Create streamlit_app.py

streamlit_app.py

@@ -0,0 +1,53 @@
+import streamlit as st
+import numpy as np
+from inference.model import run_inference
+
+st.set_page_config(page_title="DeepECG PDF Demo", layout="centered")
+
+st.title("🩸 DeepECG – PDF Analyse (Demo)")
+st.markdown(
+    """
+    **Hinweis:**  
+    Diese Demo analysiert EKG-PDFs zu Evaluations- und Forschungszwecken.  
+    Kein Medizinprodukt. Keine Patientendaten speichern.
+    """
+)
+
+uploaded_file = st.file_uploader(
+    "📄 EKG-PDF hochladen",
+    type=["pdf"]
+)
+
+if uploaded_file is not None:
+    st.success("PDF erfolgreich hochgeladen")
+
+    if st.button("🤖 Analyse starten"):
+        with st.spinner("Analyse läuft … bitte warten"):
+            # Placeholder: generiere Dummy-Signal für 12 Ableitungen mit 5000 Samples
+            dummy_signal = np.random.randn(12, 5000)
+
+            results = run_inference(dummy_signal)
+
+        st.subheader("📊 Ergebnis")
+
+        st.metric(
+            label="Gesamtrisiko",
+            value=f"{results['risk_score']} %"
+        )
+
+        st.subheader("Top-Diagnosen")
+        for d in results["top_diagnoses"]:
+            st.write(f"- {d['label']} ({d['probability']} %)")
+
+        st.subheader("🚦 Einschätzung")
+        # Zeige Interpretation als Erfolg/Warnung/Fehler basierend auf Risiko
+        risk = results['risk_score']
+        if risk < 40:
+            st.success(results["interpretation"])
+        elif risk < 70:
+            st.warning(results["interpretation"])
+        else:
+            st.error(results["interpretation"])
+
+        st.subheader("📈 Beispiel-EKG (Lead I)")
+        st.line_chart(dummy_signal[0])