简介：面向毫米波雷达与生物信号处理研究者，这套IWR1642呼吸心跳数据集提供了可直接用于算法验证的原始采集数据与配套MATLAB程序。包内含单人及双人在1米、1.5米、2米距离下的慢速、正常、快速呼吸样本，覆盖不同呼吸状态，可横向对比距离与呼吸模式对信号的影响；随附Chebyshev IIR滤波、呼吸心跳提取脚本、雷达参数配置图和coe系数文件，方便复现实验并评估处理流程。资源共38个文件，以bin格式原始数据为主，另有m脚本、mat系数、txt说明与png配置图，压缩包约187.6MB，目录命名清晰，可按距离、人数和呼吸模式快速选取。已有2562人学习下载，适合需要开展呼吸心跳检测算法研究、信号处理实验或课程设计的学生与工程师参考。
1. IWR1642 呼吸心跳数据集：它到底能干什么，凭什么值得你下
做非接触式生命体征检测的人，大概率都绕不开一个尴尬：自己搭采集链路太费劲，买毫米波雷达开发板好办，但真正难的是没有一份能对算法正确性做基准测试的数据。IWR1642 呼吸心跳数据集恰好补上这块——它是用 TI 的 IWR1642 单芯片毫米波雷达采集的胸腔微动原始数据，采样对象就是人体表面的呼吸起伏和心脏搏动，目标是让你拿到数据就能直接跑通呼吸率、心率估计的整条算法链路。这个数据集对做生物医学信号处理、智能养老、车内生命探测、毫米波雷达应用开发的人都适用。我见过不少同行拿到后踩在文件结构解析上，真正浪费在算法上的时间反而很少。这篇笔记就把从打开数据集到出呼吸心跳数值的路径完整拆开，参数和坑都给你标出来。
2. 呼吸心跳检测的底层逻辑：为什么毫米波雷达能测出心跳，而不是被呼吸淹没
2.1 FMCW 雷达的微小位移测量原理：相位才是关键
IWR1642 本质是调频连续波（FMCW）雷达，发射 77GHz 频段的线性调频信号，回波与发射信号混频后得到中频信号。中频信号的频率正比于目标距离，这一点大家都很熟，但做呼吸心跳检测时，距离维 FFT 只是第一步。胸腔随着呼吸和心跳在毫米级尺度上往复运动，这个位移远小于一个距离单元的长度，在幅度上几乎看不出来，但在相位上非常明显。
雷达接收信号在某一个距离门上的复数值可以写为 A·exp(j·(4πd/λ))，其中 d 是目标到雷达的距离，λ 是波长。IWR1642 中心频率 77GHz 对应波长约 3.9mm，胸腔每移动 0.1mm，相位就变化大约 0.32 弧度。心跳引起的胸腔位移典型值在 0.1mm 到 0.5mm 之间，对应相位变化足以被提取出来。这也就是为什么说呼吸心跳检测本质上是测相位，而不是测距离。
另一个关键点在于距离分辨率。IWR1642 在典型配置下带宽 1.8GHz 左右，距离分辨率约 8.3cm，完全不足以分辨胸腔表面几个毫米的起伏，但这不妨碍相位测量。只需让目标落在某一个距离门内，并持续提取该距离门上复数的相位变化即可。理解这一点，你才能真正理解为什么后面所有处理都围绕相位展开。
2.2 数据集里的典型文件结构与标签配置：拿到手先看什么
IWR1642 呼吸心跳数据集的常见形态是一套由 TI 官方 Vital Signs Demo 或类似参考设计采集的数据包，通常包含三个部分：原始 ADC 数据文件、雷达配置文件和真值标签文件。原始 ADC 数据多为 .bin 或 .dat 格式，里面是经过 LVDS 接口导出的原始中频采样点，配置文件则是 .cfg 或 .json，记录起始频率、斜率、采样率、chirp 数等参数。真值标签一般来自同步采集的接触式生命体征设备，如指夹血氧仪或心电贴片，给出参考呼吸率和心率。
拿到数据集的第一件事，是读 README 和配置文件，而不是直接写代码解析。原因是 IWR1642 的原始数据格式里有零填充、帧头、chirp 序号等编排信息，不同版本采集代码产出的文件结构差异很大。配置文件里最关键的是 sampling rate、chirp duration、frames per second 和 number of chirps 这几个字段，它们直接决定了你后续 FFT 的距离分辨率、帧率以及相位序列的采样率。这个数据集和你在 YOLO 里见到的图像标注完全不一样，它没有框、没有类别，只有一个时间轴上持续采样的雷达原始 echo 序列。
