La señal de radar se ha mostrado como una fuente prometedora para la identificación humana. En escenarios de monitoreo del sueño en el hogar, las características de movimiento a gran escala pueden no siempre ser prácticas, y los datos de movimiento cardíaco o respiratorio pueden no ser tan ideales como lo son en un entorno de laboratorio controlado. La identificación humana a partir de secuencias de radar sigue siendo una tarea desafiante. Además, existe la necesidad de abordar el problema de reconocimiento de conjunto abierto para secuencias de radar, que no ha sido estudiado suficientemente. En este artículo, proponemos un enfoque basado en aprendizaje profundo para la identificación humana utilizando secuencias de radar capturadas durante el sueño en una configuración de monitoreo diario en el hogar. Para mejorar la robustez, preprocesamos las secuencias para mitigar la interferencia ambiental antes de emplear una red neuronal convolucional profunda para la identificación humana. Introducimos una representación de características en el Espacio de Componentes Principales para detectar secuencias desconocidas. Nuestro método es evaluado rigurosamente utilizando tanto un conjunto de datos público como un conjunto de secuencias de radar adquiridas experimentalmente. Informamos una precisión de etiquetado del 98.2% y 96.8% en promedio para los dos conjuntos de datos, respectivamente, lo cual supera a las técnicas de vanguardia. Nuestro método destaca por distinguir con precisión las secuencias desconocidas de las etiquetadas, con casi un 100% de detección de muestras desconocidas y un mínimo de clasificación errónea de muestras etiquetadas como desconocidas.