基于Asp.net的阿尔茨海默病症自主康复系统设计

摘要：文章结合阿尔茨海默病（Alzheimer Disease，AD） 的康复学习疗法，通过IDE平台，采取Asp.net+ VUE 前后端分离的模式，设计了AD自主康复系统。该系统在网络环境中运行，能够在线进行认知能力评定，系统还提供AD康复训练试题并自动阅卷，最后，系统能够及时进行康复评定，达到延缓病程进展，弥补专业医务人员不足及减轻家庭护理负担的目的。

关键词：Asp.net；VUE；阿尔茨海默病

中图分类号：TP311.1 文献标识码：A文章编号：1009-3044（2023）16-0065-03

0 引言

阿尔茨海默病（Alzheimer’s Disease，AD） 是一种神经退行性疾病，主要特点为记忆力进行性减退、人格改变及认知障碍。目前，国内外尚无根治AD的理想药物。中国人口老龄化进程的加剧，使得AD带来的社会、生活及经济负担越来越重[1]。现阶段我国AD患者数量已经超过1000万，居全球首位，预计到2050年将突破4000万。AD患者数量越来越多，但到医院就诊的患者数比实际人数少得多[2]。AD通常起病隐匿，病程缓慢且不可逆，而医学界迄今仍未找到有效治疗方法，因此AD的前期预测和早期诊断尤为重要[3]。脑科学研究结果表明，人脑功能具有可塑性，通过康复训练等认知刺激行为，可以使得早期AD患者康复[4]。

传统的康复方法需要大量专业医务人员参与，康复训练的时间成本高、资源缺乏。

随着“互联网+医疗”技术的发展，研究发现大脑的可塑性会受到计算机训练软件的影响，该方法可以有针对性地对患者的语言能力、记忆能力、视空间能力等进行训练，促进大脑新陈代谢速度加快，达到延缓患者认知能力衰退的效果[5]。本文使用Asp.net搭建AD自主训练系统，可以有效解决传统康复训练医务人员不足、成本高等问题，能有效延缓患者病程进展，为AD早期康复提供新思路。

1 需求分析

1.1 系统功能需求

本系统以延缓AD患者病程为主要目的。在客户端，测试者通过登录/注册，可以进行认知能力评定及自主训练，通过康复评定查看训练效果。因此，系统流程图如图1所示。考虑到多数用户为老年人，顶层操作界面应简单友好，方便患者使用。服务器端主要负责系统运行，完成与客户端、底层数据库的交互，它要保证运行结果正确，响应速度快。未来，本系统还可以添加分析患者的脑电图像功能模块，并给出分析结果及合理的建议，以获得更好的干预效果。

1.2 系统非功能需求

1） 安全性需求。为了确保系统安全稳定运行，避免受到非法攻击 ，对一些重要信息进行了MD5加密，并设置了复杂密钥。另外，增加了有效的身份认证机制。系统还具有数据备份功能，比如：患者基本信息、MMES量表、自主测试试题等数据都进行了备份，防范数据丢失。

2） 维护性需求。为了后期系统维护方便，代码中容易出错的地方及一些重要数据的输出都写进了系统日志，当系统出现问题时可以准确定位并及时修复。

3） 易用性需求。由于系统面向的对象主要是老年人，因此顶层操作界面要简单易懂，方便用户上手。

2 具体设计

2.1 系统架构设计

本系统以Asp.net为基础，采用MVC设计思想，并基于VUE框架对系统架构层次进行设计，主要将系统分为表示层、业务层、系统应用层、数据安全防护层和系统层。整体框架结构如图2所示。

1） 表示层。表示层主要采用.NET MVC以及VUE 对服务端进行实现，可以使得每个页面看起来简洁大方。该层主要用于与用户的交互，基础数据的维护以及数据操作结果的查询浏览以及相关可视化的操作。

2） 业务层。业务层主要采用Asp.net框架为需要服务的对象提供容器支持。处理系统中使用到的基本业务，处理结果反馈给显示层显示，同时根据业务逻辑对用户数据进行处理。

3） 系统应用层。应用层用于将业务逻辑暴露给显示层。

AutoMapper完成Dto与Model的转换。系统底层的安全认证，数据的ORM映射以及日志的处理等部分的底层处理。

4） 数据安全防护层。通过防火墙以及软件程序保护系统数据安全，数据库进行热备份，防范数据丢失的风险。

5） 系统层。为AD 自主训练系统的运行提供基础的软硬件环境。

2.2 数据库的设计

本系统采用大型关系型数据库SQL Server 2012R2，它采用标准化的SQL语言，具有使用方便、可伸缩性好、与相关软件集成程度高等特点[6]。本系统目前包含1个数据库ADDB，它由用户表user、自主训练结果表autogenicTraining、训练试题推荐表trainDocu⁃ment、受教育程度表educate、认知能力评定结果表cognitiveAssesment、康复评定建议表recomment 和mmes量表组成，如图3所示。其中，user表的主键ID 为autogenicTraining 表的外键user_id，表示用户身份ID。cognitiveAssesment 表的主键id为autogenicTrain⁃ing表的外键cognitive_id，表示认知能力评定结果id，因为系统要求自主训练前至少进行一次认知能力评定。user表的主键ID为cognitiveAssesment表的外键user_id，educate 表的主键id 为user 表的外键edu⁃cate_id，表示受教育程度id，因为患者的痴呆程度与受教育程度密切相关[7]。recomment表的主键id为au⁃togenicTraining表的外键recomment_id，表示康复评定建议表id，自主训练结束后，系统会结合认知能力评定得分、自主训练结果得分及患者历史成绩，推荐合理的建议并调整下一次的自主训练试题。recomment 表的主键id为trainDocument表的外键recomment_id，表示评定结果建议id，不同的建议id对应着不同的自主训练试题集合。每个表包含的字段及其数据类型如图3所示。注意，每一个字段类型及其长度都要恰当定义，既能满足功能需求又不会造成空间浪费。

