用于分布式声学传感中声学事件分类的频谱-空间动态图神经网络S2-DyGNN

《Sensors》：S2-DyGNN: A Spectro-Spatial Dynamic Graph Neural Network for Acoustic Event Classification in Distributed Acoustic Sensing

　　

分布式声学传感（Distributed Acoustic Sensing，DAS）系统能够沿光纤电缆捕获复杂的、非线性的波传播过程。受限于静态物理拓扑或孤立空间网格的传统事件分类架构，难以有效适应与此类事件相关的动态特征关系，尤其是在对跨传感器阵列的复杂时空相互作用进行建模时。为解决这些结构性限制，研究人员提出了频谱-空间动态^图神经网络S2-DyGNN（Spectro-Spatial Dynamic Graph Neural Network，S2-DyGNN），其架构将二维频率–时间卷积前端与双矩阵^图神经网络（Graph Neural Network，GNN）相耦合。首先，卷积模块提取频谱-时间特征，显式捕获不受传感器间干扰影响的局部声学动态。随后，^图模块构建双矩阵拓扑，将静态物理距离先验与数据驱动的邻接矩阵进行融合；后者根据输入信号逐帧重计算空间连接关系。在高度类别偏斜的九分类DAS现场数据集上评估时，S2-DyGNN优于其他传统模型，取得了86.6%的宏平均F1-score峰值和94.0%的总体准确率。双矩阵^图拓扑防止了占主导地位的背景特征淹没稀疏瞬态事件，使少数类“openclose”的F1-score提升至55.7%，而静态^图拓扑的上限为48.0%。这些结果表明，将局部频谱-时间表征与具有物理锚定的空间拓扑进行显式耦合，能够稳定优于将这些域彼此孤立处理的模型，并为真实世界连续监测系统提供一种具有高鲁棒性和可扩展性的解决方案。

该论文发表于《Sensors》，研究聚焦于分布式声学传感（Distributed Acoustic Sensing，DAS）场景下的声学事件分类问题。DAS基于相敏光时域反射计（phase-sensitive optical time-domain reflectometry，Φ-OTDR）实现沿光纤的大规模连续振动感知，能够在管道、道路、海底通信电缆等场景中形成高密度虚拟传感阵列。然而，这类系统产生的数据具有规模大、连续性强、噪声复杂、信噪比低以及事件空间足迹变化剧烈等特点，使得鲁棒、自动化的模式识别成为关键需求。现有方法主要存在三方面不足：其一，依赖人工特征工程与固定滤波规则的传统机器学习方法对环境变化敏感，泛化能力有限；其二，卷积神经网络（CNN）通常将传感器阵列视为固定网格，难以适应不同事件在空间传播尺度上的动态变化；其三，静态^图拓扑或仅基于物理距离构建的^图卷积网络，无法充分表达现场振动事件中快速变化的跨节点关系。因此，开展一种同时兼顾局部频谱-时间表征与动态空间依赖建模的新架构研究，具有明确的理论与应用价值。

针对上述问题，研究人员提出了S2-DyGNN架构。该方法以短时傅里叶变换（short-time Fourier transform，STFT）将原始一维声学时序转换为二维时频谱图，先通过二维频率–时间卷积前端提取每个传感节点内部的局部频谱-时间特征，再以双矩阵动态^图神经网络建模传感器之间随时间变化的空间关联。该双矩阵机制将静态物理距离矩阵作为空间先验，并引入基于注意力机制的数据驱动动态邻接矩阵，逐帧更新节点连接，最终在兼顾物理约束与适应性建模的前提下实现事件分类。实验表明，该方法在九类现场DAS数据集上达到94.0%的总体准确率和86.6%的宏平均F1-score，并在少数类“openclose”识别上显著优于静态拓扑模型。论文据此得出结论：只有将局部频谱-时间特征提取与具有物理约束的动态空间聚合显式耦合，才能更有效地识别连续DAS流中的稀疏瞬态事件，且该方法具有良好的实时性、鲁棒性和跨数据集泛化能力。

从研究意义看，该工作一方面为DAS事件分类提供了兼顾物理机制与深度学习表达能力的结构化框架，证明了动态^图建模在不规则声波传播场景中的必要性；另一方面，其较低实时因子（real-time factor，RTF）显示出较好的边缘部署潜力，可服务于管道泄漏监测、铁路监测与周界安防等场景。论文还通过次级公开Φ-OTDR数据集验证了模型在不同硬件配置与环境条件下的稳健性，进一步增强了方法的应用可信度。

