由 Mambaout 驱动的双通道 SENet 技术，用于 Φ-OTDR 振动事件的识别

《Optics & Laser Technology》：Mambaout-driven dual-channel SENet for Φ-OTDR vibration event recognition

振动信号分类优化与实时处理研究。提出基于多级量化与双通道SENet的D-SENet-MambaOut框架，有效抑制噪声并提升复杂场景下振动信号分类准确率至97.39%，同时保持实时推理速度。

　　

刘念超|胡梓霞|赵一鸣|刘宏伟|王焕|杨然|梁胜

教育部发光与光学信息技术重点实验室，国家物理实验教学示范中心，北京交通大学物理科学与工程学院，北京，100044，中国

摘要

在振动监测过程中产生的大量数据，是由于相位敏感光时域反射仪（Φ-OTDR）的高采样率和多传感器节点特性所导致的。振动信号识别还受到热噪声和高斯白噪声干扰的挑战。为了解决这些问题，本研究提出了一种深度学习框架D-SENet-MambaOut，该框架结合了多尺度特征校准和递归图（RP）变换。该框架首先通过二次裁剪预处理增强信号特征并抑制噪声。接下来，采用多层次量化策略优化RP变换，将一维时间序列信号转换为保留了独特纹理的图像。设计了一种双通道SENet（D-SENet），利用弱增强和强增强的特征的通道加权融合机制来捕捉高维语义依赖性。实验结果表明，D-SENet-MambaOut在复杂分类任务（如风、人造和挖掘）中表现出色，验证准确率为97.39%，测试集准确率为95.60%，比基线模型提高了1%。双通道下采样结构将验证损失标准差降低了18.6%，提高了模型的鲁棒性。T-SNE可视化显示，由于D-SENet的通道注意力机制，风类特征形成了更加紧凑的簇，分散度降低，从而实现了风类的零误分类。尽管计算复杂度有所增加，但模型仍保持了每秒444个样本的实时推理速度（平均每个样本的识别时间为2.252毫秒），证明了其在噪声环境中的效率和准确性。我们的开源实现可在以下链接获取：https://github.com/DooDooMan312/D-SE-Mambaout-Dual-channel-Squeeze-and-Excitation-Mambaout

引言

分布式声学传感（DAS）是一种先进的传感技术，通过仔细分析瑞利散射（RBS）光的实时变化来检测光纤中的振动，包括相位和强度波动。自1993年问世以来，DAS基于相位敏感光时域反射仪（Φ-OTDR）[28]。因此，DAS能够实现高精度的多点干扰检测，空间分辨率可达米级。这种技术的优势如下：首先是长距离监测，可以覆盖数十公里，并且不受电磁干扰[1]、[25]、[26]；其次是通过单模通信光纤实现经济高效的大规模部署，避免了传统传感器的复杂性[2]。这些特点推动了其在地震监测[3]、城市交通监测[27]、管道完整性评估[4]和 perimeter 安全[5]、[6]等领域的应用。

DAS生成的大量数据需要智能处理方法。机器学习（ML）已成为自动化振动分析的关键工具，能够完成信号去噪[7]、特征提取和事件分类等任务。早期的机器学习方法使用了时频域分析：Xu等人[8]结合了变分模态分解（VMD）和亲和传播聚类，实现了96%的准确率。相比之下，Chen等人[9]使用了一种树状网络（DD）优化器，达到了98.6%的分类准确率。在最近的研究中，我们的研究小组提出了一种分层聚类方法，该方法结合了自适应信号裁剪技术，显著减少了标记需求，同时保持了88.68%的准确率[10]。深度学习（DL）在这一领域取得了突破性进展，能够从原始数据中自动学习分层特征，从而无需手动特征工程。例如，Hu等人[11]将一维（1D）DAS信号转换为二维（2D）图像表示，使用基于HorNet的架构在六个振动类别中实现了94.25%的分类准确率。同时，Wang等人[12]开发了GASFConvNeXt-TF算法用于干扰识别。该算法利用Gramian角和场（GASF）变换将1D时间信号转换为特征增强的2D图像，展示了算法的快速处理能力和高识别精度，平均每个干扰的识别时间为0.103秒。此外，Wu等人[13]引入了一种3D注意力增强卷积神经网络（3D-ACNN），能够进行时空谱联合分析，通过协作多维特征利用将识别准确率提高到98.67%。这些方法的综合应用强调了DL在促进DAS系统端到端优化方面的变革能力。最近的研究表明，研究人员越来越多地采用维度增强策略（如表1所示），这些策略涉及将光纤通道中的时间信号投影到2D矩阵表示中，从而增强了特征的表现力，同时规避了传统1D信号处理的固有局限性。

