《Optics & Laser Technology》：SPATIAL-net: A distributed optical fiber sensing event recognition network with periodic perception and multi-statistic enhancement
編輯推薦：
分布式光纖傳感（DOFS）實時監(jiān)測中面臨噪聲復雜與非穩(wěn)態(tài)干擾問題，本文提出SPATIAL-Net框架，通過自適應小波包變換去噪、多階統(tǒng)計注意力機制增強特征，結合周期感知時空建模，有效捕捉信號多尺度周期特性，實驗表明在BJTUSensor基準數(shù)據(jù)集上準確率達99.9%，顯著優(yōu)于傳統(tǒng)方法。
趙宏高|尹波|魏志強|孫月婷|郭一云
中國海洋大學信息科學與工程學院，青島，266100，山東，中國
摘要 分布式光纖傳感（DOFS）系統(tǒng)已成為實時監(jiān)測的關鍵技術，應用于地震檢測、管道監(jiān)控和周界安全等領域。然而，DOFS數(shù)據(jù)常常受到復雜噪聲的污染，并表現(xiàn)出多尺度周期性特征，這使得可靠的事件識別變得極具挑戰(zhàn)性。為了解決這些問題，本文提出了SPATIAL-Net，這是一種具有周期感知能力的深度學習框架，它將頻譜域去噪、統(tǒng)計特征重新校準和多周期時間建模結合在一個統(tǒng)一的框架中。具體來說，可學習的小波包變換（LWPT）執(zhí)行自適應子帶去噪；矩通道注意力（MCA）模塊通過利用高階統(tǒng)計量（如方差和偏度）來增強判別能力，這些統(tǒng)計量對于非高斯振動模式非常有用；而專為DOFS設計的TimesNet主干網(wǎng)絡通過頻率引導的一維到二維變換和多周期聚合來捕捉周期內/周期間的變化，從而在復雜干擾下實現(xiàn)長距離節(jié)奏依賴性的穩(wěn)定建模。在公共基準測試集和專有數(shù)據(jù)集上的廣泛實驗表明，SPATIAL-Net的表現(xiàn)始終優(yōu)于代表性的基線和最近的深度學習架構，在BJTUSensor基準測試中達到了99.9%的準確率，同時保持了較低的計算成本。全面的消融研究和受控組件替換進一步驗證了每個模塊（LWPT、周期感知主干網(wǎng)絡和注意力設計）的貢獻，確認所提出的集成方法在噪聲環(huán)境中能夠實現(xiàn)可靠的實時DOFS部署。
引言 分布式光纖傳感（DOFS）作為一種創(chuàng)新的光纖傳感技術，近年來受到了學術界和工業(yè)界的廣泛關注。由于其長距離覆蓋、實時監(jiān)測、強大的抗電磁干擾能力和易于部署等優(yōu)點，DOFS在多個領域展現(xiàn)了顯著的潛力，包括油氣管道保護、地震活動監(jiān)測、鐵路運輸安全和周界安全[1]、[2]、[3]、[4]。
盡管取得了進展，當前的識別方法仍面臨兩個根本性的瓶頸，這些瓶頸源于DOFS信號的物理特性：
1. 非平穩(wěn)噪聲的糾纏：與加性白高斯噪聲不同，DOFS干擾（如衰落噪聲、環(huán)境耦合）在時間和頻率域中呈現(xiàn)出瞬態(tài)的非高斯分布，使得傳統(tǒng)濾波方法無效。
2. 一維表示的局限性：諸如挖掘或行走等關鍵事件本質上具有多尺度周期性——這種二維結構表現(xiàn)為周期內的變化（局部紋理）和周期間的重復（節(jié)奏）。
主流的一維卷積神經網(wǎng)絡（1D-CNN）和循環(huán)神經網(wǎng)絡（RNN）難以捕捉這種周期性演變，因為它們將信號視為平坦序列，從而丟失了頻域中嵌入的結構語義。
因此，一個關鍵的研究挑戰(zhàn)是在復雜噪聲條件下實現(xiàn)穩(wěn)健且準確的事件分類，同時保持實時性能和低計算成本。
