1.一种基于毫米波雷达的多目标生命体征监测方法, 其特征在于，所述方法包括以下步骤：

S1、毫米波雷达发出线性调频电磁波信号，该信号由目标反射后通过混频器产生中频信号，根据天线发射和接收顺序进行数据的存储，得到一个三维数据矩阵；

S2、通过对存储的数据矩阵的不同维度进行傅里叶变换以及数据处理，获取目标的距离、速度、角度信息，利用这三个信息构建一个三维的点云数据集；

S3、对生成的点云数据进行聚类得到多个目标的相关信息，并根据得到的信息对每个目标的数据进行提取；将三维的点云数据压缩到距离‑角度平面上的二维空间，得到二维的运动状态散点图；

采用DBSCAN聚类算法来对点云中的数据进行聚类，通过对点云数据进行DBSCAN聚类能够提取出聚类后的结果，根据得到的信息对每个目标数据进行提取；将三维点云数据向距离‑角度平面上进行压缩从而得到一个二维的平面散点图，也就是将整个点云向距离‑角度平面上进行投影；

S4、将生成好的二维运动状态散点图输入到训练好的运动状态分类器网络模型中，通过分类器网络模型识别目标的运动状态是运动或者运动间歇期；

将二维运动状态散点图通过设计的运动状态分类器网络模型进行分类，将运动状态识别任务转化为图像分类任务；运动状态分类器网络模型由MobileNet‑V2神经网络以及记忆力模块构建而成，在MobileNet‑V2神经网络模型的后面增加了一个记忆力模块，来更准确的实现运动状态的识别；

首先构建运动状态的二维散点图，将散点图输入到神经网络ShuffleNetV2中进行运动状态识别，随后通过记忆力模块将当前样本与之前的样本进行关联，纠正因时间短而导致的状态识别错误，输出最终正确的状态识别结果；

当从ShuffleNetV2神经网络得到识别结果后，将其输入到记忆力模块，首先将ShuffleNetV2神经网络输出的结果定义为初始值Xn，将算法实际输出的结果定义为识别值Rn，其中，Xn就是当前样本经过ShuffleNetV2网络后的分类结果，Xn‑1和Xn‑2分别为当前样本前面两个样本的分类结果；通过与前两个样本的分类值进行判断与比较，提高了当前样本与之前样本的关联度；

S5、当识别到至少有一个目标处于运动间歇期时，提取运动间歇期目标的原始信号，并对该目标使用权重向量增强的方法进行信号的增强；

S6、提取信号增强后的中频信号的相位信息，通过相位解缠绕处理后对信号进行带通滤波提取呼吸信号和心跳信号；之后采用变分模态分解算法将呼吸信号和心跳信号分解得到信号分量，根据得到的信号分量对呼吸速率和心跳速率进行估计。

2.根据权利要求1所述的基于毫米波雷达的多目标生命体征监测方法，其特征在于，所述步骤S1中， 将毫米波雷达面向待检测区域放置，设置所发射的调频连续波的相关参数，发射的电磁波信号由目标反射后通过混频器产生中频信号；采集的原始数据根据天线发射和接收顺序进行数据的存储，以Nadc×Nchirp×Nrx的顺序存储，其中Nrx为天线的接收通道数，同时Nadc×Nchirp为一帧数据，Nchirp为每一帧中信号的数量，Nadc为每个chirp信号中的数据采样点数。

3.根据权利要求2所述的基于毫米波雷达的多目标生命体征监测方法，其特征在于，所述步骤S2中，对接收到的数据中每个chirp中的数据进行预处理以去除信号中的静态分量，对每个chirp中的数据计算信号的均值，并且用原信号减去均值信号，便得到去除静态分量后的信号；

对去除静态分量的三维数据矩阵的快时间维度也就是Nadc数据这个维度进行快速傅里叶变换，得到目标的距离信息；对数据矩阵的慢时间维度也就是Nchirp数据这个维度进行快速傅里叶变换，得到目标的速度信息；对数据矩阵的通道数维度进行短时傅里叶变换，得到目标的角度信息；

将得到的距离、速度、角度信息分别作为坐标轴，进行三维点云的构建。

4.根据权利要求1所述的基于毫米波雷达的多目标生命体征监测方法，其特征在于，所述步骤S5中，当监测场景中至少有一个目标处于运动间歇期时，根据得到的目标信息，提取该目标区域的原始信号，并根据该目标所在的位置使用权重向量增强的方法进行信号的增强。

5.根据权利要求1所述的基于毫米波雷达的多目标生命体征监测方法，其特征在于，所述步骤S6中，对增强信号后的信号提取相位信息，经过相位解缠绕后得到呼吸和心跳信号的混合信号，之后根据正常的呼吸和心跳的速率进行带通滤波分别得到粗糙的呼吸信号和心跳信号；

采用变分模态分解算法将呼吸和心跳信号进行分解，选取最相关的信号分量，根据对选取的信号分量进行快速傅里叶变化得到细粒度的呼吸速率和心跳速率。