RuView WiFi 感知信号处理领域模型全解从 CsiData 到 PresenceState 的 DDD 落地【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView导读本文以 RuView 仓库中的 signal-processing-domain-model.md 为骨架结合其在wifi-densepose-signalcrate 中的真实 Rust 实现约 8000 行源码与全套确定性测试系统拆解一套把普通 WiFi 信号转化为人体运动与呼吸感知结果的完整信号处理管线。读者将掌握领域模型中的通用语言与三个有界上下文如何划分、CsiProcessor/FeatureExtractor/MotionDetector三个聚合根的职责边界、共轭相乘与 Hampel 滤波等六种 SOTA 算法及其数学原理、12 条关键不变量在源码中的强制方式以及硬件/神经网络/MAT 三类防腐层如何保证领域纯净。这份 DDD 规格文档基于 ADR-014SOTA 信号处理 与wifi-densepose-signalcrate 编写是理解 RuView「无摄像头、纯射频感知」能力的入口。一、为什么需要用 DDD 建模 WiFi 感知RuView 的核心是把商用 WiFi 的 CSIChannel State Information变成空间智能与生命体征监测信号。而这条链路上物理层、信号层、特征层、检测层之间数据形态差异极大若不加约束极易演变成互相泄漏实现的大泥球。领域驱动设计在此的价值体现在三个层面统一语言Ubiquitous Language团队与 Agent 用同一组精确术语CsiFrame、CSI Ratio、BVP……讨论同一个物理过程消除歧义边界划分Bounded Context将清洗硬件伪影、抽取 ML 特征、检测人体/生命体征三个关注点隔离成独立上下文每个上下文有自己的聚合根与不变量防腐层Anti-Corruption Layer通过适配器吸收 ESP32/Intel5300 等硬件差异与下游神经网络张量格式差异保护领域模型不被外部细节污染。该模型文档声明其依据为 ADR-014 与wifi-densepose-signalcrate而 v2/crates/wifi-densepose-signal/README.md 确认该 crate 实现了六篇同行评审文献中的算法SpotFi、WiGest、FarSense、WiDance、Widar 3.0 等每个算法都有确定性的单元测试且无 mock 数据。二、通用语言Ubiquitous Language速查文档定义的术语表是整个领域模型的锚点理解它们后再读代码会顺畅得多术语定义要点CsiFrame单个时刻、每个天线每个子载波的幅度 相位的一次 CSI 测量Conjugate MultiplicationH_ref[k] * conj(H_target[k])消除 CFO/SFO/PDD只保留环境引起的相位CSI Ratio两天线流共轭相乘得到的复结果Hampel Filter运行中位数 ± 缩放 MAD 的离群检测器可抵抗高达 50% 污染Phase Sanitization对原始 CSI 相位执行去卷绕、去离群、平滑、去噪的流水线SpectrogramSTFT 得到的 2D 时频矩阵WiFi 活动识别的标准 CNN 输入Subcarrier Sensitivity方差比运动方差/静态方差衡量子载波对运动的响应度Body Velocity Profile (BVP)多普勒导出的速度 × 时间2D 矩阵领域无关的运动表示Fresnel ZoneTX 与 RX 之间发生反射/绕射的椭球区域Breathing Estimate由 Fresnel 区边界穿越推导的 BPM 幅度 置信度Motion Score0.0–1.0 的复合分融合方差、相关、相位与可选多普勒分量Presence State二值检测结果人存在/缺席带平滑置信度Calibration在已知为空时段记录基线方差用于自适应检测这些术语在代码中均有对应类型例如MotionScore、BreathingEstimate等结构体定义在 motion.rs 与 fresnel.rs并非停留在纸面规格。三、三个有界上下文Bounded Contexts3.1 CSI 预处理上下文CSI Preprocessing Context职责把原始测量变成无硬件伪影的干净 CSI 数据。其内部组成为三个并行子能力Conjugate Multiplication、Hampel Filter、Phase Sanitizer分别产出三个值对象CsiRatioclean phase、HampelResultoutlier-free、Sanitized Phase最终由CsiProcessor聚合根汇聚为CleanedCsiData输出。对应的类型关系清晰可见csi_ratio.rs 实现共轭相乘hampel.rs 实现 Hampel 滤波phase_sanitizer.rs 实现相位清洗csi_processor.rs 作为聚合根串起整条预处理管线。聚合根CsiProcessor值对象CsiData、CsiRatio、HampelResult、HampelConfig、PhaseSanitizerConfig领域服务CsiPreprocessor、PhaseSanitizer。3.2 特征提取上下文Feature Extraction Context职责把干净 CSI 转换为可喂给 ML 的特征表示。