RuView用普通 WiFi 信号追踪 17 个人体关键点、呼吸和心跳【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/RuViewRuView 是一个 WiFi 感知平台用 ESP32 节点采集 WiFi 信号的 CSI信道状态信息相当于信号经过每个物体后的指纹换算成存在检测、呼吸与心率、人体姿态估计全程不产生一帧视频。摄像头拍不了的三个场景卫生间、卧室、老人房你想 24 小时盯着但没人在这三处愿意装摄像头。工厂危险区摄像头会引发工人抵触和数据合规问题婴儿房家长不愿让镜头对着熟睡的孩子。摄像头还有别的成本要布线、要录像存储低光和遮挡下照样失灵。所以 RuView 的切入点是不加新硬件不产生图像。把房间里已有的 WiFi 信号当传感器系统拿到的是一串信号波动数值不是一帧画面——被监测的人从头到尾没被拍过。 RuView 的 WiFi 感知链路从无线电波到骨架整条链路四步输入是无线电波输出是骨架和生命体征信号采集——ESP32-S3 节点读取 WiFi 路由器本来就发出的 CSI56 个子载波上各自的信号振幅和相位。说白了就是普通路由器只告诉你信号多弱CSI 告诉你信号碰到你身体的每个部位后怎么变了。相位净化——去掉硬件漂移和环境静态噪声只留人体运动带来的动态特征。说白了就是先把录音里的电流声滤掉再听里面的声音。频带提取——带通滤波器圈出 0.1–0.5 Hz 的呼吸带和 0.8–2.0 Hz 的心跳带FFT 找峰值换算成 BPM。说白了就是呼吸和心跳是信号里的周期性涟漪滤波器只把你想要的那段频率捞出来。前两步把信号从噪声变成特征最后一步把特征变成人模型映射——预训练网络把特征映射成 17 个 COCO 骨骼关键点和活动状态。模型 4-bit 量化后只有 8KB在树莓派上微秒级跑完这一步相当于把信号涟漪翻译成房间里有人正从床上起来。为什么这样做有效人体大部分是水WiFi 信号穿过时会被吸收、相位偏移而且这种变化有规律可循呼吸心跳是周期的肢体运动有方向。2.4/5 GHz 信号能穿干墙多径反射在这里反而是优势不是干扰所以穿墙感知在约 5 米内可行具体看信号条件。 跑起来从演示到 ESP32 真机无硬件演示先看到界面最快的路径是 Docker不用任何硬件用合成 CSI 数据跑完整条流水线# 无硬件演示浏览器打开 http://localhost:3000 docker pull ruvnet/wifi-densepose:latest docker run -e CSI_SOURCEsimulated -p 3000:3000 ruvnet/wifi-densepose:latest界面里有 3D 骨架、信号热图和生命体征面板呼吸 心跳。另开一个终端确认 API 活着curl http://localhost:3000/health接真机与调参刷上 firmware/esp32-csi-node/ 固件的 ESP32-S3单块约 $9接上后容器切到 esp32 模式从 UDP 5005 收真实 CSI 帧docker run -e CSI_SOURCEesp32 -p 3000:3000 -p 5005:5005/udp ruvnet/wifi-densepose:latest想从源码构建或用 Python 调 API可以先 clone 仓库跑引导安装器git clone https://gitcode.com/GitHub_Trending/wi/RuView cd RuView ./install.sh --profile docker --yes部署方式对比方式适合谁关键命令Docker快速演示、单机部署amd64/arm64docker pull ruvnet/wifi-densepose:latest源码 Rust 构建要改信号处理流水线的开发者v2/下cargo build --releasepip install ruview想在 Python 里调呼吸/心率 APIpip install ruviewQEMU 固件测试手上没板子想先试固件用户指南 QEMU 章节节点端最常调的 5 个参数NVS 写入不用重新烧录参数默认效果edge_tier00关1只算统计2完整生命体征存在、呼吸、心跳、跌倒pres_thresh50调小→更灵敏、漏检少调大→更保守、误报少fall_thresh15000调大→误报更少正常走动约 2–5真实跌倒 20vital_int1000调小→生命体征包上报更频繁毫秒subk_count32调大→保留子载波更多共 56 个细节更细⚠️ 能力与边界能测什么测不准什么你做什么它报什么你躺床上睡觉 → 它从 CSI 里持续估出呼吸6–30 BPM和心率40–120 BPM仓库自带呼吸暂停筛查脚本可以接告警。你走进房间 → 存在检测响应小于 1ms约 30 秒环境校准后建立基线。