基于DAS信號和CNN分類算法的人員運(yùn)動(dòng)軌跡監(jiān)測方法

董旭日，馮 晅，劉 財(cái)，田 有，李 靜，王天琪，王 鑫，衣文索

1．吉林大學(xué)地球探測科學(xué)與技術(shù)學(xué)院，長春 130026 2．長春理工大學(xué)光電工程學(xué)院，長春 130022

0 引言

人員運(yùn)動(dòng)軌跡監(jiān)測目前主要通過相機(jī)、運(yùn)動(dòng)傳感器、熱成像和雷達(dá)技術(shù)等實(shí)現(xiàn)[1]。其中：相機(jī)可以捕捉到廣泛的信息并且清晰度很高，但在光線不好或黑暗環(huán)境中無法監(jiān)測，甚至在某些情況下被禁止使用；運(yùn)動(dòng)傳感器需要將傳感設(shè)備佩戴在人員身上，不具有普適性；紅外熱成像技術(shù)可以在黑暗環(huán)境中使用，但是各種熱源的干擾無法消除，且穿透性差、覆蓋范圍小[2]；雷達(dá)技術(shù)雖然可以穿越障礙物進(jìn)行探測，但容易被干擾，尤其是在存在大量電磁干擾的城市環(huán)境中[3-4]。

Juarez等[5]基于相敏光學(xué)時(shí)域反射儀的分布式傳感器系統(tǒng)在沙漠地形中檢測和定位入侵信號位置，但其不能區(qū)分信號類型，而且試驗(yàn)場地位于沙漠中，信號相對單一。Yan等[6]利用光纖布拉格光柵傳感技術(shù)跟蹤定位人員，通過實(shí)驗(yàn)采集到了人員和車輛的信息，但是其需要檢測和分析地震波形的頻率和振幅等信息對信號來源進(jìn)行識別和分類。分布式聲學(xué)傳感(distributed acoustic sensing, DAS)是一種基于光纖傳感的新型高密度地震采集系統(tǒng)技術(shù)，它將光纖轉(zhuǎn)換為一種測量應(yīng)變的陣列工具，可以在整根光纖上進(jìn)行連續(xù)、實(shí)時(shí)的測量，通常用于獲取溫度、應(yīng)變和振動(dòng)數(shù)據(jù)。DAS能夠在黑暗、有其他熱源和電磁干擾源的環(huán)境下無接觸地進(jìn)行運(yùn)動(dòng)軌跡監(jiān)測[7]。在城市地區(qū)，DAS測量已經(jīng)被用于近地表的地下速度結(jié)構(gòu)成像和地震數(shù)據(jù)采集[8-12]。目前利用DAS進(jìn)行近地表勘探的監(jiān)測技術(shù)正處于發(fā)展階段，但仍存在許多需要攻克的問題，如具有高空間密度采樣率但信噪比不如傳統(tǒng)地震檢波器，高頻率采集大量數(shù)據(jù)的同時(shí)也需要對應(yīng)的快速數(shù)據(jù)處理方法以便實(shí)時(shí)預(yù)警等，所以DAS的潛能還有待進(jìn)一步開發(fā)和完善。

拾取到達(dá)時(shí)以地震振動(dòng)信號和環(huán)境噪聲的差異為基礎(chǔ)，常用能量比法、赤池信息準(zhǔn)則(Akaike information criterion, AIC)算法、極化分析法和長短時(shí)窗比值(STA/LTA)法等[12-16]。但以上方法存在不同問題，如：能量比法無法提取噪聲較強(qiáng)信號的初至?xí)r間[13]；AIC算法在拾取不包含確定地震信號的地震記錄時(shí)尋找一個(gè)極小值作為初至點(diǎn)，會(huì)出現(xiàn)錯(cuò)誤拾取[14]；極化分析法只能在時(shí)域或者頻域進(jìn)行計(jì)劃分析[15]；STA/LTA法能夠利用振動(dòng)信號和環(huán)境噪聲信號振幅與頻帶的差異拾取振動(dòng)信號[16]，但人員運(yùn)動(dòng)信號振幅與環(huán)境噪聲信號振幅差異較小難以區(qū)分時(shí)，無法拾取準(zhǔn)確的人員運(yùn)動(dòng)信號。所以本文擬引入信號的自動(dòng)分類方法解決DAS數(shù)據(jù)信噪比低的問題。