同样由三条支线构成STFT Spectrogram产出 2D 时频矩阵SpectrogramSubcarrier Selection按敏感度挑出对运动响应最强的子载波Doppler BVP Engine抽取多普勒域BodyVelocityProfile三者汇入聚合根FeatureExtractor输出CsiFeatures。实现分布在 spectrogram.rs、subcarrier_selection.rs、bvp.rs 与 features.rs。聚合根FeatureExtractor值对象Spectrogram、SubcarrierSelection、BodyVelocityProfile、CsiFeatures。3.3 运动分析上下文Motion Analysis Context职责从 CSI 特征检测与分类人体运动与生命体征Motion Detector产出MotionScore DetectionFresnel Breathing依据菲涅尔区几何产出Breathing Estimate二者汇入HumanDetectionResult对外发布最终PresenceState。实现在 motion.rs约 1000 行含完整检测状态机与 fresnel.rs。聚合根MotionDetector值对象MotionScore、MotionAnalysis、HumanDetectionResult、BreathingEstimate、FresnelGeometry领域服务FresnelBreathingEstimator。四、三大聚合根源码级契约4.1 CsiProcessor —— 预处理聚合根文档给出的契约如下源码见 csi_processor.rspub struct CsiProcessor { config: CsiProcessorConfig, preprocessor: CsiPreprocessor, history: VecDequeCsiData, previous_detection_confidence: f64, statistics: ProcessingStatistics, } impl CsiProcessor { pub fn new(config: CsiProcessorConfig) - ResultSelf, CsiProcessorError; pub fn preprocess(self, csi_data: CsiData) - ResultCsiData, CsiProcessorError; pub fn add_to_history(mut self, csi_data: CsiData); pub fn apply_temporal_smoothing(mut self, raw_confidence: f64) - f64; }有意思的是聚合根不仅做噪声去除 → 加窗 → 归一化preprocess的 doc 注释还维护时间历史history: VecDequeCsiData为下游特征抽取供数并用指数移动平均对检测置信度做时间平滑。这与 Crate 的CsiData类型直接集成——从 lib.rs 的 re-export 可以看到CsiProcessor、CsiPreprocessor与错误类型都在 crate 顶层对外可见。配置项默认值来自源码 csi_processor.rs 的Default实现配置项默认值含义sampling_rate1000.0 Hz采样率window_size256处理窗口样点数overlap0.5窗口重叠率0.0–1.0noise_threshold-30.0 dB幅度低于此值视为噪声子载波human_detection_threshold0.8人体检测阈值smoothing_factor0.9时间平滑因子max_history_size500历史缓冲上限enable_preprocessing/enable_feature_extraction/enable_human_detection均 true各阶段开关4.2 FeatureExtractor —— 特征提取聚合根pub struct FeatureExtractor { config: FeatureExtractorConfig } impl FeatureExtractor { pub fn extract(self, csi_data: CsiData) - CsiFeatures; }一个快照式的无状态抽取器。真实实现 features.rs约 950 行远比规格更丰富从 crate 的lib.rs可看到它产出AmplitudeFeatures、CorrelationFeatures、PhaseFeatures、DopplerFeatures、PowerSpectralDensity五类特征子结构最终合并为CsiFeatures。4.3 MotionDetector —— 运动分析聚合根pub struct MotionDetector { config: MotionDetectorConfig, previous_confidence: f64, motion_history: VecDequeMotionScore, baseline_variance: Optionf64, } impl MotionDetector { pub fn analyze_motion(self, features: CsiFeatures) - MotionAnalysis; pub fn detect_human(mut self, features: CsiFeatures) - HumanDetectionResult; pub fn calibrate(mut self, features: CsiFeatures); }注意三个状态字段的精妙分工previous_confidenceapply_temporal_smoothing支撑帧间置信度平滑motion_historyVecDeque支撑时间维分析超过容量时旧条目被pop_front逐出这正是第 12 条不变量的代码落地baseline_variance: Optionf64支撑calibrate()自适应的空房间基线校准——静态值在未校准时为None语义上天然表达了尚未标定这一状态。