2.3 从原始 ADC 到目标距离门：数据集的“解压缩”第一步
拿到 bin 文件后，第一步是把它按帧重排。IWR1642 的每一帧数据由若干个 chirp 组成，每个 chirp 又包含 ADC 采样点。一个典型的 Vital Signs Demo 配置是每帧 128 或 256 个 chirp，每个 chirp 采样 64 或 128 个点，帧率在 10 到 20Hz 之间。你需要按“帧→chirp→采样点”的层次结构把一维数组切成三维矩阵。
切成三维矩阵后，先对每个 chirp 做距离维 FFT，得到该 chirp 下目标的距离分布。再把同一帧内所有 chirp 的距离 FFT 结果叠加平均，能显著提高信噪比。接下来在平均距离谱里找峰值，峰值对应的距离门就是包含胸腔反射能量的门。锁定距离门之后，把这个门上的复数相位沿着时间轴逐帧提取出来，就得到一条随呼吸和心跳变化的相位曲线。这条曲线就是后续所有处理的原材料。
注意这里有一个容易被忽略的点：IWR1642 的 Vital Signs Demo 通常配置两根接收天线，一根近距离参考天线用来测量静态杂波作为相位参考，一根远距离天线用于目标检测。数据处理时往往要把两路信号的相位做差，以抵消雷达自身和近距离环境引入的共模相位噪声。如果你拿到的数据集里保留了双通道数据，不要只取一路，那等于把 SNR 白白扔掉一半。
3. 用 Python 解析 IWR1642 数据集：从 bin 文件到呼吸心跳波形
3.1 你以为的 bin 文件和你实际拿到的 bin 文件：先对齐字节序
IWR1642 的 ADC 数据通过 LVDS 导出时，默认是 16 位有符号整数，但存在大端小端混用的情况。TI 的 DCA1000 采集卡默认输出小端格式，但如果数据经过其他板卡或固件版本不同，字节序可能翻转。解析脚本的第一步是读取一小段数据做规范性检查，验证采样值的数值范围是否在 ±2048 或 ±4096 内，如果数值分布异常，先尝试交换字节序，而不是一路解析到底。
另一个常见的问题是数据开头有若干字节的帧头或状态字。某些采集代码会在每帧数据前附加时间戳或帧计数器，导致你按固定 offset 切帧时出现错位。我一般习惯先按配置计算单帧字节数：单帧字节数 = chirp数 × 采样点数 × 2字节 × 通道数。用文件总字节数去除这个值，如果余数不为零，说明开头或结尾有额外数据，剩余的字节就是需要跳过的头部。这是一道简单的算术题，却能省掉大量后期对不齐的痛苦。
3.2 目标检测与相位提取：先锁定胸腔所在的距离门
import numpy as np def extract_range_phase(adc_frame, cfg): """ adc_frame: shape (num_chirps, num_samples_per_chirp) cfg: dict with keys 'Fs', 'samples_per_chirp', 'chirps_per_frame' """ # 距离维 FFT，沿采样点维度做 range_fft = np.fft.fft(adc_frame, axis=1) # 每个 chirp 的幅度谱取平均，提高 SNR range_profile = np.mean(np.abs(range_fft[:, :cfg['samples_per_chirp'] // 2]), axis=0) # 找到能量最高的距离门 target_bin = np.argmax(range_profile) # 提取该距离门上的复数序列：每帧取所有 chirp 在该 bin 上的均值 phase_series = np.angle(np.mean(range_fft[:, target_bin])) return phase_series, range_profile, target_bin # cfg 示例：IWR1642 Vital Signs Demo 常见参数 cfg = { 'samples_per_chirp': 128, 'chirps_per_frame': 256, 'Fs': 2e6, # ADC 采样率 2MHz 'frame_rate': 10 # 10fps }这段代码的逻辑是先对每个 chirp 做距离维 FFT，然后把整帧所有 chirp 的幅度谱叠加。