Upload app.py

app.py

@@ -4,13 +4,18 @@ import pandas as pd
 from sklearn.linear_model import LinearRegression
 from sklearn.metrics import r2_score
 import os
+import tempfile
+import matplotlib
+matplotlib.use("Agg")
+import matplotlib.pyplot as plt
+import io
 
 # ─────────────────────────────────────────────
-# DATOS BASE DE EJEMPLO (24 participantes hipotéticos)
-# Columnas: ID, Edad, Talla(m), Sexo(0=M,1=H), Ejercicio(1-5),
-#           CapPulm_Antes(L), CapPulm_Despues(L),
-#           SpO2_Antes(%), SpO2_Despues(%),
-#           Animo_Antes(1-5), Animo_Despues(1-5)
+# DATOS BASE (24 participantes hipotéticos)
+# ID, Edad, Talla(m), Sexo(0=M,1=H), Ejercicio(1-5),
+# CapPulm_Antes(L), CapPulm_Despues(L),
+# SpO2_Antes(%), SpO2_Despues(%),
+# Animo_Antes(1-5), Animo_Despues(1-5)
 # ─────────────────────────────────────────────
 BASE_DATA = [
     [1,  17, 1.62, 0, 3, 2.8, 3.1, 97, 98, 3, 5],
@@ -69,6 +74,10 @@ ANIMO_LABELS = {
     "5 – Muy alto": 5,
 }
 
+EJER_NOMBRE = {1: "Sedentario", 2: "Ocasional", 3: "Moderado", 4: "Activo", 5: "Muy activo"}
+ANIMO_NOMBRE = {1: "Muy bajo", 2: "Bajo", 3: "Neutral", 4: "Alto", 5: "Muy alto"}
+COLORES_EJER = {1: "#e74c3c", 2: "#e67e22", 3: "#f1c40f", 4: "#2ecc71", 5: "#27ae60"}
+
 CSV_PATH = "datos_animo_ejercicio.csv"
 
 estado = {
@@ -81,6 +90,10 @@ estado = {
 }
 
 
+# ─────────────────────────────────────────────
+# LÓGICA DEL MODELO
+# ─────────────────────────────────────────────
+
 def calcular_deltas(df):
     df = df.copy()
     df["Delta_Animo"]   = df["Animo_Despues"]   - df["Animo_Antes"]
@@ -99,7 +112,6 @@ def entrenar_modelo(df):
 
 
 def _construir_salidas_modelo(df, df_delta, modelo, r2, fuente):
-    """Genera los textos de salida del modelo a partir de un df entrenado."""
     estado["modelo"]    = modelo
     estado["df"]        = df_delta
     estado["entrenado"] = True
@@ -122,7 +134,7 @@ def _construir_salidas_modelo(df, df_delta, modelo, r2, fuente):
         f"**R² = {r2:.4f}** — El modelo explica el **{r2*100:.1f}%** de la varianza en el cambio de ánimo.\n\n"
         f"**Interpretación de β₁ (Ejercicio) = {c[0]:.4f}:**\n"
         f"Por cada nivel adicional de ejercicio, el ánimo cambia en promedio "
-        f"{'↑' if c[0]>0 else '↓'} {abs(c[0]):.4f} puntos Likert, controlando las demás variables."
+        f"{'↑' if c[0] > 0 else '↓'} {abs(c[0]):.4f} puntos Likert, controlando las demás variables."
     )
 
     coef_md = (
@@ -138,13 +150,15 @@ def _construir_salidas_modelo(df, df_delta, modelo, r2, fuente):
         f"| **R²** | **{r2:.4f}** |"
     )
 
-    tabla = df_delta[["ID","Edad","Talla_m","Sexo","Ejercicio",
-                       "CapPulm_Antes","CapPulm_Despues","Delta_CapPulm",
-                       "SpO2_Antes","SpO2_Despues","Delta_SpO2",
-                       "Animo_Antes","Animo_Despues","Delta_Animo"]]
+    tabla = df_delta[[
+        "ID", "Edad", "Talla_m", "Sexo", "Ejercicio",
+        "CapPulm_Antes", "CapPulm_Despues", "Delta_CapPulm",
+        "SpO2_Antes", "SpO2_Despues", "Delta_SpO2",
+        "Animo_Antes", "Animo_Despues", "Delta_Animo"
+    ]]
 
     return (
-        f" Modelo entrenado con {len(df)} participantes. Fuente: {fuente}",
+        f"✅ Modelo entrenado con {len(df)} participantes. Fuente: {fuente}",
         len(df),
         tabla,
         ecuacion,
@@ -153,18 +167,16 @@ def _construir_salidas_modelo(df, df_delta, modelo, r2, fuente):
 
 
 def _csv_capturado_a_df():
-    """Lee el CSV capturado y lo convierte al formato COLUMNS para entrenar."""
     if not os.path.exists(CSV_PATH):
         return None, "No hay datos capturados en el CSV todavía."
     try:
         df_csv = pd.read_csv(CSV_PATH)
         if df_csv.empty:
             return None, "El CSV está vacío."
-        # El CSV capturado ya tiene los deltas; reconstruimos Animo_Despues desde Delta_Animo
-        needed = ["ID","Edad","Talla_m","Sexo","Ejercicio",
-                  "CapPulm_Antes","CapPulm_Despues",
-                  "SpO2_Antes","SpO2_Despues",
-                  "Animo_Antes","Animo_Despues"]
+        needed = ["ID", "Edad", "Talla_m", "Sexo", "Ejercicio",
+                  "CapPulm_Antes", "CapPulm_Despues",
+                  "SpO2_Antes", "SpO2_Despues",
+                  "Animo_Antes", "Animo_Despues"]
         missing = [c for c in needed if c not in df_csv.columns]
         if missing:
             return None, f"Al CSV le faltan columnas: {missing}"
@@ -180,7 +192,6 @@ def _csv_capturado_a_df():
 