MotionDetectorConfig的默认值在源码 motion.rs配置项默认值含义human_detection_threshold0.8人体判定阈值0–1motion_threshold0.3运动判定阈值0–1smoothing_factor0.9平滑因子越高越偏向历史检测amplitude_threshold/phase_threshold0.1 / 0.05幅度与相位指标的阈值history_size100时间分析历史长度adaptive_thresholdfalse是否启用自适应阈值amplitude_weight/phase_weight/motion_weight0.4 / 0.3 / 0.3三个指示子的加权比重五、核心值对象Value Objects值对象是不可变的数据描述这里 7 个结构体完整定义了整个感知链路中的中间产物。5.1 CsiData —— 一切开始的地方pub struct CsiData { pub timestamp: DateTimeUtc, pub amplitude: Array2f64, // (num_antennas x num_subcarriers) pub phase: Array2f64, // (num_antennas x num_subcarriers), radians pub frequency: f64, // center frequency in Hz pub bandwidth: f64, // bandwidth in Hz pub num_subcarriers: usize, pub num_antennas: usize, pub snr: f64, // dB pub metadata: CsiMetadata, }它同时携带元数据时间戳、载频、带宽、SNR与数据天线×子载波的幅度/相位矩阵Array2为 ndarray 的 2D 数组。源代码中的CsiDataBuilder见 csi_processor.rs 的类型签名区可从复数 CSI 快照构造出该结构。5.2 Spectrogram 与 SubcarrierSelectionpub struct Spectrogram { pub data: Array2f64, // (n_freq x n_time) power/magnitude pub n_freq: usize, // 频率 bin 数 window_size/2 1 pub n_time: usize, pub freq_resolution: f64, // Hz per bin pub time_resolution: f64, // 每帧秒数 } pub struct SubcarrierSelection { pub selected_indices: Vecusize, // 按敏感度降序 pub sensitivity_scores: Vecf64, // 所有子载波的方差比 pub selected_data: OptionArray2f64,// 可选过滤矩阵 }其中SpectrogramConfig默认窗口 256、hop 64、Hann 窗、计算功率谱见 spectrogram.rs。WindowFunction支持 Rectangular/Hann/Hamming/Blackman 四种窗函数。n_freq window_size/2 1反映了实数信号的 FFT 对称性——只保留一半频谱。5.3 BVP、BreathingEstimate、MotionScore、HampelResultpub struct BodyVelocityProfile { pub data: Array2f64, // (n_velocity_bins x n_time_frames) pub velocity_bins: Vecf64, // 每行对应速度 (m/s) pub n_time: usize, pub time_resolution: f64, // 每帧秒数 pub velocity_resolution: f64, // 每个 bin 的 m/s } pub struct BreathingEstimate { pub rate_bpm: f64, // 每分钟呼吸次数 pub confidence: f64, // 组合置信度 0-1 pub period_seconds: f64, pub autocorrelation_peak: f64, // 周期性质量 pub fresnel_confidence: f64, // Fresnel 模型匹配度 pub amplitude_variation: f64, // 观测幅度变化 } pub struct MotionScore { pub total: f64, // 加权复合分 0-1 pub variance_component: f64, pub correlation_component: f64, pub phase_component: f64, pub doppler_component: Optionf64, // 可选多普勒分量 }MotionScore.doppler_component用Option表达是否有可用多普勒信息——静态场景下该分量不存在而非为 0这一设计在 DDD 上非常优雅类型系统本身编码了领域语义。