根據(jù)信號的特征，自動(dòng)分類的主要方法目前有基于似然(likelihood-based, LB)的方法和基于特征(feature-based, FB)的方法[17-18]。在貝葉斯意義上，LB方法可以使錯(cuò)誤分類的概率最小，但其通常伴隨著相當(dāng)大的計(jì)算復(fù)雜性或?qū)ξ粗盘枟l件場景的敏感性；FB方法通常使用幾個(gè)特征并依據(jù)其觀測值做出分類，降低了計(jì)算復(fù)雜度但提供的解不是最優(yōu)的。在分類階段，傳統(tǒng)的分類器包含隨機(jī)森林、k近鄰、高斯樸素貝葉斯和支持向量機(jī)等方法，但這些方法通常需要大量的專業(yè)領(lǐng)域知識并手動(dòng)提取特征，非常耗時(shí)[17-19]。

隨著人工智能技術(shù)的廣泛應(yīng)用，深度學(xué)習(xí)方法在計(jì)算機(jī)視覺、情感分析、語音識別等領(lǐng)域都取得了成功，與傳統(tǒng)的數(shù)據(jù)分析處理方法相比，深度學(xué)習(xí)無需設(shè)計(jì)手動(dòng)功能即可自動(dòng)獲得更好的復(fù)雜高維數(shù)據(jù)表示，其性能甚至已經(jīng)優(yōu)于人腦在圖像分類中的表現(xiàn)[20]。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)在圖像分類、分割和反演方面發(fā)展迅速[21]。卷積網(wǎng)絡(luò)的想法最早源于Hubel和Wiesel于1962年對貓的初級視覺皮層的經(jīng)典研究，1990年LeCun等提出了現(xiàn)代CNN框架的原始版本并繼續(xù)對其改進(jìn)，于1998年提出了基于梯度學(xué)習(xí)的CNN模型LeNet-5，2012年Krizhevsky等提出了一種更深結(jié)構(gòu)的CNN架構(gòu)AlexNet，隨后研究人員在前人研究的基礎(chǔ)上進(jìn)行改進(jìn)來提升性能[22]。CNN優(yōu)勢在于能夠在低信噪比的情況下自動(dòng)學(xué)習(xí)，從原始長符號率的數(shù)據(jù)中提取特征，無需專業(yè)領(lǐng)域知識和手動(dòng)提取就可以解決復(fù)雜模型和復(fù)雜任務(wù)，因而優(yōu)于傳統(tǒng)的自動(dòng)分類識別方法，且發(fā)展至今已經(jīng)趨于成熟。將深度學(xué)習(xí)方法用于斯坦福地震數(shù)據(jù)集上，監(jiān)測地震信號的準(zhǔn)確度高達(dá)100%[23]。Yashashwi等[24]利用CNN訓(xùn)練后減少了隨機(jī)頻率和相位偏移的影響。

利用DAS系統(tǒng)采集到的數(shù)據(jù)包含多種復(fù)雜的振動(dòng)信號，不同信號源產(chǎn)生的信號特征不同。為驗(yàn)證監(jiān)測和識別不同震源在地面所產(chǎn)生振動(dòng)信號的有效性，我們在吉林大學(xué)朝陽校區(qū)校園內(nèi)布設(shè)環(huán)形光纖，利用DAS采集來源于光纖上方的人員走動(dòng)信號、重錘信號和環(huán)境噪聲信號3類數(shù)據(jù)；用STA/LTA法對信號進(jìn)行自動(dòng)識別，分析3類信號在時(shí)域和頻域的差異；基于CNN能夠?qū)δ繕?biāo)自動(dòng)分類的理論，將少量不同類別的振動(dòng)信號作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，通過神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和訓(xùn)練驗(yàn)證數(shù)據(jù)自動(dòng)輸出的分類結(jié)果，確定人員所在的光纖道，追蹤人員位置，輸入更新的DAS信號連續(xù)識別人員運(yùn)動(dòng)信號，監(jiān)測人員運(yùn)動(dòng)軌跡，并計(jì)算運(yùn)動(dòng)速率。從而為利用DAS實(shí)現(xiàn)在城市環(huán)境中對振動(dòng)信號分類和人員監(jiān)測提供一種切實(shí)可行的方法。

1 方法原理和流程

1.1 自動(dòng)拾取

采用微地震常用的初至拾取方法——STA/LTA法自動(dòng)識別并拾取DAS數(shù)據(jù)中的各類振動(dòng)信號。STA/LTA法利用振動(dòng)信號振幅大、頻帶窄，噪聲信號振幅小、頻帶寬的特點(diǎn)，計(jì)算一長一短兩個(gè)滑動(dòng)時(shí)窗內(nèi)DAS記錄特征函數(shù)的平均值，長時(shí)窗反映環(huán)境噪聲能量平均值，短時(shí)窗反映振動(dòng)信號能量平均值。當(dāng)振動(dòng)信號到達(dá)時(shí)，短時(shí)窗內(nèi)的能量變化比長時(shí)窗的能量變化快，比值會(huì)有明顯增大，以此作為識別信號的依據(jù)。STA/LTA法的比值函數(shù)計(jì)算公式為[15]：