 
 def cargar_y_entrenar(file_obj=None):
-    """Entrena con datos base + archivo externo opcional (CSV/Excel ajeno)."""
     df = pd.DataFrame(BASE_DATA, columns=COLUMNS)
 
     if file_obj is not None:
@@ -188,12 +199,11 @@ def cargar_y_entrenar(file_obj=None):
             ext = os.path.splitext(file_obj.name)[1].lower()
             df_new = pd.read_csv(file_obj.name) if ext == ".csv" else pd.read_excel(file_obj.name)
 
-            # Detectar si es el CSV capturado por la app (tiene Delta_Animo)
             if "Delta_Animo" in df_new.columns:
-                needed = ["ID","Edad","Talla_m","Sexo","Ejercicio",
-                          "CapPulm_Antes","CapPulm_Despues",
-                          "SpO2_Antes","SpO2_Despues",
-                          "Animo_Antes","Animo_Despues"]
+                needed = ["ID", "Edad", "Talla_m", "Sexo", "Ejercicio",
+                          "CapPulm_Antes", "CapPulm_Despues",
+                          "SpO2_Antes", "SpO2_Despues",
+                          "Animo_Antes", "Animo_Despues"]
                 df_new = df_new[[c for c in needed if c in df_new.columns]].copy()
             else:
                 df_new = df_new.iloc[:, :len(COLUMNS)]
@@ -203,7 +213,7 @@ def cargar_y_entrenar(file_obj=None):
                 df_new[col] = pd.to_numeric(df_new[col], errors="coerce")
             df_new = df_new.dropna()
             df = pd.concat([df, df_new], ignore_index=True)
-            fuente = f"datos base ({len(pd.DataFrame(BASE_DATA))} reg.) + archivo subido ({len(df_new)} reg.)"
+            fuente = f"datos base (24 reg.) + archivo subido ({len(df_new)} reg.)"
         except Exception as e:
             return f"❌ Error al procesar el archivo: {e}", 0, pd.DataFrame(), "", ""
     else:
@@ -214,7 +224,6 @@ def cargar_y_entrenar(file_obj=None):
 
 
 def reentrenar_con_csv():
-    """Entrena con datos base + CSV capturado por la app."""
     df_base = pd.DataFrame(BASE_DATA, columns=COLUMNS)
     df_csv, err = _csv_capturado_a_df()
 
@@ -223,22 +232,20 @@ def reentrenar_con_csv():
             f"⚠️ {err}",
             len(df_base),
             pd.DataFrame(),
-            estado.get("ecuacion_md", "— Entrena primero el modelo —"),
-            estado.get("coef_md", ""),
+            "— Entrena primero el modelo —",
+            "",
         )
 
-    df_csv.columns = [c for c in COLUMNS if c in df_csv.columns] + \
-                     [c for c in df_csv.columns if c not in COLUMNS]
     df_csv = df_csv.reindex(columns=COLUMNS)
-
     df_combined = pd.concat([df_base, df_csv], ignore_index=True)
     modelo, r2, df_delta = entrenar_modelo(df_combined)
-    fuente = f"datos base ({len(df_base)} reg.) + CSV capturado ({len(df_csv)} reg.)"
+    fuente = f"datos base (24 reg.) + CSV capturado ({len(df_csv)} reg.)"
     return _construir_salidas_modelo(df_combined, df_delta, modelo, r2, fuente)
 
 
-init_msg, init_count, init_df, init_ec, init_coef = cargar_y_entrenar()
-
+# ─────────────────────────────────────────────
+# PREDICCIÓN
+# ─────────────────────────────────────────────
 
 def predecir(ejercicio_label, edad, talla, sexo,
              cap_antes, cap_despues, spo2_antes, spo2_despues):
@@ -252,25 +259,22 @@ def predecir(ejercicio_label, edad, talla, sexo,
 
     X_new = np.array([[ejer_val, delta_cap, delta_spo2, edad, talla, sexo_val]])
     pred  = estado["modelo"].predict(X_new)[0]
+    c     = estado["coefs"]
+    b0    = estado["intercept"]
 
-    c  = estado["coefs"]
-    b0 = estado["intercept"]
-
-    # Interpretación cualitativa
     if pred >= 1.5:
-        interp = " **Mejora notable del ánimo** — se espera un aumento significativo."
+        interp = "📈 **Mejora notable del ánimo** — se espera un aumento significativo."
     elif pred >= 0.5:
-        interp = " **Ligera mejora del ánimo** — cambio positivo moderado."
+        interp = "📊 **Ligera mejora del ánimo** — cambio positivo moderado."
     elif pred >= -0.5:
-        interp = " **Sin cambio relevante** — el ánimo se mantiene similar."
+        interp = "➡️ **Sin cambio relevante** — el ánimo se mantiene similar."
     else:
-        interp = " **Posible descenso del ánimo** — revisar variables de contexto."
+        interp = "📉 **Posible descenso del ánimo** — revisar variables de contexto."
 