為了彌合這些差距，我們提出了SPATIAL-Net（頻譜-周期-注意力-時間-信息感知學習網(wǎng)絡），這是一個將頻譜分析與統(tǒng)計特征重新校準相結合的統(tǒng)一框架。我們不是將DOFS信號視為靜態(tài)的一維序列，而是將事件識別重新定義為二維時間變化建模任務。具體來說，我們引入了一種周期感知的時間建模機制，將一維信號轉換為二維頻譜張量，明確捕捉不同周期內振動模式的演變[5]。此外，為了應對非高斯噪聲，我們設計了一個多統(tǒng)計量交互模塊，該模塊超越了一階統(tǒng)計量（均值/方差），利用高階矩來從復雜的背景噪聲中穩(wěn)健地區(qū)分事件特征[6]。
本文的貢獻總結如下：
1. 我們提出了一種以DOFS為導向的周期感知識別范式，明確建模振動信號中的周期內和周期間變化。在TimesNet的頻率引導的一維到二維變換基礎上，我們引入了針對DOFS的特定改進（如穩(wěn)健的周期估計和無掩膜的固定窗口推理接口），以便在強非平穩(wěn)干擾下可靠地捕捉長距離節(jié)奏依賴性，這超出了傳統(tǒng)CNN-RNN架構通常能夠實現(xiàn)的范圍。
2. 我們引入了一種基于矩分布（偏度、峰度）動態(tài)重新校準特征通道的高階統(tǒng)計注意力機制，顯著增強了對抗非平穩(wěn)非高斯噪聲的魯棒性。
3. 我們在公共基準測試集和一個大規(guī)模的專有風電場數(shù)據(jù)集上驗證了SPATIAL-Net的性能。結果表明，我們的方法在保持低計算開銷的同時實現(xiàn)了卓越的準確率，為實時DAS事件識別樹立了新的基準。
相關工作 相關研究 在早期的研究中，傳統(tǒng)的DOFS事件識別方法主要依賴于手工制作的特征提取技術，如傅里葉變換（FFT）、短時傅里葉變換（STFT）和梅爾頻率倒譜系數(shù)（MFCC），然后使用支持向量機（SVM）或K最近鄰（KNN）等淺層分類器進行事件識別[7]、[8]。盡管這些方法在受控實驗室環(huán)境中取得了一定的成功，但它們嚴重依賴于
數(shù)據(jù)采集 實驗在一個類似野外的戶外環(huán)境中進行，涵蓋了多個功能區(qū)域。光纖路徑經過環(huán)境條件不同的區(qū)域（例如相對安靜的部分和受到較強人為干擾的部分），導致不同位置的耦合狀態(tài)和背景噪聲水平各不相同。因此，記錄的數(shù)據(jù)包含了真實的非平穩(wěn)干擾，包括偶發(fā)的脈沖干擾和緩慢變化的背景噪聲
公共數(shù)據(jù)集（開放Φ 在這項研究中，我們首先使用了Cao等人提出的開放Φ
原始論文提供了兩個
結論 本文提出了SPATIAL-Net，這是一種在分布式光纖傳感系統(tǒng)中進行事件識別的穩(wěn)健且高效的方法。通過結合周期感知建模、多統(tǒng)計量增強的注意力機制和自適應去噪，SPATIAL-Net在準確性和泛化能力方面均優(yōu)于傳統(tǒng)方法。在多個數(shù)據(jù)集上的實驗結果，包括具有挑戰(zhàn)性的XRDAS數(shù)據(jù)集，證實了該模型在具有高復雜性的實際應用中的有效性
CRediT作者貢獻聲明 趙宏高： 撰寫——原始草稿、可視化、方法論、調查、數(shù)據(jù)整理。尹波： 撰寫——審閱與編輯、監(jiān)督、項目管理、資金獲取、概念構思。魏志強： 撰寫——審閱與編輯、驗證、監(jiān)督、方法論。孫月婷： 驗證、調查。郭一云： 調查、數(shù)據(jù)整理。
資助 本工作得到了山東省重點研發(fā)計劃（重大科技創(chuàng)新項目） （項目編號：2023ZLGX06）和泰山產業(yè)領軍人才項目藍色人才計劃的支持。
利益沖突聲明 作者聲明他們沒有已知的財務利益或個人關系可能影響本文報告的工作。