(1)

(2)

式中：i為地震數(shù)據(jù)中任意一個(gè)測試點(diǎn)；Si為短時(shí)窗能量；Li為長時(shí)窗能量；Ci為特征函數(shù)；Nl、Ns分別為長、短時(shí)窗的長度；(xi,yi,zi)為地震記錄三分量數(shù)據(jù)。

由于DAS采集的振動(dòng)信號只存在沿著光纖軸向傳播的單分量數(shù)據(jù)，并不適用于傳統(tǒng)三分量地震記錄數(shù)據(jù)。因此在此方法的基礎(chǔ)上，將特征函數(shù)更新為適用于DAS記錄的單分量數(shù)據(jù)形式。同時(shí)為減弱DAS數(shù)據(jù)中強(qiáng)能量噪聲信號影響、突出振動(dòng)信號，在處理DAS數(shù)據(jù)時(shí)我們把特征函數(shù)設(shè)為連續(xù)相鄰3道數(shù)據(jù)的均方根：

(3)

式中，x1,x2,x3分別代表連續(xù)3道的光纖記錄數(shù)據(jù)。

當(dāng)振動(dòng)信號到達(dá)時(shí)，Ri明顯突增。只需提前設(shè)置好一個(gè)觸發(fā)閾值，Ri達(dá)到或超過觸發(fā)閾值時(shí)即可認(rèn)為是信號出現(xiàn)的時(shí)間。利用STA/LTA法識別信號的起跳時(shí)間并不是事實(shí)中振動(dòng)信號的起跳時(shí)間，而是Ri剛好超過觸發(fā)閾值的時(shí)間。為保證截取信號的完整性，將識別到觸發(fā)閾值前的0.05 s作為截取的初始點(diǎn)，截取的時(shí)間窗長設(shè)為0.20 s，即可實(shí)現(xiàn)自動(dòng)識別并拾取完整的信號數(shù)據(jù)。

1.2 數(shù)據(jù)預(yù)處理

基于DAS信號和CNN分類算法的人員運(yùn)動(dòng)軌跡監(jiān)測方法流程(圖1)如下：首先利用DAS進(jìn)行數(shù)據(jù)采集；然后對采集到的數(shù)據(jù)進(jìn)行自動(dòng)識別并拾取振動(dòng)信號；再對拾取的振動(dòng)信號進(jìn)行帶通濾波、歸一化去均值和希爾伯特變換處理壓制噪聲；之后在時(shí)域和頻域中分析振動(dòng)信號，找到各類信號的差異并分類；接著將分類好的數(shù)據(jù)輸入到CNN中學(xué)習(xí)訓(xùn)練，得到最優(yōu)的權(quán)重參數(shù)，對輸入的信號進(jìn)行自動(dòng)分類；最后通過分類得到連續(xù)的人員運(yùn)動(dòng)信號，實(shí)現(xiàn)對人員運(yùn)動(dòng)軌跡的監(jiān)測。

DAS記錄到的數(shù)據(jù)中包含了較多的城市環(huán)境噪聲信號和系統(tǒng)自身光電信號，且這部分信號的能量較強(qiáng)又持續(xù)存在。為了減少環(huán)境和系統(tǒng)噪聲的影響，需要對DAS拾取的信號進(jìn)行帶通濾波處理。先在頻域中分析噪聲信號，以確定噪聲的頻段范圍；再在頻域中分析人員運(yùn)動(dòng)信號和重錘信號，確定頻段后將人員運(yùn)動(dòng)信號和重錘信號的帶通濾波范圍分別設(shè)定為15～25、25～45 Hz。

DAS記錄的數(shù)據(jù)在光纖與解調(diào)儀的連接處會(huì)有較強(qiáng)干擾，數(shù)據(jù)分布范圍差異較大。通過數(shù)據(jù)的歸一化處理可以在二維數(shù)據(jù)剖面中突出振動(dòng)信號出現(xiàn)的位置和時(shí)間，同時(shí)在機(jī)器學(xué)習(xí)中將各個(gè)特征的尺度控制在相同的范圍內(nèi)便于找到最優(yōu)解。去均值可以把各個(gè)維度的輸入數(shù)據(jù)中心化到0，從而減小計(jì)算量。歸一化和去均值計(jì)算公式如下：

