【儀表網 研發快訊】近日，南方科技大學電子與電氣工程系研究員邵理陽團隊以“Separation and Identification of Mixed Signal for Distributed Acoustic Sensor using Deep Learning”為題，在 OPTO-ELECTRONIC ADVANCES 期刊上發布研究成果。該團隊提出了一種基于雙路徑循環神經網絡(DPRNN)的單通道多源信號分離方案，不僅攻克了非線性混合信號的分離難題，更創新評估體系實現信號分離與識別一體化，平均可識別率高達98.33%。該成果為 DAS 技術在復雜場景的規模化應用掃清了關鍵障礙。
 

　　在中國遠古神話中，諦聽神獸可以通過聽來辨認世間萬物。而如今，埋藏于地下的光纖網絡，如諦聽一般實時感知著每一處細微振動，能預言潛藏的災情與風險。分布式聲學傳感(DAS)技術通過光纖在周界安防、管網監測、結構健康診斷等場景中，默默守護著公共安全。然而，地下機房、道路隧道、校園管網等復雜環境中，機械轟鳴、人行動靜、環境雜音交織混疊，讓感知系統能聞其聲卻難辨其源。本研究借助雙路徑循環神經網絡(DPRNN)，在混沌聲響中分離出來自不同振源的清晰信號，讓光纖傳感真正實現從感知到認知的跨越。
 

　　研究人員提出了基于編碼器-分離器-解碼器的深度學習框架，在潛在空間中構建了信號分離的流形幾何結構。分離器模塊通過雙向 LSTM 對特征序列進行流形學習，拓展了混疊信號的特征邊界，使原本線性不可分的混合分量在隱空間形成可分離的幾何分布。結構優勢體現為：編碼器的分段(Segmentation)操作將長序列轉換為局部特征塊，為后續的流形嵌入提供基礎；分離器中雙向 LSTM 的時序梯度傳播，本質上是在流形空間中進行特征軌跡優化；而解碼器的重疊相加算法則保證了流形空間特征向時域信號的高保真映射。
 

　　實驗過程中，PZT被固定在測量的光纖上，同時使用錘子敲擊木板。實驗共收集了30個混合信號，每個信號持續時間為4秒。隨后，使用上述訓練的分離模型對混合數據進行處理。
 

　　為了定量驗證分離效果，本研究將30組混合信號輸入DPRNN 模型和 Conv-TasNet 模型中，計算了時頻域(TFE)輸出。結果表明雖然信號的非線性混合效應較弱且振動通過均勻介質木板傳播，但 DPRNN 模型在時頻熵指標上仍展現出穩定優勢。對于PZTv信號，兩種方法分離結果的TFE值均落在參考區間(4.34-5.24)內，但 DPRNN 的結果與原始參考區間重疊度更高，其第一四分位數、第三四分位數及中位數均更接近參考區間的統計值。對于錘擊信號，DPRNN 結果的 TFE 區間完全落在參考范圍(2.99-4.13)內，其統計量與參考區間的平均差異僅為0.08，而 Conv-TasNet 的結果出現明顯偏離，平均差異達到0.11。
 

　　為進一步驗證該方法在實際環境中的應用能力，研究人員進行了雙源與三源信號分離實驗。以三元信號分離為例，在服務器機房環境中，大型服務器與空調機組噪聲、錘擊及PZT干擾同時作用于傳感光纖，此時DAS系統收集的傳感信號是三源混合信號。
 

　　研究人員采集了120個樣本，每個樣本為4秒，并使用訓練好的三源分離模型進行處理。圖5展示了DPRNN 網絡分離的結果。從時域和時頻域來看，DPRNN網絡對三源混合信號的分離效果顯著，時域和時頻域分析顯示三個分離信號與預期信號特征高度吻合；針對傳統TFE指標存在重疊(達40%)的局限，采用分離信號可識別率(RRSS)評估方法，將360個分離信號輸入SVM分類器，最終獲得98%的識別準確率，有效驗證了該模型在實際復雜場景中的分離性能。
 

　　目前，研究人員已經在實驗室和真實的工程環境中完成了三組實驗，驗證了 DPRNN 網絡對 DAS 的雙源和三源混合信號的分離性能。
 

　　本研究聚焦分布式聲學傳感(DAS)系統的多源混合干擾難題，核心貢獻在于提出“雙路徑循環神經網絡(DPRNN)+ 支持向量機(SVM)”的融合方案。一方面，將 DPRNN 應用于不同環境下 DAS 的非線性混合干擾信號分離；另一方面，引入SVM 直接評估分離效果，解決了時頻域(TFE)信號重疊時單個信號難評估的問題。雙源混合場景下，其分離信號可識別率(RRSS)均值提升 36%、準確率達 97.22%；三源混合場景下，RRSS 均值提升14%、準確率達 98.33%。該融合方案為解決實際應用中 DAS 多源混合干擾問題提供新路徑，有望突破當前 DAS 技術推廣的局限。
 

　　南方科技大學碩士研究生谷華鑫為論文第一作者，邵理陽為唯一通訊作者，南方科技大學為論文第一單位。本研究得到國家自然科學基金、深圳市科創委、鵬城實驗室“智能傳感”重大專項資助支持。