Update app.py

app.py

@@ -6,10 +6,18 @@ import tempfile
 import os
 import math
 
+# ===========================
+# إعداد Mediapipe Pose
+# ===========================
 mp_pose = mp.solutions.pose
 pose = mp_pose.Pose(static_image_mode=False, min_detection_confidence=0.7, model_complexity=1)
 
-def _dist(p1, p2): return math.hypot(p1[0]-p2[0], p1[1]-p2[1])
+# ===========================
+# دوال مساعدة
+# ===========================
+def _dist(p1, p2): 
+    return math.hypot(p1[0]-p2[0], p1[1]-p2[1])
+
 def _angle(a, b, c):
     try:
         a, b, c = np.array(a), np.array(b), np.array(c)
@@ -23,9 +31,26 @@ def _angle(a, b, c):
 def _safe_mean(x): return float(np.mean(x)) if x else 0.0
 def _safe_std(x):  return float(np.std(x))  if x else 0.0
 
+def _gauge_html(norm_score):
+    # norm_score بين 0 و 1
+    pct = int(max(0, min(1, norm_score)) * 100)
+    # تدرّج أخضر→أصفر→أحمر
+    bar = f"""
+    <div style="width:100%;background:#eee;border-radius:10px;height:16px;overflow:hidden;border:1px solid #ddd;">
+      <div style="width:{pct}%;height:100%;
+                  background: linear-gradient(90deg,#4caf50,#ffeb3b,#f44336);
+                  filter: saturate(1.2);"></div>
+    </div>
+    <div style="font-size:12px;color:#555;margin-top:6px">Risk: {pct}%</div>
+    """
+    return bar
+
+# ===========================
+# التحليل الرئيسي للفيديو
+# ===========================
 def analyze_gait(video_file):
     if video_file is None:
-        return "<div>❌ يرجى رفع فيديو أولًا.</div>", None
+        return "<div>❌ يرجى رفع فيديو أولًا.</div>", "<div></div>"
 
     # حفظ الفيديو مؤقتًا
     if hasattr(video_file, "name"):
@@ -38,143 +63,231 @@ def analyze_gait(video_file):
 
     cap = cv2.VideoCapture(video_path)
     if not cap.isOpened():
-        return "<div>❌ لا يمكن فتح الفيديو.</div>", None
+        return "<div>❌ لا يمكن فتح الفيديو.</div>", "<div></div>"
 
     total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT) or 0)
     fps = float(cap.get(cv2.CAP_PROP_FPS) or 30.0)
     W = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH) or 640)
     H = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT) or 480)
+
+    # تقدير تحويل بيكسل→متر (تقريبي حسب الطول 1.7م و 80% من الارتفاع إطار)
     px2m = 1.7 / (H * 0.8)
 
-    L_clear, R_clear, L_angle, R_angle, base_widths = [], [], [], [], []
+    # قوائم القياسات عبر الإطارات
+    L_clear, R_clear = [], []
+    L_angle, R_angle = [], []
+    base_px_seq, base_m_seq = [], []
+    torso_tilt_seq = []  # ميل الجذع (درجات) بالنسبة للمحور الرأسي
+    step_L, step_R = [], []
+
+    # كواشف زمنية (نِسَب)
+    low_clear_flags_L, low_clear_flags_R = 0, 0
+    asym_clear_flags = 0
+    lean_flags = 0
+
+    # مرجعية أرض
+    ground_y = H * 0.92
+
+    # لحساب طول الخطوة تقريبياً
     prev_L_ank, prev_R_ank = None, None
+
     frames_processed, person_detected = 0, False
-    ground_y = H * 0.92
 