(4)

(5)

為了壓制隨機(jī)噪聲(包括外部干擾、風(fēng)聲、電子儀器噪聲等)，提高數(shù)據(jù)信噪比，對DAS數(shù)據(jù)進(jìn)行希爾伯特變換求得瞬時(shí)振幅，以能更清晰地反映信號能量的變化[25]。經(jīng)過希爾伯特變換后得到的是信號實(shí)部與虛部能量的均方根，只有正向頻段。

1.3 CNN構(gòu)建

DAS記錄的是一定時(shí)間內(nèi)地表或地下震源振動(dòng)產(chǎn)生的信號，本質(zhì)是一維振動(dòng)信號。當(dāng)外界沒有震源振動(dòng)時(shí)，DAS信號是周期振動(dòng)信號。當(dāng)外界出現(xiàn)振動(dòng)信號例如人員和車輛移動(dòng)時(shí)，DAS信號就成為了非周期振動(dòng)信號，且各種震源的振動(dòng)周期不同。深度學(xué)習(xí)得到廣泛關(guān)注的原因在于其能夠自動(dòng)提取不同數(shù)據(jù)的特征。CNN可以自動(dòng)提取DAS采集到的周期振動(dòng)信號和非周期振動(dòng)信號的特征，因此可以通過構(gòu)建CNN對DAS信號進(jìn)行分類。本文利用CNN實(shí)現(xiàn)對DAS的信號分類，但只包含兩種分類結(jié)果(正常信號和異常信號)是遠(yuǎn)遠(yuǎn)不夠的。為實(shí)現(xiàn)對基礎(chǔ)噪聲、人員運(yùn)動(dòng)、震源信號甚至更多類別的信號分類，需要對網(wǎng)絡(luò)在分類組數(shù)和數(shù)據(jù)維度兩方面改進(jìn)，實(shí)現(xiàn)對多維數(shù)據(jù)進(jìn)行分類。改進(jìn)后網(wǎng)絡(luò)的參數(shù)包含分類組數(shù)、輸入數(shù)據(jù)維度和數(shù)據(jù)長度。網(wǎng)絡(luò)以原始DAS信號的時(shí)間序列作為輸入，輸入數(shù)據(jù)長度相同，輸出分類標(biāo)記結(jié)果。

常規(guī)CNN通常由輸入層、卷積層、激活層、池化層和輸出層組成。本文所用的CNN架構(gòu)如圖2所示，包括33層卷積層、33層組歸一化層、33層激活層、16層防止過度擬合層、1層全連接層和1層預(yù)測概率層。這些操作會(huì)在層間反復(fù)進(jìn)行，每一層都學(xué)習(xí)監(jiān)測不同的輸入數(shù)據(jù)特征。與常規(guī)CNN架構(gòu)不同的是，本文CNN架構(gòu)在每個(gè)卷積層之前采用組歸一化層和激活層。組歸一化層通過減去均值再除以方差的方式將數(shù)據(jù)變?yōu)榫禐?、方差為1的正態(tài)分布，以防止梯度爆炸和梯度消失。激活層為保留特征較好的值而將特征小于0的值舍去。在神經(jīng)網(wǎng)絡(luò)中包含的多個(gè)非線性隱藏層能夠?qū)W習(xí)輸入和輸出之間復(fù)雜的關(guān)系，但訓(xùn)練使用的DAS數(shù)據(jù)有限，輸入與輸出的復(fù)雜關(guān)系有許多是采樣噪聲的結(jié)果，它們存在于訓(xùn)練集中卻又不是真實(shí)的測試數(shù)據(jù)，這就會(huì)導(dǎo)致過度擬合。因此在每兩個(gè)卷積層之間和激活層之后加入了防止過度擬合層，一旦數(shù)據(jù)集分類結(jié)果準(zhǔn)確性變差就會(huì)停止訓(xùn)練，并引入多種權(quán)重懲罰，降低分類錯(cuò)誤率，提高網(wǎng)絡(luò)訓(xùn)練及驗(yàn)證的效率[27-29]。從輸入不同類別的DAS信號開始訓(xùn)練網(wǎng)絡(luò)，初始化卷積層的權(quán)重，使用帶有默認(rèn)參數(shù)的Adam優(yōu)化器，綜合考慮梯度的均值和方差，使損失函數(shù)達(dá)到最小，從而優(yōu)化參數(shù)。Adam能夠訓(xùn)練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡(luò)權(quán)重，優(yōu)化過程中保存驗(yàn)證集評估的最佳模型即可以得到整套CNN架構(gòu)。

