《Optics & Laser Technology》：SPATIAL-net: A distributed optical fiber sensing event recognition network with periodic perception and multi-statistic enhancement
编辑推荐：
分布式光纤传感（DOFS）实时监测中面临噪声复杂与非稳态干扰问题，本文提出SPATIAL-Net框架，通过自适应小波包变换去噪、多阶统计注意力机制增强特征，结合周期感知时空建模，有效捕捉信号多尺度周期特性，实验表明在BJTUSensor基准数据集上准确率达99.9%，显著优于传统方法。
赵宏高|尹波|魏志强|孙月婷|郭一云
中国海洋大学信息科学与工程学院，青岛，266100，山东，中国
摘要
分布式光纤传感（DOFS）系统已成为实时监测的关键技术，应用于地震检测、管道监控和周界安全等领域。然而，DOFS数据常常受到复杂噪声的污染，并表现出多尺度周期性特征，这使得可靠的事件识别变得极具挑战性。为了解决这些问题，本文提出了SPATIAL-Net，这是一种具有周期感知能力的深度学习框架，它将频谱域去噪、统计特征重新校准和多周期时间建模结合在一个统一的框架中。具体来说，可学习的小波包变换（LWPT）执行自适应子带去噪；矩通道注意力（MCA）模块通过利用高阶统计量（如方差和偏度）来增强判别能力，这些统计量对于非高斯振动模式非常有用；而专为DOFS设计的TimesNet主干网络通过频率引导的一维到二维变换和多周期聚合来捕捉周期内/周期间的变化，从而在复杂干扰下实现长距离节奏依赖性的稳定建模。在公共基准测试集和专有数据集上的广泛实验表明，SPATIAL-Net的表现始终优于代表性的基线和最近的深度学习架构，在BJTUSensor基准测试中达到了99.9%的准确率，同时保持了较低的计算成本。全面的消融研究和受控组件替换进一步验证了每个模块（LWPT、周期感知主干网络和注意力设计）的贡献，确认所提出的集成方法在噪声环境中能够实现可靠的实时DOFS部署。
引言
分布式光纤传感（DOFS）作为一种创新的光纤传感技术，近年来受到了学术界和工业界的广泛关注。由于其长距离覆盖、实时监测、强大的抗电磁干扰能力和易于部署等优点，DOFS在多个领域展现了显著的潜力，包括油气管道保护、地震活动监测、铁路运输安全和周界安全[1]、[2]、[3]、[4]。
尽管取得了进展，当前的识别方法仍面临两个根本性的瓶颈，这些瓶颈源于DOFS信号的物理特性：
- 1.
非平稳噪声的纠缠：与加性白高斯噪声不同，DOFS干扰（如衰落噪声、环境耦合）在时间和频率域中呈现出瞬态的非高斯分布，使得传统滤波方法无效。
- 2.
一维表示的局限性：诸如挖掘或行走等关键事件本质上具有多尺度周期性——这种二维结构表现为周期内的变化（局部纹理）和周期间的重复（节奏）。
主流的一维卷积神经网络（1D-CNN）和循环神经网络（RNN）难以捕捉这种周期性演变，因为它们将信号视为平坦序列，从而丢失了频域中嵌入的结构语义。
因此，一个关键的研究挑战是在复杂噪声条件下实现稳健且准确的事件分类，同时保持实时性能和低计算成本。
为了弥合这些差距，我们提出了SPATIAL-Net（频谱-周期-注意力-时间-信息感知学习网络），这是一个将频谱分析与统计特征重新校准相结合的统一框架。我们不是将DOFS信号视为静态的一维序列，而是将事件识别重新定义为二维时间变化建模任务。具体来说，我们引入了一种周期感知的时间建模机制，将一维信号转换为二维频谱张量，明确捕捉不同周期内振动模式的演变[5]。此外，为了应对非高斯噪声，我们设计了一个多统计量交互模块，该模块超越了一阶统计量（均值/方差），利用高阶矩来从复杂的背景噪声中稳健地区分事件特征[6]。
本文的贡献总结如下：
- 1.
我们提出了一种以DOFS为导向的周期感知识别范式，明确建模振动信号中的周期内和周期间变化。在TimesNet的频率引导的一维到二维变换基础上，我们引入了针对DOFS的特定改进（如稳健的周期估计和无掩膜的固定窗口推理接口），以便在强非平稳干扰下可靠地捕捉长距离节奏依赖性，这超出了传统CNN-RNN架构通常能够实现的范围。
- 2.
我们引入了一种基于矩分布（偏度、峰度）动态重新校准特征通道的高阶统计注意力机制，显著增强了对抗非平稳非高斯噪声的鲁棒性。
- 3.
我们在公共基准测试集和一个大规模的专有风电场数据集上验证了SPATIAL-Net的性能。结果表明，我们的方法在保持低计算开销的同时实现了卓越的准确率，为实时DAS事件识别树立了新的基准。
相关工作
相关研究
在早期的研究中，传统的DOFS事件识别方法主要依赖于手工制作的特征提取技术，如傅里叶变换（FFT）、短时傅里叶变换（STFT）和梅尔频率倒谱系数（MFCC），然后使用支持向量机（SVM）或K最近邻（KNN）等浅层分类器进行事件识别[7]、[8]。尽管这些方法在受控实验室环境中取得了一定的成功，但它们严重依赖于
数据采集
实验在一个类似野外的户外环境中进行，涵盖了多个功能区域。光纤路径经过环境条件不同的区域（例如相对安静的部分和受到较强人为干扰的部分），导致不同位置的耦合状态和背景噪声水平各不相同。因此，记录的数据包含了真实的非平稳干扰，包括偶发的脉冲干扰和缓慢变化的背景噪声
公共数据集（开放-OTDR数据集)
在这项研究中，我们首先使用了Cao等人提出的开放-OTDR数据集[10]。该数据集是在受控实验室环境中收集的，包含了几种典型的DOFS事件信号，包括敲击、挖掘、行走、浇水 and 摇动。原始光纤长度约为1公里，采样频率为10 kHz。数据使用固定的时间窗口进行分割，每个片段都标有相应的事件类别。
原始论文提供了两个
结论
本文提出了SPATIAL-Net，这是一种在分布式光纤传感系统中进行事件识别的稳健且高效的方法。通过结合周期感知建模、多统计量增强的注意力机制和自适应去噪，SPATIAL-Net在准确性和泛化能力方面均优于传统方法。在多个数据集上的实验结果，包括具有挑战性的XRDAS数据集，证实了该模型在具有高复杂性的实际应用中的有效性
CRediT作者贡献声明
赵宏高：撰写——原始草稿、可视化、方法论、调查、数据整理。尹波：撰写——审阅与编辑、监督、项目管理、资金获取、概念构思。魏志强：撰写——审阅与编辑、验证、监督、方法论。孙月婷：验证、调查。郭一云：调查、数据整理。
资助
本工作得到了山东省重点研发计划（重大科技创新项目）（项目编号：2023ZLGX06）和泰山产业领军人才项目蓝色人才计划的支持。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
