DAStatFormer：結合統計特徵的混合多分支 Transformer 用於 DAS 模式識別

研究論文提出 DAStatFormer，這是一種專為分散式聲學感測（DAS）模式識別設計的混合多分支 Transformer 模型。論文指出，DAS 技術雖能透過光纖進行大規模監測，但其高維度和複雜的時空模式使得事件分類極具挑戰性。現有的深度學習方法，如卷積神經網路（CNN）和循環模型，往往無法捕捉長距離依賴性，或處理原始 DAS 矩陣時成本過高。DAStatFormer 透過結合多領域統計特徵與門控 Transformer 網絡來解決這些問題。具體而言，模型從時間、波形和頻譜領域提取經 ANOVA 選擇的 24 個屬性，大幅減少數據大小同時保留判別信息。每個領域透過專門的步進和通道注意力分支處理，並由自適應門控機制融合。實驗在公開的 Φ-OTDR 基準和真實場景 DAS 數據集上進行，結果顯示 DAStatFormer 達到高達 99.4% 的準確率，並在真實世界性能上近乎完美，同時使用的參數和推理成本顯著低於 DASFormer 和 DeepViT 等模型。這些結果證明其適用於可擴展、即時的 DAS 監測。研究團隊已將代碼發布在 GitHub 上。