圖1 基于DAS信號和CNN分類算法的人員運(yùn)動(dòng)軌跡監(jiān)測方法處理流程圖

圖2 CNN架構(gòu)圖[26]

2 實(shí)際數(shù)據(jù)采集與處理

2.1 DAS數(shù)據(jù)采集

實(shí)驗(yàn)場地選在位于吉林省長春市的吉林大學(xué)朝陽校區(qū)校園科技之星廣場草坪內(nèi)。在草坪下方約50 cm深度處布設(shè)了全長約為400 m環(huán)繞場地一周的光纖，數(shù)據(jù)采集方式為連續(xù)觀測，道間距為5 m，共80道，采樣率為2 000 Hz。DAS系統(tǒng)的主機(jī)是信號源的發(fā)射、接收和解調(diào)裝置，位于實(shí)驗(yàn)場內(nèi)的實(shí)驗(yàn)樓(化學(xué)樓)中，與光纖的起始端(即第1道位置)和尾端相連。整條光纖的布設(shè)以東西走向?yàn)橹鳎捎诂F(xiàn)場條件的限制，布設(shè)光纖時(shí)沒有完全與東西走向的公路平行或垂直，在某些區(qū)域會(huì)有彎曲。實(shí)驗(yàn)場地內(nèi)實(shí)驗(yàn)樓、排風(fēng)機(jī)等已有設(shè)施在實(shí)驗(yàn)過程中持續(xù)產(chǎn)生噪聲。

2020年10月22日21：00，實(shí)驗(yàn)場地?zé)o人走動(dòng)，開始開展人員運(yùn)動(dòng)信號采集實(shí)驗(yàn)。實(shí)驗(yàn)人員由光纖的起始位置開始勻速環(huán)繞光纖行走一圈回到初始位置，通過記下行走的開始時(shí)間及到達(dá)中途標(biāo)記好位置的時(shí)間即可以在DAS記錄到的數(shù)據(jù)中找到對應(yīng)人員行走的信號響應(yīng)。受實(shí)驗(yàn)場地的限制，布設(shè)的光纖在拐角處較為曲折，未能呈現(xiàn)為標(biāo)準(zhǔn)矩形。光纖的布設(shè)只有53--80道是近似于一條直線的，因此重錘實(shí)驗(yàn)的測線選擇在53--80道上方進(jìn)行。噪聲的信號拾取選擇在2020年10月23日1：00之后，在DAS記錄到的數(shù)據(jù)中隨機(jī)截取道和時(shí)間。為保證信號的一致性，截取信號的時(shí)間長度均為0.20 s。

2.2 數(shù)據(jù)處理

由于始終存在的城市環(huán)境噪聲以及DAS系統(tǒng)噪聲的干擾，得到的60.00 s原始波形(圖3a)受噪聲干擾較為嚴(yán)重，尤其是初始5道和最后10道處有較強(qiáng)的高頻、高能量噪聲，這一方面是受光纖與DAS系統(tǒng)接口的影響，另一面也是因?yàn)樵?4--80道間存在持續(xù)運(yùn)轉(zhuǎn)的排風(fēng)機(jī)。

在圖3a中的虛線框內(nèi)隨機(jī)提取5.00 s連續(xù)3道(45、46、47)的DAS原始數(shù)據(jù)，用STA/LTA法拾取人員運(yùn)動(dòng)信號(圖3b)。從圖3b中可以看出，DAS原始數(shù)據(jù)持續(xù)存在高頻噪聲，且信號的起跳時(shí)間不易確定。

對3道原始數(shù)據(jù)求均方根得到的結(jié)果如圖3c所示，求均方根后的結(jié)果有效壓制了隨機(jī)噪聲，突出了人員運(yùn)動(dòng)信號。將此均方根作為特征函數(shù)。從圖3c可知，人員運(yùn)動(dòng)信號的能量減弱，目標(biāo)震源逐漸遠(yuǎn)離傳感器，由此可判斷人員運(yùn)動(dòng)逐漸遠(yuǎn)離第46道。通過實(shí)驗(yàn)數(shù)據(jù)的測試將觸發(fā)閾值設(shè)定為2.5，當(dāng)Nl=100，Ns=40時(shí)能夠較好地將Ri>2.5的時(shí)間點(diǎn)與振動(dòng)信號的起跳時(shí)間點(diǎn)相對應(yīng)。圖3c中出現(xiàn)的6個(gè)峰值對應(yīng)6次振動(dòng)信號，即5.00 s內(nèi)記錄到6次人員運(yùn)動(dòng)信號。