BreathingEstimate的autocorrelation_peak、fresnel_confidence分别对应周期性强不强与是否符合菲涅尔物理模型两重验证这源自 ADR-014 中 Fresnel 模型的位置预测思想见下文第六节。pub struct HampelResult { pub filtered: Vecf64, // 离群点被局部中位数替换 pub outlier_indices: Vecusize, pub medians: Vecf64, // 每个样本的局部中位数 pub sigma_estimates: Vecf64, // 每个样本的局部 σ 估计 }5.4 FresnelGeometry —— 内嵌物理公式的值对象pub struct FresnelGeometry { pub d_tx_body: f64, // TX 到人体距离 (m) pub d_body_rx: f64, // 人体到 RX 距离 (m) pub frequency: f64, // 载频 (Hz) } impl FresnelGeometry { pub fn wavelength(self) - f64; pub fn fresnel_radius(self, n: u32) - f64; pub fn phase_change(self, displacement_m: f64) - f64; pub fn expected_amplitude_variation(self, displacement_m: f64) - f64; }它把物理公式封装成可测试的方法。源码 fresnel.rs 给出精确实现wavelength() 光速 / 频率SPEED_OF_LIGHT 2.998e8 m/sfresnel_radius(n)sqrt(n·λ·d1·d2/(d1d2))phase_change(Δd)2π·2Δd/λ往返路径差expected_amplitude_variation(Δd)|sin(ΔΦ/2)|。FresnelGeometry::new构造器直接校验d_tx_body 0、d_body_rx 0、frequency 0非法值返回FresnelError::InvalidDistance/InvalidFrequency——把第 9、10 条不变量做进了构造入口从根上杜绝了非法几何对象的存在。六、六大 SOTA 算法数学原理与源码对应ADR-014 明确说明了为什么要替换旧管线旧实现Z-score 离群剔除、零交叉呼吸计数、全子载波等权相比 2020–2025 学术界 SOTA 存在六项差距。逐一对应到 crate 模块如下能力旧实现SOTA 方案crate 模块文献来源相位清洗Z-score 离群 去卷绕共轭相乘csi_ratio.rsSpotFi 2015, IndoTrack 2017离群检测Z-scoreHampel 滤波鲁棒中位数hampel.rsWiGest 2015呼吸检测零交叉计数Fresnel 区模型fresnel.rsFarSense 2019, Wi-Sleep 2021信号表示原始幅度/相位CSI 谱图2D 时频spectrogram.rs2018 年以来 CNN 方案通用子载波使用全部等权敏感度选择方差比subcarrier_selection.rsWiDance 2017运动刻画单一运动分数Body Velocity Profilebvp.rsWidar 3.0 20196.1 共轭相乘CSI Ratio 模型原理原始 CSI 相位中混入逐包变化的 CFO载波频率偏移、SFO采样频率偏移与 PDD包检测延迟。对天线对(i, j)做CSI_ratio[k] H_1[k] · conj(H_2[k])后两天线共有的硬件相位偏移被抵消只剩下由环境人体运动路径差引起的相位。实现细节真实实现采用共轭乘积而非除法H_i/H_j——这是刻意的选择。源码 csi_ratio.rs 用一个专门的测试钉死了该性质当参考信号幅值低至1e-12边界甚至精确为零时除法会爆出 ±inf/NaN而共轭乘积保持有限且与理论值逐位一致。单元测试还验证了公共相位模拟 CFO被精确消除test_conjugate_multiply_cancels_common_phase3 天线产生 C(3,2)3 对、4 天线产生 C(4,2)6 对test_ratio_matrix_pair_count全部子载波应显示相同的路径差相位test_ratio_preserves_path_difference。6.2 Hampel 滤波原理WiFi CSI 存在突发干扰、多径尖峰与硬件毛刺。Z-score 依赖的均值/标准差会被离群值自身污染掩蔽效应Hampel 用运行中位数与 MAD 估计局部 σ能抵抗高达 50% 的数据污染。数学窗口内median med(x[i-w..iw])MAD med(|x[j]−median|)σ_est 1.4826·MAD当|x[i]−median| t·σ_est时用中位数替换x[i]。1.4826是高斯分布下 MAD 到 σ 的比例因子源码 hampel.rs 中的MAD_SCALE常量。实现细节默认配置half_window 3、threshold 3.0即滑动窗宽 7、3σ 判异。当窗口全等导致 σ 退化时实现用ZERO_MAD_EPSILON 1e-15兜底hampel.rs任何超过该 ε 的偏离都视为离群。