研究人员为完成该研究主要采用了以下关键技术方法：首先，基于Φ-OTDR系统采集校园道路旁地下1 m埋设ITU-T G.652.D单模光纤数据，形成包含9类事件、1663个感测点的现场DAS数据集，并按连续记录会话层面进行人工标注；其次，对连续一维声学信号以8192采样点窗口、2048采样点步长分段，再用STFT（窗长1024，hop length为256）生成时频谱；再次，设计非对称二维频率–时间CNN，仅沿频率轴下采样而保留时间轴分辨率；随后，采用双头自注意力（self-attention）生成逐帧动态邻接矩阵，并与静态物理距离矩阵以参数α加权融合；最后，通过两层^图卷积网络（graph convolutional network，GCN）完成空间特征聚合，并与CNN、CNN-LSTM、GCN、GAT等模型进行对比，同时开展拓扑、卷积前端、邻域规模、注意力头数和α参数敏感性消融分析。

下面结合论文结果部分各小节进行解读。

7.1. Performance Comparison with Other Models
该部分比较了S2-DyGNN与CNN、CNN-LSTM、GAT和GCN在九分类DAS数据集上的性能。研究结果显示，基线CNN总体准确率为84.3%，宏平均F1-score为64.1%，说明仅对单节点频率序列进行独立建模，无法刻画沿光纤传播的跨节点依赖。CNN-LSTM将准确率提升至86.0%、宏平均F1-score提升至71.4%，表明时间递归建模有助于捕获节点内部动态，但仍缺乏空间交互建模。纯^图模型GAT和GCN虽进一步提升宏平均F1-score，其中GCN达到75.5%，但整体仍落后于S2-DyGNN。最终，S2-DyGNN实现94.0%准确率和86.6%宏平均F1-score，且“openclose”类F1-score达到55.7%，证明频谱-时间分析与跨通道空间聚合的联合建模最适合该任务。

7.2. Impact of Graph Topology Type
该部分通过消融实验分析^图拓扑形式的作用。静态GNN-CNN以固定距离矩阵定义边权，取得89.9%准确率和78.3%宏平均F1-score，但“openclose”类F1-score仅为48.0%，说明统一的固定空间规则难以响应短时突发局部变化。纯动态GNN-CNN使用数据驱动注意力逐帧更新边权，准确率升至90.6%，宏平均F1-score升至85.5%，“openclose”类F1-score增至52.3%，表明动态建图增强了对瞬态事件的关注。然而，该结构未引入物理边界约束，可能过拟合远距离噪声通道。双矩阵S2-DyGNN通过融合动态邻接与静态物理先验，取得94.0%准确率、86.6%宏平均F1-score及55.7%的“openclose”类F1-score，证明物理正则化能够有效抑制虚假空间连接并减少背景噪声漂移。

7.3. Impact of Convolutional Front-End Architectures
该部分考察卷积前端对节点局部表示质量的影响。1D FT CNN只能沿单一维度提取特征，无法联合建模频谱与时间变化，因而总体准确率为88.6%，宏平均F1-score为68.4%，“openclose”类F1-score仅35.8%。2D node-time（NT）CNN将频率映射为独立通道，破坏了相邻频带之间的拓扑连续性，性能显著恶化，宏平均F1-score仅46.0%，“openclose”类F1-score几乎降至0.05%。相比之下，研究人员提出的2D FT CNN保持完整时频谱网格结构，能够同时捕获音高与持续时间变化，在后续^图聚合前保留更丰富的局部瞬态特征，因此取得最佳表现。该结果直接表明，保持二维时频几何完整性是DAS声学特征编码的关键。

7.4. Sensitivity to the Number of Adjacent Sensor Channels
该部分分析空间上下文窗口大小对分类性能、浮点运算量（floating-point operations，FLOPs）和RTF的影响。随着相邻传感器数量从9增加到17，模型能够更完整地覆盖事件的物理传播足迹，宏平均F1-score逐步提升，并在17通道配置下达到86.6%的峰值。继续扩展至21通道后，性能轻微下降至85.0%，说明过大的空间窗口会引入空间过平滑（oversmoothing），将不相关环境噪声纳入聚合，削弱事件起始节点的局部可分性。因此，17通道被确定为准确率与计算复杂度之间的最优折中，同时所有设置均满足RTF低于0.005的实时要求。

7.5. Impact of Number of Attention Heads
该部分评估多头注意力生成动态邻接矩阵时的头数影响。单头注意力的宏平均F1-score为82.2%，双头配置提升至86.6%，并对应94.0%的准确率，说明两个独立注意力头能够并行捕获不同的物理声学关系，例如主事件源与传播模式。将头数增加到4后，准确率与宏平均F1-score均略有下降，显示过大的表示容量可能导致模型记忆局部噪声模式，并增加计算负担。热图可视化进一步表明，双头注意力在连续时间帧中形成不同的稀疏拓扑，能够聚焦于事件中心节点并抑制无信息通道。

7.6. Impact of Parameter α in Combination with the Dynamic and Static Graphs
该部分对双矩阵融合参数α进行了敏感性分析。α控制动态邻接矩阵与静态物理距离矩阵的混合比例。当α = 0.15时，模型获得最佳性能，即94.0%准确率和86.6%宏平均F1-score。若α过低，如0.1，则静态物理约束不足，动态注意力更易受远距离背景噪声干扰，宏平均F1-score降至84.8%。若α过高，如0.3，则模型过于依赖固定物理距离，削弱了对局部瞬态空间模式的自适应能力，宏平均F1-score下降至85.4%。因此，适度的物理先验注入是平衡灵活性与稳定性的关键。

