IWR1642 毫米波雷达 — 心纹识别与生命体征监测系统

基于 TI IWR1642 77 GHz 毫米波雷达的非接触式实时心纹识别与生命体征监测系统

功能特性 · 快速开始 · 系统架构总览 · 信号处理流水线 · 模型训练 · 文档中心

功能特性

生命体征监测

指标	测量范围	精度	更新频率
心率	40–200 BPM	±2 BPM	10 秒
呼吸率	8–60 BPM	±1 BPM	10 秒

心纹识别

多模态架构: 频域 (频谱图) + 时域 (心拍信号) + 手工特征三模态四视角融合
骨干网络可选: CustomCNN / EfficientNet-B0 / ResNet-18 / MobileNetV3-Small
时域分支可选: CNN+BiLSTM / InceptionTime / PatchTST
开集识别: ArcFace 嵌入 + EVT 概率校准 + SubCenter 子中心检索，支持 unknown 拒绝
MAE 自监督预训练: 无标注心拍掩码预测，提升小样本场景性能

信号处理特色

CEEMDAN + VMD 呼吸/心跳自适应分离，PE 排列熵驱动 VMD 最优模态数选择
SVD / CSSA 级联时域去噪
全二维双谱 频率估计，天然抑制高斯噪声与 RSA 调制
滑动窗口动态频率估计 + MAD 离群剔除 + 一致性质量评分 + 生理范围过滤 + Range-Bin 能量门控
5 分钟滑动 HRV 计算 SDNN、pNN50、呼吸变异性、吸呼比

系统能力

20 Hz 实时雷达数据流处理
Flask + SSE 实时推送，Web 前端已接入 (templates/index.html)
离线信号分析工作台 (Streamlit, 8 个分析 Tab)
13 项模块化系统测试 (test_system_modules.py)
K 折交叉验证训练 + 画廊构建

快速开始

环境要求

硬件 (实时模式): TI IWR1642BOOST + DCA1000EVM 串口 COM5 @ 115200，以太网数据 IP 192.168.33.30 / FPGA IP 192.168.33.180

软件: Python 3.8+（推荐 3.10+），CUDA 11.0+ (GPU 可选)，Windows 10/11 或 Linux

端口、IP 均可在 config.py 或命令行参数中覆盖。

安装

pip install -r requirements.txt

核心依赖:

依赖	用途
`numpy` / `scipy`	数值计算、滤波、FFT
`PyWavelets`	DWT 小波心拍重构
`EMD-signal` (PyEMD)	CEEMDAN 信号分解
`vmdpy`	VMD 模态分解
`torch` / `torchvision`	(惰性导入) 图像 transform、深度学习模型
`pyserial`	雷达串口通信
`tqdm`	进度条
`flask`	(惰性导入) Web 响应辅助

