Upload 8 files

.gitattributes

@@ -33,3 +33,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 *.zip filter=lfs diff=lfs merge=lfs -text
 *.zst filter=lfs diff=lfs merge=lfs -text
 *tfevents* filter=lfs diff=lfs merge=lfs -text
+pic/clases.png filter=lfs diff=lfs merge=lfs -text

ace_diff_gradio.py

@@ -0,0 +1,267 @@
+import gradio as gr
+from app_function import *
+from plot_function import calculate_plot, predict_plot
+
+
+def run_test():
+    with gr.Blocks(title="Адденбрукский когнитивный тест (ACE-III)") as demo:
+        gr.Markdown("# Адденбрукский когнитивный тест (ACE-III)")
+        
+        
+        with gr.Row():
+            with gr.Column(scale=2):
+                gr.Markdown("""
+            ## Описание теста ACE-III
+            
+            **Адденбрукский когнитивный тест (ACE-III)** - это скрининговый инструмент 
+            для диагностики когнитивных нарушений и деменций. Является усовершенствованной 
+            версией теста ACE-R.
+            
+            ### Основные характеристики:
+            - Оценивает 5 когнитивных доменов:
+              1. Внимание и концентрация
+              2. Память
+              3. Речевые функции
+              4. Визуально-пространственные способности
+              5. Ориентация
+            - Общее максимальное количество баллов: 100
+            - Время проведения: 15-20 минут
+            - Чувствительность для выявления деменции: 84-94%
+            
+            ### Интерпретация результатов:
+            - 88-100 баллов: норма
+            - 82-87 баллов: легкие когнитивные нарушения
+            - Менее 82 баллов: вероятна деменция
+            
+            Тест особенно полезен для дифференциальной диагностики между 
+            болезнью Альцгеймера, лобно-височной деменцией и деменцией с тельцами Леви.
+            """)
+            
+        with gr.Column(scale=1):
+           
+            gr.Markdown("[Подробнее о тесте](https://www.sydney.edu.au/brain-mind/our-clinics/dementia-test.html#addenbrookes-cognitive-examination-iii)")
+        
+        # Внимание
+        with gr.Tab("Внимание"):
+            gr.Markdown("## ВНИМАНИЕ")
+            
+            with gr.Column():
+                time_orientation = gr.Slider(0, 5, label='Ориентирование во времени', value=0, step=1)
+                space_orientation = gr.Slider(0, 5, label='Ориентирование в пространстве', value=0, step=1)
+                three_words = gr.Slider(0, 3, label='Повторение 3-х слов', value=0, step=1)
+                calculate = gr.Slider(0, 5, label='Серийный счет (100-7 последовательно)', value=0, step=1)
+                
+                total_att = gr.Number(label="Общий балл за внимание", value=0)
+                
+                for slider in [time_orientation, space_orientation, three_words, calculate]:
+                    slider.change(
+                        fn=calculate_total,
+                        inputs=[time_orientation, space_orientation, three_words, calculate],
+                        outputs=total_att
+                    )
+                    
+        # Память (исправлена опечатка в названии вкладки)
+        with gr.Tab("Память"):
+            gr.Markdown("## ПАМЯТЬ")
+            
+            with gr.Column():
+                three_word_memory = gr.Slider(0, 3, label='Припоминание 3-х слов', value=0, step=1)
+                memory_adress = gr.Slider(0, 7, label='Запоминание адреса', value=0, step=1)
+                memory_president = gr.Slider(0, 4, label='Осведомленность (президент, премьер-министр)', value=0, step=1)
+                free_recall_adress = gr.Slider(0, 7, label='Свободное припоминание адреса', value=0, step=1)
+                choice_adress = gr.Slider(0, 5, label='Выбор из множества (подсказка)', value=0, step=1)
+                
+                total_memory = gr.Number(label="Общий балл за память", value=0)  # Исправлена подпись
+                
+                for slider in [three_word_memory, memory_adress, memory_president, free_recall_adress, choice_adress]:
+                    slider.change(