3 系统实现与测试

3.1 系统功能实现

本系统采用前后端分离模式，它有以下优点：1）

vue前端的JavaScript可以做大量数据处理工作，大大减小服务器的压力；2） 底端错误不会直接反映到前端；3） 因为底端难以探知前端页面的情况，而这却是JavaScript的强项，但JavaScript又不能独立和服务器进行通信。因此，只靠底端去控制整体页面，或者单用JavaScript完成效果，都会加大开发难度，只有前后端各尽其职，才可以更好地完成本系统。下面将展示本系统的部分功能实现。

1） 认知能力评定的实现。本系统采用简易精神状态量表（MMES）对测试者进行认知功能障碍检查。

测试者登录系统后，单击“评定认知能力”按钮进入测试界面。每个界面只显示一道题，做完后单击“下一题”继续测试，有些题目是录入的语音或视频，测试者需要读题后才能作答，并实时显示当前题目的剩余作答时间。有些题目需要对测试者进行录像，系统自动对视频解析并给出该题得分。有一道题目需要测试者画图（比葫芦画瓢），系统利用模板匹配法自动对画图结果进行判断。作答完最后一题，系统自动计算测试成绩。根据测试成绩及测试者的受教育程度，判断测试者的痴呆程度。痴呆程度可以分为：正常、AD （痴呆患者）和MCI（轻度认知功能障碍）三种。

2） 自主训练的实现。测试者完成认知能力评定后，可进行自主训练。系统会根据认知能力评定结果自动推送训练题目，训练题目以Word文档形式呈现。

测试者需要下载后作答，可以把答案直接写到Word 电子版的相应位置，也可以打印出来再填写答案。作答完毕后，单击“提交测试结果”按钮，把答案以docx 或图片形式上传。系统能够自动阅卷，自动阅卷的原理是根据提交答案和正确答案之间的差异，计算出它们的相似度，并给出最终得分。

3） 康复评定。自主训练完成后，系统对认知能力评定得分、自主训练得分、历史成绩进行统计，并通过折线图比较其变化趋势，实现康复效果的评定。在整个过程中，无须医护人员的干预，所有的工作均由计算机进行。测试者还可以查询自己的训练记录、康复效果等。系统根据评定结果自动调整训练题目。另外，系统能够根据评定结果推送一些建议，包括饮食、运动等方面。

3.2 系统测试

为了验证本系统的正确性、完整性和质量，对系统进行了白盒测试和黑盒测试。系统测试环境：操作系统Microsoft Windows 11、处理器 Intel（R） Core（TM）i7、内存：8G、系统类型：64位。开发工具Visual studio2017、WebStorm、Google Chrome 等，开发语言：C#、.NET、Vue.js等，数据库SQL Server 2012 R2。

1） 白盒测试。白盒测试主要对程序内部逻辑结构进行测试，它属于代码级别的测试。在测试过程中发现的问题都进行了一一更正。

2） 黑盒测试。黑盒测试不考虑程序的内部结构和逻辑结构，主要用来测试系统的功能是否满足需求。测试结果如表1所示，Ⅰ类、Ⅱ类、Ⅲ类及Ⅳ类表示测试过程中发现的问题严重程度及其数量，详细说明见表2。由表可知，本系统共进行3个版本的测试，bug率依次降低，其中，第3个版本bug率降低到4%，基本能满足用户需求。

4 总结

本系统通过信息技术，结合AD康复疗法，设计网络环境下的AD自主康复系统，测试者通过它可以自主进行康复训练，无须外界干预，节省了大量人力物力。本系统的特点可以归纳如下：1） 只要有网络，测试者就能进行康复训练，比传统训练方法更方便，适用范围更广。2） 康复评定的实时性更强，康复训练内容能够动态调整。3） 将信息技术应用于AD早期康复，为AD康复提供了新思路。

参考文献：

[1] 崔璨，苏增锋.阿尔茨海默病的研究进展[J].中国实用神经疾病杂志，2023，26（1）：123-127.

[2] 梁忻怡，伍素文.阿尔茨海默病患者养老之困：如何有尊严地老去？[J].老年健康，2023（3）：41-44.

[3] 朱旭艳，余洪山，等.基于MR和PET成像的轻度阿尔茨海默病分类方法[J].电子测量与仪器学报，2013，9（27）：850-858.

[4] 唐轶峻.高龄化社会人本信息技术研究——全方位计算机视觉在老人智能监护系统中的应用[D].杭州：浙江工业大学，2006.

[5] 张然，孙浩，张鑫.基于JavaWeb的阿尔茨海默症早期康复系统设计[J].电子技术与软件工程，2022（23）：259-262.

[6] 张君，陈天放，张颖.某城市节水管理信息系统的设计与实现[J].电脑知识与技术，2015，11（29）：49-50.

[7] 徐伟，郁金泰.教育水平和痴呆风险_队列研究之剂量-反应meta分析[C].中华医学会第十八次全国神经病学学术会议，2015：742.

【通联编辑：谢媛媛】