torch / flask 在 config.py / utils.py 中采用惰性导入，纯信号处理路径不强制加载。

启动

# 命令行实时监控 (需硬件)
python main.py --cfg config/iwr1642.cfg --cli-port COM5

# 启动 Web 服务 (Flask + SSE + 前端页面，默认 http://localhost:5000)
python web_app.py

# 模型训练 (默认: EfficientNet-B0 + InceptionTime + 质量自适应 ArcFace, 100 epochs)
python train.py --epochs 100 --batch_size 16

# 模型训练 (可选: CustomCNN + CNN+BiLSTM)
python train.py --backbone_type custom-cnn --time_extractor cnn_lstm --epochs 100

# MAE 自监督预训练 (无需标注，仅需时域心拍文件)
python pretrain_mae.py --data_dir data/time --encoder cnn_lstm --epochs 200

# 下游训练加载 MAE 预训练权重
python train.py --mae_pretrained outputs/mae_pretrain/mae_encoder_best.pth

# 系统模块测试
python test_system_modules.py

# 信号分析工作台
python analysis_viewer.py

完整操作流程请参考新人操作手册，预计 30–60 分钟跑通全流程。

系统架构总览

IWR1642 雷达 ─┬─ 串口 COM5 @115200 (发送 .cfg 配置命令)
              └─ UDP 192.168.33.30:4096 (原始 ADC 数据)
                                                  ▼
                                          DCA1000 采集卡
                                            ────────┐
                                                    ▼
                                          UdpCollector 线程 (DLL 双缓冲)
                                                    │
                                           raw_adc (int16 数组)
                                                    │
                                                    ▼
                                          RadarDataParser (TDM 解析: TX0/TX1 → 8 通道 I/Q)
                                                    │
                                                    ▼
                                              8 通道 I/Q 矩阵
                                                    │
                                                    ▼
                                          RadarSignalProcessor (10 秒窗口深度分析)
                                                    │
                    ┌───────────────────────────────┼───────────────────────────────┐
                    │                               │                               │
                    ▼                               ▼                               ▼
        距离 FFT → 距离单元选择 → 相位差分融合 → CEEMDAN+VMD 分离
                    │                               │                               │
                    ▼                               ▼                               ▼
          频率估计 → 心拍检测 → 质量门控 → 生命体征 (HR/RR) + 心拍特征 + 5 分钟 HRV
                                                    │
                               ┌────────────────────┼────────────────────┐
                               ▼                    ▼                    ▼
                         命令行打印            Flask SSE 推送       数据落盘 / 采集

双路径输出

系统在 10 秒窗口处理后分两路输出:

路径	产物	下游用途
生命体征路径	HR / RR / HRV 指标	终端显示、Web 推送、异常报警
心拍识别路径	对齐心拍 + 频谱图	深度学习身份识别模型 (离线训练 + 在线推理)

信号处理流水线

以下按数据流顺序，逐一说明每个处理环节的原理、作用、功能。

1. I/Q 解析与距离 FFT

原理: 雷达发射线性调频信号，回波与发射信号混频后得到 I/Q 基带信号。对每个 Chirp 沿距离维做 FFT 得到距离谱——每个 FFT bin 的幅度反映反射强度，相位包含微动信息。

功能: iq_to_complex() 交错 I/Q → 复数矩阵；range_fft() 加 Blackman 窗 + 去均值 + FFT → 距离谱。

2. 距离单元选择 (三维联合评分)

原理: 人体胸壁位于特定距离单元，但呼吸/心跳微动信号分布在相邻几个距离门中。需要从数十个单元中选出承载生命体征的那几个。

功能: 三维归一化评分 + 加权排序，取前 N 个最优单元:

维度	权重	含义
方差	`RANGE_CELL_WEIGHT_VARIANCE` (0.35)	微动信号强度
频带能量比	`RANGE_CELL_WEIGHT_ENERGY` (0.35)	生命体征频带 (0.1–5 Hz) 能量占比
相邻相位相干性 (SPC)	`RANGE_CELL_WEIGHT_SPC` (0.30)	相邻距离门皮尔逊相关系数；胸腔反射覆盖多门，噪声各门独立

3. 相位差分信号提取

原理: 雷达回波相位与目标距离成正比。胸壁微动 (毫米级) 导致回波相位周期性变化，相邻帧相位差分可提取胸壁位移速度信号。

功能: np.angle() → np.unwrap() → np.diff() → Savitzky-Golay 滤波 (窗口 5, 2 阶)。

4. 带通预滤波

原理: 呼吸约 0.15–0.5 Hz，心跳约 1.0–3.0 Hz。4 阶 Butterworth 带通滤波器去除直流漂移和高频噪声。

功能: _bandpass_vital_signs() — 0.1–5 Hz 带通，零相位 filtfilt。

5. 呼吸/心跳分离 (CEEMDAN + VMD) 与质量门控

原理: 呼吸和心跳在时域叠加，无法直接分离。CEEMDAN 将信号自适应分解为多个窄带 IMF，按中心频率分为呼吸组 (0.15–0.5 Hz) 和心跳组 (1.0–3.0 Hz)，再用 VMD 精细分离。PE 排列熵自适应选择 VMD 最优模态数 K。

质量门控链 (5 层): 逐级过滤，只有通过全部检查的结果才输出:

