import numpy as np
from typing import Tuple, List

class GestureRadarPipeline:
    """
    mmWave 雷达手势识别信号处理管道
    
    硬件配置：
    | 组件 | 型号 | 参数 | 安装位置 |
    |------|------|------|----------|
    | mmWave 雷达 | TI IWR6843AOP | 60-64 GHz, 4Tx/4Rx | 车顶控制台 |
    | 处理器 | TI C674x DSP | 板载 | 雷达模组内 |
    | 接口 | CAN-FD | 2Mbps | 车载网络 |
    
    支持 9 种手势（D3 Embedded 方案）：
    1. 左挥手  2. 右挥手  3. 顺时针旋转  4. 逆时针旋转
    5. 推  6. 拉  7. 点击  8. 拳头  9. 张开手掌
    """
    
    def __init__(self, num_tx: int = 4, num_rx: int = 4, bandwidth: float = 4e9):
        self.num_tx = num_tx
        self.num_rx = num_rx
        self.bandwidth = bandwidth  # 4 GHz
        self.carrier_freq = 62e9     # 62 GHz 中心频率
        
    def compute_resolution(self) -> dict:
        """计算空间分辨率"""
        c = 3e8
        range_res = c / (2 * self.bandwidth)  # 3.75 cm
        # 虚拟阵列 = num_tx * num_rx = 16 虚拟天线
        aperture = 16 * 0.5 * c / self.carrier_freq  # 虚拟孔径
        angular_res = 0.5 * c / (self.carrier_freq * aperture)
        
        return {
            "range_cm": round(range_res * 100, 2),      # 3.75 cm
            "angular_deg": round(np.degrees(angular_res), 1),
            "velocity_cm_s": 2.5,  # 典型值
            "frame_rate_fps": 30,
        }
    
    def extract_micro_doppler(self, rt_data: np.ndarray) -> np.ndarray:
        """
        从 Range-Time 数据提取微多普勒特征
        
        手势的微多普勒签名：
        - 挥手：周期性正弦速度模式
        - 旋转：连续速度变化
        - 点击：短暂速度脉冲
        - 推/拉：恒定速度方向
        
        Args:
            rt_data: Range-Time 数据, shape=(num_range_bins, num_frames)
            
        Returns:
            spectrogram: 时频谱图, shape=(num_freq_bins, num_frames)
        """
        # 在距离维度上找到手势区域（有运动的距离单元）
        motion_mask = np.std(rt_data, axis=1) > 0.1 * np.max(np.std(rt_data, axis=1))
        active_range = rt_data[motion_mask]
        
        # 短时傅里叶变换提取微多普勒
        from scipy.signal import stft
        f, t, Zxx = stft(active_range.mean(axis=0), fs=30, nperseg=8)
        
        # 取幅度谱
        spectrogram = np.abs(Zxx)
        
        return spectrogram
    
    def extract_velocity_time_profile(self, rt_data: np.ndarray) -> np.ndarray:
        """
        提取速度-时间剖面（VTP）
        
        DriveEmo-FL 论文方法：
        - 对每个距离单元做FFT得到多普勒
        - 提取最大多普勒频率作为速度
        - 形成 VTP 特征
        
        Args:
            rt_data: (num_range_bins, num_frames)
            
        Returns:
            vtp: (num_frames,) 速度时间剖面
        """
        vtp = []
        for frame in range(rt_data.shape[1]):
            # 多普勒FFT
            doppler = np.fft.fftshift(np.fft.fft(rt_data[:, frame]))
            # 找最大速度（非零多普勒）
            peak_idx = np.argmax(np.abs(doppler))
            velocity = (peak_idx - len(doppler)//2) * 2.5 / len(doppler)  # cm/s
            vtp.append(velocity)
        
        return np.array(vtp)
    
    def classify_gesture(self, spectrogram: np.ndarray, vtp: np.ndarray) -> str:
        """
        基于 spectrogram + VTP 分类手势
        
        简化分类器（实际应使用训练好的 CNN）
        """
        # VTP 统计特征
        vtp_std = np.std(vtp)
        vtp_range = np.max(vtp) - np.min(vtp)
        vtp_zero_crossings = np.sum(np.diff(np.sign(vtp)) != 0)
        
        # 规则分类（简化版）
        if vtp_std < 5 and vtp_range < 10:
            return "static"  # 无手势
        elif vtp_zero_crossings > 5:
            return "wave"  # 来回挥手
        elif vtp_range > 30 and np.mean(np.abs(vtp)) > 20:
            return "swipe"  # 快速滑动
        elif vtp_std > 15:
            return "circle"  # 旋转
        else:
            return "unknown"

class DriveEmoFL:
    """
    DriveEmo-FL: 雷达情感感知系统
    
    使用嵌入式 mmWave 雷达捕获上身情绪手势
    
    技术管道：
    1. CFAR 增强预处理
    2. 微多普勒签名提取
    3. 速度-时间剖面（VTP）特征
    4. 联邦学习（FL）保护隐私
    
    情绪类别：
    - 愤怒：快速挥拳
    - 快乐：张开手掌挥动
    - 焦虑：小幅度频繁动作
    - 放松：缓慢轻微动作
    """
    
    EMOTION_GESTURES = {
        "anger": {"velocity": "high", "amplitude": "large", "pattern": "punching"},
        "joy": {"velocity": "medium", "amplitude": "large", "pattern": "waving_open"},
        "anxiety": {"velocity": "medium", "amplitude": "small", "pattern": "frequent_micro"},
        "relaxation": {"velocity": "low", "amplitude": "small", "pattern": "slow_gentle"},
    }

class MultiFunctionRadarUnit:
    """
    单雷达多功能架构：一颗 60GHz 雷达覆盖 DMS+OMS+手势
    
    成本优势：
    - 1 颗雷达 = 替代 2-3 个摄像头
    - 总成本 $15-30 vs 摄像头方案 $30-60
    - 隐私优势：无图像数据
    
    | 功能 | 精度 | 帧率 | 用途 |
    |------|:---:|:---:|------|
    | 手势识别 | 92% | 30fps | HMI交互 |
    | 呼吸检测 | ±2次/min | 10fps | CPD+疲劳 |
    | 心率检测 | ±5bpm | 1Hz | 健康监测 |
    | 占位检测 | 99% | 30fps | OMS |
    | OOP检测 | 85% | 30fps | 安全气囊 |
    """
    
    def __init__(self):
        self.functions = {
            "gesture": {"priority": 1, "time_share": 0.4},  # 40%时间
            "vital_signs": {"priority": 2, "time_share": 0.3},  # 30%时间
            "occupant": {"priority": 3, "time_share": 0.2},  # 20%时间
            "oop": {"priority": 4, "time_share": 0.1},  # 10%时间
        }
    
    def time_multiplex(self) -> list:
        """
        时间多路复用调度
        
        30fps 帧率分配：
        - 12帧 手势识别（快速运动需要高帧率）
        - 9帧 生命体征（呼吸/心率需要连续累积）
        - 6帧 占位检测（变化慢，可降低帧率）
        - 3帧 OOP检测（姿态变化中等速度）
        """
        schedule = []
        for i in range(30):
            if i < 12:
                schedule.append("gesture")
            elif i < 21:
                schedule.append("vital_signs")
            elif i < 27:
                schedule.append("occupant")
            else:
                schedule.append("oop")
        return schedule