mmWave-Heartbeat-Dataset

本项目提供了一套用于非接触式生命体征监测的轻量级工具箱与数据集。包含 77 GHz 毫米波雷达采集的单人实验原始数据（.bin 格式），以及一套简洁的 MATLAB 预处理流程。项目演示了如何利用 EEMD（集合经验模态分解） 算法从雷达相位信号中高效分离呼吸与心跳成分，可作为相关研究的基线（Baseline）参考。

This project provides a lightweight toolbox and dataset for non-contact vital signs monitoring. It includes raw single-person experimental data (in .bin format) collected by a 77 GHz millimeter-wave radar, as well as a concise MATLAB preprocessing pipeline. The project demonstrates how to use the EEMD (Ensemble Empirical Mode Decomposition) algorithm to efficiently separate respiratory and heartbeat components from radar phase signals, which can serve as a baseline reference for related research.

原始信息汇总

数据集概述

数据集基本信息

• 数据集名称: mmWave-Heartbeat-Dataset-Preprocessing-Toolbox
• 数据内容: 77 GHz 毫米波雷达采集的单人实验原始数据，格式为 .bin。
• 核心用途: 为非接触式生命体征监测研究提供原始数据与预处理基线。

数据集详情

• 数据采集设备: 77 GHz 毫米波雷达。
• 数据格式: 原始 ADC 数据，存储为 .bin 格式。
• 实验对象: 单人。
• 处理目标: 从雷达相位信号中分离呼吸与心跳成分。

相关资源

• 数据集下载地址: https://drive.google.com/drive/folders/1xQ2_wl7radF_gufVUPbMf1LgKvF_T5gU?usp=sharing
• 关联论文: ArXiv: 2502.11042 (https://arxiv.org/abs/2502.11042)
• 作者信息: Google Scholar 主页 (https://scholar.google.com/citations?hl=en&user=TJ2_Fq8AAAAJ)

工具箱功能

• 原始数据访问: 直接提供 77 GHz 毫米波雷达的原始 ADC 数据。
• 信号处理流程: 提供从原始信号解析到相位提取的完整 MATLAB 预处理工作流。
• 生命体征分离: 实现了基于 EEMD（集合经验模态分解）的算法，用于解耦心率和呼吸率。

联系方式

• 联系人: Boyuan Gu
• 邮箱: [e-mail]

搜集汇总

数据集介绍

构建方式

在非接触式生命体征监测领域，数据集的构建需兼顾信号的真实性与技术的前沿性。mmWave-Heartbeat-Dataset通过77 GHz毫米波雷达采集单人实验的原始数据，以.bin格式保存，确保了信号的高保真度。采集过程专注于从雷达相位信号中捕获细微的生命体征波动，为后续处理提供了坚实基础。预处理流程采用MATLAB实现，涵盖从原始信号解析到相位提取的完整步骤，构建方法强调流程的标准化与可复现性。

使用方法

对于希望利用该数据集的研究者，使用路径清晰而高效。用户首先从提供的存储链接获取原始.bin文件，随后可运行附带的MATLAB预处理脚本，逐步完成信号解析、相位提取及EEMD分解。该流程直接输出分离后的呼吸与心跳信号，便于进一步用于心率估计、呼吸模式分析或算法验证。数据集作为基线参考，支持非接触监测模型的训练、评估与比较，推动相关技术的迭代发展。

背景与挑战

背景概述

毫米波雷达非接触式生命体征监测技术近年来在医疗健康与智能感知领域备受关注，其核心在于利用高频电磁波穿透衣物等障碍物，捕捉由人体胸腔微动引起的相位变化，从而提取呼吸与心跳等关键生理信号。mmWave-Heartbeat-Dataset由研究人员Boyuan Gu等人于2025年构建，并依托ArXiv预印本论文发布，旨在提供一套基于77 GHz毫米波雷达的原始数据及轻量级处理流程。该数据集聚焦于解决传统接触式监测设备存在的舒适性与连续性不足的问题，通过引入集合经验模态分解算法实现呼吸与心跳信号的高效分离，为无线感知、远程医疗及人机交互等研究方向提供了可靠的基准数据支撑，推动了非侵入式健康监测技术的实用化进展。

当前挑战

在非接触式生命体征监测领域，毫米波雷达信号处理面临多重挑战：首先，从雷达相位信号中分离出微弱的心跳成分极为困难，因其幅度通常远低于呼吸信号，且易受环境噪声与人体随机微动的干扰；其次，不同个体的生理特征与测量姿态差异会导致信号特征变异，要求算法具备较强的泛化能力。在数据集构建过程中，挑战同样显著：原始ADC数据的采集与解析需克服硬件同步与校准问题，确保时间序列的精确对齐；同时，设计轻量化的预处理流程以平衡计算效率与信号保真度，并公开可复现的基准方法，均为促进领域标准化与比较研究的关键难点。

常用场景

经典使用场景

在非接触式生命体征监测领域，mmWave-Heartbeat-Dataset为研究者提供了经典的应用范例。该数据集通过77 GHz毫米波雷达采集单人实验的原始相位信号，结合轻量级MATLAB预处理流程，实现了对呼吸与心跳成分的高效分离。这一场景常被用于验证新型信号处理算法在复杂环境下的鲁棒性，特别是在无需物理接触的条件下，为连续、无感的健康监测奠定了数据基础。

解决学术问题

该数据集有效解决了非接触式监测中呼吸与心跳信号耦合分离的学术难题。传统方法往往难以从雷达相位信号中精准提取微弱的心跳成分，而本数据集提供的EEMD算法流程，为信号解耦提供了可靠基线。这不仅提升了生命体征参数估计的准确性，还推动了毫米波雷达在医疗健康领域的理论探索，为后续算法优化与模型创新提供了实证支持。

实际应用

在实际应用中，mmWave-Heartbeat-Dataset为智能健康监护系统提供了关键数据支撑。基于该数据集开发的监测方案，可广泛应用于家庭健康管理、睡眠质量评估以及临床康复监测等场景。其非接触式特性尤其适用于老年护理或婴幼儿监护，避免了传统传感器带来的不适，实现了全天候、无干扰的生命体征跟踪，提升了健康管理的便捷性与用户体验。

数据集最近研究

最新研究方向

在非接触式生命体征监测领域，毫米波雷达技术凭借其穿透性与隐私保护优势，正成为健康感知研究的前沿工具。mmWave-Heartbeat-Dataset 的发布，为基于77 GHz频段的雷达相位信号处理提供了基准数据与流程，推动了利用集合经验模态分解等先进算法实现呼吸与心跳信号高精度分离的研究方向。当前热点集中于通过深度学习模型增强信号解耦的鲁棒性，以应对复杂环境中的噪声干扰，这一进展对远程医疗、睡眠监测及情感计算等应用具有深远意义，标志着无线感知技术向精细化、实用化迈出了关键一步。