《Scientific Data》：Comprehensive Dataset for Event Classification Using Distributed Acoustic Sensing (DAS) Systems
編輯推薦：
為解決 DAS 系統中事件準確分類難題，研究人員開展基于 Φ-OTDR 技術的 DAS 系統事件分類研究，構建含行走、車輛移動等事件的標注數據集，用 CNN 驗證其質量，為機器學習模型開發提供資源，推動 DAS 技術應用。
在基礎設施監測與安全防護領域，分布式聲波傳感（Distributed Acoustic Sensing, DAS）技術憑借光纖對長距離聲信號的高分辨率捕捉能力，在地震監測、結構健康監測等場景展現出巨大潛力。然而，該技術面臨高維噪聲數據處理與事件精準分類的瓶頸：傳統信號處理方法難以從復雜振動信號中提取有效特征，且公開高質量數據集匱乏，制約了機器學習模型的開發與驗證。在此背景下，布爾諾科技大學（Brno University of Technology）的研究團隊圍繞 DAS 系統的事件分類展開研究，相關成果發表于《Scientific Data》，為該領域提供了關鍵數據支撐與技術參考。
研究團隊采用基于相位敏感光時域反射（Φ-OTDR14）技術的 Optasense ODH-F DAS interrogator 系統，對埋設于校園地下 1 米的單模光纖鏈路進行監測。數據采集于 2023 年 4 月晴朗天氣下完成，避免了環境噪聲干擾，共記錄行走、跑步、車輛行駛等日�；顒�，以及圍欄攀爬、光纖篡改、井蓋啟閉等潛在安全威脅事件。
關鍵技術方法
- 數據采集與系統配置：利用 Φ-OTDR 技術，以 20 kHz 脈沖重復率、20 ns 激光脈沖寬度及 1 米空間采樣間隔采集信號，覆蓋 1663 個通道，實現對光纖沿線振動事件的高時空分辨率捕捉。
- 數據標注與特征處理：通過帶限信號功率（Pband）計算與人工標注，生成含事件位置信息的位圖文件（.npy 格式），結合快速傅里葉變換（FFT）過濾噪聲信號，確保標注數據的準確性。
- 模型驗證：采用卷積神經網絡（CNN）模型，通過 80:10:10 的訓練 - 驗證 - 測試數據劃分，驗證數據集質量，模型最終實現 91.4% 的分類準確率。
研究結果
1. 數據集構成與標注
數據集包含汽車（20957 例）、施工（29169 例）、圍欄活動（3601 例）等 9 類事件，以 HDF5 格式存儲原始信號，搭配 JSON 元數據與 NumPy 位圖文件。例如，汽車行駛的Pband呈現特定頻段能量集中特征，而施工活動則表現為寬頻能量分布，步行事件以間歇性能量脈沖為典型（圖 3）。
2. 技術驗證與模型性能
CNN 模型通過兩層卷積層（64/256 個濾波器）與兩層全連接層（1024/7 個神經元）架構，對經漢寧窗分幀（8192 樣本 / 窗，2048 樣本重疊）與過采樣 DFT 處理的頻域信號進行訓練。測試結果顯示，模型宏平均精度 85.7%、召回率 88.2%、F1 分數 86.8%，證明數據集具備良好的事件特征區分度。
3. 應用拓展與數據價值
除事件分類外，該數據集可用于深度學習特征提取研究�；谶w移學習理念，校園場景訓練的模型有望快速適配城市中心等其他環境，降低跨場景應用的再訓練成本。
研究結論與意義
本研究構建了首個公開的 DAS 系統事件分類綜合數據集，填補了領域數據缺口。通過 Φ-OTDR 技術與 CNN 模型的結合，驗證了數據驅動方法在復雜振動信號解析中的有效性，為地震預警、管道安全、公共區域安防等領域提供了可復用的研究工具。未來，該數據集可進一步推動無監督學習、實時監測算法的開發，助力 DAS 技術從實驗室走向更廣泛的實際應用場景，提升關鍵基礎設施的智能化監測水平。