-    # Hipótesis
     hip = (
-        " **H₁ apoyada:** el ejercicio predice positivamente el ánimo."
+        "✅ **H₁ apoyada:** el ejercicio predice positivamente el ánimo."
         if c[0] > 0 else
-        " **H₁ no apoyada:** el coeficiente de ejercicio es negativo en este modelo."
+        "❌ **H₁ no apoyada:** el coeficiente de ejercicio es negativo en este modelo."
     )
 
     return (
@@ -293,6 +297,10 @@ def predecir(ejercicio_label, edad, talla, sexo,
     )
 
 
+# ─────────────────────────────────────────────
+# CAPTURA DE PARTICIPANTES
+# ─────────────────────────────────────────────
+
 def obtener_siguiente_id():
     if os.path.exists(CSV_PATH):
         try:
@@ -304,37 +312,61 @@ def obtener_siguiente_id():
     return 1
 
 
+def obtener_tabla_csv():
+    if os.path.exists(CSV_PATH):
+        try:
+            return pd.read_csv(CSV_PATH)
+        except Exception:
+            pass
+    return pd.DataFrame(columns=COLUMNAS_CAPTURA)
+
+
+def obtener_csv_path():
+    if not os.path.exists(CSV_PATH):
+        pd.DataFrame(columns=COLUMNAS_CAPTURA).to_csv(CSV_PATH, index=False)
+    return CSV_PATH
+
+
+def limpiar_csv():
+    if os.path.exists(CSV_PATH):
+        os.remove(CSV_PATH)
+    return "🗑️ Registros eliminados.", pd.DataFrame(columns=COLUMNAS_CAPTURA)
+
+
 def guardar_participante(edad, talla, sexo, ejercicio_label,
                          cap_antes, cap_despues,
                          spo2_antes, spo2_despues,
                          animo_antes_label, animo_despues_label):
     errores = []
-    if not (10 <= edad <= 100):   errores.append("Edad fuera de rango (10-100).")
-    if not (1.0 <= talla <= 2.5): errores.append("Talla fuera de rango (1.0-2.5 m).")
-    if not (50 <= spo2_antes <= 100): errores.append("SpO2 Antes fuera de rango.")
-    if not (50 <= spo2_despues <= 100): errores.append("SpO2 Después fuera de rango.")
-    if not (0 < cap_antes <= 10): errores.append("Cap. Pulmonar Antes fuera de rango (0-10 L).")
-    if not (0 < cap_despues <= 10): errores.append("Cap. Pulmonar Después fuera de rango (0-10 L).")
+    if not (10 <= edad <= 100):         errores.append("Edad fuera de rango (10-100).")
+    if not (1.0 <= talla <= 2.5):       errores.append("Talla fuera de rango (1.0-2.5 m).")
+    if not (50 <= spo2_antes <= 100):   errores.append("SpO2 Antes fuera de rango (50-100).")
+    if not (50 <= spo2_despues <= 100): errores.append("SpO2 Después fuera de rango (50-100).")
+    if not (0 < cap_antes <= 10):       errores.append("Cap. Pulmonar Antes fuera de rango (0-10 L).")
+    if not (0 < cap_despues <= 10):     errores.append("Cap. Pulmonar Después fuera de rango (0-10 L).")
     if errores:
         return "⚠️ " + " | ".join(errores), obtener_tabla_csv()
 
-    sexo_val      = 1 if sexo == "Hombre" else 0
-    ejer_val      = EJERCICIO_LABELS.get(ejercicio_label, 1)
-    animo_a_val   = ANIMO_LABELS.get(animo_antes_label, 3)
-    animo_d_val   = ANIMO_LABELS.get(animo_despues_label, 3)
-    delta_animo   = animo_d_val   - animo_a_val
-    delta_cap     = cap_despues   - cap_antes
-    delta_spo2    = spo2_despues  - spo2_antes
-    nuevo_id      = obtener_siguiente_id()
+    sexo_val    = 1 if sexo == "Hombre" else 0
+    ejer_val    = EJERCICIO_LABELS.get(ejercicio_label, 1)
+    animo_a_val = ANIMO_LABELS.get(animo_antes_label, 3)
+    animo_d_val = ANIMO_LABELS.get(animo_despues_label, 3)
 
     nueva_fila = {
-        "ID": nuevo_id, "Edad": int(edad), "Talla_m": talla, "Sexo": sexo_val,
-        "Ejercicio": ejer_val,
-        "CapPulm_Antes": cap_antes, "CapPulm_Despues": cap_despues,
-        "SpO2_Antes": spo2_antes,   "SpO2_Despues": spo2_despues,
-        "Animo_Antes": animo_a_val, "Animo_Despues": animo_d_val,
-        "Delta_Animo": delta_animo, "Delta_CapPulm": round(delta_cap, 3),
-        "Delta_SpO2": round(delta_spo2, 1),
+        "ID":             obtener_siguiente_id(),
+        "Edad":           int(edad),
+        "Talla_m":        talla,
+        "Sexo":           sexo_val,
+        "Ejercicio":      ejer_val,
+        "CapPulm_Antes":  cap_antes,
+        "CapPulm_Despues":cap_despues,
+        "SpO2_Antes":     spo2_antes,
+        "SpO2_Despues":   spo2_despues,
+        "Animo_Antes":    animo_a_val,
+        "Animo_Despues":  animo_d_val,
+        "Delta_Animo":    animo_d_val - animo_a_val,
+        "Delta_CapPulm":  round(cap_despues - cap_antes, 3),
+        "Delta_SpO2":     round(spo2_despues - spo2_antes, 1),
     }
 
     df_nuevo = pd.DataFrame([nueva_fila], columns=COLUMNAS_CAPTURA)
@@ -343,163 +375,182 @@ def guardar_participante(edad, talla, sexo, ejercicio_label,
     else:
         df_nuevo.to_csv(CSV_PATH, mode="w", header=True, index=False)
 
