DAS-MAE：面向分布式光纤声学探测的自监督预训练框架
信号处理
2025-12-15 v1
摘要
分布式光纤声学探测 (DAS) 已成为一种具有高空间分辨率和长测量范围，同时保持成本效益的分布式振动测量方法。然而，二维时空 DAS 信号呈现分析挑战。抽象的信号形态缺乏直观的物理对应，使其难以人类解读；其独特的时空耦合导致常规图像处理方法不适用。本研究考察了时空特征，提出一种通过掩码-重建任务学习信号表示的自监督预训练框架，称为 DAS 掩码自编码器 (DAS-MAE)。DAS-MAE 在不使用标签的情况下学习高级表示（例如事件类别），在零样本分类任务中实现最高达 1% 错误率，相较于半监督基线提升 64.5%。在实际的外部损伤预防应用中，DAS-MAE 实现 5.0% 的识别错误率，相较于从零开始的监督训练提升 75.7%。这些结果表明，DAS-MAE 框架学习到的高性能和通用表示具有潜力，作为分析大规模无标记 DAS 信号的基础模型。
引用
@article{arxiv.2506.04552,
title = {DAS-MAE: A self-supervised pre-training framework for universal and high-performance representation learning of distributed fiber-optic acoustic sensing},
author = {Junyi Duan and Jiageng Chen and Zuyuan He},
journal= {arXiv preprint arXiv:2506.04552},
year = {2025}
}