雷达文档
Notes

雷达数据预处理流程

毫米波雷达生命体征数据预处理的完整流程图和代码说明

雷达数据预处理流程

本文档详细介绍毫米波雷达生命体征数据的预处理流程。

流程概览

预处理流程图

处理步骤详解

1. 数据加载 (Load Frames)

从二进制文件中读取雷达原始数据帧。

代码实现：

def load_all_frames(self) -> np.ndarray:
    # 搜索帧标记
    START_MARKER = b'\xDC\x0A\xDC\x0A\xDA\x0C\xDA\x0C'
    HEADER_END_MARKER = b'\x0F\x0F\x0F\x0F\x0F\x0F\x0F\x0F'
    PAYLOAD_SIZE = 2048

    # 解析每一帧
    all_frames = np.zeros((n_frames, 4, 128), dtype=np.complex64)

数据格式：

  • 每帧包含 4 个 chirp
  • 每个 chirp 有 128 个采样点
  • 数据类型：复数（I/Q 数据）

2. 数据重组 (Reshape & Group)

将连续的帧重组为分析单元（group）。

代码实现：

# 配置参数
frames_per_group = 4  # 每组包含4帧
chirps_per_frame = 4  # 每帧包含4个chirp

# 重组数据
reshaped = valid_data.reshape(
    num_groups,           # 组数
    frames_per_group,     # 4
    chirps_per_frame,     # 4
    SAMPLES_PER_CHIRP     # 128
)

维度说明：

  • 原始：(N_frames, 4, 128)
  • 重组后：(N_groups, 4, 4, 128)

3. 数据累加 (Sum Data)

对每组内的所有 frame 和 chirp 进行累加。

代码实现：

# 累加：沿 frame 和 chirp 维度求和
sum_data = reshaped.sum(axis=(1, 2))
# 结果维度：(num_groups, 128)

目的：

  • 提高信噪比（SNR）
  • 减少数据维度
  • 增强目标信号

4. 加窗 (Windowing)

应用汉宁窗减少频谱泄漏。

代码实现：

window = np.hanning(SAMPLES_PER_CHIRP)  # 128点汉宁窗
windowed_data = sum_data * window

窗函数特性：

  • 类型：Hanning Window
  • 长度：128
  • 作用：抑制旁瓣，减少频谱泄漏

5. 距离 FFT (Range FFT)

执行快速傅里叶变换，将时域信号转换到距离域。

代码实现：

# FFT：沿距离维度 (axis=1)
fft_data = np.fft.fft(sum_data * window, n=128, axis=1)

# 取正频部分
fft_range_bins = fft_data[:, :64]  # (num_groups, 64)

频率分辨率：

距离分辨率 = c / (2 * B)
其中：c = 光速，B = 带宽

6. 目标检测 (Target Detection)

通过能量分析找到目标所在的距离门（range bin）。

代码实现：

# 计算平均频谱
mean_spectrum = np.mean(np.abs(fft_range_bins), axis=0)

# 找到最大能量的 bin
target_bin = int(np.argmax(mean_spectrum))

可视化：

plt.imshow(np.abs(fft_range_bins.T),
           aspect='auto', cmap='jet')
plt.ylabel('Range Bin')
plt.xlabel('Group Index')

7. 相位提取 (Phase Extraction)

从目标距离门提取复信号的相位信息。

代码实现：

# 提取目标 bin 的复信号
complex_signal = fft_range_bins[:, target_bin]

# 计算相位角
raw_phase = np.angle(complex_signal)  # 范围：[-π, π]

物理意义：

  • 相位变化反映目标位移
  • 微小位移（呼吸、心跳）导致相位变化

8. 相位解包裹 (Phase Unwrapping)

消除相位跳变，得到连续相位。

代码实现：

unwrapped_phase = np.unwrap(raw_phase)

解包裹原理：

原始相位：... 3.0, -3.0, -2.8, ... (跳变)
解包裹后：... 3.0,  3.3,  3.5, ... (连续)

9. 去趋势 (Detrending)

移除低频漂移和趋势项，保留生命体征信号。

代码实现：

from scipy.signal import detrend

detrended_phase = detrend(unwrapped_phase)

效果：

  • 去除低频漂移
  • 突出周期性信号（呼吸、心跳）
  • 改善后续频谱分析

数据流转示意

原始帧数据 (N, 4, 128)
    ↓
重组 (N_groups, 4, 4, 128)
    ↓
累加 (N_groups, 128)
    ↓
加窗 + FFT
    ↓
距离频谱 (N_groups, 64)
    ↓
目标检测 → 选择 bin
    ↓
复信号序列 (N_groups,)
    ↓
相位提取 → 原始相位
    ↓
相位解包裹 → 连续相位
    ↓
去趋势 → 生命体征波形

