《Astronomy and Computing》：Detection of quasi-periodic pulsations in solar flares based on a ResNet-Transformer hybrid model
编辑推荐：
摘要太阳和恒星耀斑中的准周期脉动（QPPs）是反映磁场重联过程的关键现象。然而，由于其非平稳特性、低信噪比等特点，可靠检测面临巨大挑战。传统检测方法（如傅里叶变换和波动分析）依赖手动参数设置，难以实现高精度自动检测。本研究提出一种基于ResNet-Transformer混合模
摘要
太阳和恒星耀斑中的准周期脉动（QPPs）是反映磁场重联过程的关键现象。然而，由于其非平稳特性、低信噪比等特点，可靠检测面临巨大挑战。传统检测方法（如傅里叶变换和波动分析）依赖手动参数设置，难以实现高精度自动检测。本研究提出一种基于ResNet-Transformer混合模型的深度学习方法，实现太阳耀斑中准周期脉动的自动检测。该模型结合了残差网络（ResNet）的局部特征提取能力与Transformer结构在建模长程依赖方面的优势，并引入快速傅里叶变换以增强对周期性特征的识别。该模型在合成数据集上的检测准确率达到了90.1%，高于全卷积网络（FCN），展示了其作为太阳和恒星耀斑中QPPs自动检测有效工具的潜力。
引言
准周期脉动（QPPs）是指天体电磁辐射强度随时间呈现准周期变化的现象，广泛存在于恒星耀斑和伽马射线暴等瞬变事件中（Broomhall等，2019；Nakariakov和Melnikov，2009；Nishizuka等，2018）。现有研究表明，QPPs与磁场重联过程和磁流体力学（MHD）波密切相关（Anfinogentov等，2013；Nakariakov等，2016a）。因此，准确识别QPPs不仅对于理解耀斑能量释放和日冕加热等物理过程具有重要意义，还有助于筛选有效的观测样本并减少冗余数据处理，为后续的针对性分析（如物理机制建模、观测数据验证）奠定基础（Kupriyanova等，2010；Nakariakov等，2016b）。
然而，由于QPPs的非平稳特性和低信噪比，其可靠检测一直面临挑战（Van Doorsselaere等，2011；Balona等，2015；Zimovets等，2021）。目前，QPP检测主要依赖傅里叶变换、小波分析（Yang和Wang，2025）以及Hilbert-Huang变换（Huang和Wu，2008）等传统信号处理方法。尽管这些方法得到了广泛应用，但其性能很大程度上取决于人工干预和参数设置，难以满足大规模数据自动检测的需求。
近年来，机器学习凭借其处理复杂非线性关系的优势，逐渐被应用于QPP检测，为该领域带来了新的技术路径。Belov等人率先将全卷积网络（FCN）应用于QPP检测任务（Belov等，2024）。他们的模型在合成数据集上取得了合理的效果，从而验证了深度学习方法解决该问题的可行性。然而，FCN模型主要依赖局部卷积操作，限制了其识别弱振幅QPP特征的能力。
为解决这些挑战，本文提出一种基于ResNet、Transformer和FFT分支的混合模型。具体而言，QPP信号通常表现出随时间变化的瞬态、局部振荡；ResNet组件（He等，2016）旨在通过学习短时时间特征来捕获此类局部振荡模式。Transformer模块（Vaswani等，2017）被用于建模长程时间依赖关系，这对于连接可能被噪声或不规则间隔分隔的远距离振荡周期非常有用。同时，引入基于FFT的频域分支以显式增强周期性特征的检测，因为QPPs的特征是准周期行为，在时域中可能被掩盖。实验结果表明，所提出的模型在合成数据和真实观测数据上均取得了合理的检测性能。该模型的优势主要体现在两个方面：首先，它对噪声具有竞争性的鲁棒性，即使在低信噪比条件下也能保持相对稳定的检测精度。其次，它实现了端到端的完全自动检测流水线，减少了对传统小波或傅里叶方法所需人工参数调优的依赖，从而为太阳和恒星耀斑中准周期脉动的大规模自动筛查提供了可行的解决方案。
我们将太阳和恒星耀斑中准周期脉动（QPPs）的检测构建为二分类问题，其核心任务是确定给定的光变曲线中是否存在QPP信号。该模型在具有已知标签的合成数据上进行训练，并在合成数据集和真实观测数据集上进行评估。这一构建方式使我们能够利用有监督的深度学习技术，并使用标准分类指标定量评估检测性能。
章节摘要
合成数据
为确保实验的可复现性，本文严格遵循Belov等人（2024）所使用的合成数据集构建过程、参数分布和划分方法，生成物理真实的耀斑光变曲线。
数据集的构建遵循Broomhall等人（2019）提出的方法。合成信号的基本形式为：其中是由三种经验模型之一生成的耀斑轮廓。第一种是Gryciuk模型（Gryciuk等
数据预处理
在QPP检测中，传统预处理通常采用去趋势操作来抑制缓慢变化的耀斑背景，从而突出周期性信号（Dolla等，2012；Sim?es等，2015）。然而，此类方法在去除背景趋势的同时，也可能扭曲或削弱真实的振荡模式（Gruber等，2011；Inglis等，2015；Nakariakov等，2019）。为最大程度保留原始信号的频谱结构和物理信息，
总体架构概述
本文提出的ResNet-Transformer混合模型采用双分支并行架构。整体结构如图1所示。该模型由四个部分组成：残差网络（ResNet）模块、频域特征提取分支、Transformer模块以及联合分类决策层。
该架构设计结合了残差网络在局部特征捕获方面的优势以及傅里叶变换在频域特征分析方面的
总体性能分析
我们使用标准分类指标在合成测试集上评估了所提出的模型。混淆矩阵见表3。从这些计数中我们推导出准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1分数（F1-score）和ROC AUC。
该模型正确识别了3765个正样本（真阳性，TP）和4344个负样本（真阴性，TN）。在误分类中，有656个假阴性（FN），表明存在一定程度的QPP漏检，以及235个假阳性（FP），即
真实数据测试
为评估ResNet-Transformer模型在真实观测中的泛化能力和可靠性，我们在两个不同规模的真实数据集上进行了测试。模型训练完成后，所有实验均部署在我们自主研发的Streamlit在线检测系统中，实现了从数据上传、自动预处理、模型推理到结果可视化的集成流水线。
结论与展望
本研究通过提出一种集成ResNet和Transformer的混合深度模型，解决了太阳和恒星耀斑中准周期脉动自动检测的挑战。通过双分支并行架构同时处理时域和频域信息，该模型结合了局部特征提取（ResNet）、长程依赖建模（Transformer）和显式周期信息（FFT分支），实现了对QPP信号的自动识别。
CRediT作者贡献声明
胡万钧：撰写——原稿，可视化，验证，软件，项目管理，方法论。冯松：撰写——审阅与编辑，指导，调查，经费获取，形式化分析，数据整理，概念构思。梁博：撰写——审阅与编辑，指导，调查，形式化分析，数据整理，概念构思。戴伟：撰写——审阅与编辑，验证，指导，调查，经费获取，形式化分析，数据整理，
利益冲突声明
作者声明不存在可能影响本文所述工作的已知竞争性经济利益或个人关系。
胡万钧|冯松|梁博|戴伟