7.7. Qualitative Analysis of Feature Representations
该部分采用t分布随机邻域嵌入（t-distributed stochastic neighbor embedding，t-SNE）对最终分类层前的高维节点嵌入进行二维投影。结果显示，S2-DyGNN学习到的表示能够将九类声学事件组织为可分离的语义簇，说明模型提取的时空特征具有较强判别性。短时事件如“running”“openclose”“manipulation”形成紧凑聚类，而“car”和“regular”等连续性较强事件在潜空间中分布更分散，这与其物理持续性、内部变异性和时长变化相一致。

7.8. Performance Comparison of the S2-DyGNN and Comparative Models on a Different DAS Dataset
该部分在另一公开Φ-OTDR数据集上验证模型的泛化能力。该数据集包含6类声学事件，共15,612个样本，每个样本固定包含12个空间通道。研究人员沿用相同STFT流程，并在8:2划分的训练/测试协议下比较各模型。结果显示，S2-DyGNN在新数据集上仍取得最高97.4%准确率和97.3%宏平均F1-score，优于CNN、LSTM-CNN、GAT和GCN。该结果表明，即便未采用主数据集上优化得到的17通道配置，而是受限于12通道固定结构，所提出架构仍能保持稳定优势，证明其对不同空间尺度与采集条件具有较强适应性。

7.9. Discussion
讨论部分系统总结了模型结构设计的必要性。研究人员指出，2D FT CNN前端能够在空间聚合前保持局部声学特征完整性，避免将真实瞬态事件与低频基线漂移混淆；相较之下，不显式构建二维频谱映射的结构在少数类识别上明显退化。关于^图拓扑，固定边结构缺乏空间弹性，纯动态^图则因缺少先验而稳定性不足；双矩阵融合在物理波衰减原则约束下实现了更稳健的动态空间聚合。注意力机制分析显示，双头设置在表达能力和效率之间取得最佳平衡，而过多头数会引入噪声敏感性。空间上下文分析则揭示了性能与计算负荷之间的折中关系：适度扩展邻域有助于覆盖传播足迹，但过度扩展会产生空间过平滑。基于这些结果，论文认为S2-DyGNN既具备较高分类精度，又满足20 kHz数据流的低时延处理需求，适合边缘计算部署。

研究结论部分可译为如下内容：
尽管DAS能够有效捕获沿光纤电缆传播的高度非线性且复杂的声波过程，但在连续数据流中检测局部瞬态事件仍是一项关键挑战。原始声学信号经历快速空间衰减和随机相位衰落，而传统静态网络无法根据这些瞬时特征变化调整其拓扑。为解决这些瓶颈，本研究开发了S2-DyGNN架构，将二维FT CNN与双矩阵^图网络进行显式集成。卷积前端作为主要特征提取器，从每个独立通道中提取深层频谱-时间特征，并在空间聚合前保留信号未被破坏的几何结构。后续^图模块将数据驱动的边生成方式与静态物理距离先验相融合。这种动态空间聚合能够有效建模与沿光纤传播的复杂波动相关的变化特征相似性，同时抑制来自周围光纤噪声的无关特征变化。与传统空间和时间模型相比，该模型在处理物理声学数据时表现出明显优势：总体准确率最高达到94.0%，宏平均F1-score达到86.6%，较基础CNN基线绝对提升22.5%。结构对比分析验证了所提2D FT CNN前端的重要作用：与单轴1D FT CNN相比，该专用频谱-时间特征提取器将总体宏平均F1-score提升了18.2%，证实其能够在空间聚合前保持声学信号完整的二维几何结构。此外，在^图拓扑实验中，双矩阵结构在高度稀疏的“openclose”异常上表现最为稳健，F1-score达到55.7%，较刚性静态^图拓扑提高7.7%。这些定量结果共同证明，该网络能够正确惩罚虚假空间连接并防止空间过平滑。此外，即使不采用优化得到的17相邻通道配置，例如使用12相邻通道时，S2-DyGNN仍持续保持对比模型之上的性能优势，体现出其对不同空间尺度的鲁棒性。除分类精度外，该架构还显示出较高的计算效率：当空间上下文窗口限制在17个相邻通道或更少时，RTF不超过0.005，可确保在20 kHz高频数据流上实现无延迟执行。凭借这一轻量化特征，该模型适用于真实世界边缘计算系统，尤其可无缝集成于核电厂环境中的管道泄漏现场预警系统、实时铁路追踪以及关键设施周界安全监测。未来研究将进一步把该双矩阵框架扩展到极端多源干扰环境下重叠声学特征的解耦任务。