Add application files

app.py

@@ -0,0 +1,84 @@
+import numpy as np
+import matplotlib.pyplot as plt
+import pandas as pd
+
+import streamlit as st
+import tensorflow as tf
+from keras.models import load_model
+
+import librosa
+import librosa.display
+import seaborn as sns
+
+#import sounddevice as sd
+#from scipy.io.wavfile import write
+
+#import pdb
+
+st.title('Prediksi Penyakit Saluran Pernapasan')
+with st.expander('**Konteks Model AI dan Database**'):
+    #st.markdown('**Konteks Model AI dan Database:**')
+    st.caption('*Made with ❤️  by Yose Marthin Giyay*')
+    st.caption('Ini merupakan laman *interface* untuk model Convolutional Neural Network (CNN) yang dilatih menggunakan **TensorFlow 2.11.0**. Model ini dilatih dengan data dari **Respiratory Sound Database** yang dikemas 2 tim peneliti dengan subset populasi pasien di Portugal dan Yunani atas nama *International Conference on Biomedical Health Informatics* (ICHBI)')
+    st.caption('Di sini _library_ **Librosa** digunakan untuk mengekstraksi MFCCs dari *file* audio. MFCC (*Mel-Frequency Cepstral Coefficients*) merupakan format representasi audio. Dengan proses matematis ini, fitur-fitur penting di jangkauan frekuensi alami telinga manusia dapat diekstraksi dari *file* audio dan dijadikan *input* ke model CNN untuk proses pelatihan model/prediksi.')
+    st.caption('Database yang digunakan dapat dijelajah dan/atau diunduh di sini: https://bhichallenge.med.auth.gr/')
+    st.caption('Jurnal ilmiah menyangkut pengumpulan data oleh tim dapat dilihat di sini: https://link.springer.com/chapter/10.1007/978-981-10-7419-6_6')
+    st.caption('Project roadmap: developing a low-cost wireless stethoscope')
+    
+st.subheader('**Kategori diagnosis:**')
+st.markdown('*- Sehat*   \n*- Bronkiektasis*   \n*- Bronkiolitis*   \n*- Penyakit Paru Obstruktif Kronis (PPOK)*   \n*- Pneumonia*   \n*- Infeksi Saluran Pernapasan Atas*')
+st.subheader('Unggah *file* audio dan mulai prediksi')
+st.caption('*Dalam pengembangan: rekam langsung di laman ini*. Idealnya audio yang digunakan direkam dengan stetoskop di area trakea, bisa gunakan mata stetoskop yang disambung dengan *mic* headset Bluetooth, misalnya. Untuk sekarang, bisa coba fitur *interface* dulu dengan rekaman pernapasan langsung dari mic HP.')
+st.caption('**Silakan unggah *fail* audio .wav berdurasi ~20 detik**')
+
+# Definisikan Function untuk prediksi
+def predict_disease(model, features):
+    # Predict
+    prediction = model.predict(features)
+    c_pred = np.argmax(prediction)
+    
+    return prediction, c_pred
+
+# Muat model yang di latih - version mismatch, manual compile
+model = load_model('./model/CNN-MFCC.h5', compile=False)
+model.compile(loss='categorical_crossentropy', metrics=['accuracy'], optimizer='adam')
+
+# Label
+clabels = ['Bronchiectasis', 'Bronchiolitis', 'Chronic Obstructive Pulmonary Disease (COPD)', 'Healthy', 'Pneumonia', 'Upper Respiratory Tract Infection (URTI)']
+clabels_idn = ['Bronkiektasis', 'Bronkiolitis', 'Penyakit Paru Obstruktif Kronis (PPOK)', 'Sehat', 'Radang Paru-Paru', 'Infeksi Saluran Pernapasan Atas']
+
+# Create a form for input and output components
+with st.form(key="prediction_form"):
+    # Upload and display audio file
+    uploaded_file = st.file_uploader("Pilih *file* audio (hanya format .WAV)")
+    
+    # Proses audio yang diunggah, ekstraksi MFCCs
+    if uploaded_file is not None:
+        # Memuat berkas audio
+        audio, sample_rate = librosa.load(uploaded_file, duration=20)
+        
+        # Tampilkan Spektogram Mel
+        st.markdown('Mel Spectrogram')
+        fig, ax = plt.subplots()
+        sns.heatmap(librosa.power_to_db(librosa.feature.melspectrogram(y=audio, sr=sample_rate), ref=np.max))
+        st.pyplot(fig)
+
+        # Ekstraksi MFCCs
+        mfccs = librosa.feature.mfcc(y=audio, sr=sample_rate, n_mfcc=40)
+        # Padding dimensi, dari (20, 862) ke (1, 40, 862, 1)
+        max_pad_len = 862
+        pad_width = max_pad_len - mfccs.shape[1]
+        mfccs = np.pad(mfccs, pad_width=((0, 0), (0, pad_width)), mode='constant')
+        features = np.expand_dims(np.array(mfccs), axis=(0, -1))
+
+    # Submit the prediction request
+    submit_button = st.form_submit_button("Prediksi kemungkinan penyakit")
+
+    # Display the prediction results
+    if submit_button:
+        prediction, c_pred = predict_disease(model, features)
+        max_value = np.max(prediction)
+        formatted_max = np.format_float_positional(max_value*100, precision=2)
+        st.title('Prediksi: ')
+        st.subheader(f'**{clabels_idn[c_pred]}**: {formatted_max}%')
+        st.subheader(f'*{clabels[c_pred]}*')

model/CNN-MFCC.h5

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:63b65224e8c8f1a05674bcdf2755675a0181a12ee513aa2bc11eef358b10b636
+size 585352