1.一种用于音乐播放器的无接触式手势控制方法，其特征在于，包括如下步骤：S1：设计手势类型；

S2：利用毫米波雷达采集手势信息，得到ADC采样数据，提取到接收天线数据；

S3：对雷达原始回波进行信号处理，得到接收天线1和接收天线2的速度‑时间谱图；

S4：建立双通道卷积神经网络，并将接收天线RX1和接收天线RX2得到的速度‑时间谱图分别输入卷积神经网络的两个通道，通过双通道卷积神经网络对两个速度‑时间谱图进行特征提取；

S5：将步骤S4中提取的特征进行融合得到新的特征；

S6：根据步骤S5得到的新的特征，通过训练好的手势分类模型预测手势信息并输出手势类别对应的Data值；

S7：音乐播放器根据Data值来控制执行对应的功能。

2.根据权利要求1所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S1中手势类型设计为6种，分别为向左滑、向右滑、顺时针旋转、逆时针旋转、向上滑、向下滑，并由6名不同的志愿者完成。

3.根据权利要求2所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S1中手势类型的设计方法为：使毫米波雷达与志愿者相距1m的水平距离，高度与志愿者肩部平齐，6名志愿者先后完成6×200个手势共6×6×200个手势数据。

4.根据权利要求1所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S2中利用毫米波雷达采集手势信息的方法为：采用1发2收模式进行采集手势信息，根据采集到的ADC数据，提取接收天线数据。

5.根据权利要求1所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S3具体包括如下步骤：A1：解析雷达原始回波得到行为天线数，列为采样点数×chirp总数的矩阵；

A2：提取接收天线RX1的数据，并进行重新排列得到采样点数×chirp数×帧数的新的数据矩阵；

A3：对新的数据矩阵的快时间维进行快速傅里叶变换得到距离谱图；

A4：利用K近邻平滑滤波对距离谱图进行噪声抑制处理，滤除背景噪声；

A5：对经过步骤A4处理后的距离谱图，沿慢时间轴做快速傅里叶变换得到距离多普勒谱图；

A6：将距离多普勒谱图进行相干累加得到速度‑时间谱图；

A7：提取接收天线RX2的数据，并进行重新排列得到采样点数×chirp数×帧数的新的数据矩阵；

A8：重复步骤A3～A6得到接收天线RX2的速度‑时间谱图。

6.根据权利要求1所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S4中双通道卷积神经网络的建立方法为：利用Pytorch深度学习框架搭建含有两个二维卷积通道的卷积层用于提取速度‑时间特征，在卷积通道后将卷积层提取的特征信息进行拼接融合到两个卷积通道的融合特征，搭建用于提取融合特征的时序信息的长短期记忆网络层，在长短期记忆神经网络层之后添加全连接层和Softmax层用于进行手势分类。

7.根据权利要求6所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述双通道卷积神经网络的运作方法为：将接收天线RX1和接收天线RX2的速度‑时间谱图分别输入第一个卷积通道和第二个卷积通道，提取其速度‑时间特征，然后将其特征融合并输入长短期记忆网络层提取时序信息，最后经全连接层和Softmax层输出分类手势。

8.根据权利要求1所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S6中神经网络模型的训练方法为：利用获取的速度‑时间谱图构建数据集，将数据集按比例划分训练集、验证集、测试集，训练并保存最好的模型。

9.根据权利要求1所述的一种用于音乐播放器的无接触式手势控制方法，其特征在于，所述步骤S6和S7具体为：通过Matlab将毫米波雷达板与音乐播放器相连，对着毫米波雷达板做出相关手势，毫米波雷达板采集手势信息并上传至Matlab，Matlab调用训练好的手势分类模型并预测出对应的手势类别，每个手势类别对应着一个Data值，Matlab将Data值传递给MusicPlayer模块，MusicPlayer模块根据Data值控制音乐播放器执行对应功能。