+                        fn=calculate_memory,
+                        inputs=[three_word_memory, memory_adress, memory_president, free_recall_adress, choice_adress],
+                        outputs=total_memory
+                    )
+        
+        with gr.Tab("Беглость"):
+            gr.Markdown("## БЕГЛОСТЬ")
+            
+            with gr.Column():
+                words_minuts = gr.Slider(0, 7, label='Балл за количество слов в минуту', value=0, step=1)
+                animal_minuts = gr.Slider(0, 7, label='Балл за число названных животных в минуту', value=0, step=1)
+            
+                
+                total_fluency = gr.Number(label="Общий балл за беглость", value=0)  # Исправлена подпись
+                
+                for slider in [words_minuts, animal_minuts]:
+                    slider.change(
+                        fn=calculate_fluency,
+                        inputs=[words_minuts, animal_minuts],
+                        outputs= total_fluency
+                    )
+        
+        
+        with gr.Tab("Речь"):
+            gr.Markdown("## РЕЧЬ")
+            
+            with gr.Column():
+                instruction = gr.Slider(0, 3, label='Понимание инструкций', value=0, step=1)
+                write_two_sentence = gr.Slider(0, 2, label='Написание двух предложений', value=0, step=1)
+                repit_words= gr.Slider(0, 2, label='Повторение', value=0, step=1) 
+                repit_phrase = gr.Slider(0, 2, label='Повторение пословиц', value=0, step=1)
+                naming = gr.Slider(0, 12, label='Название', value=0, step=1)
+                understanding = gr.Slider(0, 4, label='Понимание', value=0, step=1)
+                reading = gr.Slider(0, 1, label='Чтение', value=0, step=1)
+            
+                
+                total_speech = gr.Number(label="Общий балл за речь", value=0)  # Исправлена подпись
+                
+                for slider in [instruction, write_two_sentence, repit_words, repit_phrase, naming, understanding, reading]:
+                    slider.change(
+                        fn=calculate_speech,
+                        inputs=[instruction, write_two_sentence, repit_words, repit_phrase, naming, understanding, reading],
+                        outputs= total_speech
+                    )
+        
+        
+        with gr.Tab("зрительно-простраснтвенные способности"):
+            gr.Markdown("## ПРОСТРАНСТВО")
+            
+            with gr.Column():
+                infinity = gr.Slider(0, 1, label='копирование бесконечностей', value=0, step=1)
+                cube = gr.Slider(0, 2, label='Копирование куба', value=0, step=1)
+                clock= gr.Slider(0, 5, label='Рисование часов', value=0, step=1)
+                punkt = gr.Slider(0, 4, label='Подсчет точек', value=0, step=1)
+                letters = gr.Slider(0, 4, label='Распознавание букв', value=0, step=1)
+              
+                
+                total_spatial = gr.Number(label="Общий балл за речь", value=0)  # Исправлена подпись
+                
+                for slider in [infinity, cube, clock, punkt, letters]:
+                    slider.change(
+                        fn=calculate_spatial,
+                        inputs=[infinity, cube, clock, punkt, letters],
+                        outputs= total_spatial
+                    )
+              
+        
+        
+        
+                    
+        # Общий балл
+        with gr.Tab("Всего"):
+            gr.Markdown("## ОБЩИЙ БАЛЛ")
+            
+            with gr.Column():
+                total_score = gr.Number(label="Общий балл по тесту", value=0)
+                
+                              # Обновляем общий балл при изменении баллов за внимание или память
+                total_att.change(
+                    fn=calculate_overall,
+                    inputs=[total_att, total_memory, total_fluency, total_speech, total_spatial],
+                    outputs=total_score
+                )
+                
+                total_memory.change(
+                    fn=calculate_overall,