-    while cap.isOpened() and frames_processed < min(1000, total_frames or 1000):
+    while cap.isOpened() and frames_processed < min(1200, total_frames or 1200):
         ret, frame = cap.read()
-        if not ret: break
+        if not ret:
+            break
         frames_processed += 1
+
         frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
         res = pose.process(frame_rgb)
-        if not res.pose_landmarks: continue
+        if not res.pose_landmarks:
+            continue
 
         person_detected = True
         lm = res.pose_landmarks.landmark
-        def xy(idx): return [lm[idx].x * W, lm[idx].y * H]
 
+        def xy(idx):
+            return [lm[idx].x * W, lm[idx].y * H]
+
+        # نقاط مهمة
         L_ank = xy(mp_pose.PoseLandmark.LEFT_ANKLE.value)
         R_ank = xy(mp_pose.PoseLandmark.RIGHT_ANKLE.value)
         L_knee = xy(mp_pose.PoseLandmark.LEFT_KNEE.value)
         R_knee = xy(mp_pose.PoseLandmark.RIGHT_KNEE.value)
         L_foot = xy(mp_pose.PoseLandmark.LEFT_FOOT_INDEX.value)
         R_foot = xy(mp_pose.PoseLandmark.RIGHT_FOOT_INDEX.value)
+        L_hip  = xy(mp_pose.PoseLandmark.LEFT_HIP.value)
+        R_hip  = xy(mp_pose.PoseLandmark.RIGHT_HIP.value)
+        L_sh   = xy(mp_pose.PoseLandmark.LEFT_SHOULDER.value)
+        R_sh   = xy(mp_pose.PoseLandmark.RIGHT_SHOULDER.value)
 
+        # ارتفاع القدم بالسنتيمتر (أقرب نقطة من الكاحل/مقدمة القدم للأرض)
         Lc = max(0, (ground_y - min(L_ank[1], L_foot[1])) * px2m * 100)
         Rc = max(0, (ground_y - min(R_ank[1], R_foot[1])) * px2m * 100)
-        L_clear.append(Lc)
-        R_clear.append(Rc)
+        L_clear.append(Lc); R_clear.append(Rc)
 
+        # زوايا الكاحل
         La = _angle(L_knee, L_ank, L_foot)
         Ra = _angle(R_knee, R_ank, R_foot)
-        L_angle.append(La)
-        R_angle.append(Ra)
-        base_widths.append(abs(L_ank[0]-R_ank[0]) * px2m)
+        L_angle.append(La); R_angle.append(Ra)
+
+        # مسافة تباعد الكاحلين (بالبكسل والمتر)
+        base_px = abs(L_ank[0] - R_ank[0])
+        base_px_seq.append(base_px)
+        base_m_seq.append(base_px * px2m)
+
+        # ميل الجذع: زاوية (منتصف الكتفين → منتصف الوركين) مقابل الرأسي
+        mid_sh = [(L_sh[0]+R_sh[0])/2, (L_sh[1]+R_sh[1])/2]
+        mid_hip= [(L_hip[0]+R_hip[0])/2, (L_hip[1]+R_hip[1])/2]
+        vec = np.array([mid_sh[0]-mid_hip[0], mid_sh[1]-mid_hip[1]])  # من الحوض للأكتاف
+        # زاوية مع المحور الرأسي (0 = عمودي مثالي)
+        tilt = abs(90 - abs(math.degrees(math.atan2(abs(vec[1]), abs(vec[0])+1e-6))))
+        torso_tilt_seq.append(tilt)
+
+        # تقدير طول الخطوة (تقريبي) من حركة الكاحل إطارياً
+        if prev_L_ank is not None:
+            step_L.append(_dist(L_ank, prev_L_ank) * px2m)
+        if prev_R_ank is not None:
+            step_R.append(_dist(R_ank, prev_R_ank) * px2m)
+        prev_L_ank, prev_R_ank = L_ank, R_ank
+
+        # كواشف زمنية لكل إطار:
+        if Lc < 3.5: low_clear_flags_L += 1
+        if Rc < 3.5: low_clear_flags_R += 1
+        if abs(Lc - Rc) > 6.0: asym_clear_flags += 1
+        if tilt > 8.0: lean_flags += 1
 
     cap.release()
-    try: os.unlink(video_path)
-    except: pass
+    try:
+        os.unlink(video_path)
+    except:
+        pass
 