圖4 為DAS記錄60.00 s人員運(yùn)動(dòng)信號的處理過程。經(jīng)過15～25 Hz帶通濾波處理后，去除了第80道附近的排風(fēng)機(jī)噪聲(圖4a)；通過歸一化處理能夠減少光纖附近非平穩(wěn)噪聲源對采集信號的影響[28]，在周圍持續(xù)的噪聲干擾中突出人員運(yùn)動(dòng)信號(圖4b)；希爾伯特變換處理后的結(jié)果突出了人員正向頻段的幅度值(圖4c)。對比圖4c和圖3a可以看出，經(jīng)過上述處理，前5道的高頻高能量噪聲以及70道之后的排風(fēng)機(jī)噪聲被很好地壓制，得到了較為清晰的人員運(yùn)動(dòng)軌跡。由圖4c可知，經(jīng)過60.00 s的時(shí)間人員從第39道運(yùn)動(dòng)至第57道，所以這一時(shí)間段人員運(yùn)動(dòng)信號的拾取集中在39--57道。

重錘信號波形為圖5a，與人員運(yùn)動(dòng)信號(圖3a)相比，重錘信號的能量更強(qiáng)，傳播軌跡更清晰，傳播距離更遠(yuǎn)，起跳時(shí)間更容易確定。通過相同方法識別并提取重錘信號，Nl=100，Ns=80，振動(dòng)起跳時(shí)刻的Ri>100，遠(yuǎn)大于其他時(shí)刻的Ri值(一般不大于5)，觸發(fā)閾值取在更大數(shù)量級(50以上)，防止將周圍人員走動(dòng)或其他震源產(chǎn)生的信號拾取為重錘信號。

重錘信號傳播區(qū)域在43--63道，通過25～45 Hz帶通濾波后高頻噪聲干擾變小信號能量減弱(圖5b)，歸一化去均值處理后(圖5c)的傳播區(qū)域擴(kuò)大到40--78道，可以獲取距離更遠(yuǎn)的直達(dá)波傳播和到時(shí)信息。53--80道的傳播呈線性關(guān)系；由于前53道光纖布設(shè)不呈直線，因此在第53道前的到達(dá)時(shí)間不呈線性關(guān)系。在相同的地下結(jié)構(gòu)情況下，直達(dá)波到達(dá)時(shí)更久說明震源距離更遠(yuǎn)，依據(jù)此可以檢驗(yàn)地下光纖的走向是否呈線性排列。計(jì)算53--80道處虛線的斜率可以計(jì)算重錘信號激發(fā)的直達(dá)波傳播速度，約為210 m/s。

a. 原始波形；b. 3道原始數(shù)據(jù)；c. 3道數(shù)據(jù)均方根結(jié)果。虛線框內(nèi)為人員運(yùn)動(dòng)信號，實(shí)線框內(nèi)為人員運(yùn)動(dòng)信號位置。

a. 帶通濾波后結(jié)果；b. 歸一化去均值后結(jié)果；c. 希爾伯特變換后結(jié)果。虛線框內(nèi)是人員運(yùn)動(dòng)信號。

a. 重錘信號原始波形；b. 帶通濾波后結(jié)果；c.歸一化去均值后結(jié)果。a、b中的虛線框內(nèi)為重錘信號；c中的虛線是重錘激發(fā)的直達(dá)波。

3 目標(biāo)信號特點(diǎn)及人員運(yùn)動(dòng)軌跡估算

3.1 目標(biāo)信號特點(diǎn)

圖6對拾取出的0.20 s單道人員運(yùn)動(dòng)信號進(jìn)行分析。圖6b是對截取的人員運(yùn)動(dòng)信號做傅里葉變換得到頻譜，其中主頻集中在20～25 Hz之間，在100、120、220和370 Hz附近均存在能量較強(qiáng)的信號，此外還存在能量較弱的低頻信號。為減少其他信號源對人員運(yùn)動(dòng)信號的干擾，將低頻和高頻段的其他信號源作為噪聲信號，對人員運(yùn)動(dòng)信號都采用15～25 Hz的帶通濾波，濾波后得到的結(jié)果為圖6c，只能得到一個(gè)完整周期的人員運(yùn)動(dòng)信號。