还有两个更场景化的你摔倒 → 相位加速度阈值 3 帧去抖 5 秒冷却检测延迟小于 200ms这段逻辑直接跑在 ESP32 上Tier 2。你已经在用 Home Assistant、Apple Home 或 Alexa → 每个节点发布 21 个实体someone-sleeping、possible-distress、fall-risk-elevated 等状态附 3 个起步蓝图。精度上限与不适用场景README 写得很直白照搬几个关键数字设备端 17 关键点姿态是早期状态仓内首版 pose_v1 的 PCK20 3.0%未达到 ADR-079 设定的 ≥35% 目标82.69% 的 torso-PCK20集成 83.59%是 MM-Fi 公开基准上的发表结果超过 MultiFormer 的 72.25%不是装上设备就能拿到的数。存在检测v2 编码器留出集 82.3%此前100% 存在率的说法已被官方撤回那是单类数据集测出来的。生命体征和穿墙是另外两条需要说清楚的边界无摄像头呼吸监测精度被监测者需在 AP 3–5 米内多节点 Mesh 可到 8 米且相对静止——大幅运动会淹没呼吸和心跳的微弱振荡算法是启发式 BPM 提取不用于医疗用途。穿墙感知在约 5 米内可用、取决于信号条件任何笔记本的 RSSI 模式只能做粗粒度存在 运动做不了姿态。这张图是诚实的对照同一批 AP 指标下WiFi 方法得分普遍低于图像方法最好的 AP50 也只有 87 左右。别指望 WiFi 感知和摄像头打平它的价值在摄像头放不进去的地方。深入入口想往下挖的按推荐顺序看docs/user-guide.md——主指南无硬件演示、ESP32 Mesh、QEMU 固件测试、MQTT/Matter 接入先读这个。firmware/esp32-csi-node/——节点固件和配置脚本适合想刷真机、调 Tier 2 参数的硬件玩家。开发者方向再看两处examples/——呼吸暂停筛查、压力监测、睡眠监测等即取即用的 Python 示例。docs/benchmarks/——各能力实测报告区分哪些数字是测出来的、哪些是推导的。Python 包源码在python/目录。社区贡献最缺的是真实数据验证——README 明确说多项能力still synthetic until real-data validation以及新硬件适配。【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 RuView：用普通 WiFi 信号追踪 17 个人体关键点、呼吸和心跳
RuView用普通 WiFi 信号追踪 17 个人体关键点、呼吸和心跳【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/RuViewRuView 是一个 WiFi 感知平台用 ESP32 节点采集 WiFi 信号的 CSI信道状态信息相当于信号经过每个物体后的指纹换算成存在检测、呼吸与心率、人体姿态估计全程不产生一帧视频。摄像头拍不了的三个场景卫生间、卧室、老人房你想 24 小时盯着但没人在这三处愿意装摄像头。工厂危险区摄像头会引发工人抵触和数据合规问题婴儿房家长不愿让镜头对着熟睡的孩子。摄像头还有别的成本要布线、要录像存储低光和遮挡下照样失灵。所以 RuView 的切入点是不加新硬件不产生图像。把房间里已有的 WiFi 信号当传感器系统拿到的是一串信号波动数值不是一帧画面——被监测的人从头到尾没被拍过。 RuView 的 WiFi 感知链路从无线电波到骨架整条链路四步输入是无线电波输出是骨架和生命体征信号采集——ESP32-S3 节点读取 WiFi 路由器本来就发出的 CSI56 个子载波上各自的信号振幅和相位。说白了就是普通路由器只告诉你信号多弱CSI 告诉你信号碰到你身体的每个部位后怎么变了。相位净化——去掉硬件漂移和环境静态噪声只留人体运动带来的动态特征。说白了就是先把录音里的电流声滤掉再听里面的声音。频带提取——带通滤波器圈出 0.1–0.5 Hz 的呼吸带和 0.8–2.0 Hz 的心跳带FFT 找峰值换算成 BPM。说白了就是呼吸和心跳是信号里的周期性涟漪滤波器只把你想要的那段频率捞出来。前两步把信号从噪声变成特征最后一步把特征变成人模型映射——预训练网络把特征映射成 17 个 COCO 骨骼关键点和活动状态。模型 4-bit 量化后只有 8KB在树莓派上微秒级跑完这一步相当于把信号涟漪翻译成房间里有人正从床上起来。为什么这样做有效人体大部分是水WiFi 信号穿过时会被吸收、相位偏移而且这种变化有规律可循呼吸心跳是周期的肢体运动有方向。2.4/5 GHz 信号能穿干墙多径反射在这里反而是优势不是干扰所以穿墙感知在约 5 米内可行具体看信号条件。 