本研究提出了双通道Squeeze-and-Excitation Mambaout（D-SE-Mambaout），这是一种专为Φ-OTDR系统中的振动识别设计的新型架构。该框架整合了三个创新组件，以解决振动特征提取和分类中的关键挑战。这些组件利用了基于2D图像的深度学习进展以及Φ-OTDR信号固有的时空间双重性。

首先，对递归图（RP）增强应用了多层次量化策略。该策略利用归一化距离矩阵来提高周期性信号表示的纹理分辨率和噪声鲁棒性。其次，开发了双通道Squeeze-and-Excitation网络（D-SENet），结合了并行弱/强增强路径和通道级注意力机制。这种配置有助于整合288维的高维特征，从而减少了单通道方法特有的信息损失。因此，这种配置提高了分类准确性（平均准确率为95.6%）和稳定性（波动性降低了31.2%）。第三，Mambaout架构通过双通道下采样结构实现了多尺度集成，提高了对复杂场景的适应性。这一点通过挖掘类别召回率提高了19.4%和接近实时的推理能力（644样本/秒）得到了证明。

在三个振动数据集上的实验验证表明，D-SE-Mambaout具有优异的噪声鲁棒性（验证损失标准差降低了18.0%）和任务适应性，在T-SNE可视化中特征聚类紧凑，人造和挖掘事件之间的区分边界清晰。尽管计算时间增加了54.3%，但所提出的方法在性能效率和特征校准效果之间建立了良好的平衡，从而推动了Φ-OTDR应用中的振动识别技术进步。第2节详细介绍了RP优化领域采用的方法。第3节进一步阐述了D-SENet和D-SE-Mambaout框架。第5节展示了三种Mambaout架构的实验结果。第6节比较了该方法与以往类似研究的结果。研究的最后一节第7节提供了结论。

方法片段

该方法系统

Φ-OTDR系统如图1所示。它基于偏振多样性外部差分相干（PD-EDC）方法。偏振多样性技术用于减弱偏振退化的影响。这种退化是由单模光纤中的双折射现象引起的。双折射可能导致携带振动信息的瑞利散射光与参考光的偏振状态不匹配[20]。

原理

输入图像下采样后得到的特征图中的不同通道对应于不同的对象。通道注意力模型明确捕捉了通道之间的相互依赖性，通过网络适应学习每个通道的重要性，并为每个通道分配不同的权重。这一过程增强了重要特征并抑制了不必要的特征。

如图5所示，挤压和激励代表了两个基本步骤

数据集的获取

在实验阶段，通过使用吹风机随机向传感器光纤吹气来模拟风噪声；通过敲击附近的光缆来模拟人为冲击事件；通过挖掘埋藏的光缆上方的土壤来模拟挖掘事件。最终的数据采集设备收集了包含500个不同的风噪声样本、540个人为敲击样本和580个

训练过程有效性分析

图8展示了Mambaout架构模型在一个周期内的时间、训练损失、验证损失、训练准确率变化以及总周期数=150时的变化。

图8(b)和(c)中的训练曲线阐明了三种模型在动态学习率调度机制下的阶段性学习特征。由于模型架构的差异

方法论和架构比较

为了说明这种增强RP的有效性，本研究采用了比较实验设计，利用了不同的处理方法，并共享了数据集。实验设计包括对三种不同处理方法的系统比较，包括处理时间、训练过程有效性和最终测试结果。RP、Gram角场（GAF）和马尔可夫转移场（MTF）[11]、[14]。此外，为了提供额外的证据

SE与D-SE的性能-复杂性权衡

虽然D-SE相比SE引入了额外的计算，但其优势在于减少了关键误分类，而不仅仅是整体准确率。表14显示了SE-MambaOut和D-SE-MambaOut在测试集上的成本-性能比较。在测试集上，D-SE的准确率从94.8%提高到95.6%，宏观F1分数从94.863%提高到95.627%，同时错误总数从14个减少到11个（相对减少了21%）。这种改进主要来自于挖掘

结论

本文提出了一种用于分类多种振动信号的新方法，该方法基于Mambaout创新设计。SENet架构经过优化并与Mambaout结合形成了SE-Mambaout。此外，还设计了D-SENet模块以支持双通道输入，从而实现了弱增强和强增强，最终形成了D-SE-Mambaout。实验结果是在NVIDIA RTX 4080环境下获得的，包含三种类型的1620个样本

CRediT作者贡献声明

刘念超：写作 – 审稿与编辑，撰写 – 原始草稿，可视化，验证，监督，软件，资源，项目管理，方法论，调查，形式分析，数据整理，概念化。胡梓霞：验证。赵一鸣：验证。刘宏伟：验证。王焕：验证。杨然：验证。梁胜：写作 – 审稿与编辑，资金获取，概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。