-    if not person_detected:
-        return "<div>❌ لم يتم اكتشاف شخص في الفيديو.</div>", None
+    if not person_detected or frames_processed == 0:
+        return "<div>❌ لم يتم اكتشاف شخص في الفيديو. يُفضّل تصوير جانبي أو أمامي واضح وإضاءة جيدة.</div>", "<div></div>"
 
-    # ======== التحليل الإحصائي والديناميكي ========
+    # ===========================
+    # إحصاءات أساسية
+    # ===========================
     avg_Lc, avg_Rc = _safe_mean(L_clear), _safe_mean(R_clear)
     std_Lc, std_Rc = _safe_std(L_clear), _safe_std(R_clear)
     avg_La, avg_Ra = _safe_mean(L_angle), _safe_mean(R_angle)
-    avg_base = _safe_mean(base_widths)
-    diff_angle = abs(avg_La - avg_Ra)
-    diff_clear = abs(avg_Lc - avg_Rc)
+    avg_base_m = _safe_mean(base_m_seq)
+    avg_tilt = _safe_mean(torso_tilt_seq)
+
+    # تقدير العرض النسبي لتحديد زاوية التصوير (أمامي/جانبي)
+    # إذا كانت المسافة الأفقية بين الكاحلين نسبةً إلى عرض الإطار كبيرة → غالبًا أمامي
+    view_ratio = _safe_mean(base_px_seq) / max(1, W)
+    view = "frontal" if view_ratio > 0.18 else "side"
+
+    # نسب زمنية (قوة دليل عبر الزمن)
+    n = max(1, len(L_clear))
+    ratio_low_L = low_clear_flags_L / n
+    ratio_low_R = low_clear_flags_R / n
+    ratio_asym   = asym_clear_flags / n
+    ratio_lean   = lean_flags / n
+
+    # ===========================
+    # منطق متعدد الشروط (متوازن)
+    # ===========================
+    score = 0.0
+    strong_votes = 0
+
+    # 1) Foot Drop-like: انخفاض مستمر + نسب زمنية عالية
+    foot_drop_evidence = (min(avg_Lc, avg_Rc) < 3.5) or (ratio_low_L > 0.35 or ratio_low_R > 0.35)
+    if view == "side":
+        if foot_drop_evidence and abs(avg_La - avg_Ra) < 35:
+            score += 3.0; strong_votes += 1
+        elif (ratio_low_L > 0.2 or ratio_low_R > 0.2):
+            score += 1.5
+
+    # 2) Neuropathy-like: تذبذب ارتفاع واضح + لا تماثل زاوٍي
     var_clear = max(std_Lc, std_Rc)
-    min_clear = min(avg_Lc, avg_Rc)
-
-    # نسب زمنية لأنماط غير طبيعية
-    L_low_ratio = sum(np.array(L_clear) < 4) / len(L_clear) if L_clear else 0
-    R_low_ratio = sum(np.array(R_clear) < 4) / len(R_clear) if R_clear else 0
-    dynamic_asym = np.mean(np.abs(np.array(L_clear) - np.array(R_clear))) if L_clear and R_clear else 0
-
-    # ======== خوارزمية التصنيف متعددة المعايير ========
-    score = 0
-
-    # حساسية أعلى للحالات العصبية
-    if (L_low_ratio > 0.4 or R_low_ratio > 0.4) and min_clear < 3.5:
-        score += 3.0  # Foot drop قوي
-
-    if diff_angle > 20 and var_clear > 9:
-        score += 2.5  # Neuropathy قوي
+    diff_angle = abs(avg_La - avg_Ra)
+    if (var_clear > 9 and diff_angle > 16) or (ratio_asym > 0.25 and var_clear > 7):
+        score += 2.5; strong_votes += 1
+    elif (var_clear > 7 and diff_angle > 12):
+        score += 1.5
 