-    return f" Participante {nuevo_id} guardado.", obtener_tabla_csv()
-
+    return f"✅ Participante {nueva_fila['ID']} guardado.", obtener_tabla_csv()
 
-def obtener_tabla_csv():
-    if os.path.exists(CSV_PATH):
-        try:
-            return pd.read_csv(CSV_PATH)
-        except Exception:
-            pass
-    return pd.DataFrame(columns=COLUMNAS_CAPTURA)
-
-
-def obtener_csv_path():
-    if not os.path.exists(CSV_PATH):
-        pd.DataFrame(columns=COLUMNAS_CAPTURA).to_csv(CSV_PATH, index=False)
-    return CSV_PATH
 
+# ─────────────────────────────────────────────
+# GRÁFICAS
+# ─────────────────────────────────────────────
 
-def limpiar_csv():
-    if os.path.exists(CSV_PATH):
-        os.remove(CSV_PATH)
-    return " Registros eliminados.", pd.DataFrame(columns=COLUMNAS_CAPTURA)
+def _buf_a_tempfile(buf):
+    """Guarda un BytesIO en un archivo temporal y devuelve la ruta."""
+    if buf is None:
+        return None
+    tmp = tempfile.NamedTemporaryFile(delete=False, suffix=".png")
+    tmp.write(buf.read())
+    tmp.flush()
+    tmp.close()
+    return tmp.name
 
 
-# ─────────────────────────────────────────────
-# INTERFAZ
-# ─────────────────────────────────────────────
 def generar_graficas():
-    """Genera gráficas de mejora del estado de ánimo desde el CSV capturado."""
-    import matplotlib
-    matplotlib.use("Agg")
-    import matplotlib.pyplot as plt
-    import matplotlib.patches as mpatches
-    import io, base64
+    """Devuelve (path1, path2, path3, resumen_md) con las 3 gráficas."""
+    VACIO = (None, None, None,
+             "⚠️ No hay datos capturados todavía. Registra participantes en la Sección 3.")
 
     if not os.path.exists(CSV_PATH):
-        return None, None, None, "⚠️ No hay datos capturados todavía. Registra participantes primero."
-
+        return VACIO
     try:
         df = pd.read_csv(CSV_PATH)
     except Exception as e:
         return None, None, None, f"❌ Error leyendo CSV: {e}"
 
     if df.empty or "Animo_Antes" not in df.columns:
-        return None, None, None, "⚠️ El CSV no tiene datos de ánimo."
+        return VACIO
 
-    df = df.dropna(subset=["Animo_Antes","Animo_Despues","Delta_Animo","Ejercicio"])
+    df = df.dropna(subset=["Animo_Antes", "Animo_Despues", "Delta_Animo", "Ejercicio"])
     if len(df) < 2:
         return None, None, None, "⚠️ Se necesitan al menos 2 participantes para graficar."
 
-    EJER_NOMBRE = {1:"Sedentario", 2:"Ocasional", 3:"Moderado", 4:"Activo", 5:"Muy activo"}
-    ANIMO_NOMBRE = {1:"Muy bajo", 2:"Bajo", 3:"Neutral", 4:"Alto", 5:"Muy alto"}
-    COLORES = {1:"#e74c3c", 2:"#e67e22", 3:"#f1c40f", 4:"#2ecc71", 5:"#27ae60"}
-
-    def fig_to_img(fig):
+    def save_fig(fig):
         buf = io.BytesIO()
         fig.savefig(buf, format="png", dpi=130, bbox_inches="tight")
         buf.seek(0)
         plt.close(fig)
-        return buf
-
-    # ── GRÁFICA 1: Antes vs Después por participante (barras agrupadas) ──
-    fig1, ax1 = plt.subplots(figsize=(max(8, len(df)*0.6), 5))
-    ids  = [f"P{int(i)}" for i in df["ID"]]
-    x    = range(len(df))
-    w    = 0.35
-    bars_a = ax1.bar([i - w/2 for i in x], df["Animo_Antes"],   w, label="Antes",  color="#5b8dd9", alpha=0.85)
-    bars_d = ax1.bar([i + w/2 for i in x], df["Animo_Despues"], w, label="Después", color="#27ae60", alpha=0.85)
+        return _buf_a_tempfile(buf)
+
+    # ── Gráfica 1: Barras Antes vs Después por participante ──────────
+    fig1, ax1 = plt.subplots(figsize=(max(8, len(df) * 0.65), 5))
+    ids = [f"P{int(i)}" for i in df["ID"]]
+    x, w = range(len(df)), 0.35
+    ax1.bar([i - w / 2 for i in x], df["Animo_Antes"],   w,
+            label="Antes",   color="#5b8dd9", alpha=0.85)
+    bars_d = ax1.bar([i + w / 2 for i in x], df["Animo_Despues"], w,
+                     label="Después", color="#27ae60", alpha=0.85)
     for bar, delta in zip(bars_d, df["Delta_Animo"]):
-        color = "#27ae60" if delta > 0 else ("#e74c3c" if delta < 0 else "#888")
-        ax1.text(bar.get_x() + bar.get_width()/2,
-                 bar.get_height() + 0.05,
+        col = "#27ae60" if delta > 0 else ("#e74c3c" if delta < 0 else "#888888")
+        ax1.text(bar.get_x() + bar.get_width() / 2,
+                 bar.get_height() + 0.06,
                  f"{delta:+.0f}", ha="center", va="bottom",
-                 fontsize=8, color=color, fontweight="bold")
+                 fontsize=8, color=col, fontweight="bold")
     ax1.set_xticks(list(x))
     ax1.set_xticklabels(ids, rotation=45, ha="right", fontsize=8)
-    ax1.set_yticks([1,2,3,4,5])
-    ax1.set_yticklabels([f"{v} – {ANIMO_NOMBRE[v]}" for v in [1,2,3,4,5]], fontsize=8)
-    ax1.set_ylim(0, 6)
-    ax1.set_title("Estado de Ánimo: Antes vs Después por Participante", fontsize=13, fontweight="bold", pad=12)
+    ax1.set_yticks([1, 2, 3, 4, 5])
+    ax1.set_yticklabels([f"{v} – {ANIMO_NOMBRE[v]}" for v in [1, 2, 3, 4, 5]], fontsize=8)
+    ax1.set_ylim(0, 6.2)
+    ax1.set_title("Estado de Ánimo: Antes vs Después por Participante",
+                  fontsize=13, fontweight="bold", pad=12)
     ax1.set_xlabel("Participante")
     ax1.set_ylabel("Nivel de Ánimo (Likert 1–5)")
     ax1.legend(loc="upper left")
-    ax1.spines[["top","right"]].set_visible(False)
+    ax1.spines[["top", "right"]].set_visible(False)
     ax1.grid(axis="y", alpha=0.3)
     fig1.tight_layout()
+    path1 = save_fig(fig1)
 