6.3 Fresnel 区呼吸模型原理呼吸时胸腔位移约 5–10mm在 5 GHzλ60mm下是 Fresnel 区宽度的可观比例。Fresnel 模型根据 TX–RX–人体几何预测信号周期中呼吸运动应出现的位置因此即便信号较弱也能检测——这正是零交叉法在富多径环境下失效的补救。物理量F_n sqrt(n·λ·d1·d2/(d1d2))ΔΦ 2π·2Δd/λ呼吸期望幅度A |sin(ΔΦ/2)|。实现细节FresnelBreathingEstimator以典型成人胸腔位移 4–12mm 为参照fresnel.rs构造时设置min_displacement 3mm、max_displacement 15mm的默认探测区间。breathing_confidence()把观测幅度变化映射到 0–1 置信度落在期望区间内给 1.0低于区间按比例线性缩放高于区间如走动这类大幅运动则按high/observed反比衰减——物理上把更大的运动不是呼吸这一先验直接编码进打分函数。estimate_breathing_rate()先用自相关找周期性再用 Fresnel 幅度区间做验证少于 10 个幅度样本直接抛FresnelError::InsufficientData。6.4 CSI 谱图Spectrogram原理对每个子载波的时序幅度做滑动窗口 FFTSTFT得到 2D 时频矩阵。呼吸约呈现 0.2–0.4 Hz 频带、行走约 1–2 Hz、静止环境只有噪声——2D 结构让 CNN 能学到 1D 特征看不到的空间模式。数学S[t,f] |Σ_n x[n]·w[n−t]·exp(−j2πfn)|²。实现细节默认使用 Hann 窗、window_size 256、hop_size 6475% 重叠默认输出功率谱power true见 spectrogram.rs。6.5 子载波敏感度选择原理并非所有子载波对人体运动同样敏感——有些落在多径零点、有些主要携带噪声。等权使用全部子载波会稀释信号只选最敏感的 10–20 个可将 SNR 提升 6–10 dB。数学sensitivity[k] var_motion(amp[k]) / (var_static(amp[k]) ε)然后取 top-K。实现细节SubcarrierSelectionConfig见 subcarrier_selection.rs控制运动/静态窗口与 top-K 选择逻辑产出按敏感度降序排列的selected_indices与全子载波sensitivity_scores。6.6 Body Velocity ProfileBVP原理BVP 是速度 × 时间2D 表示刻画身体不同部位以不同速度运动的方式。因为它是领域无关的——同样的速度分布不随房间布局、家具或 AP 位置改变——成为跨环境手势与活动识别的基石。数学对每个子载波沿时间做 DFT 后跨子载波聚合BVP[v,t] Σ_k |STFT_k[v,t]|其中速度映射为v f_doppler·λ/2。实现细节源码 bvp.rs405 行要求至少window_size个时间样本才能计算 STFT第 7 条不变量BvpConfig默认参数定义了速度 bin 与时间帧的分辨率。七、领域事件Domain Events上下文之间的留痕文档定义了三个上下文的领域事件枚举事件在 lib.rs 的 crate 架构中扮演可观测性 可审计性双角色。它们不仅是领域知识也是测试与监控的抓手。预处理事件enum PreprocessingEvent { FrameCleaned { timestamp, num_antennas, num_subcarriers, noise_filtered, windowed, normalized }, OutliersDetected { subcarrier_indices, replacement_values, contamination_ratio }, PhaseSanitized { method: UnwrappingMethod, outliers_removed, smoothing_applied }, }contamination_ratio这样的字段直接暴露了这一帧有多少比例的子载波被判为离群可据此诊断信道质量。特征提取事件enum FeatureExtractionEvent { SpectrogramGenerated { n_time, n_freq, window_size, window_fn }, SubcarriersSelected { top_k_indices, sensitivity_scores, min_sensitivity_threshold }, BvpExtracted { n_velocity_bins, n_time_frames, max_velocity, carrier_frequency }, }运动分析事件enum MotionAnalysisEvent { MotionDetected { score, confidence, threshold, timestamp }, BreathingDetected { rate_bpm, amplitude_variation, fresnel_confidence, autocorrelation_peak }, PresenceChanged { previous, current, smoothed_confidence, timestamp }, BaselineCalibrated { baseline_variance, timestamp }, }PresenceChanged携带previous/current状态对与平滑置信度是上层如 Home Assistant、MAT、UI做状态机转换的标准输入——RuView 的感知服务器正是这些事件的下游消费者。