为什么要叠加而不是取单个 chirp？因为单个 chirp 的信噪比在微弱胸腔反射面前不够，平均后目标峰会更突出。target_bin 就是胸腔对应的距离门，后续所有相位都从这个门提取。相位序列用 np.angle 得到的是包裹相位，后续需要解包。
参数说明：samples_per_chirp 和 chirps_per_frame 必须和采集配置一致，不一致时切帧就会错乱。frame_rate 决定了后续滤波器的通带边界，如果是 10fps，那么奈奎斯特频率是 5Hz，呼吸和心跳的频谱都落在远低于这个值的位置。目标距离门的选取也可以做动态跟踪，如果人身体稍微移动导致目标换门，固定门就会失效，这个问题放到避坑章节细说。
3.3 相位解缠绕与角度的数学细节：别让你的数据毁在这
np.angle 返回的相位在 -π 到 π 之间，呼吸和心跳引起的真实相位变化往往超过这个范围，特别是深呼吸时胸腔位移能到厘米级，对应的相位变化远超 π。直接对包裹相位做频谱分析，等价于在信号里引入大量不存在的跳变，结果必然错误。解决方案是相位解缠绕，NumPy 的 np.unwrap 在信号的相邻采样点之间的相位差超过 π 时自动加减 2π，恢复连续相位序列。
def unwrap_phase(phase_series): # 解缠绕：相邻相位差超过 π 时修正 return np.unwrap(phase_series) def remove_mean_phase(phase_unwrapped): # 去直流，消除静态距离引起的常数相位偏移 return phase_unwrapped - np.mean(phase_unwrapped)解缠绕后，一定要减掉序列均值。这个直流项对应的是目标所在距离门的绝对距离，不是微动信号，做频谱分析时它会成为 0Hz 处的一个巨大能量峰，干扰低频端呼吸峰的识别。去掉均值后，相位序列的单位仍然可以换算成位移：位移 = 相位 × λ / (4π)。如果你想把 y 轴标成毫米，就这么换算。
解缠绕有一个致命的前提：采样率要足够高，使相邻帧之间的真实相位变化小于 π。拿心跳来说，心率最高到 180 次/分钟也就是 3Hz，每帧 10fps 时相邻帧相位变化约为 3Hz/10fps × 2π ≈ 1.88 弧度，小于 π，安全。但如果你把帧率降到 5fps 而目标心率又有 120 以上，解缠绕就会失败。数据集如果告诉你帧率只有 5Hz，那就得谨慎对待高频心跳的相位连续性。
3.4 一个可以跑起来的最小解析脚本：含参数说明
import numpy as np from scipy import signal def load_iwr1642_bin(file_path, cfg): """ 读取 IWR1642 原始 ADC bin 文件并重构为帧矩阵 """ raw = np.fromfile(file_path, dtype=np.int16) # 计算每帧字节数 bytes_per_frame = (cfg['chirps_per_frame'] * cfg['samples_per_chirp'] * 2 * cfg['num_rx_antennas']) # 总字节数除以每帧字节数，余数即头部偏移 header_offset = raw.size * 2 % bytes_per_frame if header_offset != 0: raw = raw[header_offset // 2:] num_frames = raw.size // (cfg['chirps_per_frame'] * cfg['samples_per_chirp'] * cfg['num_rx_antennas']) data = raw[:num_frames * cfg['chirps_per_frame'] * cfg['samples_per_chirp'] * cfg['num_rx_antennas']] # 重构为 [帧, chirp, 采样点, 天线] data = data.reshape(num_frames, cfg['chirps_per_frame'], cfg['samples_per_chirp'], cfg['num_rx_antennas']) return data def phase_to_waveform(data_frame, cfg): """ 单帧内所有 chirp 的相位平均，得到该帧的相位点 """ range_fft = np.fft.fft(data_frame, axis=2) # 双天线：远-近差分，抵消静态杂波 phase_diff = np.angle(np.mean(range_fft[..., 0], axis=1)) - \ np.angle(np.mean(range_fft[..., 1], axis=1)) return phase_diff cfg = { 'samples_per_chirp': 128, 'chirps_per_frame': 256, 'num_rx_antennas': 2, 'frame_rate': 10, } data = load_iwr1642_bin('adc_data.bin', cfg) phase_frames = [] for i in range(data.shape[0]): phase_frames.append(phase_to_waveform(data[i], cfg)) phase_series = np.unwrap(np.array(phase_frames)) phase_series -= np.mean(phase_series) # 此时 phase_series 就是可供滤波的呼吸心跳混合信号这段脚本把整个流程串起来了。load_iwr1642_bin 里的 header_offset 计算是很多数据集解析脚本容易出错的地方，因为你不知道采集端是否在文件头写了额外信息，用整除求余的方式去自适应处理比硬编码 offset 更可靠。phase_to_waveform 中先对采样点维度做 FFT，是因为中频信号的频率即距离信息，而 chirp 维度代表的是慢时间采样，每一帧内同一个距离门的相位变化快照才是关键。
如果你拿到的数据集已经帮你做了距离 FFT，只保留了距离多普勒或距离相位数据，那么可以直接跳过 load_iwr1642_bin，从 phase_series 开始。这一点在读 README 时就要确认清楚，可以省掉不少解密一个陌生 bin 格式的时间。
4. 呼吸率和心率怎么算出来：滤波与频谱分析的完整链路
4.1 呼吸和心跳的频率带划分：0.1-0.5Hz 和 0.8-2Hz 的由来
正常成年人呼吸频率每分钟 12 到 20 次，换算成 Hz 是 0.2 到 0.33Hz，但考虑到数据集可能包含儿童或运动后的状态，把呼吸通带放宽到 0.1 到 0.5Hz 更稳妥。心跳频率正常在每分钟 60 到 100 次，即 1 到 1.67Hz，放宽后取 0.8 到 2Hz 可以覆盖 48 到 120 次/分钟的范围。
这两个频带之间的间隔并不大，最近处只有 0.3Hz。在 10fps 的帧率下做 30 秒以上的观测，频率分辨率约 0.033Hz，完全能区分这两个峰。但如果观测窗口只有 10 秒，分辨率降到 0.1Hz，呼吸的三次谐波可能落到 1Hz 附近直接覆盖心跳峰。这就是为什么处理呼吸心跳信号时，数据长度比算法复杂度更关键。
4.2 带通滤波器设计：FIR vs IIR，采样率怎么选
