RF2C 是一个专为嵌入式设备（MCU）设计的完整机器学习工作流。它能够将采集到的多通道（默认 8 通道）表面肌电（sEMG）信号提取为 MAV（平均绝对值）特征，对特征数据进行数据集划分、随机森林超参数网格搜索，最终将训练好的模型导出为可以直接部署到微控制器上的纯 C 代码（基于 Treelite）。
- 🌟 自适应特征提取：自动标定静息阈值，支持多通道投票、时间约束过滤的严格活跃窗口提取。
- 📊 数据集管理：提供稳定的一键式训练/测试集随机划分工具。
- 🔍 自动化调参：内置交叉验证与网格搜索，支持按模型准确率和体积排序评估。
- 🚀 嵌入式友好：自动分析树结构、Flash/RAM 占用估算，一键生成
model_data.h和预测 C 代码。
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ 原始 EMG 数据 │ ──>│ 特征提取 (MAV) │ ──>│ 划分数据集 │ ──>│ 网格搜索寻优 │
│ (.csv 文件) │ │ emg_mav_cli.py │ │ split_dataset...│ │ grid_search... │
└─────────────────┘ └─────────────────┘ └─────────────────┘ └────────┬────────┘
│ (最优参数)
▼
┌─────────────────┐
│ 训练并导出 C │
│ train_export... │
└─────────────────┘
功能：对原始的 8 通道 EMG 信号计算滑动窗口 MAV（平均绝对值）特征。自动利用静息文件（label=0）计算阈值，并在真实手势文件上根据阈值、通道投票及时间长度约束，严格提取有效动作窗口。
主要参数：
--input-dir: 原始数据 CSV 文件或目录（需符合命名规范label_round_gesturedata_time.csv）。--window-length: 滑动窗口长度（采样点）。--step: 滑动步长（采样点）。--output-dir: 结果输出路径（生成特征 CSV、阈值 JSON 及可视化图表）。--mav-scale,--vote-channels,--min-active-sec,--max-gap-sec,--shrink-sec: 有效窗口判定的高阶调优参数。
示例：
python emg_mav_cli.py --input-dir ./raw_data --window-length 200 --step 50 --output-dir ./features功能：将特征提取输出的 CSV 文件按指定比例随机划分为训练集（Train）和测试集（Test）。
主要参数：
--input-file: 特征提取步骤生成的 CSV 文件路径。--test-ratio: 测试集所占比例（默认0.2）。--output-dir: 划分后文件的保存目录。--seed: 随机种子，保证每次划分可复现（默认42）。
示例：
python split_dataset_cli.py --input-file ./features/extracted_features.csv --test-ratio 0.2 --output-dir ./dataset功能：在划分好的训练集上运行 K-Fold 交叉验证，尝试多种随机森林超参数组合，寻找综合准确率最高的模型配置。
主要参数：
--train-csv,--test-csv: 训练集和测试集路径。--output-dir: 搜索结果输出目录。--n-estimators,--max-depth,--min-samples-split,--min-samples-leaf,--max-features: 随机森林搜索空间（支持逗号分隔如100,200,300，或范围如10:30:10）。
示例：
python grid_search_rf.py --train-csv ./dataset/train_dataset.csv --test-csv ./dataset/test_dataset.csv --output-dir ./grid_search_out --n-estimators "50,100,200" --max-depth "10,20,None"功能：根据网格搜索选出的最佳参数（或手动指定的参数），训练最终的随机森林模型，并将其转换为嵌入式 C 代码（Treelite），同时估算在 MCU 上的 Flash 和 RAM 资源占用。
主要参数：
--train-csv,--test-csv: 数据集路径。--params-json:grid_search_rf.py生成的gridsearch_summary.json文件路径。--output-dir: C 代码及模型评估报告的输出目录。--quantize: （可选）启用 INT8 量化以进一步压缩模型体积。
示例：
python train_export_rf.py --train-csv ./dataset/train_dataset.csv --test-csv ./dataset/test_dataset.csv --params-json ./grid_search_out/gridsearch_summary.json --output-dir ./c_model_export以下是走通完整数据流的最简示例：
# 1. 提取特征 (滑动窗口200, 步长20)
python emg_mav_cli.py --input-dir .\data\dataset1 --window-length 200 --step 20 --sampling-rate 1000 --mav-scale 1 --vote-channels 3 --min-active-sec 1 --max-gap-sec 0.1 --shrink-sec 0.2 --output-dir .\data\dataset1\output_v5 --workers 8 --use-existing-threshold
# 2. 划分数据集 (80% 训练, 20% 测试)
python split_dataset_cli.py --input-file .\data\dataset1\extracted_features.csv --test-ratio 0.2 --output-dir .\data\dataset1\output_v5\split_output
# 3. 寻找最优超参数
C:\Users\zyx\AppData\Local\conda\conda\envs\IPC_project\python.exe RF2C/grid_search_rf.py --train-csv .\data\dataset1\split_output\train_dataset.csv --test-csv .\data\dataset1\split_output\test_dataset.csv --output-dir .\data\dataset1\output_v5\grid_search_output --n-estimators 5:20:1 --max-depth 10:30:1
# 4. 训练模型并导出 C 代码
C:\Users\zyx\AppData\Local\conda\conda\envs\IPC_project\python.exe train_export_rf.py --train-csv .\data\dataset1\split_output\train_dataset.csv --test-csv .\data\dataset1\split_output\test_dataset.csv --output-dir .\data\dataset1\output_v5\c_model_export --n-estimators 13 --max-depth 16 --min-samples-split 2 --min-samples-leaf 1 --max-features sqrt