-    # ── GRÁFICA 2: ΔÁnimo por nivel de ejercicio (boxplot + puntos) ──
+    # ── Gráfica 2: Boxplot ΔÁnimo por nivel de ejercicio ─────────────
     fig2, ax2 = plt.subplots(figsize=(7, 5))
-    niveles_presentes = sorted(df["Ejercicio"].dropna().unique().astype(int))
-    data_box  = [df[df["Ejercicio"] == n]["Delta_Animo"].values for n in niveles_presentes]
-    etiquetas = [f"{n}\n{EJER_NOMBRE.get(n,'')}" for n in niveles_presentes]
+    niveles = sorted(df["Ejercicio"].dropna().unique().astype(int))
+    data_box = [df[df["Ejercicio"] == n]["Delta_Animo"].values for n in niveles]
+    etiquetas = [f"{n}\n{EJER_NOMBRE.get(n, '')}" for n in niveles]
     bp = ax2.boxplot(data_box, patch_artist=True, widths=0.45,
                      medianprops=dict(color="black", linewidth=2))
-    for patch, niv in zip(bp["boxes"], niveles_presentes):
-        patch.set_facecolor(COLORES.get(niv, "#aaa"))
-        patch.set_alpha(0.7)
-    for i, (niv, datos) in enumerate(zip(niveles_presentes, data_box), 1):
+    for patch, niv in zip(bp["boxes"], niveles):
+        patch.set_facecolor(COLORES_EJER.get(niv, "#aaaaaa"))
+        patch.set_alpha(0.72)
+    for i, (niv, datos) in enumerate(zip(niveles, data_box), 1):
         jitter = np.random.uniform(-0.15, 0.15, size=len(datos))
         ax2.scatter([i + j for j in jitter], datos,
-                    color=COLORES.get(niv, "#aaa"), s=50, zorder=5, edgecolors="white", linewidths=0.5)
-    ax2.axhline(0, color="#e74c3c", linestyle="--", linewidth=1.2, alpha=0.7, label="Sin cambio (Δ=0)")
-    ax2.set_xticks(range(1, len(niveles_presentes)+1))
+                    color=COLORES_EJER.get(niv, "#aaaaaa"),
+                    s=55, zorder=5, edgecolors="white", linewidths=0.6)
+    ax2.axhline(0, color="#e74c3c", linestyle="--", linewidth=1.2,
+                alpha=0.7, label="Sin cambio (Δ = 0)")
+    ax2.set_xticks(range(1, len(niveles) + 1))
     ax2.set_xticklabels(etiquetas, fontsize=9)
-    ax2.set_title("Cambio en Ánimo (ΔÁnimo) según Nivel de Ejercicio", fontsize=13, fontweight="bold", pad=12)
+    ax2.set_title("ΔÁnimo según Nivel de Ejercicio",
+                  fontsize=13, fontweight="bold", pad=12)
     ax2.set_xlabel("Nivel de Ejercitación")
     ax2.set_ylabel("ΔÁnimo (puntos Likert)")
     ax2.legend(fontsize=9)
-    ax2.spines[["top","right"]].set_visible(False)
+    ax2.spines[["top", "right"]].set_visible(False)
     ax2.grid(axis="y", alpha=0.3)
     fig2.tight_layout()
+    path2 = save_fig(fig2)
 
