1.一种基于心跳信息的毫米波雷达身份验证方法，其特征在于，包括如下步骤：S1：利用毫米波雷达向人体心脏部位发射调频连续波信号，并对回波信号进行混频提取中频信号；

S2：对提取到的中频信号进行相位提取，并对所得相位信号逐帧作差，获得人体心跳的相位差信号；

S3：对人体心跳相位差信号，按时域结构进行处理，并按标签分类构建心跳数据集；

S4：搭建包括序列输入层、长短时记忆层、全连接层、Softmax层和分类输出层在内的深度学习网络模型；

S5：使用小波散射对毫米波雷达提取的心跳数据进行自动特征提取；

S6：利用提取的特征对LSTM模型进行训练，并进行测试，保存最好的模型作为识别模型；

S7：调用训练好的识别模型对不同人体的心跳信号进行识别；

所述步骤S1中获取中频信号的具体公式如下：

A1：设雷达的发射信号为 其中At为发射信号幅度，fc为发射信号载频，B为信号带宽，T为脉冲重复周期；

A2：设共有M个静止人体目标，第m个目标与雷达的径向距离为Rm，m＝1,2,...,M,雷达接收信号可以表示成其中τm＝2Rm/c,m＝1,2,...,M；

A3：对接收的回波进行去斜处理，即将接收信号与参考信号相乘，并通过低通滤波器，得到的同相支路的中频信号为：所述步骤S2中对中频信号进行相位提取，并对所得相位信号逐帧作差，获得人体心跳的相位差信号的步骤为：B1：对ADC采样的回波数据进行快速傅里叶变换以获取距离门曲线；

B2：通过距离门曲线获知雷达与人体的大致位置关系，可以确定目标的距离范围，通过在该范围内搜索最大值，跟踪目标不同时刻对应的距离门；

B3：提取目标距离门处的相位；

B4：对提取的相位进行解缠绕；

B5：对相位信号逐帧作差得到相位差信号；

B6：依据心跳频率的不同，利用带通滤波器滤波将心跳的相位差信号进行滤波分离；

B7：对心跳的相位差信号进行运动干扰滤除；

B8：分别采用频域的FFT和时域的峰间距、互相关等算法对心跳的相位差信号进行处理，并取三种算法结果的平均值以获取心跳频率。

2.根据权利要求1所述的一种基于心跳信息的毫米波雷达身份验证方法，其特征在于，所述步骤S1中利用毫米波雷达向人体心脏部位发射调频连续波信号，并对回波信号进行混频提取中频信号的方法为：雷达系统向人体发射线性调频连续波，捕获胸腔微动信息，经目标反射后生成一个由接收天线捕获的反射线性调频脉冲，混频器将接受信号与发射信号进行混频生成一个中频信号IF。

3.根据权利要求1所述的一种基于心跳信息的毫米波雷达身份验证方法，其特征在于：所述步骤S3中构建心跳数据集的步骤为：创建一个结构体来储存心跳数据，结构体由一个N*100的矩阵和一个N*1的元胞数组构成，矩阵用于存储心跳数据，元胞数组作为数据的标签，矩阵中的每一行数据都与元胞数组中的标签相对应。

4.根据权利要求1所述的一种基于心跳信息的毫米波雷达身份验证方法，其特征在于：所述步骤S4中搭建深度学习网络模型的步骤为：采用序列输入层进行输入，采用基于时间的长短时记忆层、全连接层进行计算，采用Softmax层和分类输出层进行输出。

5.根据权利要求1所述的一种基于心跳信息的毫米波雷达身份验证方法，其特征在于：所述步骤S5中使用小波散射对毫米波雷达提取的心跳数据进行自动特征提取，其提取步骤为：C1：使用小波低通滤波器对输入信号进行平均，这是第0层散射功能，通过平均操作，丢弃信号中的高频细节；

C2：通过对信号执行连续小波变换以生成一组尺度图系数，可在后续层中捕获在第一步中丢失的细节，将非线性算子应用于尺度图系数，然后使用小波低通滤波器对输出进行滤波，从而生成一组第1层散射系数；

C3：重复步骤A2相同的过程以获得第2层散射系数；

C4：通过对系数进行下采样以降低网络的计算复杂性；

C5：收集这些系数即散射特征。

6.根据权利要求1所述的一种基于心跳信息的毫米波雷达身份验证方法，其特征在于：所述步骤S6中利用小波散射提取的特征对LSTM模型进行训练，并进行测试，保存最好的模型的具体步骤为：D1：将数据集划分为训练数据集和测试数据集，使用小波散射变换，计算训练和测试数据集的散射特征；

D2：建立一个网络模型，该网络模型由序列输入层、LSTM层、全连接层、Softmax层和分类输出层组成，其中LSTM层有若干个隐藏单元；

D3：建立训练选项，然后开始训练；

D4：将训练好的网络用来分类测试集；

D5：保存最好的模型。