近日，南方科技大学电子与电气工程系研究员邵理阳团队以“Separation and Identification of Mixed Signal for Distributed Acoustic Sensor using Deep Learning”为题，在 OPTO-ELECTRONIC ADVANCES 期刊上发布研究成果。该团队提出了一种基于双路径循环神经网络（DPRNN）的单通道多源信号分离方案，不仅攻克了非线性混合信号的分离难题，更创新评估体系实现信号分离与识别一体化，平均可识别率高达98.33%。该成果为 DAS 技术在复杂场景的规模化应用扫清了关键障碍。

在中国远古神话中，谛听神兽可以通过听来辨认世间万物。而如今，埋藏于地下的光纤网络，如谛听一般实时感知着每一处细微振动，能预言潜藏的灾情与风险。分布式声学传感（DAS）技术通过光纤在周界安防、管网监测、结构健康诊断等场景中，默默守护着公共安全。然而，地下机房、道路隧道、校园管网等复杂环境中，机械轰鸣、人行动静、环境杂音交织混叠，让感知系统能闻其声却难辨其源。本研究借助双路径循环神经网络（DPRNN），在混沌声响中分离出来自不同振源的清晰信号，让光纤传感真正实现从感知到认知的跨越。

研究人员提出了基于编码器-分离器-解码器的深度学习框架，在潜在空间中构建了信号分离的流形几何结构。如图1所示，分离器模块通过双向 LSTM 对特征序列进行流形学习，拓展了混叠信号的特征边界，使原本线性不可分的混合分量在隐空间形成可分离的几何分布。结构优势体现为：编码器的分段（Segmentation）操作将长序列转换为局部特征块，为后续的流形嵌入提供基础；分离器中双向 LSTM 的时序梯度传播，本质上是在流形空间中进行特征轨迹优化；而解码器的重叠相加算法则保证了流形空间特征向时域信号的高保真映射。

图1 DPRNN与一维卷积模块的处理流程示意图

实验过程中，PZT被固定在测量的光纤上，同时使用锤子敲击木板。实验共收集了30个混合信号，每个信号持续时间为4秒。随后，使用上述训练的分离模型对混合数据进行处理。图2展示了DPRNN 模型的分离结果。图2（a1）（b1）为混合信号，图2（a2）（b2）中的信号在时域和时频域都非常接近单一的PZTv信号，而图2（a3）（b3）则类似于HS信号。

图2 实验室中双源分离实验系统与结果。(a) 时域信号，(b) 时频域信号。（a1）（b1）双源混合信号，（a2）（b2）分离信号（PZTv），（a3）（b3）分离信号（HS）

如图3所示，为了定量验证分离效果，本研究将30组混合信号输入DPRNN 模型和 Conv-TasNet 模型中，计算了时频域（TFE）输出。结果表明虽然信号的非线性混合效应较弱且振动通过均匀介质木板传播，但 DPRNN 模型在时频熵指标上仍展现出稳定优势。对于PZTv信号，两种方法分离结果的TFE值均落在参考区间（4.34-5.24）内，但 DPRNN 的结果与原始参考区间重叠度更高，其第一四分位数、第三四分位数及中位数均更接近参考区间的统计值。对于锤击信号，DPRNN 结果的 TFE 区间完全落在参考范围（2.99-4.13）内，其统计量与参考区间的平均差异仅为0.08，而 Conv-TasNet 的结果出现明显偏离，平均差异达到0.11。

图3 实验室中使用 TFE 的分离效果评估（“Conv”表示 Conv-TasNet）

为进一步验证该方法在实际环境中的应用能力，研究人员进行了双源与三源信号分离实验。以三元信号分离为例，在服务器机房环境中，大型服务器与空调机组噪声、锤击及PZT干扰同时作用于传感光纤，此时DAS系统收集的传感信号是三源混合信号。实验场景如图4所示。

图4 校园地下机房三源混频实验示意图

研究人员采集了120个样本，每个样本为4秒，并使用训练好的三源分离模型进行处理。图5展示了DPRNN 网络分离的结果。从时域和时频域来看，DPRNN网络对三源混合信号的分离效果显著，时域和时频域分析显示三个分离信号与预期信号特征高度吻合；针对传统TFE指标存在重叠（达40%）的局限，采用分离信号可识别率（RRSS）评估方法，将360个分离信号输入SVM分类器，最终获得98%的识别准确率，有效验证了该模型在实际复杂场景中的分离性能。

图5 服务器机房中三源混合信号的实验结果。(a) 时域信号，(b) 时频域信号。（a1）（b1）三源混合信号，（a2）（b2）分离信号（HS），（a3）（b3）分离信号（PZTv），（a4）（b4）分离信号（SRBN）

如图6（a）所示，三个分离信号具有明显的分布趋势，这验证了该方法在两个特征维度上的有效性。 如图6（b）所示， DPRNN 网络在 DAS 混合信号分离方面优于 Conv-TasNet 网络。

目前，研究人员已经在实验室和真实的工程环境中完成了三组实验，验证了 DPRNN 网络对 DAS 的双源和三源混合信号的分离性能。

图6（a）基于功率谱标准差与偏度的三源分离结果分布和（b）两种方法在 RRSS 方面的比较

本研究聚焦分布式声学传感（DAS）系统的多源混合干扰难题，核心贡献在于提出“双路径循环神经网络（DPRNN）+ 支持向量机（SVM）”的融合方案。一方面，将 DPRNN 应用于不同环境下 DAS 的非线性混合干扰信号分离；另一方面，引入SVM 直接评估分离效果，解决了时频域（TFE）信号重叠时单个信号难评估的问题。双源混合场景下，其分离信号可识别率（RRSS）均值提升 36%、准确率达 97.22%；三源混合场景下，RRSS 均值提升14%、准确率达 98.33%。该融合方案为解决实际应用中 DAS 多源混合干扰问题提供新路径，有望突破当前 DAS 技术推广的局限。

南方科技大学硕士研究生谷华鑫为论文第一作者，邵理阳为唯一通讯作者，南方科技大学为论文第一单位。本研究得到国家自然科学基金、深圳市科创委、鹏城实验室“智能传感”重大专项资助支持。

论文链接：https://doi.org/10.29026/oea.2025.240270

部分图源: Opto-Electronic Advances (2025) https://doi.org/10.29026/oea.2025.240270

供稿：电子与电气工程系

通讯员：李薇

主图：丘妍

编辑：曾昱雯