八、12 条不变量Invariants物理与逻辑的双重约束文档列出了 12 条必须始终成立的不变量每一条都在源码/测试中找到了落点其背后是物理上不可能或算法上无意义两类判断预处理1–4共轭相乘需 ≥2 根天线否则compute_ratio_matrix返回CsiRatioError::InsufficientAntennas源码实现于 csi_ratio.rsHampel 窗宽 ≥1half_window 0否则无法计算局部中位数抛HampelError::InvalidWindow相位数据须在配置范围内默认[-π, π]由PhaseSanitizer::validate_phase_data强制两天线流长度必须相等否则conjugate_multiply返回CsiRatioError::LengthMismatch。特征提取5–85. 谱图窗宽 0 且信号 ≥ 窗长分别抛SpectrogramError::InvalidWindowSize与SignalTooShort 6. 子载波选择输入的子载波数必须一致抛SelectionError::SubcarrierCountMismatch 7. BVP 需 ≥ 窗长时间样本否则无法 STFT抛BvpError::InsufficientSamples 8. BVP 载频必须 0否则多普勒→速度映射会出现除零。运动分析9–129. Fresnel 几何要求d_tx_body 0且d_body_rx 0由FresnelError::InvalidDistance强制——如前所述fresnel.rs 在FresnelGeometry::new构造期即校验 10. Fresnel 频率必须为正FresnelError::InvalidFrequency 11. 呼吸估计需 ≥10 个幅度样本FresnelError::InsufficientData否则自相关分析不可靠——实现在 fresnel.rs 12. 运动检测器历史不超过配置上限超过时VecDeque::pop_front逐出最旧条目。从架构视角看这些不变量被分两层防御构造期防御如 Fresnel 几何校验把非法对象挡在门外运行期防御如长度/样本数校验把非法运算挡在函数内。配套的确定性测试tests/validation_test.rs 等与 ADR-014 要求的无 mock、确定性输入输出原则一致。九、领域服务Domain Services无状态的算法编排CsiPreprocessor—— 单帧清洗管线含三个原子操作pub struct CsiPreprocessor { noise_threshold: f64 } impl CsiPreprocessor { pub fn remove_noise(self, csi_data: CsiData) - ResultCsiData, CsiProcessorError; // 剔除 dB 幅度低于底噪的子载波 pub fn apply_windowing(self, csi_data: CsiData) - ResultCsiData, CsiProcessorError; // Hamming 窗降频谱泄漏 pub fn normalize_amplitude(self, csi_data: CsiData) - ResultCsiData, CsiProcessorError; // 幅度归一化到单位方差 }PhaseSanitizer—— 完整相位清洗管线四个阶段去卷绕 → 离群剔除 → 平滑 → 去噪。默认配置见 phase_sanitizer.rsStandard卷绕方法、离群阈值 3.0、平滑窗 5、默认关闭噪声滤波noise_threshold 0.05、相位范围(-π, π)。FresnelBreathingEstimator—— 基于菲涅尔几何的物理呼吸检测器提供breathing_confidence()幅度匹配度打分与estimate_breathing_rate()自相关 Fresnel 双重验证两个能力代码见 fresnel.rs。十、上下文映射Context Map与防腐层ACL10.1 整体关系模型文档用一张 Context Map 标明系统内外的协作模式上游Conformistwifi-densepose-core提供CsiFrame原语、wifi-densepose-hardwareESP32 原始 CSI 摄取——信号 crate 适配它们的类型内部协作预处理上下文 → 特征提取上下文通过CsiData作为Published Language契约预处理/特征提取 → 运动分析是Customer/Supplier事件总线三个上下文通过领域事件解耦下游Customer/Supplierwifi-densepose-nn消费CsiFeatures/Spectrogramwifi-densepose-mat消费BreathingEstimate/MotionScorewifi-densepose-train消费CsiFeatures。这些下游 crate 在 v2/crates/ 下确实存在例如 wifi-densepose-mat/src/integration/signal_adapter.rs 正是 MAT 侧对信号领域输出做转换的适配实现。