-    if avg_base > 0.27 and var_clear > 7 and diff_angle > 10:
-        score += 2.5  # Charcot قوي
+    # 3) Charcot-like: قاعدة عريضة + ميل جذع/عدم اتزان (أكثر منطقية في الأمامي)
+    if view == "frontal":
+        if (avg_base_m > 0.28 and ratio_lean > 0.25) or (avg_base_m > 0.30):
+            score += 3.0; strong_votes += 1
+        elif avg_base_m > 0.25 and ratio_lean > 0.15:
+            score += 1.5
+    else:
+        # من الجانب: نعتمد أكثر على عدم التماثل الزمني
+        if ratio_asym > 0.35 and var_clear > 8:
+            score += 2.5; strong_votes += 1
 
-    if dynamic_asym > 5 and var_clear > 8:
+    # 4) ميل الجذع المستمر (واضح سريريًا)
+    if ratio_lean > 0.35 or avg_tilt > 10:
         score += 1.5
 
-    if diff_clear > 6:
+    # 5) اختلاف الارتفاع بين القدمين (متوسط)
+    if abs(avg_Lc - avg_Rc) > 6:
         score += 1.0
 
-    if std_Lc > 10 or std_Rc > 10:
-        score += 0.5
-
-    # تجاهل المشي الطليعي المنتظم
-    if avg_Lc > 10 and avg_Rc > 10 and var_clear < 5:
-        return (
-            "<div style='color:#2e7d32;font-weight:600'>✅ المشية طليعية طبيعية.</div>"
-            "<div>تم التعرف على مشية طليعية منتظمة دون مؤشرات لخلل عصبي.</div>"
-            "<div style='font-size:13px;color:#555;margin-top:8px'>⚠️ يُوصى بالمراجعة فقط في حال وجود ألم أو ضعف توازن.</div>",
-            0.1
+    # 6) فلاتر السماح بالمشي الطليعي المنتظم (Toe-walking) دون تصنيف مرضي
+    if (avg_Lc > 10 and avg_Rc > 10) and (var_clear < 5) and (ratio_asym < 0.15) and (ratio_lean < 0.15):
+        html = (
+            "<div style='color:#2e7d32;font-weight:600'>✅ المشية طليعية منتظمة.</div>"
+            "<div>تم التعرف على نمط مشي طليعي مستقر دون مؤشرات عصبية مقلقة.</div>"
+            "<div style='font-size:13px;color:#555;margin-top:8px'>⚠️ يُوصى بالمراجعة فقط إذا وُجد ألم أو عدم اتزان.</div>"
         )
-
-    # ======== تحليل الحالة النهائية ========
-    max_score = 9.0
+        return html, _gauge_html(0.1)
+
+    # ===========================
+    # تسوية متوازنة للحكم النهائي
+    # - إذا وُجدت مؤشرين قويين على الأقل → نرفع التصنيف
+    # - وإلا نستخدم الدرجة المعيارية
+    # ===========================
+    max_score = 10.0
     norm_score = min(score / max_score, 1.0)
 
-    if norm_score < 0.3:
-        level, color, desc = "🟢 طبيعي", "#2e7d32", "المشية ضمن النطاق الطبيعي."
-    elif norm_score < 0.55:
-        level, color, desc = "🟡 متوسطة الخطورة", "#fbc02d", "بعض الاختلافات الطفيفة."
+    # عتبات متوازنة (لا مبالغة في التشدد ولا التساهل)
+    if (strong_votes >= 2) or (norm_score >= 0.7):
+        level, color, desc = "🔴 عالية الخطورة", "#c62828", "تم رصد مؤشرات قوية ومتعددة لخلل في المشية."
+    elif norm_score >= 0.45:
+        level, color, desc = "🟡 متوسطة الخطورة", "#f9a825", "تم رصد مؤشرات ملحوظة تحتاج متابعة."
     else:
-        level, color, desc = "🔴 عالية الخطورة", "#c62828", "تم رصد مؤشرات قوية لخلل في المشية."
+        level, color, desc = "🟢 طبيعي", "#2e7d32", "المشية ضمن الحدود الطبيعية."
 