+                    inputs=[total_att, total_memory, total_fluency, total_speech, total_spatial],
+                    outputs=total_score
+                )
+                
+                total_fluency.change(
+                    fn=calculate_overall,
+                    inputs=[total_att, total_memory, total_fluency, total_speech, total_spatial],
+                    outputs=total_score
+                )
+                
+                total_speech.change(
+                    fn=calculate_overall,
+                    inputs=[total_att, total_memory, total_fluency, total_speech, total_spatial],
+                    outputs=total_score
+                )
+                
+                total_spatial.change(
+                    fn=calculate_overall,
+                    inputs=[total_att, total_memory, total_fluency, total_speech, total_spatial],
+                    outputs=total_score
+                )
+
+
+
+        with gr.Tab("Анализ"):
+            gr.Markdown("## Визуализация результатов")
+    
+            with gr.Row():
+        # Колонка с графиком когнитивных функций
+                with gr.Column():
+                    gr.Markdown("### Когнитивные функции")
+                    cognitive_plot = gr.Plot()
+            
+            # Обработчики для обновления графика функций
+                    for component in [total_att, total_memory, total_fluency, total_speech, total_spatial]:
+                        component.change(
+                        fn=calculate_plot,
+                        inputs=[total_att, total_memory, total_fluency, total_speech, total_spatial],
+                        outputs=cognitive_plot
+                        )
+        
+        # Колонка с графиком предсказаний
+                with gr.Column():
+                    gr.Markdown("### Прогноз модели")
+    
+                    age_slider = gr.Slider(20, 100, value=56, label="Возраст")
+                    prediction_plot = gr.Plot()
+    
+                    predict_btn = gr.Button("Выполнить прогноз")
+                    predict_btn.click(
+                            fn=predict_plot,
+                            inputs=[total_score, total_att, total_memory, total_fluency, total_speech, total_spatial, age_slider],
+                            outputs=prediction_plot
+              )                       
+            
+        with gr.Tab("Метрики"):
+            gr.Markdown("## Метрики классификации")
+    
+            with gr.Row():            
+            # Структура выборки
+                with gr.Column():
+                    gr.Markdown("### Структура выборки")
+                    gr.Image("pic/clases.png", label="Структура выборки")
+            
+           # Confusion Matrix (готовая картинка)
+                with gr.Column():
+                    gr.Markdown("### Confusion Matrix")
+                    gr.Image("pic/confusion_matrix_neuon.png", label="Confusion Matrix")
+            
+     
+    
+    # Метрики F1 
+            with gr.Row():
+                with gr.Column():
+                    gr.Markdown("### Метрики классификации")
+                    metrics_table = gr.Dataframe(
+                        headers=["Метрика", "Значение"],
+                        datatype=["str", "number"],
+                        row_count=4)
+
+                    gr.Markdown("### F1-мера ")
+            # Пример готовых метрик
+                    predefined_metrics = [
+                ["F1-мера (норма)", 0.92],
+                ["F1-мера (умеренные нарушения)", 0.90],
+                ["F1-мера (деменция)", 0.99],
+                
+                ]
+                    gr.Dataframe(
+                    predefined_metrics,
+                    headers=["Метрика", "Значение"],
+                    datatype=["str", "number"],
+                    row_count=4,
+                    col_count=2,
+                    interactive=False
+            )
+             
+                
+              
+    return demo
+
+if __name__ == "__main__":
+    demo = run_test()
+    demo.launch()