10.2 硬件防腐层Hardware ACL上游负责把 ESP32 原始 CSI 包翻译成 crate 内部的CsiData值对象统一硬件特有怪癖LLTF/HT-LTF 格式差异、天线映射、空子载波处理pub struct HardwareNormalizer { hardware_type: HardwareType } impl HardwareNormalizer { pub fn normalize(self, raw_csi: [u8], hardware_type: HardwareType) - ResultCanonicalCsiFrame, HardwareNormError; } pub enum HardwareType { Esp32S3, Intel5300, AtherosAr9580, Simulation }真实实现在 hardware_norm.rs511 行它同时导出CanonicalCsiFrame、AmplitudeStats等类型——这正是文档中把厂商差异吸收在边界之内的体现。可支持Simulation硬件类型也解释了仓库为何能用确定性合成数据做验证。10.3 神经网络防腐层Neural Network ACL下游将信号处理输出Spectrogram、BVP、CsiFeatures适配为wifi-densepose-nncrate 期望的张量格式防止神经网络实现细节反向泄漏进信号处理领域pub struct SignalToTensorAdapter; impl SignalToTensorAdapter { pub fn spectrogram_to_tensor(spec: Spectrogram) - Array2f32; // CNN 就绪 2D 张量 pub fn bvp_to_tensor(bvp: BodyVelocityProfile) - Array2f32; // 领域无关速度张量 pub fn selected_csi_to_tensor(selection: SubcarrierSelection, data: Array2f64) - ResultArray2f32, SelectionError; // 降维输入 }10.4 MAT 防腐层MAT ACL下游MATMass Casualty Assessment Tool大规模伤亡评估工具把领域通用的运动分与呼吸估计翻译为灾难场景下的生命体征上下文pub struct SignalToMatAdapter; impl SignalToMatAdapter { pub fn to_breathing_pattern(est: BreathingEstimate) - BreathingPattern; // BPM→rate、幅度变化→amplitude、自相关峰→regularity pub fn to_presence_indicator(score: MotionScore) - PresenceIndicator; // total0.3 判存在 }注意to_presence_indicator用score.total 0.3作为存在性阈值——该阈值在 MAT 适配边界上定义而不是侵入信号处理领域内部这正是防腐层翻译而非耦合的设计精神。十一、领域模型如何驱动实现与验证这份领域规格并非纸上谈兵它与 crate 的工程质量直接挂钩模块即上下文crate 的 src/ 目录结构csi_processor.rs、features.rs、motion.rs、fresnel.rs等与领域模型的上下文/聚合一一对应开发者可凭文件名直达某个 DDD 概念测试钉住不变量tests/ 下 6 个集成测试文件覆盖校准漂移、校准往返、合成校准、CIR 合成/管道/幽灵径等场景与单元测试一起构成确定性、无 mock的验证网性能基准配套benches/ 下的signal_bench、dsp_perf_bench、features_bench等为感知管线的实时性提供量化依据向下游延伸信号领域模型与 docs/ddd/ 下其余 DDD 文档如 wifi-mat-domain-model.md通过防腐层衔接构成更大的领域全景。对想深入 RuView 感知链路的读者建议的阅读顺序是本文规格文档 → ADR-014 算法决策记录含六个算法的完整数学推导与文献出处→ crate 对应模块源码 → 各模块测试。这条路径能让你完整看到物理假设 → DDD 规格 → Rust 实现 → 确定性验证的全过程。总结RuView 的信号处理领域模型展示了一个高质量的 DDD 工程范例用统一语言消除多学科歧义用有界上下文隔离物理层、特征层与语义层用聚合根管理生命周期用领域事件支撑解耦与可观测用 12 条不变量固化物理边界与算法前提用三道防腐层保持领域纯净。而支撑它的是一套把 SpotFi、FarSense、Widar 3.0 等发表于 2015–2021 年的学界 SOTA 算法逐一定稿、逐行实现、逐项测试的 Rust crate——这正是 RuView「无需任何视频像素仅凭商品化 WiFi 信号即可感知空间、姿态与生命体征」的技术底座。【免费下载链接】RuViewπ RuView turns commodity WiFi signals into real-time spatial intelligence, vital sign monitoring, and presence detection — all without a single pixel of video.项目地址: https://gitcode.com/GitHub_Trending/wi/RuView创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考