层级	检查内容	不通过时
CEEMDAN+VMD 分离	PE 自适应 K + IMF SNR 检查	心跳 IMF 不足, 回退
多窗口一致性	MAD 离群剔除 + CV 一致性因子	综合质量 < 0.20 舍弃
生理范围	HR ∈ [48, 120] BPM, RR ∈ [6, 30] BPM	超范围清零
Range-Bin 能量门控	选中距离单元平均幅度 ≥ 2500	视为无人, 全部清零
中值平滑	最近 5 次有效呼吸率取中位数	(仅呼吸率, 过滤突变值)

功能:

配置项	默认值	说明
`CEEMDAN_ENSEMBLES`	50	集成次数 (越大越稳定)
`CEEMDAN_NOISE_EPS`	0.2	噪声幅度系数
`CEEMDAN_MAX_IMF`	8	最大 IMF 数量
`CEEMDAN_SEED`	42	固定种子 (None=随机)
`VMD_K`	4	固定模态数 (PE 自适应的回退值)
`VMD_ALPHA`	2500	带宽约束 (越大→模态越窄)
`VMD_K_MIN / VMD_K_MAX`	2 / 5	PE 自适应 K 搜索范围
`SVD_ENABLED`	True	SVD 去噪开关
`SVD_ENERGY_RATIO`	0.85	奇异值累计能量比阈值

6. CEEMDAN+VMD 分离后反馈

原理: 分离后的信号可能仍是噪声。对目标频段做窄带滤波后计算归一化自相关峰值 — 纯噪声峰值趋近 0, 真实周期信号峰值显著。IMF 中心频率落入心跳频段须通过 SNR 检查 (_imf_band_snr())。

注: has_periodic_content() / compute_periodicity_quality() / heart_harmonic_concentration() 等其他辅助函数已从 signal_processor.py 中删除。

7. 频率估计

原理: 从分离后的呼吸/心跳信号估计瞬时频率。滑动窗口 (5 秒, 50% 重叠) 逐窗口估算。

方法	原理	适用	配置
`autocorr`	归一化自相关，在频段延迟范围内搜峰	呼吸率 / 心率 (默认)	`FREQ_METHOD_RR` / `FREQ_METHOD_HR`
`bispectrum_full`	全二维双谱 (DPSS 多窗 + Rao-Gabr 平滑)	心率 (抗 RSA)	`FREQ_METHOD_HR`

默认心率和呼吸率均使用 autocorr。

8. 心拍检测与对齐

原理: Hampel 滤波去异常脉冲 → DWT (rbio2.8 小波 6 级分解) 提取心跳频段 → R 峰检测 → 谷-谷分割 → R 峰锚点重采样至 100 点 → 模板距离 + 相关系数双阈值剔除异常拍。

功能: extract_beats_from_signal() — 基于 Kong et al. (2025) 的 Hampel + DWT R 峰检测方法。

9. 长期 HRV 指标 (5 分钟滑动)

累积 R 峰和呼吸峰谷的全局位置，每 5 分钟计算:

指标	含义
`sdnn_heart`	RR 间期标准差 (过滤 300–2000 ms 异常)
`pnn50`	相邻 RR 差值 >50 ms 的百分比
`sdnn_resp`	呼吸间期标准差
`ie_ratio`	吸呼比 (吸气时间 / 呼气时间)