app_function.py

@@ -0,0 +1,25 @@
+
+def calculate_total(time, space, words, calc):
+    return time + space + words + calc
+
+def calculate_memory(words, adress, president, free_recall, choice):
+    return words + adress + president + free_recall + choice
+
+
+def calculate_fluency(words, animal):
+    return words + animal
+
+def calculate_speech(instruction, write, repit_words, repit_phrase, naming, understood, read ):
+    return instruction + write + repit_words + repit_phrase+ naming + understood + read
+
+def calculate_spatial(infinity, cube, clock, punkt, letters):
+    return infinity + cube + clock + punkt + letters
+
+def calculate_language(reading, writing, dict_words, dict_phrase, dict_naming, dict_understood, dict_read ):
+    return reading + writing + dict_words + dict_phrase+ dict_naming + dict_understood + dict_read
+
+def calculate_att_score(total_att):
+    return total_att
+
+def calculate_overall(att_score, memory_score, total_flue, total_speech, total_spatial):
+    return att_score + memory_score + total_flue + total_speech + total_spatial

mymodel.onnx

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:4f09354d04d65005934753ce0c0b17d101a46ff6798973781679838bf7f1eadd
+size 34250

plot_function.py

@@ -0,0 +1,75 @@
+import seaborn as sns
+import matplotlib.pyplot as plt
+import numpy as np  
+from predict_function import predict 
+   
+def calculate_plot(total_att, total_memory, total_fluency, total_speech, total_spatial):
+          
+            
+                    labels = ['Внимание', 'Память', 'Беглость', 'Речь', 'Пространство']
+                    data = np.array([total_att, total_memory, total_fluency, total_speech, total_spatial], dtype=np.float32)
+                    max_value = np.array([18, 26, 14, 26, 16 ], dtype=np.float32)
+                    relative_data = np.divide(data, max_value )* 100
+                    plt.close('all')
+                    fig=plt.figure(figsize=(6, 5))
+                    ax=sns.barplot(y=labels, x=relative_data, palette="Blues_d", hue=labels, legend=False)
+                        # Добавляем подписи осей
+                    ax.set_xlabel('Процент сохранных функций', fontsize=12, labelpad=10)
+                    ax.set_ylabel('Когнитивные функции', fontsize=12, labelpad=10)
+    
+
+                    plt.xticks(fontsize=10)
+                    plt.yticks(fontsize=10)
+                    plt.title('Оценка когнитивных функций', fontsize=14, pad=20)
+    
+   
+                    ax.grid(True, linestyle='--', alpha=0.3)
+                    
+                    
+                    
+                    plt.title(f"Когнитивный профиль. Общий балл:{np.sum(data)}")
+                
+                
+                    plt.tight_layout()
+            
+                    return fig
+                
+def predict_plot(total, total_att, total_memory, total_fluency, total_speech, total_spatial, age):
+    
+    data=[total, total_att, total_memory, total_fluency, total_speech, total_spatial, age]
+    
+    dict_data = predict(data)
+            # 3. Создание графика
+    plt.close('all')  # Закрываем предыдущие графики
+    fig, ax=plt.subplots(figsize=(6,4)) # Увеличил размер для читаемости
+        
+            
+        # Сортируем по значениям для лучшего отображения
+    sorted_items = sorted(dict_data.items(), key=lambda x: x[1])
+    labels = [item[0] for item in sorted_items]
+    values = [item[1] for item in sorted_items]
+        
+        # 5. Построение графика
+    bars = ax.barh(labels, values, color='skyblue')
+        
+        # 6. Выделение максимального значения
+    max_idx = np.argmax(values)
+    bars[max_idx].set_color('green')
+        
+        # 7. Добавление значений на график
+    for bar in bars:
+        width = bar.get_width()
+        ax.text(width + 0.01, bar.get_y() + bar.get_height()/2,
+                   f'{width:.2f}',
+                   va='center', ha='left', fontsize=9)
+        
+        # 8. Настройка оформления
+        ax.set_title(f'Нарушения соответствуют: {labels[max_idx]}', 
+                   fontsize=12, pad=10)
+        ax.set_xlabel('Вероятность', fontsize=10)
+        ax.set_ylabel('Тип нарушений', fontsize=10)
+        ax.set_xlim(0, 1.1 if max(values) <= 1 else None)  # Автоподбор границ
+        
+        plt.tight_layout()
+        return fig
+        

predict_function.py

@@ -0,0 +1,28 @@
+import numpy as np
+from onnxruntime import InferenceSession
+
+''' 
+входные данные data=[batch, 7]
+shape=(1, 7) 7 входных параметров
+'''
+
+def softmax(x):
+    e_x = np.exp(x - np.max(x))  
+    return e_x / e_x.sum(axis=0)  
+
+def predict(data):
+    
+    model = InferenceSession("mymodel.onnx")
+    
+    label=['норма', 'умеренные когнитивные', 'демнция']
+    
+    input_data=np.array(data, dtype=np.float32).reshape(1,-1)   
+    outputs = model.run(
+    output_names=["output"],
+    input_feed={"input": input_data},
+    )
+    
+    dict_predict=dict(zip(label, softmax(outputs[0][0])))
+    return dict_predict
+
+