-    # ── GRÁFICA 3: Proporción de mejora / sin cambio / descenso ──
+    # ── Gráfica 3: Dona con proporción mejora / igual / descenso ─────
     fig3, ax3 = plt.subplots(figsize=(6, 5))
-    mejora   = (df["Delta_Animo"] > 0).sum()
-    igual    = (df["Delta_Animo"] == 0).sum()
-    descenso = (df["Delta_Animo"] < 0).sum()
     total    = len(df)
-    cats   = []
-    vals   = []
-    colors = []
-    labels_pie = []
-    for label, val, col in [("Mejora ", mejora, "#27ae60"),
-                             ("Sin cambio ", igual, "#f1c40f"),
-                             ("Descenso ", descenso, "#e74c3c")]:
+    mejora   = int((df["Delta_Animo"] > 0).sum())
+    igual    = int((df["Delta_Animo"] == 0).sum())
+    descenso = int((df["Delta_Animo"] < 0).sum())
+
+    vals, colors, labels_pie = [], [], []
+    for lbl, val, col in [("Mejora 📈", mejora, "#27ae60"),
+                           ("Sin cambio ➡️", igual, "#f1c40f"),
+                           ("Descenso 📉", descenso, "#e74c3c")]:
         if val > 0:
-            cats.append(label); vals.append(val)
+            vals.append(val)
             colors.append(col)
-            labels_pie.append(f"{label}\n{val} participantes\n({val/total*100:.0f}%)")
-    wedges, texts = ax3.pie(vals, colors=colors, startangle=90,
-                            wedgeprops=dict(width=0.55, edgecolor="white", linewidth=2))
+            labels_pie.append(f"{lbl}\n{val} ({val / total * 100:.0f}%)")
+
+    wedges, _ = ax3.pie(vals, colors=colors, startangle=90,
+                        wedgeprops=dict(width=0.55, edgecolor="white", linewidth=2))
     ax3.legend(wedges, labels_pie, loc="lower center",
-               bbox_to_anchor=(0.5, -0.18), ncol=len(vals), fontsize=9)
-    ax3.set_title("Distribución del Cambio en Estado de Ánimo", fontsize=13, fontweight="bold", pad=12)
-    centro = dict(ha="center", va="center", fontsize=14, fontweight="bold", color="#333")
-    ax3.text(0, 0, f"n={total}", **centro)
+               bbox_to_anchor=(0.5, -0.22), ncol=len(vals), fontsize=9)
+    ax3.set_title("Distribución del Cambio en Estado de Ánimo",
+                  fontsize=13, fontweight="bold", pad=12)
+    ax3.text(0, 0, f"n={total}", ha="center", va="center",
+             fontsize=14, fontweight="bold", color="#333333")
     fig3.tight_layout()
+    path3 = save_fig(fig3)
 
-    pct_mejora = mejora / total * 100 if total > 0 else 0
+    pct = mejora / total * 100 if total > 0 else 0
     resumen = (
-        f" **Resumen:** {total} participantes analizados — "
-        f"**{mejora} mejoraron** ({pct_mejora:.0f}%), "
+        f"📊 **Resumen:** {total} participantes analizados — "
+        f"**{mejora} mejoraron** ({pct:.0f}%), "
         f"{igual} sin cambio, {descenso} con descenso. "
         f"ΔÁnimo promedio: **{df['Delta_Animo'].mean():+.2f} puntos**."
     )
+    return path1, path2, path3, resumen
+
+
+# ─────────────────────────────────────────────
+# FUNCIONES COMBINADAS (guardar + graficar)
+# ─────────────────────────────────────────────
+
+def guardar_y_graficar(edad, talla, sexo, ejercicio_label,
+                       cap_antes, cap_despues,
+                       spo2_antes, spo2_despues,
+                       animo_antes_label, animo_despues_label):
+    msg, tabla = guardar_participante(
+        edad, talla, sexo, ejercicio_label,
+        cap_antes, cap_despues,
+        spo2_antes, spo2_despues,
+        animo_antes_label, animo_despues_label
+    )
+    p1, p2, p3, resumen = generar_graficas()
+    return msg, tabla, resumen, p1, p2, p3
+
 
-    return fig_to_img(fig1), fig_to_img(fig2), fig_to_img(fig3), resumen
+# ─────────────────────────────────────────────
+# INICIALIZACIÓN
+# ─────────────────────────────────────────────
+init_msg, init_count, init_df, init_ec, init_coef = cargar_y_entrenar()
+
+
+# ─────────────────────────────────────────────
+# INTERFAZ
+# ─────────────────────────────────────────────
 with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
 
-    gr.Markdown("# Experimento: ¿Cómo afecta el ejercicio físico al estado de ánimo?")
+    gr.Markdown("# 🏃 Experimento: ¿Cómo afecta el ejercicio físico al estado de ánimo?")
     gr.Markdown(
-        "**Hipótesis:** El nivel de ejercicio físico predice significativamente el cambio en el estado de ánimo, "
-        "controlando capacidad pulmonar, oximetría, edad, talla y sexo.\n\n"
+        "**Hipótesis:** El nivel de ejercicio físico predice significativamente el cambio "
+        "en el estado de ánimo, controlando capacidad pulmonar, oximetría, edad, talla y sexo.\n\n"
         "**Variable dependiente:** ΔÁnimo = Ánimo_después − Ánimo_antes (escala Likert 1–5)"
     )
 
-    # ── SECCIÓN 1: MODELO ──────────────────────────────────────────
+    # ── SECCIÓN 1: MODELO ─────────────────────────────────────────
     gr.Markdown("---")
     gr.Markdown("## 1. Modelo de Regresión Lineal Múltiple")
 
