Create app.py

app.py

@@ -0,0 +1,90 @@
+import streamlit as st
+import numpy as np
+import pandas as pd
+from tensorflow import keras
+from firebase import firebase
+import json  # لاستخدام json.dumps لتحويل البيانات إلى JSON
+
+# إعداد Firebase (ضع بياناتك هنا)
+config = {
+    'apiKey': "AIzaSyDZCCMjd003FcPDRcik5jCHCEQL56pkeFY",
+    'authDomain': "jsonfile-esp32-mohiot.firebaseapp.com",
+    'databaseURL': "https://jsonfile-esp32-mohiot-default-rtdb.europe-west1.firebasedatabase.app",
+    'projectId': "jsonfile-esp32-mohiot",
+    'storageBucket': "jsonfile-esp32-mohiot.firebasestorage.app",
+    'messagingSenderId': "710233105459",
+    'appId': "1:710233105459:web:6a5dd9b611e6f558c36f46"
+}
+firebase = firebase.FirebaseApplication(config['databaseURL'], None)
+
+# تحميل بيانات السكر
+csv_data = pd.read_csv('sugar_level.csv')
+sugar_levels = csv_data['Sugar level']
+current_csv_index = 0
+
+# تحميل النماذج
+try:
+    Seizure_Detection_model = keras.models.load_model("seizure_detection.h5", compile=False)
+    Seizure_Detection_model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
+    Fall_Detection_model = keras.models.load_model("Fall_Detection.h5", compile=False)
+    Fall_Detection_model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])
+except Exception as e:
+    st.error(f"Error loading models: {e}")  # عرض الخطأ في Streamlit
+    st.stop()  # إيقاف التطبيق في حالة وجود خطأ
+
+# دالة جلب مستوى السكر التالي
+def get_next_sugar_level():
+    global current_csv_index
+    if current_csv_index >= len(sugar_levels):
+        return sugar_levels.iloc[-1]
+    value = sugar_levels.iloc[current_csv_index]
+    current_csv_index += 1
+    return value
+
+# دالة التنبؤ
+def process_sensor_data():
+    try:
+        data = firebase.get('/sensors', None)
+        if not data:
+            return {"message": "لم يتم استقبال بيانات من Firebase"}
+
+        heart_rate = data.get('MAX30102', 88)
+        spo2 = data.get('MAX30102', 98)
+        Temperature = data.get('MAX30205', 37)
+        Distance = data.get('VL53L0X', 100)
+        sugar_level = get_next_sugar_level()
+        GSR = data.get('GSR', 0)
+
+        # التنبؤ بالنوبات
+        X_test_seizure = np.array([[heart_rate, Temperature, spo2]])
+        seizure_prediction = Seizure_Detection_model.predict(X_test_seizure)
+        seizure_result = "يوجد نوبة" if seizure_prediction[0][0] > 0.5 else "لا يوجد نوبة"
+
+        # التنبؤ بالسقوط
+        X_test_fall = np.array([[Distance, heart_rate, sugar_level, spo2]])
+        fall_prediction = Fall_Detection_model.predict(X_test_fall)
+        fall_class = np.argmax(fall_prediction, axis=1)[0]
+        fall_result = {0: "لا يوجد سقوط", 1: "احتمال سقوط", 2: "تم السقوط"}.get(fall_class, "غير معروف")
+
+        results = {
+            "معدل_ضربات_القلب": heart_rate,
+            "نسبة_الأكسجين_في_الدم": spo2,
+            "درجة_الحرارة": Temperature,
+            "مستوى_السكر": sugar_level,
+            "معدل_التعرق": GSR,
+            "حالة_النوبات": seizure_result,
+            "حالة_السقوط": fall_result
+        }
+        return json.dumps(results, ensure_ascii=False)  # تحويل النتائج إلى JSON باستخدام json.dumps
+
+    except Exception as e:
+        return {"error": str(e)}
+
+# إنشاء Streamlit UI
+st.title("نموذج الذكاء الاصطناعي للكشف عن النوبات والسقوط")
+st.write("يتم جلب البيانات من Firebase وإجراء التنبؤات باستخدام نماذج الذكاء الاصطناعي.")
+
+if st.button("تشغيل التنبؤ"):
+    with st.spinner("جاري معالجة البيانات..."):
+        result = process_sensor_data()
+        st.write(result)  # عرض نتائج JSON في Streamlit