1. 项目架构概览：分层设计与模块化思想

effet.js 采用经典的三层架构（表现层-业务逻辑层-数据访问层），通过模块化设计实现功能解耦。核心目录结构如下：

src/
  ├── core/          # 核心算法与工具库
  │   ├── face/      # 人脸识别相关算法
  │   ├── sleep/     # 睡眠检测模型
  │   └── utils/     # 通用工具函数
  ├── modules/       # 业务功能模块
  │   ├── face-mgmt/ # 人脸管理（添加/删除）
  │   ├── checkin/   # 打卡系统
  │   └── sleep-tracker/ # 睡眠监测
  ├── api/           # 接口层
  └── config/        # 配置管理

这种设计使得人脸识别算法可独立于业务逻辑进行优化，睡眠检测模型也能单独迭代。例如当需要替换人脸识别引擎时，只需修改 core/face/ 下的实现，而无需改动 modules/face-mgmt/ 的业务代码。

2. 人脸识别模块：从特征提取到活体检测

2.1 核心算法实现

人脸识别模块采用 MTCNN 进行人脸检测，结合 FaceNet 实现特征嵌入。关键代码片段：

// core/face/detector.js
import * as tf from '@tensorflow/tfjs-node';
import { MTCNN } from 'mtcnn-tfjs';
class FaceDetector {
  constructor() {
    this.mtcnn = new MTCNN({
      minFaceSize: 100,
      scaleFactor: 0.709,
      stepsThreshold: [0.6, 0.7, 0.7]
    });
  }
  async detect(imageTensor) {
    const results = await this.mtcnn.detect(imageTensor);
    return results.map(box => ({
      x: box.bbox[0],
      y: box.bbox[1],
      width: box.bbox[2],
      height: box.bbox[3],
      keypoints: box.keypoints
    }));
  }
}

2.2 人脸添加流程

用户注册时的人脸采集流程包含三个关键步骤：

1. 质量检测：通过亮度、遮挡检测确保图像可用性
2. 特征提取：使用预训练的 FaceNet 模型生成128维特征向量

3. 存储优化：采用 PCA 降维后存储，减少存储空间

   // modules/face-mgmt/service.js
   async registerFace(userId, imageBuffer) {
   // 1. 质量检测
   if (!await this.validateImageQuality(imageBuffer)) {
    throw new Error('Image quality insufficient');
   }
   // 2. 特征提取
   const tensor = tf.node.decodeImage(imageBuffer);
   const faces = await this.detector.detect(tensor);
   if (faces.length === 0) throw new Error('No face detected');
   const faceTensor = this.cropFace(tensor, faces[0]);
   const embedding = await this.facenet.embed(faceTensor);
   // 3. 存储优化
   const reduced = this.pca.transform(embedding);
   await this.db.collection('faces').insertOne({
    userId,
    embedding: reduced.arraySync(),
    timestamp: new Date()
   });
   }

3. 打卡系统设计：时空双重验证

打卡模块采用「GPS定位+人脸识别」双重验证机制，核心逻辑如下：

// modules/checkin/controller.js
async checkIn(userId, location, faceImage) {
  // 1. 位置验证
  const user = await this.userService.getById(userId);
  const distance = this.calculateDistance(
    location.lat, location.lng,
    user.officeLat, user.officeLng
  );
  if (distance > 500) { // 500米半径
    throw new Error('Out of office range');
  }
  // 2. 人脸验证
  const storedEmbedding = await this.faceService.getEmbedding(userId);
  const currentEmbedding = await this.faceService.extractEmbedding(faceImage);
  const similarity = this.cosineSimilarity(
    storedEmbedding, currentEmbedding
  );
  if (similarity < 0.6) { // 阈值设定
    throw new Error('Face verification failed');
  }
  // 3. 记录打卡
  await this.db.collection('checkins').insertOne({
    userId,
    timestamp: new Date(),
    location,
    similarityScore: similarity
  });
  return { success: true };
}

4. 睡眠检测实现：多模态数据融合

睡眠检测模块整合了「加速度计+心率+环境光」三模态数据，采用LSTM网络进行阶段分类：

4.1 数据预处理流程

// core/sleep/preprocessor.js
class SleepDataProcessor {
  constructor() {
    this.windowSize = 30; // 30秒窗口
    this.samplingRate = 50; // 50Hz
  }
  process(rawData) {
    // 1. 重采样到统一频率
    const resampled = this.resample(rawData, this.samplingRate);
    // 2. 滑动窗口分割
    const windows = [];
    for (let i = 0; i < resampled.length; i += this.windowSize * this.samplingRate) {
      const window = resampled.slice(i, i + this.windowSize * this.samplingRate);
      if (window.length < this.windowSize * this.samplingRate * 0.8) continue;
      // 3. 特征提取
      const features = this.extractFeatures(window);
      windows.push(features);
    }
    return windows;
  }
  extractFeatures(window) {
    // 提取时域特征（均值、方差等）
    // 提取频域特征（通过FFT）
    // 返回特征向量
  }
}

4.2 模型推理实现

// core/sleep/model.js
import * as tf from '@tensorflow/tfjs-node';
class SleepClassifier {
  constructor(modelPath) {
    this.model = tf.loadLayersModel(`file://${modelPath}`);
  }
  async predict(features) {
    const tensor = tf.tensor2d(features, [1, features.length]);
    const prediction = this.model.predict(tensor);
    const result = prediction.arraySync()[0];
    // 映射睡眠阶段（0:清醒, 1:浅睡, 2:深睡, 3:REM）
    const stages = ['awake', 'light', 'deep', 'rem'];
    const maxVal = Math.max(...result);
    const stageIdx = result.indexOf(maxVal);
    return {
      stage: stages[stageIdx],
      confidence: maxVal
    };
  }
}

5. 项目优化实践与经验总结

5.1 性能优化策略

1. 模型量化：将FaceNet模型从FP32量化为INT8，推理速度提升3倍
2. 缓存机制：对频繁访问的人脸特征实施Redis缓存
3. 边缘计算：在移动端实现轻量级人脸检测，减少云端传输

5.2 安全性设计

1. 数据加密：人脸特征存储前采用AES-256加密
2. 活体检测：集成眨眼检测防止照片攻击
3. 隐私保护：实施GDPR合规的数据访问控制

5.3 跨平台适配方案

// config/platform.js
const platformConfig = {
  web: {
    faceDetector: 'tensorflow-js',
    sleepSource: 'browser-api'
  },
  mobile: {
    faceDetector: 'ncnn',
    sleepSource: 'android-sensor'
  },
  server: {
    faceDetector: 'opencv-dnn',
    sleepSource: 'iot-device'
  }
};
export function getConfig(platform) {
  return platformConfig[platform] || platformConfig.web;
}

6. 开发者实践建议

1. 渐进式架构升级：建议从打卡系统开始试点，逐步扩展到人脸识别
2. 混合部署策略：将计算密集型的人脸识别部署在服务器端，睡眠检测放在终端设备
3. 数据治理方案：建立人脸数据的生命周期管理机制，定期清理过期数据

effet.js 的项目结构展现了如何通过模块化设计实现复杂AI功能的可维护性。其核心价值在于：通过清晰的分层架构分离算法实现与业务逻辑，采用标准化接口支持多平台适配，最终构建出可扩展的智能识别系统。对于开发者而言，理解这种设计模式有助于在类似项目中实现技术复用与快速迭代。