@@ -508,16 +559,19 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
             gr.Markdown("### Carga de datos")
             file_input  = gr.File(label="Subir CSV/Excel externo (opcional)",
                                   file_types=[".csv", ".xlsx"])
-            load_btn    = gr.Button(" Entrenar con datos base (+ archivo si se subió)", variant="primary")
+            load_btn    = gr.Button("🔄 Entrenar con datos base (+ archivo si se subió)",
+                                    variant="primary")
             gr.Markdown("---")
             gr.Markdown(
                 "**¿Ya capturaste participantes?**\n\n"
                 "Usa el botón de abajo para reentrenar el modelo con los datos base "
-                "**más** todos los participantes que registraste en la Sección 3."
+                "**más** todos los participantes registrados en la Sección 3."
             )
-            retrain_btn = gr.Button(" Reentrenar con datos base + CSV capturado", variant="secondary")
+            retrain_btn = gr.Button("🧠 Reentrenar con datos base + CSV capturado",
+                                    variant="secondary")
             status_out  = gr.Textbox(label="Estado del modelo", value=init_msg, interactive=False)
-            n_part_out  = gr.Number(label="Total de participantes usados", value=init_count, interactive=False)
+            n_part_out  = gr.Number(label="Total de participantes usados",
+                                    value=init_count, interactive=False)
 
         with gr.Column(scale=2):
             gr.Markdown("### Ecuación y coeficientes")
@@ -525,7 +579,8 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
             coef_out     = gr.Markdown(value=init_coef)
 
     gr.Markdown("### Datos de entrenamiento")
-    data_table = gr.DataFrame(value=init_df, label="Conjunto de datos (con deltas calculados)",
+    data_table = gr.DataFrame(value=init_df,
+                              label="Conjunto de datos (con deltas calculados)",
                               interactive=False, wrap=True)
 
     load_btn.click(
@@ -553,9 +608,9 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
                 value=list(EJERCICIO_LABELS.keys())[2]
             )
             with gr.Row():
-                edad_pred   = gr.Number(label="Edad (años)", value=17, step=1)
-                talla_pred  = gr.Number(label="Talla (m)", value=1.65, step=0.01)
-                sexo_pred   = gr.Radio(["Mujer", "Hombre"], label="Sexo", value="Mujer")
+                edad_pred  = gr.Number(label="Edad (años)", value=17, step=1)
+                talla_pred = gr.Number(label="Talla (m)", value=1.65, step=0.01)
+                sexo_pred  = gr.Radio(["Mujer", "Hombre"], label="Sexo", value="Mujer")
             gr.Markdown("#### Mediciones fisiológicas")
             with gr.Row():
                 cap_a_pred  = gr.Number(label="Cap. Pulmonar ANTES (L)", value=2.8, step=0.1)
@@ -563,7 +618,7 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
             with gr.Row():
                 spo2_a_pred = gr.Number(label="Oximetría ANTES (%)", value=97.0, step=0.5)
                 spo2_d_pred = gr.Number(label="Oximetría DESPUÉS (%)", value=98.0, step=0.5)
-            btn_pred = gr.Button(" Calcular ΔÁnimo Predicho", variant="primary")
+            btn_pred = gr.Button("🔮 Calcular ΔÁnimo Predicho", variant="primary")
 
         with gr.Column():
             salida_pred = gr.Markdown(label="Resultado")
@@ -584,23 +639,27 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
         with gr.Column():
             gr.Markdown("#### Datos generales")
             with gr.Row():
-                edad_cap  = gr.Number(label="Edad (años)", value=17, step=1, minimum=10, maximum=100)
-                talla_cap = gr.Number(label="Talla (m)", value=1.65, step=0.01, minimum=1.0, maximum=2.5)
+                edad_cap  = gr.Number(label="Edad (años)", value=17, step=1,
+                                      minimum=10, maximum=100)
+                talla_cap = gr.Number(label="Talla (m)", value=1.65, step=0.01,
+                                      minimum=1.0, maximum=2.5)
                 sexo_cap  = gr.Radio(["Mujer", "Hombre"], label="Sexo", value="Mujer")
             ejercicio_cap = gr.Dropdown(
                 choices=list(EJERCICIO_LABELS.keys()),
                 label="Nivel de ejercitación habitual",
                 value=list(EJERCICIO_LABELS.keys())[0]
             )
-
             gr.Markdown("#### Mediciones fisiológicas (ANTES y DESPUÉS)")
             with gr.Row():
-                cap_a_cap  = gr.Number(label="Cap. Pulmonar ANTES (L)", value=2.5, step=0.1, minimum=0.1, maximum=10)
-                cap_d_cap  = gr.Number(label="Cap. Pulmonar DESPUÉS (L)", value=2.7, step=0.1, minimum=0.1, maximum=10)
+                cap_a_cap  = gr.Number(label="Cap. Pulmonar ANTES (L)", value=2.5,
+                                       step=0.1, minimum=0.1, maximum=10)
+                cap_d_cap  = gr.Number(label="Cap. Pulmonar DESPUÉS (L)", value=2.7,
+                                       step=0.1, minimum=0.1, maximum=10)
             with gr.Row():
-                spo2_a_cap = gr.Number(label="SpO2 ANTES (%)", value=97.0, step=0.5, minimum=50, maximum=100)
-                spo2_d_cap = gr.Number(label="SpO2 DESPUÉS (%)", value=98.0, step=0.5, minimum=50, maximum=100)
-
+                spo2_a_cap = gr.Number(label="SpO2 ANTES (%)", value=97.0,
+                                       step=0.5, minimum=50, maximum=100)
+                spo2_d_cap = gr.Number(label="SpO2 DESPUÉS (%)", value=98.0,
+                                       step=0.5, minimum=50, maximum=100)
             gr.Markdown("#### Estado de ánimo (ANTES y DESPUÉS)")
             with gr.Row():
                 animo_a_cap = gr.Dropdown(
@@ -613,10 +672,9 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
                     label="Ánimo DESPUÉS del ejercicio",
                     value=list(ANIMO_LABELS.keys())[3]
                 )
-
             with gr.Row():
-                btn_guardar = gr.Button(" Guardar Participante", variant="primary")
-                btn_limpiar = gr.Button(" Borrar Todos los Registros")
+                btn_guardar = gr.Button("💾 Guardar Participante", variant="primary")
+                btn_limpiar = gr.Button("🗑️ Borrar Todos los Registros")
             msg_cap = gr.Textbox(label="Estado del registro", interactive=False)
 