-    # تحديد الحالة المحتملة
-    if score >= 6 and avg_base > 0.27:
+    # ترجيح نوع الحالة
+    if (view == "frontal" and avg_base_m > 0.28 and ratio_lean > 0.25) or (avg_base_m > 0.30):
         condition = "قدم شاركوت (Charcot Foot)"
-    elif (L_low_ratio > 0.4 or R_low_ratio > 0.4):
+    elif foot_drop_evidence and view == "side":
         condition = "ضعف العضلة الظنبوبية (Foot Drop)"
-    elif diff_angle > 20 and var_clear > 9:
+    elif (var_clear > 9 and diff_angle > 16) or (ratio_asym > 0.25 and var_clear > 7):
         condition = "اعتلال الأعصاب المحيطية / السكري"
     else:
         condition = "غير محددة بدقة"
 
     html = f"""
     <div style='color:{color};font-weight:700;font-size:18px'>{level}</div>
+    <div>👁️ زاوية التصوير المُكتشفة: <b>{'أمامية' if view=='frontal' else 'جانبية'}</b></div>
     <div>🩺 الحالة المحتملة: <b>{condition}</b></div>
-    <div>📊 درجة الخطورة: <b>{score:.1f}/9</b></div>
+    <div>📊 درجة المؤشرات: <b>{score:.1f}/{max_score:.0f}</b></div>
     <div>{desc}</div>
-    <div style='font-size:13px;color:#555;margin-top:8px'>⚠️ التحليل يعتمد على الأنماط الديناميكية في الفيديو ولا يُغني عن الفحص الطبي.</div>
+    <div style='font-size:13px;color:#555;margin-top:8px'>⚠️ تحليل تقديري يعتمد على أنماط الحركة؛ لا يُغني عن التقييم الطبي.</div>
     """
-    return html, norm_score
 
+    return html, _gauge_html(norm_score)
 
-with gr.Blocks(title="تحليل المشية العصبية - الإصدار الخامس") as demo:
-    gr.Markdown("## 🩺 نظام تحليل المشية العصبية (v5) – توازن بين الحساسية والدقة")
-    gr.Markdown("ارفع فيديو جانبي للمشي (15–30 ثانية). النظام سيقيّم النمط العصبي بدقة عالية.")
+# ===========================
+# واجهة Gradio
+# ===========================
+with gr.Blocks(title="تحليل المشية العصبية - v6 (متوازن مع كشف الزاوية)") as demo:
+    gr.Markdown("## 🩺 تحليل المشية العصبية – الإصدار v6")
+    gr.Markdown("يرجى رفع فيديو جانبي أو أمامي (15–30 ثانية). النظام يحدد زاوية التصوير تلقائيًا ويعرض تقييمًا متوازنًا مع شريط ألوان.")
 
     with gr.Row():
         with gr.Column(scale=1):
             video_in = gr.File(label="📂 اختر فيديو المشي", file_types=[".mp4", ".avi", ".mov"], type="binary")
             analyze_btn = gr.Button("🔍 بدء التحليل", variant="primary")
         with gr.Column(scale=1):
-            gauge = gr.Number(label="⚙️ درجة الخطورة (0–1)", interactive=False)
+            gauge = gr.HTML("<div></div>")
             out_html = gr.HTML("<i>النتيجة ستظهر هنا...</i>")
 
     analyze_btn.click(fn=analyze_gait, inputs=[video_in], outputs=[out_html, gauge])