关键参数

采样参数

参数值说明
SAMPLES_PER_CHIRP128每个 chirp 的采样点数
chirps_per_frame4每帧的 chirp 数量
frames_per_group4每组的帧数
time_between_groups1 ms组间时间间隔

派生参数

# 生命体征采样率
fs_vital = 1.0 / time_between_groups  # 1000 Hz

# 有效帧数
valid_frames = total_frames - 1

# 组数
num_groups = valid_frames // frames_per_group

结果数据结构

预处理完成后返回 VitalSignsResults 对象：

@dataclass
class VitalSignsResults:
    detrended_phase: np.ndarray      # 去趋势相位（最终波形）
    unwrapped_phase: np.ndarray      # 解包裹相位
    raw_phase: np.ndarray            # 原始相位 (-π ~ π)
    target_bin: int                  # 检测到的目标距离门
    fs_vital: float                  # 生命体征采样率 (Hz)
    num_groups: int                  # 有效组数
    sum_data: np.ndarray             # 累加后数据 (num_groups, 128)
    fft_range_bins: np.ndarray       # 距离FFT结果 (num_groups, 64)
    first_frame_fft_mag: np.ndarray  # 第一帧FFT幅度 (64,)

使用示例

基础使用

from radar import RadarProcessor

# 初始化处理器
processor = RadarProcessor(
    file_path='data/data.bin',
    frames_per_group=4,
    chirps_per_frame=4,
    time_between_groups=0.001,
    preload=True
)

# 执行预处理和生命体征分析
results = processor.analyze_vital_signs(plot=True)

# 访问结果
vital_sign_waveform = results.detrended_phase
sampling_rate = results.fs_vital
target_distance_bin = results.target_bin

print(f"检测到目标位于距离门: {target_distance_bin}")
print(f"采样率: {sampling_rate} Hz")
print(f"波形长度: {len(vital_sign_waveform)} 个采样点")

绘制波形

import matplotlib.pyplot as plt

# 绘制生命体征波形
plt.figure(figsize=(12, 4))
plt.plot(results.detrended_phase)
plt.title('Vital Signs Waveform')
plt.xlabel('Sample Index')
plt.ylabel('Phase (rad)')
plt.grid(True)
plt.show()

频谱分析

# 对生命体征波形进行FFT
from scipy import signal

f, Pxx = signal.welch(
    results.detrended_phase,
    fs=results.fs_vital,
    nperseg=256
)

# 绘制功率谱
plt.figure(figsize=(10, 4))
plt.semilogy(f, Pxx)
plt.title('Power Spectral Density')
plt.xlabel('Frequency (Hz)')
plt.ylabel('PSD')
plt.grid(True)
plt.show()

可视化输出

预处理过程会生成以下可视化图表（当 plot=True 时）：

1. 第一帧单通道 FFT

显示第一帧第一个通道的频谱，用于初步观察目标。

2. 距离-时间热图

二维热图显示所有组的距离频谱，横轴为组索引，纵轴为距离门。

3. 相位波形

包含两个子图：

  • 解包裹相位：连续的相位曲线
  • 去趋势相位：最终的生命体征波形

注意事项

性能优化

  1. 预加载模式：设置 preload=True 可一次性加载所有帧，提升后续处理速度
  2. 批量解码：使用 NumPy 向量化操作，避免循环

数据质量

  1. 目标检测：确保目标 bin 选择正确，可通过距离热图验证
  2. 相位连续性：检查解包裹后的相位是否平滑连续
  3. 去趋势效果：去趋势后应保留周期性信号，去除低频漂移

参数调整

  • frames_per_group: 增大可提高 SNR，但降低时间分辨率
  • time_between_groups: 影响生命体征采样率，需满足奈奎斯特定理

源代码

完整的源代码实现请参考 GitHub 仓库：

GitHub 仓库

Learn 总结

learn 目录内容总览、学习路径与实践清单

OpenRadar 双语指南

OpenRadar 文档迁移、模块概览、demo 说明与教�?notebook 双语整理

On this page

雷达数据预处理流程流程概览处理步骤详解1. 数据加载 (Load Frames)2. 数据重组 (Reshape & Group)3. 数据累加 (Sum Data)4. 加窗 (Windowing)5. 距离 FFT (Range FFT)6. 目标检测 (Target Detection)7. 相位提取 (Phase Extraction)8. 相位解包裹 (Phase Unwrapping)9. 去趋势 (Detrending)数据流转示意关键参数采样参数派生参数结果数据结构使用示例基础使用绘制波形频谱分析可视化输出1. 第一帧单通道 FFT2. 距离-时间热图3. 相位波形注意事项性能优化数据质量参数调整源代码