信号处理算法参考

处理环节	方法	参考文献
CEEMDAN 分解	互补集合经验模态分解	Yeh et al., Advances in Adaptive Data Analysis, 2010
VMD 分解	变分模态分解	Dragomiretskiy & Zosso, IEEE TSP, 2014
PE 自适应 VMD K	排列熵驱动模态数选择	Lei et al., 2024 (PE-VMD)
SVD / CSSA 去噪	Hankel-SVD 子空间去噪	Jiang et al., 雷达科学与技术, 2024, 22(5): 495-506
奇异值差分谱	自适应截断阶数选择	Zhao et al., 2016
DWT + Hampel R 峰检测	Hampel 滤波 + rbio2.8 DWT 重构	Kong et al., 现代雷达, 2025, 47(7): 37-45
排列熵	信号复杂度度量	Bandt & Pompe, PRL, 2002, 88(17): 174102
距离单元 SPC	相邻相位相干性评分	本系统设计
跨单元置信度	TI confidenceMetric	TI Vital Signs Demo (`vitalSignsDemo_utilsFunc.c`)
双谱频率估计	三阶累积量对角线 / 全二维双谱	Nikias & Petropulu, Higher-Order Spectra Analysis, 1993
Rao-Gabr 平滑	双谱 2D 平滑窗	Rao & Gabr, 1984
InceptionTime	多尺度并行 CNN	Fawaz et al., Data Mining and Knowledge Discovery, 2020
PatchTST	Patch 化时序 Transformer	Nie et al., ICLR, 2023
ArcFace	加性角度间隔损失	Deng et al., CVPR, 2019
EVT 开集校准	Weibull 极值理论	Bendale & Boult, CVPR, 2016
SubCenter	K 子中心检索	Deng et al., ECCV, 2020
MAE 预训练	掩码自编码器	He et al., CVPR, 2022 (本系统适配为 1D 心拍信号)

目录结构

Radar_monitor/
├── web_app.py                 # 00 — Flask Web 服务入口 (SSE + API + 前端)
├── config.py                  # 01 — 全局配置 (硬件 / 算法 / 模型超参)
├── utils.py                   # 02 — 通用工具 (频谱图生成 / 模型加载 / 质量评估 / 时序投票 / Flask 响应辅助)
├── iwr1642_radar.py           # 03 — 雷达硬件控制 (串口 / DCA1000 / UDP DLL 双缓冲 / TDM 解析)
├── signal_processor.py        # 04 — 核心信号处理 (全流水线: FFT → CEEMDAN+VMD → 频率估计 → 心拍检测)
├── radar_processor.py         # 05 — 实时调度 (10 秒窗口分析线程 + 采集模式落盘)
├── main.py                    # 06 — 命令行主入口 (实时监控)
├── model.py                   # 07 — 三模态融合模型 + ArcFace + EVT + SubCenter + MAE 预训练
├── train.py                   # 08 — K 折交叉验证训练 + 画廊构建 + MAE 权重加载
├── pretrain_mae.py            # 09 — MAE 自监督预训练 CLI
├── inference.py               # 10 — 开源集推理引擎 (ArcFace + 画廊检索 + 时序投票)
├── test_system_modules.py     # 11 — 13 项系统模块测试
├── analysis_viewer.py         # Streamlit 信号分析启动器
│
├── config/
│   └── iwr1642.cfg            # 雷达 CLI 配置文件
├── libs/
│   └── UDPCAPTUREADCRAWDATA.dll  # DCA1000 UDP 采集 DLL (Windows)
├── analysis/
│   ├── app.py                 # Streamlit 离线信号分析工作台
│   ├── collector.py           # DebugCollector 中间结果收集器
│   ├── launch.py              # 启动入口
│   └── sessions/              # 调试会话 JSON
├── data/
│   ├── fre/                   # 频谱图 (PNG, 按人 / 视角组织)
│   └── time/                  # 时域信号 (TXT, 按人 / 视角组织)
├── outputs/
│   ├── mae_pretrain/          # MAE 预训练输出 (编码器权重)
│   └── arcface_train_*/       # 训练输出 (模型、画廊、图表)
├── docs/                      # 文档中心 (17 篇 .md + 3 个 PPT + 5 张分析图)
│   ├── 01_新人操作手册.md
│   ├── 02_技术指南.md
│   ├── 03_雷达入门闯关指南.md
│   ├── 04_雷达配置参数.md
│   ├── 05_数据流详解.md
│   ├── 06_流水线架构说明.md
│   ├── 07_模型架构.md
│   ├── 08_训练详解.md
│   ├── 09_Web服务文档.md
│   ├── 10_代码分析.md
│   ├── 11_训练结果与论文对比分析.md
│   ├── 12_前沿性对比分析.md
│   ├── 13_雷达心纹识别研究进展.md
│   ├── 14_毫米波雷达呼吸心跳检测技术调研报告.md
│   ├── 15_训练异常现象分析.md
│   ├── 16_有人无人判断方案选型.md
│   ├── 17_代码质量评估与团队技术提升方案.md
│   ├── 18_功能模块.pptx
│   ├── 19_模型.pptx
│   ├── 20_双级联雷达同步控制采集.pptx
│   ├── 21_频域信号_all_freq_domain.png  (等分析图)
│   └── ...
├── static/                    # Web 前端静态资源 (CSS / 图片 / 音频)
├── templates/                 # Web 前端页面模板 (index.html)
├── CLAUDE.md                  # Claude Code 项目指引
└── requirements.txt