圖7a是拾取得到的0.20 s單道重錘信號原始波形，振幅強(qiáng)度遠(yuǎn)高于人員運(yùn)動(dòng)信號的振幅，超過3個(gè)單位強(qiáng)度。對圖7a的原始重錘信號做傅里葉變換得到頻譜圖7b，重錘信號的頻帶范圍在30～40 Hz，但依然在100、180、220和340 Hz附近存在能量較強(qiáng)的信號，與人員運(yùn)動(dòng)信號頻譜(圖6b)出現(xiàn)的強(qiáng)信號頻段基本吻合。圖7c是經(jīng)過25～45 Hz濾波后的重錘信號波形圖，能量遠(yuǎn)高于背景噪聲，相比人員運(yùn)動(dòng)信號受噪聲影響較小，因此得到的波形更加清晰完整。

圖8a是5.00 s的單道噪聲信號波形，振幅值不超過0.4。圖8b是從圖8a中隨機(jī)截取的0.20 s噪聲數(shù)據(jù)，通過波形可以看到存在低頻和高頻的信號，但能量強(qiáng)度大的信號主要為高頻信號。圖8c是環(huán)境噪聲的頻譜圖，噪聲的主頻集中在10、100、180、270和370 Hz。在上述人員運(yùn)動(dòng)信號和重錘信號高頻段(100 Hz以上)中出現(xiàn)的次強(qiáng)能量信號頻率基本一致，不與人員運(yùn)動(dòng)信號和重錘信號的頻帶重合，又通過對環(huán)境噪聲的分析可知，人員運(yùn)動(dòng)信號和重錘信號次強(qiáng)能量信號的頻帶范圍與噪聲的頻帶范圍相同，因此可以將100、180、270和370 Hz頻段的強(qiáng)能量信號視為DAS系統(tǒng)存在的系統(tǒng)噪聲。由此能夠在頻域中將3類信號區(qū)分。通過噪聲信號的整個(gè)頻段范圍來看,低頻范圍內(nèi)的噪聲能量較弱，頻帶越高噪聲能量越強(qiáng)，也可能與DAS系統(tǒng)自身存在高頻噪聲有關(guān)。

a. 原始波形；b.頻譜；c. 15～25 Hz濾波后波形。

a. 原始波形圖；b. 頻譜；c. 25～40 Hz濾波后波形。

a. 5.00 s單原始波形；b. 0.20 s原始波形；c. 頻譜。

3.2 人員運(yùn)動(dòng)軌跡估算

通過前文中提到的方法，分別拾取出1 135個(gè)噪聲信號、892個(gè)人員運(yùn)動(dòng)信號及576個(gè)重錘信號。3類信號的學(xué)習(xí)數(shù)據(jù)庫、訓(xùn)練數(shù)據(jù)庫和測試數(shù)據(jù)庫的數(shù)據(jù)量分布情況如表1所示。

分別將120個(gè)噪聲信號、171個(gè)人員運(yùn)動(dòng)信號和180個(gè)重錘信號測試數(shù)據(jù)輸入到CNN中進(jìn)行識別分類，結(jié)果如表2、3、4所示。可見，3類信號的識別準(zhǔn)確率均達(dá)到80.00%以上，其中：噪聲可能會(huì)被誤判為人員運(yùn)動(dòng)信號，但不會(huì)被誤判為重錘信號(表2)，在3類信號中噪聲分類的準(zhǔn)確率最低，可能是由于噪聲信號來源不確定，且存在高能量強(qiáng)噪聲；人員運(yùn)動(dòng)信號分類的準(zhǔn)確率最高，僅出現(xiàn)一個(gè)誤判為重錘信號(表3)，噪聲信號和人員運(yùn)動(dòng)信號相互之間誤判率較大，可能原因是存在距離遠(yuǎn)、信號較弱的人員運(yùn)動(dòng)信號，與噪聲信號差異較小；重錘信號與噪聲信號的誤判率最低，分類效果最好，但仍有部分重錘信號被誤判為人員運(yùn)動(dòng)信號(表4)，可能是由于重錘信號輸入到CNN中學(xué)習(xí)訓(xùn)練的數(shù)據(jù)樣本較少，存在少量距離遠(yuǎn)、信號弱的重錘信號。

