综述：脉冲形状识别算法：综述与基准测试

《Radiation Measurements》：Pulse Shape Discrimination Algorithms: Survey and Benchmark

脉冲形状鉴别算法综述与基准测试，系统比较近六十种统计与先验知识方法，揭示深度学习模型（如MLP及混合架构）在标准化数据集上显著优于传统方法，并开源工具箱及数据集促进可复现研究。

　　

刘浩然|詹一涵|刘明哲|刘艳华|李鹏|左卓|刘炳祺|刘润熙

成都理工大学核技术与自动化工程学院，中国成都 610059

摘要

本文对用于辐射检测的脉冲形状识别（PSD）算法进行了全面调查和评估，将近六十种方法分为统计（时域、频域、基于神经网络）和先验知识（机器学习、深度学习）两大类。我们在两个标准化数据集上实现了所有算法的测试：一个来自²⁴¹Am-⁹Be源的未标记数据集，另一个来自²³⁸Pu-⁹Be源的带有飞行时间标记的数据集，并使用了包括性能指标（FOM）、F1分数、ROC-AUC以及方法间相关性在内的评估标准。分析结果表明，深度学习模型，尤其是多层感知器（MLP）以及结合统计特征与神经回归的混合方法，通常优于传统方法。我们讨论了不同模型的适用性、FOM的局限性、替代评估指标以及在不同能量阈值下的性能表现。作为这项工作的补充，我们发布了一个开源工具箱（支持Python和MATLAB），以及相关数据集，以促进研究的可重复性。

章节摘录

引言

脉冲形状识别（PSD）是辐射检测中的关键技术[1]，能够识别混合辐射场中的不同类型入射粒子。在需要从宇宙射线、地球辐射或人工辐射等持续存在的背景中分离出目标信号的应用中，PSD的实用性尤为明显[2],[3],[4],[5],[6],[7],[8]。该技术的有效性基于这样一个原理：不同类型的粒子在与探测器相互作用时会产生具有独特特征的脉冲。

时域PSD算法

时域PSD方法专注于直接分析数字化器捕获的闪烁脉冲的时间特性。这些方法通过检查脉冲的形状、时间分布和幅度随时间的变化来提取特征。其基本原理是，不同类型的入射粒子（例如中子和伽马射线）产生的脉冲在衰减时间上具有不同的特征，如图1所示。

频域PSD算法

频域PSD方法将时域脉冲信号转换为频域，以分析其频谱特性。这些方法基于这样一个原理：不同类型粒子（例如中子和伽马射线）产生的脉冲在频谱上具有可区分的特征。

神经网络PSD算法

基于神经网络的PSD方法利用了人工神经网络的强大特征提取和模式识别能力。这些方法，特别是那些受生物神经系统（如脉冲神经网络）启发的方法，可以直接从原始或经过最小处理的脉冲波形中分析时间模式并提取识别特征，而无需预先训练。

深度学习PSD算法

深度学习（DL）方法代表了PSD领域的一个范式转变，从统计特征分析转向数据驱动的特征学习。这些方法采用各种架构的神经网络来学习脉冲数据的层次化表示，从而能够捕捉到传统统计技术可能忽略的复杂细微模式。通过在大量标记脉冲数据集上进行训练，这些模型可以从原始脉冲波形直接学习到端到端的映射关系。

机器学习PSD算法

机器学习（ML）方法为PSD提供了另一种框架，通常作为传统统计技术和DL模型之间的桥梁。这些方法的第一阶段通常涉及手动或半自动的特征提取过程，旨在将高维的原始脉冲波形转换为紧凑且信息丰富的低维特征空间。不同模型之间特征提取技术的选择差异很大，反映了多种策略的运用。

数据集和实验设置

本研究使用了两个不同的数据集进行PSD分析。第一个数据集来自一个密封的²⁴¹Am⁹Be源，标称活度为400 mCi（相当于1.48 × 10¹⁰ Bq），该源的中子产率为0.6 × 10^-4 中子·s^-1·Bq^-1，总中子发射率为8.88 × 10⁵ 中子·s^-1。用于此次测量的EJ299-33塑料闪烁体呈直径1英寸、长度1英寸的圆柱形。

讨论

将机器学习和深度学习应用于PSD揭示了一个复杂且常常违反直觉的性能格局，其中简单模型往往优于最先进的架构。本文通过分析模型设计、数据特征和评估方法之间的关键相互作用，深入探讨了这一现象的原因。

结论

在这项工作中，我们进行了迄今为止最全面的脉冲形状识别（PSD）算法比较研究。通过在两个统一实验数据集上实现并评估了近六十种不同的方法，我们的研究清晰而全面地展示了当前领域的现状。结果明确表明，深度学习方法，尤其是多层感知器（MLP），具有卓越的性能。

作者贡献声明

刘艳华：软件开发、资源管理、正式分析。李鹏：数据可视化、正式分析、数据整理。左卓：方法论设计、资金获取。刘炳祺：项目监督、项目管理。刘浩然：初稿撰写、数据可视化、软件开发、项目管理、方法论设计、概念构思。詹一涵：数据可视化、软件开发、方法论设计、调查分析。刘明哲：项目监督、资金获取、概念构思。刘润熙：修订稿撰写及

利益冲突

作者声明没有利益冲突。

数据获取

本研究生成和分析的数据集可在Zenodo仓库中获取，访问地址为：https://doi.org/10.5281/zenodo.16728732。该仓库包含所有数据、预计算结果以及重现我们调查论文中图表和基准测试所需的所有参数文件。

代码获取

本研究分析中使用的源代码已存放在公共GitHub仓库中，地址为：https://github.com/HaoranLiu507/PulseShapeDiscrimination。这个开源工具箱包含了所有调查算法的MATLAB和Python实现。

利益冲突声明

作者声明没有已知的财务利益冲突或可能影响本文工作的个人关系。

致谢

作者感谢隆德大学核物理系的Nicholai Mauritzson和Kevin G Fissum在飞行时间测量方法方面提供的宝贵帮助。