雷达硬件参数

基于 config/iwr1642.cfg 的默认配置:

参数	值	说明
工作频率	77 GHz	毫米波频段
天线	2 TX × 4 RX = 8 虚拟通道	TDM 交替发射
ADC 采样点	128	每 Chirp 采样点数
采样率	5209 ksps	ADC 采样速率
频率斜率	70 MHz/μs	Chirp 线性调频斜率
每帧 Chirp 数	64	TDM: 32 对 TX0+TX1
帧周期	50 ms	→ 20 Hz 帧率
信号带宽	≈ 4 GHz
距离分辨率	0.044 m	c / (2 × BW)
最大探测距离	9.02 m

使用方法 (完整)

1. 命令行实时监控 (需硬件)

python main.py
python main.py --cli-port COM5 --data-ip 192.168.33.30 --fpga-ip 192.168.33.180

终端打印数据流追踪、帧率统计与每 10 秒分析结果。30 秒无数据自动停止。

2. 心纹识别模型训练

# 默认配置 (CustomCNN + CNN+BiLSTM + 质量自适应)
python train.py

# 自定义组合
python train.py \
  --backbone_type resnet18 --backbone_pretrained \
  --time_extractor patchtst \
  --use_quality_adaptive \
  --epochs 100 --batch_size 16

# 加载 MAE 预训练权重
python train.py \
  --mae_pretrained outputs/mae_pretrain/mae_encoder_best.pth

频域骨干网络

值	模型	参数量	ImageNet 预训练	适用场景
`efficientnet-b0`	EfficientNet-B0	~4M	可选	默认，精度速度均衡
`custom-cnn`	自定义 5 层 CNN	~2M	无	从零训练，无外部依赖
`resnet18`	ResNet-18	~11M	可选	经典残差，精度更高
`mobilenet-v3-small`	MobileNetV3-Small	~1.5M	可选	轻量化部署

时域分支

值	架构	参数量	特点
`inception`	InceptionTime	~100K	默认，多尺度并行卷积，最快
`cnn_lstm`	CNN+BiLSTM	~150K	5层CNN + BiLSTM
`patchtst`	PatchTST	~80K	Patch 化 + Transformer，全局感受野

3. MAE 自监督预训练

python pretrain_mae.py --data_dir data/time --encoder cnn_lstm --epochs 200

无需标注数据，仅需时域心拍 .txt 文件。预训练编码器权重可直接加载到下游 train.py。

4. 推理（开集识别）

当前系统仅支持开源集识别（ArcFace 嵌入 + 画廊检索 + 时序投票）。闭集分类模式已移除。

# 开源集推理
python inference.py --model best_model.pth --gallery gallery.json

# 开源集功能测试（随机初始化模型）
python inference.py --model best_model.pth --gallery gallery.json --test

5. 系统测试

python test_system_modules.py

覆盖 11 类测试: SVD / CSSA 去噪、双谱 RSA 鲁棒性、时域分支对比、频域骨干对比、Cross-Attention、手工特征增益、质量自适应 ArcFace、EVT 开集校准、SubCenter 画廊、端到端分类。

6. 信号分析工作台

python analysis_viewer.py
# 或
streamlit run analysis/app.py

支持加载 DebugCollector JSON 文件，提供 8 个分析 Tab + 3D 可视化。

7. 数据采集落盘

RadarSignalProcessor 支持采集模式 (start_collecting)，将 4 通道提取的心拍同步落盘:

时域: <段号>_<心拍序号>.txt (一行，长度 100)
频谱图: <段号>_<心拍序号>.png (Parula 色图 STFT)

关键配置汇总

config.py 中的核心参数:

# ========== 雷达硬件 ==========
RADAR_CLI_PORT    = 'COM5'
RADAR_DATA_IP     = '192.168.33.30'
RADAR_FPGA_IP     = '192.168.33.180'
RADAR_CONFIG_FILE = 'config/iwr1642.cfg'

# ========== Flask Web ==========
HOST  = '0.0.0.0'
PORT  = 5000
DEBUG = True

# ========== 信号处理 ==========
SAMPLING_RATE   = 20.0       # 帧率 Hz
SIGNAL_LENGTH   = 100        # 心拍目标长度
SIGNAL_CORR_MIN = 0.15       # 心拍归一化互相关最低阈值

# ========== CEEMDAN + VMD ==========
CEEMDAN_ENSEMBLES = 50
CEEMDAN_NOISE_EPS = 0.2
CEEMDAN_MAX_IMF   = 8
CEEMDAN_SEED      = 42
VMD_K     = 4
VMD_ALPHA = 2500
VMD_TAU   = 0.0
VMD_TOL   = 1e-7

# ========== VMD 自适应 K ==========
VMD_K_MIN = 2
VMD_K_MAX = 5
VMD_MAX_HEART_MODES = 3
IMF_HEART_SNR_MIN   = 4.0

# ========== SVD / CSSA 去噪 ==========
SVD_ENABLED      = True
SVD_ENERGY_RATIO = 0.85
CSSA_ENABLED     = True

# ========== 频率估计 (SPLIT 模式) ==========
FREQ_METHOD    = 'autocorr'
FREQ_METHOD_HR = 'autocorr'      # 心率: 自相关法 (默认)
FREQ_METHOD_RR = 'autocorr'      # 呼吸率: 自相关
BISPECTRUM_METHOD = 'full'       # 'diagonal' | 'full'

# ========== 距离单元选择 ==========
RANGE_CELL_WEIGHT_VARIANCE = 0.35
RANGE_CELL_WEIGHT_ENERGY   = 0.35
RANGE_CELL_WEIGHT_SPC      = 0.30

# ========== 质量门控 ==========
PERIODICITY_CV_MAX   = 0.40
PROMINENCE_MIN       = 4.0
PROMINENCE_MIN_HEART = 8.0
HARMONIC_RATIO_MIN   = 2.0

# ========== 模型架构 ==========
BACKBONE_TYPE        = 'efficientnet-b0'
BACKBONE_PRETRAINED  = True
TIME_EXTRACTOR_TYPE  = 'inception'
HANDCRAFTED_FEATURES_ENABLED = True
QUALITY_ADAPTIVE_ARC          = True

# ========== 开集识别 ==========
OPEN_SET_THRESHOLD       = 0.78
EVT_OPEN_SET_ENABLED      = True
SUBCENTER_GALLERY_ENABLED = True
SUBCENTER_N_CENTERS       = 3
EVT_TAIL_SIZE             = 0.1

# ========== 图像归一化 ==========
IMG_SIZE       = 224
NORMALIZE_MEAN = [0.5127, 0.5123, 0.8402]
NORMALIZE_STD  = [0.3581, 0.3788, 0.1613]

Flask Web 服务

系统在 web_app.py 中实现了完整的 Flask Web 服务：

前端页面位于 templates/index.html，静态资源位于 static/
通过 SSE（/api/data/stream）向浏览器实时推送生命体征、识别结果、采集进度与告警
提供 15 个 REST API 用于雷达控制、识别、人员管理、画廊维护、告警邮件等
config.py 中配置 HOST / PORT / DEBUG，utils.py 提供 success_response() / error_response() 响应辅助函数

启动命令：python web_app.py，默认访问 http://localhost:5000。纯信号处理/训练路径不加载 Flask，不影响运行。

前端已接入并完成 API 对接。完整接口说明见 Web服务文档。

已知注意事项

CEEMDAN 随机性: PyEMD 内部 RNG 由 CEEMDAN_SEED 控制；默认 seed=42 (可复现)，设为 None 增加鲁棒性但同参数下心率 MAE 可波动 15–33 BPM。
Windows DLL: libs/UDPCAPTUREADCRAWDATA.dll 为 Windows 二进制，UDP 采集路径仅 Windows 可用；信号处理 / 测试 / 训练可跨平台。
DLL 缓冲区: UdpCollector 按 3× 单帧样本数 预分配 int16 缓冲区 (双缓冲 2× + 50% 余量)，防止 DLL 写穿。
超时保护: 命令行模式 30 秒无数据自动停止。