from scipy.signal import butter, sosfilt fs = 10 # 帧率 10Hz # 呼吸带通：0.1 - 0.5Hz sos_breath = butter(4, [0.1, 0.5], btype='bandpass', fs=fs, output='sos') # 心跳带通：0.8 - 2Hz sos_heart = butter(4, [0.8, 2.0], btype='bandpass', fs=fs, output='sos') breath_wave = sosfilt(sos_breath, phase_series) heart_wave = sosfilt(sos_heart, phase_series)用 butterworth 滤波器做呼吸和心跳分离是业内最常见做法。sos 形式的滤波器在数值稳定性上比 ba 形式更好，尤其在滤波器阶数较高时，ba 形式容易出现极点落在单位圆外的伪稳定性问题。滤波器阶数取 4，是因为生命体征信号变化缓慢，高阶滤波器不仅没有收益，反而引入更长的群延迟，表现为输出波形整体向右偏移，峰值位置失真。
采样率的选择上，IWR1642 数据集通常帧率 10 到 20Hz。这个数值并不高，但呼吸心跳信号的最高频率才 2Hz，远远满足奈奎斯特条件。如果数据集给的是 30fps 或更高帧率，滤波器参数中的 fs 要相应调整，通带边界不变。需要明确指出，滤波器的过渡带越窄，需要的阶数越高，而这里呼吸和心跳频带只隔了 0.3Hz，4 阶巴特沃斯的过渡带已经偏宽，实际效果会有一部分心跳能量残留在呼吸滤波输出里。更好的做法是用陷波器滤掉呼吸谐波，而不是单纯靠带通。
4.3 呼吸谐波对心跳的干扰：用什么手段压下去
呼吸信号并不是理想正弦波，胸腔的膨胀和收缩不对称，导致波形中包含明显的二次、三次谐波。呼吸基频 0.2Hz 的二次谐波在 0.4Hz，落在心跳带外，但三次谐波在 0.6Hz，距离心跳带下沿只有 0.2Hz。如果呼吸波形畸变严重，四次谐波 0.8Hz 就直接进入心跳频带。
在实际数据上，呼吸谐波对心跳估计的影响频率误差可以到 0.4Hz 以上，这个量级足以把 72 次/分钟的心率误判成 96 次/分钟。应对手段有两个。第一是对相位序列做非线性处理，比如取平方或取绝对值，让呼吸波形更接近正弦，减少谐波含量，但这个方法会同时放大噪声。第二是用自适应陷波器，检测出呼吸基频后，在其整数倍频率处放置窄带陷波，专门抑制谐波分量。
from scipy.signal import find_peaks def suppress_breath_harmonics(wave, breath_freq, fs, num_harmonics=4): """ 在呼吸基频的整数倍处放置陷波器 """ for h in range(2, num_harmonics + 1): freq = breath_freq * h # 陷波带宽设为 0.05Hz，只滤掉谐波 sos_notch = butter(2, [freq-0.03, freq+0.03], btype='bandstop', fs=fs, output='sos') wave = sosfilt(sos_notch, wave) return wave # 先估算呼吸频率，再抑制谐波，最后做心跳带通 breath_spectrum = np.abs(np.fft.rfft(breath_wave)) freqs = np.fft.rfftfreq(len(breath_wave), 1/fs) breath_freq = freqs[np.argmax(breath_spectrum)] heart_wave_clean = suppress_breath_harmonics(phase_series, breath_freq, fs) heart_wave_clean = sosfilt(sos_heart, heart_wave_clean)这里先粗略估计呼吸频率，再据此定位谐波位置，最后用心跳带通滤波。注意陷波器的带宽不要超过 0.1Hz，否则会把心跳信号本体一同滤掉，因为四次呼吸谐波和真实心跳频率可能只差 0.2Hz 左右。这个处理做与不做，在数据集上的心率估计误差能差出一个量级。