         with gr.Column():
@@ -627,74 +685,25 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
                 interactive=False,
                 wrap=True
             )
-            btn_dl = gr.DownloadButton(label=" Descargar CSV", value=obtener_csv_path)
+            btn_dl = gr.DownloadButton(label="⬇️ Descargar CSV", value=obtener_csv_path)
 
-    btn_guardar.click(
-        guardar_participante,
-        inputs=[edad_cap, talla_cap, sexo_cap, ejercicio_cap,
-                cap_a_cap, cap_d_cap, spo2_a_cap, spo2_d_cap,
-                animo_a_cap, animo_d_cap],
-        outputs=[msg_cap, tabla_cap]
-    )
-    btn_limpiar.click(
-        limpiar_csv,
-        inputs=None,
-        outputs=[msg_cap, tabla_cap]
-    )
-# ── SECCIÓN 4: GRÁFICAS ────────────────────────────────────────
+    # ── SECCIÓN 4: GRÁFICAS ────────────────────────────────────────
     gr.Markdown("---")
     gr.Markdown("## 4. Gráficas de Mejora en el Estado de Ánimo")
     gr.Markdown(
-        "Genera las gráficas con los participantes ya capturados. "
-        "Puedes actualizar en cualquier momento después de agregar más registros."
+        "Las gráficas se actualizan automáticamente al guardar cada participante. "
+        "También puedes generarlas manualmente con el botón."
     )
-    btn_graficas = gr.Button(" Generar Gráficas", variant="primary")
-    resumen_graf = gr.Markdown()
+    btn_graficas  = gr.Button("📊 Generar / Actualizar Gráficas", variant="secondary")
+    resumen_graf  = gr.Markdown()
     with gr.Row():
         graf1 = gr.Image(label="Antes vs Después por participante", type="filepath")
         graf2 = gr.Image(label="ΔÁnimo por nivel de ejercicio",     type="filepath")
-    graf3 = gr.Image(label="Distribución del cambio (dona)", type="filepath")
-     def guardar_y_graficar(*args):
-        """Guarda participante y actualiza gráficas automáticamente."""
-        msg, tabla = guardar_participante(*args)
-        f1, f2, f3, res = generar_graficas()
-        imgs = []
-        for buf in [f1, f2, f3]:
-            if buf:
-                path = f"/tmp/graf_{len(imgs)}.png"
-                with open(path, "wb") as fout:
-                    fout.write(buf.read())
-                imgs.append(path)
-            else:
-                imgs.append(None)
-        return msg, tabla, res, imgs[0], imgs[1], imgs[2]
+    graf3 = gr.Image(label="Distribución del cambio (dona)",         type="filepath")
 
-    btn_graficas.click(
-        lambda: _run_graficas(),
-        inputs=None,
-        outputs=[resumen_graf, graf1, graf2, graf3]
-    )
+    # ── EVENTOS ────────────────────────────────────────────────────
 
-    def _run_graficas():
-        f1, f2, f3, res = generar_graficas()
-        imgs = []
-        for buf in [f1, f2, f3]:
-            if buf:
-                import tempfile
-                tmp = tempfile.NamedTemporaryFile(delete=False, suffix=".png")
-                tmp.write(buf.read()); tmp.flush()
-                imgs.append(tmp.name)
-            else:
-                imgs.append(None)
-        return res, imgs[0], imgs[1], imgs[2]
-
-    btn_graficas.click(
-        _run_graficas,
-        inputs=None,
-        outputs=[resumen_graf, graf1, graf2, graf3]
-    )
-
-    # Reemplaza también el btn_guardar.click existente con este:
+    # Guardar → actualiza tabla + gráficas automáticamente
     btn_guardar.click(
         guardar_y_graficar,
         inputs=[edad_cap, talla_cap, sexo_cap, ejercicio_cap,
@@ -702,6 +711,21 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
                 animo_a_cap, animo_d_cap],
         outputs=[msg_cap, tabla_cap, resumen_graf, graf1, graf2, graf3]
     )
+
+    # Borrar registros
+    btn_limpiar.click(
+        limpiar_csv,
+        inputs=None,
+        outputs=[msg_cap, tabla_cap]
+    )
+
+    # Generar gráficas manualmente
+    btn_graficas.click(
+        generar_graficas,
+        inputs=None,
+        outputs=[graf1, graf2, graf3, resumen_graf]
+    )
+
     gr.Markdown("---")
     gr.Markdown(
         "*Basado en: Ruiz Cruz, EH (2026). Pensamiento científico auténtico mediante STEAM, "
@@ -709,4 +733,4 @@ with gr.Blocks(title="Ejercicio Físico y Estado de Ánimo | CONALEP") as app:
     )
 
 if __name__ == "__main__":
-    app.launch(server_name="0.0.0.0", server_port=7860)
+    app.launch(server_name="0.0.0.0", server_port=7860)