表1 CNN所用數(shù)據(jù)量的分布情況

表2 噪聲信號的分類結(jié)果

表3 人員運(yùn)動(dòng)信號的分類結(jié)果

表4 重錘信號的分類結(jié)果

將識別提取的信號輸入到已經(jīng)訓(xùn)練好的CNN中，可將分類好的人員運(yùn)動(dòng)信號輸出從而確定人員所在的道號位置，人員運(yùn)動(dòng)到達(dá)的位置與DAS記錄數(shù)據(jù)同步更新即可以監(jiān)測完整的人員運(yùn)動(dòng)軌跡。圖9是60.00 s人員運(yùn)動(dòng)軌跡圖。由圖9a可知，在3.00 s時(shí)刻人員位于光纖第38道，所對的空間位置如圖9c所示，7.00 s時(shí)刻經(jīng)過CNN分類得到的人員運(yùn)動(dòng)信號出現(xiàn)在第39道；因此判斷人員運(yùn)動(dòng)的方向是沿著光纖向西移動(dòng)，且通過移動(dòng)的距離和時(shí)間可計(jì)算出瞬時(shí)速率為1.25 m/s。由圖9b、d可知，人員在20.00 s時(shí)刻所在位置是第41道，從第38道運(yùn)動(dòng)到第41道的時(shí)間為17.00 s，由道間距5 m可得運(yùn)動(dòng)距離為15 m，由此計(jì)算出圖9a到圖9b過程中人員運(yùn)動(dòng)的平均速率約為0.88 m/s。圖9e、g是38.00 s時(shí)刻人員運(yùn)動(dòng)到第45道，從第41道到達(dá)第45道用時(shí)18.00 s，運(yùn)動(dòng)距離20 m，運(yùn)動(dòng)的平均速率約為1.11 m/s，運(yùn)動(dòng)方向變?yōu)橄蛭鞅狈较颉D9f、h是60.00 s時(shí)刻人員運(yùn)動(dòng)到第51道，從第45道運(yùn)動(dòng)到第51道用時(shí)22.00 s，運(yùn)動(dòng)距離30 m，運(yùn)動(dòng)的平均速率約為1.36 m/s，運(yùn)動(dòng)方向?yàn)楸毕颉Ｒ虼耍瑥牡?8道運(yùn)動(dòng)至第51道用時(shí)57.00 s，此過程的平均速率為1.14 m/s。

在人員運(yùn)動(dòng)記錄中利用5.00 s內(nèi)相鄰兩個(gè)人員運(yùn)動(dòng)信號出現(xiàn)的時(shí)間間隔計(jì)算得到步頻為84 步/min，通過計(jì)算的步頻可以預(yù)測人員的運(yùn)動(dòng)方式是以較慢的速率行走。同時(shí)根據(jù)運(yùn)動(dòng)距離和步頻可以求得平均步幅約為0.75 m。

上述結(jié)論證實(shí)基于CNN的DAS監(jiān)測人員運(yùn)動(dòng)方法不僅能夠監(jiān)測運(yùn)動(dòng)軌跡，還能夠預(yù)測運(yùn)動(dòng)方向、瞬時(shí)速率、平均速率、步頻和步幅等更詳細(xì)豐富的運(yùn)動(dòng)信息。

a. 人員到達(dá)第38道位置圖；b. 人員到達(dá)第41道位置圖；c. 人員到達(dá)第38道的空間位置圖；d. 人員到達(dá)第41道的空間位置圖；e. 人員到達(dá)第45道位置圖；f. 人員到達(dá)第51道位置圖；g. 人員到達(dá)第45道的空間位置圖；h. 人員到達(dá)第51道的空間位置圖。三角代表人員位置，圓圈代表光纖道號位置，黑色實(shí)線是傳感光纖。

4 結(jié)論

1)在吉林大學(xué)朝陽校區(qū)校園內(nèi)布設(shè)了400 m的光纖，利用DAS設(shè)備開展了人員運(yùn)動(dòng)、重錘敲擊和環(huán)境噪聲采集的實(shí)驗(yàn)。采用STA/LTA法自動(dòng)拾取了DAS采集到的人員運(yùn)動(dòng)、重錘和噪聲信號。

2)拾取的3類DAS信號通過濾波、歸一化、去均值和傅里葉變換處理，在時(shí)域和頻域中分析了不同振動(dòng)信號的振幅和頻帶范圍的特征差異，利用構(gòu)建好的CNN架構(gòu)對拾取的3類信號進(jìn)行學(xué)習(xí)、訓(xùn)練及驗(yàn)證得到一個(gè)分類結(jié)果較為準(zhǔn)確的CNN模型。

3)通過實(shí)際數(shù)據(jù)測試驗(yàn)證了CNN得到模型的穩(wěn)定性，3類信號識別準(zhǔn)確率均達(dá)到80.00%以上，解決了復(fù)雜特征的分類問題，能夠確定3類信號的類型和所在位置，實(shí)時(shí)追蹤目標(biāo)體的運(yùn)動(dòng)軌跡和運(yùn)動(dòng)速率，實(shí)現(xiàn)了高準(zhǔn)確率自動(dòng)化識別分類復(fù)雜信號并監(jiān)測人員運(yùn)動(dòng)軌跡。