4.4 从频谱峰值到数值输出：加窗、峰值搜索与置信度
滤波后得到的是呼吸波形和心跳波形，但数字化的呼吸率心率还要从频谱里读，而不是数波形周期。波形上数峰值容易受噪声和波形畸变影响，一个不规则的波峰可能被数成两次心跳。频谱分析则更稳健，把整段波形做 FFT，在通带内找最高峰，频率值乘以 60 就是每分钟次数。
def get_rate(wave, fs, low, high): n = len(wave) # 加汉宁窗，减少频谱泄漏 windowed = wave * np.hanning(n) spectrum = np.abs(np.fft.rfft(windowed)) freqs = np.fft.rfftfreq(n, 1/fs) # 只搜索通带内的峰值 mask = (freqs >= low) & (freqs <= high) peak_idx = np.argmax(spectrum[mask]) peak_freq = freqs[mask][peak_idx] # 峰值的谱线能量占总能量比例，粗略作为置信度 total_energy = np.sum(spectrum[mask]) confidence = spectrum[mask][peak_idx] / total_energy return peak_freq * 60, confidence加汉宁窗是必要的。不加窗相当于用矩形窗截断，频谱会多出旁瓣，把相邻频率的能量泄漏到峰值附近，导致频率估计偏差。加窗后主瓣展宽但旁瓣压低，频率精度略降，但可靠性大幅提升。置信度的计算逻辑是峰值能量占通带总能量的比值，如果这个值过于低，说明频带内存在多个等量级峰值，结果不够可信，应该重新检查数据段长度或滤波参数。
这里补一个实际经验：如果数据集分段较短，比如每段 20 秒，建议用 50% 重叠的分段加窗平均方法来估计峰值频率，而不是对整段直接做一次 FFT。因为短数据段的频谱分辨率不够，而重叠分段再做平均可以有效降低方差，代价只是多几行循环代码。
5. 避坑：IWR1642 数据集最常见的五个翻车点
5.1 现象：解析出来的数据全是噪声，看不出任何周期性
拿到数据集后，满怀信心切完帧、做完距离 FFT，把相位序列拉出来却是一个完全不随时间变化的平台，或者是一团纯噪声，完全没有呼吸规律。
原因是距离门选错了。目标没有落在你固定的那个距离门上，最大能量峰可能是墙、桌面或雷达外壳的近场反射。呼吸和心跳的微动信号非常弱，如果目标距离过近或过远，峰值门根本不在胸腔上。
解决方法是先做一段较长时间的距离谱热图，把时间维展开，看目标在哪个距离门上稳定存在。热图上如果目标距离门有漂移，说明人身体有缓慢移动，此时不能固定门，要用每一帧的峰值跟踪来动态选门。IWR1642 数据集如果是静态采集，固定门够用，但前提是先用热图确认。
5.2 现象：心跳频率被呼吸谐波污染，频偏 0.3Hz 以上
滤波器输出了心跳波形，但频谱峰值出现在 1.0Hz 附近，而同步真值标着 85 次/分钟，也就是 1.42Hz。差值 0.42Hz 恰好等于呼吸基频 0.21Hz 的两倍，典型的呼吸谐波污染。
原因是只做了带通滤波，没有针对呼吸谐波做处理，而呼吸谐波的能量远大于心跳信号，频谱上压过了真实心跳峰。这是做雷达生命体征检测最常见的问题，没有之一。
解决手段就是 4.3 节里的谐波抑制流程。先估计呼吸频率，然后在它的整数倍处放陷波器，最后再做一次心跳带通滤波。如果你的数据集噪声较大，还可以在陷波前对信号做一次轻微平滑，防止把噪声峰值误判成呼吸频率。
5.3 现象：数据集里没有真值，你拿什么验证
下载的数据集打开发现只有 bin 文件和配置文件，没有任何 txt 或 mat 格式的参考呼吸率心率，你甚至不确定每一段数据对应的人是正常呼吸还是屏气。
原因是分享者可能只导出了雷达原始数据，真值数据在采集时使用了独立的生命体征监护仪，导出时没有同步归档。这类情况在开源数据集里很常见。
