而不泄露原始图像。除此之外一些研究团队关注临床工作流的集成提出了基于规则引擎与深度学习相结合的混合系统并通过多学科专家评审验证其在真实临床环境中的可行性。总体而言国内外在数据资源、模型创新、可解释性与临床应用等方面形成了互补的研究生态为实现精准、普惠的皮肤病变诊断奠定了坚实基础。四、预期达到目标及解决的关键问题本研究的首要目标在于构建一套能够在临床环境中实现高效、精准、可解释的皮肤病变分类系统。该系统将通过整合多中心、多种肤色与光照条件下的大规模图像数据集采用改进的卷积神经网络架构实现对常见恶性与良性皮肤病变的自动识别并在模型训练阶段引入域自适应与注意力机制以提升跨域迁移性能。与此同时系统将配备基于梯度可视化的解释模块使得医生能够直观了解模型关注的图像区域从而增强诊断结果的可信度并支持临床决策。为实现上述目标本研究还计划在轻量化模型设计方面进行创新以满足移动终端与边缘设备实时推理的需求并通过联邦学习框架实现多中心数据协同训练确保数据隐私与安全。在实现上述目标的过程中研究将面临若干关键技术难题。首先皮肤病变图像的样本不均衡问题仍然严峻恶性肿瘤类样本相对稀缺这将导致模型在罕见病变上的识别准确率下降为此需探索基于生成对抗网络与自监督学习的样本增强与重采样策略。其次肤色差异与光照变化引发的域偏移问题会显著影响模型泛化性能亟需开发更鲁棒的域自适应算法并在训练时加入多任务学习以提升特征共享能力。再次深度学习模型的可解释性是临床应用的门槛之一如何将梯度可视化与医学知识融合构建既能提供可视化结果又能给出诊断依据的解释框架是实现医生信任的关键。最后在系统部署与评估阶段需要设计符合医疗器械监管要求的验证流程并通过多中心临床试验验证模型在真实工作流中的效能与安全性。通过系统性地解决上述关键问题本研究有望为皮肤病变自动诊断技术迈向临床落地奠定坚实基础。五、研究内容本研究首先构建多中心皮肤病变图像数据库涵盖不同人种、肤色与光照条件下的常见恶性及良性病变样本。数据采集将遵循伦理审查与隐私保护原则采用高分辨率数字相机与专业皮肤镜设备进行拍摄并通过专家标注生成标准诊断标签。随后对原始图像进行统一尺寸归一化、色彩空间转换与噪声抑制处理并利用数据增强技术旋转、翻转、裁剪、色调扰动扩大样本空间缓解样本不均衡问题。为进一步提升模型对细节纹理的捕捉能力本研究将引入多尺度特征提取模块通过在不同卷积层输出上进行融合形成丰富的语义与位置特征表示。在模型设计方面将基于改进的残差网络架构结合深度可分离卷积与注意力机制以实现参数量与计算量的最优平衡。残差块将采用瓶颈结构并在每个阶段引入SE注意力模块增强通道间信息交互同时在浅层特征上加入空间注意力模块提升对病变边界与纹理细节的敏感度。为解决域偏移导致的泛化下降本研究将采用对抗性域自适应策略在训练过程中引入域分类器与梯度反转层使模型学习到与域无关的特征表示。模型训练将采用多任务学习框架兼顾分类与分割任务利用交叉熵损失与Dice系数共同优化从而提升对病变区域的定位精度。鉴于临床应用对可解释性的高要求本研究将开发基于梯度加权类激活映射Grad‑CAM的可视化工具使得模型关注区域能够以热图形式呈现给医生。为进一步增强解释性将引入知识蒸馏技术将复杂模型的决策逻辑迁移至轻量化学生网络并在学生网络中嵌入医学知识图谱约束使得模型输出与临床经验保持一致。系统评估将采用交叉验证、混淆矩阵、ROC曲线及AUC指标比较不同模型结构与训练策略的性能差异同时将在多中心真实病例集上进行外部验证以评估模型在不同设备与环境下的鲁棒性。最后本研究将系统集成至移动终端与边缘设备实现实时推理与即时诊断。为满足医疗器械监管要求系统将通过ISO/IEC 27001信息安全管理体系认证并完成临床试验验证流程。通过上述多维度研究内容本项目旨在实现一套高精度、可解释且易于部署的皮肤病变分类系统为临床医生提供可靠的辅助诊断工具并为偏远地区医疗资源不足的患者提供及时、精准的诊疗支持。六、需求分析用户需求方面系统的主要使用者包括皮肤科医生、基层医疗工作者以及需要自我监测的患者。医生在临床工作中需要快速、准确地识别多种皮肤病变以便及时制定治疗方案他们期望系统能够提供高精度的分类结果并配备可视化工具使得模型关注区域与医学知识相符从而增强诊断信任度。基层医疗工作者通常缺乏专业经验需借助系统进行初步筛查减少误诊与漏诊风险他们对系统的易用性、操作简便性以及在低带宽环境下的离线推理能力有较高要求。患者则期望能够通过移动终端获取即时的病变评估结果获得专业建议并及时就医他们关注系统的隐私保护、结果解读的易懂性以及与医生沟通的便捷性。综上用户需求主要体现在诊断准确性、可解释性、易用性、隐私安全以及跨平台兼容等方面。功能需求方面系统首先需具备多中心图像数据采集与管理模块支持不同设备与格式的图像上传并自动进行标准化预处理包括尺寸归一化、色彩空间转换与噪声抑制。其次模型推理模块应实现高效的深度学习推理支持CPU、GPU及移动端NPU加速以满足实时诊断需求该模块需提供多种分类结果输出如概率分布、置信度阈值判定以及分割掩码。第三可视化与解释模块必须集成梯度加权类激活映射等技术生成热图并与原始图像叠加帮助医生快速定位病变区域并支持导出报告。第四系统应提供安全的身份验证与权限管理确保患者数据仅在授权范围内访问同时需实现数据脱敏与加密存储以满足医疗信息安全法规。第五交互界面设计需兼顾医生与患者两类用户采用直观的图形化操作流程、简洁的结果展示以及多语言支持。最后系统应具备日志审计、版本管理与持续集成机制以便在后续迭代中快速修复缺陷并跟踪性能变化。七、可行性分析经济可行性方面系统的开发与运营成本主要集中在数据采集与标注、模型训练与部署以及后期维护与升级。数据采集需要与多家医院合作获取高质量的皮肤病变图像并聘请专业皮肤科医生进行标注根据行业经验单张图像的人工标注成本约为人民币十至二十元若构建包含一万张样本的数据集则标注费用约为人民币十至二十万元。模型训练阶段需使用GPU服务器或云计算资源按小时计费模式下完成一次完整训练周期含多轮实验预计耗时三至五天GPU租赁费用约为人民币两至三万元。