跑起来从演示到 ESP32 真机无硬件演示先看到界面最快的路径是 Docker不用任何硬件用合成 CSI 数据跑完整条流水线# 无硬件演示浏览器打开 http://localhost:3000 docker pull ruvnet/wifi-densepose:latest docker run -e CSI_SOURCEsimulated -p 3000:3000 ruvnet/wifi-densepose:latest界面里有 3D 骨架、信号热图和生命体征面板呼吸 心跳。另开一个终端确认 API 活着curl http://localhost:3000/health接真机与调参刷上 firmware/esp32-csi-node/ 固件的 ESP32-S3单块约 $9接上后容器切到 esp32 模式从 UDP 5005 收真实 CSI 帧docker run -e CSI_SOURCEesp32 -p 3000:3000 -p 5005:5005/udp ruvnet/wifi-densepose:latest想从源码构建或用 Python 调 API可以先 clone 仓库跑引导安装器git clone https://gitcode.com/GitHub_Trending/wi/RuView cd RuView ./install.sh --profile docker --yes部署方式对比方式适合谁关键命令Docker快速演示、单机部署amd64/arm64docker pull ruvnet/wifi-densepose:latest源码 Rust 构建要改信号处理流水线的开发者v2/下cargo build --releasepip install ruview想在 Python 里调呼吸/心率 APIpip install ruviewQEMU 固件测试手上没板子想先试固件用户指南 QEMU 章节节点端最常调的 5 个参数NVS 写入不用重新烧录参数默认效果edge_tier00关1只算统计2完整生命体征存在、呼吸、心跳、跌倒pres_thresh50调小→更灵敏、漏检少调大→更保守、误报少fall_thresh15000调大→误报更少正常走动约 2–5真实跌倒 20vital_int1000调小→生命体征包上报更频繁毫秒subk_count32调大→保留子载波更多共 56 个细节更细⚠️ 能力与边界能测什么测不准什么你做什么它报什么你躺床上睡觉 → 它从 CSI 里持续估出呼吸6–30 BPM和心率40–120 BPM仓库自带呼吸暂停筛查脚本可以接告警。你走进房间 → 存在检测响应小于 1ms约 30 秒环境校准后建立基线。还有两个更场景化的你摔倒 → 相位加速度阈值 3 帧去抖 5 秒冷却检测延迟小于 200ms这段逻辑直接跑在 ESP32 上Tier 2。你已经在用 Home Assistant、Apple Home 或 Alexa → 每个节点发布 21 个实体someone-sleeping、possible-distress、fall-risk-elevated 等状态附 3 个起步蓝图。精度上限与不适用场景README 写得很直白照搬几个关键数字设备端 17 关键点姿态是早期状态仓内首版 pose_v1 的 PCK20 3.0%未达到 ADR-079 设定的 ≥35% 目标82.69% 的 torso-PCK20集成 83.59%是 MM-Fi 公开基准上的发表结果超过 MultiFormer 的 72.25%不是装上设备就能拿到的数。存在检测v2 编码器留出集 82.3%此前100% 存在率的说法已被官方撤回那是单类数据集测出来的。生命体征和穿墙是另外两条需要说清楚的边界无摄像头呼吸监测精度被监测者需在 AP 3–5 米内多节点 Mesh 可到 8 米且相对静止——大幅运动会淹没呼吸和心跳的微弱振荡算法是启发式 BPM 提取不用于医疗用途。穿墙感知在约 5 米内可用、取决于信号条件任何笔记本的 RSSI 模式只能做粗粒度存在 运动做不了姿态。这张图是诚实的对照同一批 AP 指标下WiFi 方法得分普遍低于图像方法最好的 AP50 也只有 87 左右。别指望 WiFi 感知和摄像头打平它的价值在摄像头放不进去的地方。深入入口想往下挖的按推荐顺序看docs/user-guide.md——主指南无硬件演示、ESP32 Mesh、QEMU 固件测试、MQTT/Matter 接入先读这个。firmware/esp32-csi-node/——节点固件和配置脚本适合想刷真机、调 Tier 2 参数的硬件玩家。开发者方向再看两处examples/——呼吸暂停筛查、压力监测、睡眠监测等即取即用的 Python 示例。docs/benchmarks/——各能力实测报告区分哪些数字是测出来的、哪些是推导的。Python 包源码在python/目录。社区贡献最缺的是真实数据验证——README 明确说多项能力still synthetic until real-data validation以及新硬件适配。【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