解决方法是不要直接放弃这个数据，先观察相位序列的频谱主峰。正常呼吸的数据，在 0.2 到 0.4Hz 之间有清晰单峰；屏气或数据无效时，频谱会呈现散布的多个小峰。取一段不含真值的数据做自验证，如果频谱主峰清晰，可以自己标注呼吸率参考值，心率用滤波后的频谱峰做参考。这种做法精度不如接触式设备，但至少能验证算法链路是否跑通。
5.4 现象：Vital Signs Demo 的参考天线配对搞反了
数据集如果保留了双路 RX 数据，你需要区分哪一路是近距离参考天线，哪一路是远距离目标天线。Vital Signs Demo 参考设计里，RX1 通常连接近距离参考天线，距离雷达约 1 到 2 米内的强反射体（如桌面、雷达外壳），而 RX2 连接远距离天线用于捕捉人体。配对搞反的直接后果是相位差分后信噪比急剧下降。
原因是雷达板的天线接口在硬件上有固定编号，但导出数据的通道排序未必和芯片内部编号一致，DCA1000 采集卡的 LVDS 通道映射可能造成通道交换。
解决方法是做一个简单验证：让一个人站到雷达前方约 1 米处，连续采集 10 秒，比较 RX1 和 RX2 的相位序列幅度。目标天线那一路的相位波动应该显著大于参考天线。如果两份数据的波动幅度接近，检查采集配置里是否启用了虚拟天线扩展，这会导致通道数量翻倍，映射关系完全改变。
5.5 现象：滤波器滞后导致实时性差
算法跑通了，但处理速度跟不上实时输出，或者输出数值比实际心率滞后好几秒。
原因是用 scipy 的 sosfilt 做滤波时默认采用零相位滤波吗？并不是。sosfilt 是因果滤波，群延迟随阶数增加而变长，4 阶带通在 1Hz 处的群延迟可能要 1 到 2 秒。如果你的应用是做离线分析，滞后无所谓，但如果要接实时显示，这个滞后就非常明显。
解决方法是改用 scipy.signal.sosfiltfilt 做零相位滤波，它在正向滤波后再反向滤波一次，抵消群延迟，代价是引入未来数据，只适合离线或准实时场景。如果必须严格实时，就缩短观测窗口到 10 秒，并降低滤波器阶数到 2 阶，用略微增宽的过渡带换更短的群延迟。这是典型的时间延迟和频率选择性之间的 trade-off，没有免费午餐。
6. 让这个数据集发挥最大价值：自建标注与模型验证的进阶思路
6.1 用数据集真值做误差曲线：你会看到什么
如果数据集带了真值，你应该做的第一件事不是调算法，而是把估计结果与真值的误差画出来，观察误差分布。我见过很多人直接调滤波器参数，把误差从 5% 调到 3%，以为自己进步了，但误差曲线呈现强烈的周期性——误差总是发生在深呼吸或大幅度身体摆动的片段。
这说明你的算法在目标稳定的片段上已经收敛，问题集中在目标运动导致的相位不连续和距离门切换。这种误差不是滤波器能解决的，需要的是距离门跟踪或数据段质量评估。有一个实用做法：同时计算相位序列的短时方差，方差突然增大的时间段标记为低质量，直接从统计中剔除。你会发现剔除后的误差立即下降一个量级，这在真实场景里比任何高级算法都有效。
6.2 把自己采集的 IWR1642 数据对齐到这个数据集的格式
你迟早会想采集自己的数据，来验证算法在你自己的雷达配置和场景下是否还能工作。自己采集数据的问题在于你的配置不一定和数据集一致，帧率、chirp 数、ADC 采样率都可能有差异。如果只想复用已有解析代码，最好的做法是把你的数据重排成同样的矩阵格式，而不是修改解析逻辑去适配你的数据。
具体做法是先在 TI 毫米波 SDK 的 Vital Signs Demo 配置模板上改参数，保持 chirps_per_frame 和 samples_per_chirp 与数据集一致，只调整起始频率和斜率来适配你的天线板。这样采集出来的 bin 文件可以直接进入已有的解析流程。如果你用的是 IWR1443 或 IWR6843，文件结构会和 IWR1642 有差异，但只要在解析前做一次转置和通道重映射，后续处理链路完全通用。这个思路的核心是让数据形态贴近已知参考，而不是让代码追逐每一块新板卡。
我现在的习惯是每个项目启动前先花半小时看配置文件里的采样率和 chirp 参数，再决定能不能复用的解析代码，而不是拿到 bin 文件就盲目开跑。这省下来的时间远超那半小时。希望帮到你。
本文还有配套的精品资源，点击获取