文档中心

按阅读建议顺序排列，从入门到深入：

入门必读  01_新人操作手册             ← 先跑通全流程
          02_技术指南                 ← 了解文档全貌
          03_雷达入门闯关指南         ← 学习雷达基础
──────────────────────────────────────────
系统理解  04_雷达配置参数             ← 硬件参数详解
          05_数据流详解               ← 数据从采集到结果
          06_流水线架构说明           ← 模块输入/输出/参数
          07_模型架构                 ← 三模态融合设计
──────────────────────────────────────────
开发运维  08_训练详解                 ← K折训练 + 画廊构建
          09_Web服务文档              ← API + SSE + 前端
          10_代码分析                 ← 代码结构与模块关系
──────────────────────────────────────────
深入分析  11_训练结果与论文对比分析   ← 9次实验 vs 论文指标
          12_前沿性对比分析           ← vs 学术文献 + GitHub
          13_雷达心纹识别研究进展     ← 2022-2026 领域综述
          14_毫米波雷达呼吸心跳检测技术调研报告
──────────────────────────────────────────
排查参考  15_训练异常现象分析         ← 训练问题排查
          16_有人无人判断方案选型     ← 存在性检测方案
          17_代码质量评估与团队技术提升方案
──────────────────────────────────────────
附属资料  18_功能模块.pptx
          19_模型.pptx
          20_双级联雷达同步控制采集.pptx
          21-25 分析图表 (.png)

文档	描述
新人操作手册	从零开始，30–60 分钟跑通全流程
技术指南	文档导航索引，按需求快速定位
雷达入门闯关指南	雷达基础概念 + 实操指南
雷达配置参数	雷达参数详解与推导
技术调研报告	毫米波雷达生命体征检测技术综述
数据流详解	数据从雷达到结果的完整过程
流水线架构说明	信号处理流水线架构说明
模型架构	深度学习模型完整架构
训练详解	模型训练完整流程
代码分析	代码结构分析
Web 服务文档	API 接口和 Flask 使用说明
有人无人判断方案	存在性检测方案选型
前沿性对比分析	本系统 vs 学术文献+GitHub 前沿性对比 (v3)
雷达心纹识别研究进展	2022-2026 领域深度综述
代码质量评估	团队代码质量评估与提升方案
训练异常现象分析	训练中常见异常现象与代码解读
训练结果与论文对比	开集心纹识别训练结果与论文对比分析

致谢

Texas Instruments — IWR1642 毫米波雷达硬件与参考设计
PyTorch 团队 — 深度学习框架
Flask 团队 — Web 框架
RadarStream by Tkwer
real-time-radar by AndyYu0010
OpenRadar — DSP 模块参考

文档版本： v5.1
最后更新： 2026-07-12
维护者： 冲鸭团队

Name		Name	Last commit message	Last commit date
.workbuddy/memory		.workbuddy/memory
__pycache__		__pycache__
analysis		analysis
config		config
data		data
docs		docs
libs		libs
outputs		outputs
static		static
templates		templates
CLAUDE.md		CLAUDE.md
README.md		README.md
analysis_viewer.py		analysis_viewer.py
best_model.pth		best_model.pth
config.py		config.py
gallery.json		gallery.json
inference.py		inference.py
iwr1642_radar.py		iwr1642_radar.py
main.py		main.py
model.py		model.py
parula_256.mat		parula_256.mat
pretrain_mae.py		pretrain_mae.py
radar_processor.py		radar_processor.py
rebuild_gallery.py		rebuild_gallery.py
requirements.txt		requirements.txt
signal_processor.py		signal_processor.py
test_system_modules.py		test_system_modules.py
train.py		train.py
utils.py		utils.py
web_app.py		web_app.py

Latest commit

History

Folders and files

Repository files navigation