部署阶段在移动端实现轻量化模型后可通过一次性硬件采购或云服务订阅实现推理若采用边缘设备部署硬件成本约为每台设备人民币数千元而云推理模式则按请求计费月度费用可控制在数万元。后期维护与升级需持续投入技术人员与运维成本预计年度运营费用占总投入的15%至20%。从收益角度来看系统可通过向医院、诊所及保险公司提供订阅服务、按诊断次数计费或软件授权方式实现收入假设首年目标客户为十家中型医院每家年订阅费人民币五万元则年收入可达五十万元扣除运营成本后实现盈亏平衡点在第二至第三年。综上经济可行性具备可接受的成本结构与合理的收益预期。社会可行性方面系统的推广需符合医疗器械监管要求并获得相关认证如CE、FDA或中国医疗器械注册。该过程涉及临床验证、风险评估与质量管理体系建设周期一般为一年至两年。与此同时系统必须严格遵守个人健康信息保护法规如《个人信息保护法》通过数据脱敏、加密存储与访问控制等技术手段保障患者隐私。医生的接受度取决于系统的诊断准确率与可解释性若模型在公开数据集上达到或超过人类专家水平并提供可视化热图能够显著提升医生信任度。患者层面则需通过简洁易懂的结果展示与专业建议降低对AI诊断的恐惧感并通过移动端应用实现自我监测与随访功能从而缓解医疗资源不足地区的诊疗瓶颈。社会可行性还涉及培训成本为医生与基层医务人员提供系统使用培训、结果解读指导与维护支持确保系统落地后能够持续发挥价值。总体而言若在监管合规、隐私保护与用户教育方面投入充分社会可行性将得到保障。技术可行性方面当前深度学习技术已在皮肤病变分类任务上取得高精度成果公开数据集如ISIC 2023中使用改进的ResNet、EfficientNet等模型可实现90%以上的准确率且多尺度特征融合与注意力机制进一步提升了对细小纹理的识别能力。数据异质性问题可通过域自适应与对抗训练缓解同时利用迁移学习与少量标注样本即可在新数据集上快速微调。模型轻量化技术如深度可分离卷积、知识蒸馏已证明能够将参数量压缩至数百KB推理延迟低于200毫秒满足移动端实时诊断需求。硬件方面现代智能手机配备NPU或GPU可在设备端完成推理若需高并发服务可部署于云端或边缘服务器利用GPU集群实现大规模并行计算。与现有电子病历系统的接口可通过标准化APIFHIR、HL7实现数据交换确保系统能够无缝嵌入临床工作流。技术挑战主要在于标注质量控制、模型鲁棒性验证以及跨域泛化能力评估但通过持续的实验与迭代这些问题均可在技术层面得到解决。综上所述技术可行性高度成熟可为系统实现提供坚实基础。八、功能分析系统功能模块可分为以下几大块彼此之间通过清晰的接口进行协作。首先数据采集与管理模块负责与多家医院、诊所建立安全的数据通道支持多种图像格式如JPEG、PNG、DICOM上传并将原始图像存入加密数据库该模块还提供元数据录入功能包括患者基本信息、拍摄设备型号、光照条件以及临床诊断标签。其次预处理与增强模块对上传的图像进行尺寸归一化、色彩空间转换如RGB→YUV、噪声抑制与直方图均衡化随后利用随机裁剪、旋转、翻转以及色调扰动等技术生成增强样本以缓解样本不均衡问题。第三模型训练与优化模块集成深度学习框架支持多任务学习分类分割、多尺度特征融合与注意力机制的实验该模块实现迁移学习、对抗性域自适应以及知识蒸馏等技术并通过交叉验证、混淆矩阵与AUC评估模型性能。第四推理引擎模块在移动端或云端部署轻量化模型支持CPU/GPU/NPU加速其输出包括病变类别概率分布、置信度阈值判定以及分割掩码并将结果实时返回给前端。第五可视化与解释模块利用梯度加权类激活映射Grad‑CAM生成热图叠加于原始图像并提供多尺度查看功能同时支持导出可打印报告其中包含诊断结论、置信度、关键特征描述以及建议后续检查。第六用户交互模块为医生与患者提供差异化界面医生端支持批量上传、结果批量审核、历史病例检索与统计分析患者端则提供单图上传、即时诊断结果展示、健康记录同步与预约功能。第七安全与隐私模块实现基于角色的访问控制RBAC、多因素身份验证以及数据脱敏与加密存储所有操作均记录审计日志满足医疗信息安全法规。第八日志与监控模块持续收集系统运行状态、推理延迟、错误率等指标并通过告警机制及时通知运维人员。第九系统集成模块提供标准化APIFHIR、HL7与医院信息系统HIS、电子病历系统EHR对接实现患者信息同步与诊疗记录归档。最后维护与升级模块支持在线模型推送、功能补丁发布与版本回滚确保系统在不断迭代中保持高可用性和兼容性。通过上述完整的功能模块体系系统能够满足从数据采集、模型推理到结果解释与临床应用的全链条需求。九、数据库设计字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---user_id | 用户编号 | 10 | INT UNSIGNED NOT NULL AUTO_INCREMENT | PK | 主键username | 用户名 | 50 | VARCHAR(50) NOT NULL UNIQUE | |password_hash | 密码哈希值 | 255 | VARCHAR(255) NOT NULL | |role_id | 所属角色编号外键|10|INT UNSIGNED NOT NULL|FK→role.role_id|外键约束created_at|创建时间 | 19 | TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP | |字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---role_id | 角色编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|role_name | 角色名称如医生、患者、管理员|20|VARCHAR(20) NOT NULL UNIQUE||字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---patient_id | 患者编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|name | 患者姓名 |100|VARCHAR(100) NOT NULL||gender | 性别M/F |1|CHAR(1) NOT NULL||birth_date | 出生日期 |10|DATE NOT NULL||contact_info | 联系方式电话、邮箱等|200|VARCHAR(200)||字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---image_id | 图像编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|patient_id | 所属患者编号外键|10|INT UNSIGNED NOT NULL|FK→patient.patient_id|uploader_user_id | 上传者用户编号外键|10|INT UNSIGNED NOT NULL|FK→user.user_id|upload_time | 上传时间 |19|TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP||image_path | 图像存储路径 |255|VARCHAR(255) NOT NULL||device_type | 拍摄设备类型如手机、皮肤镜|50|VARCHAR(50)||lighting_condition| 光照条件描述如自然光、荧光灯|50|VARCHAR(50)||字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---annotation_id | 注释编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|image_id | 所属图像编号外键|10|INT UNSIGNED NOT NULL|FK→image.image_id|annotator_user_id | 注释者用户编号外键|10|INT UNSIGNED NOT NULL|FK→user.user_id|label | 病变标签如良性、恶性|20|VARCHAR(20) NOT NULL||notes | 备注信息 |65535|TEXT||字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---prediction_id | 预测编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|image_id | 所属图像编号外键|10|INT UNSIGNED NOT NULL|FK→image.image_id|model_version | 模型版本号 |20|VARCHAR(20) NOT NULL||predicted_label | 预测标签如良性、恶性|20|VARCHAR(20) NOT NULL||probability_score | 预测概率值 |5,4|DECIMAL(5,4) NOT NULL||segmentation_mask_path | 分割掩码存储路径 |255|VARCHAR(255)||字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---model_id | 模型编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|name | 模型名称 |100|VARCHAR(100) NOT NULL||version | 版本号 |20|VARCHAR(20) NOT NULL||architecture | 网络架构如ResNet50、EfficientNet|50|VARCHAR(50) NOT NULL||trained_on | 训练完成日期 |10|DATE NOT NULL||字段名(英文) | 说明(中文) | 大小 | 类型 | 主外键 | 备注---|---|---|---|---|---log_id | 日志编号 |10|INT UNSIGNED NOT NULL AUTO_INCREMENT|PK|user_id | 操作用户编号可为空系统日志|10|INT UNSIGNED NULL|FK→user.user_id|action_type | 操作类型如登录、上传、预测|50|VARCHAR(50) NOT NULL||action_time | 操作时间 |19|TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP||details | 详细信息JSON 或文本|65535|TEXT||十、建表语句CREATE TABLE role (role_id INT UNSIGNED NOT NULL AUTO_INCREMENT,role_name VARCHAR(20) NOT NULL UNIQUE,PRIMARY KEY (role_id)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE user (user_id INT UNSIGNED NOT NULL AUTO_INCREMENT,username VARCHAR(50) NOT NULL UNIQUE,password_hash VARCHAR(255) NOT NULL,role_id INT UNSIGNED NOT NULL,created_at TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,PRIMARY KEY (user_id),CONSTRAINT fk_user_role FOREIGN KEY (role_id) REFERENCES role(role_id) ON DELETE RESTRICT ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE patient (patient_id INT UNSIGNED NOT NULL AUTO_INCREMENT,name VARCHAR(100) NOT NULL,gender CHAR(1) NOT NULL,birth_date DATE NOT NULL,contact_info VARCHAR(200),PRIMARY KEY (patient_id)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE image (image_id INT UNSIGNED NOT NULL AUTO_INCREMENT,patient_id INT UNSIGNED NOT NULL,uploader_user_id INT UNSIGNED NOT NULL,upload_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,image_path VARCHAR(255) NOT NULL,device_type VARCHAR(50),lighting_condition VARCHAR(50),PRIMARY KEY (image_id),INDEX idx_image_patient (patient_id),INDEX idx_image_uploader (uploader_user_id),CONSTRAINT fk_image_patient FOREIGN KEY (patient_id) REFERENCES patient(patient_id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_image_uploader FOREIGN KEY (uploader_user_id) REFERENCES user(user_id) ON DELETE RESTRICT ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE annotation (annotation_id INT UNSIGNED NOT NULL AUTO_INCREMENT,image_id INT UNSIGNED NOT NULL,annotator_user_id INT UNSIGNED NOT NULL,label VARCHAR(20) NOT NULL,notes TEXT,PRIMARY KEY (annotation_id),INDEX idx_annotation_image (image_id),INDEX idx_annotation_user (annotator_user_id),CONSTRAINT fk_annotation_image FOREIGN KEY (image_id) REFERENCES image(image_id) ON DELETE CASCADE ON UPDATE CASCADE,CONSTRAINT fk_annotation_user FOREIGN KEY (annotator_user_id) REFERENCES user(user_id) ON DELETE RESTRICT ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE prediction (prediction_id INT UNSIGNED NOT NULL AUTO_INCREMENT,image_id INT UNSIGNED NOT NULL,model_version VARCHAR(20) NOT NULL,predicted_label VARCHAR(20) NOT NULL,probability_score DECIMAL(5,4) NOT NULL,segmentation_mask_path VARCHAR(255),PRIMARY KEY (prediction_id),INDEX idx_prediction_image (image_id),CONSTRAINT fk_prediction_image FOREIGN KEY (image_id) REFERENCES image(image_id) ON DELETE CASCADE ON UPDATE CASCADE) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE model (model_id INT UNSIGNED NOT NULL AUTO_INCREMENT,name VARCHAR(100) NOT NULL,version VARCHAR(20) NOT NULL,architecture VARCHAR(50) NOT NULL,trained_on DATE NOT NULL,PRIMARY KEY (model_id),UNIQUE KEY uq_model_name_version (name, version)) ENGINEInnoDB DEFAULT CHARSETutf8mb4;CREATE TABLE log (log_id INT UNSIGNED NOT NULL AUTO_INCREMENT,user_id INT UNSIGNED,action_type VARCHAR(50) NOT NULL,action_time TIMESTAMP NOT NULL DEFAULT CURRENT_TIMESTAMP,details TEXT,PRIMARY KEY (log_id),INDEX idx_log_user (user_id),CONSTRAINT fk_log_user FOREIGN KEY (user_id) REFERENCES user(user_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