董旭日，馮 晅，劉 財，田 有，李 靜，王天琪，王 鑫，衣文索

1．吉林大學地球探測科學與技術學院，長春 130026 2．長春理工大學光電工程學院，長春 130022

0 引言

人員運動軌跡監(jiān)測目前主要通過相機、運動傳感器、熱成像和雷達技術等實現(xiàn)[1]。其中：相機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；運動傳感器需要將傳感設備佩戴在人員身上，不具有普適性；紅外熱成像技術可以在黑暗環(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]；雷達技術雖然可以穿越障礙物進行探測，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]基于相敏光學時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跟蹤定位人員，通過實驗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行識別和分類。分布式聲學傳感(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，它將光纖轉(zhuǎn)換為一種測量應變的陣列工具，可以在整根光纖上進行連續(xù)、實時的測量，通常用于獲取溫度、應變和振動數(shù)據(jù)。DAS能夠在黑暗、有其他熱源和電磁干擾源的環(huán)境下無接觸地進行運動軌跡監(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進行近地表勘探的監(jiān)測技術正處于發(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)的同時也需要對應的快速數(shù)據(jù)處理方法以便實時預警等，所以DAS的潛能還有待進一步開發(fā)和完善。

拾取到達時以地震振動信號和環(huán)境噪聲的差異為基礎，常用能量比法、赤池信息準則(Akaike information criterion, AIC)算法、極化分析法和長短時窗比值(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信號的初至時間[13]；AIC算法在拾取不包含確定地震信號的地震記錄時尋找一個極小值作為初至點，會出現(xiàn)錯誤拾取[14]；極化分析法只能在時域或者頻域進行計劃分析[15]；STA/LTA法能夠利用振動信號和環(huán)境噪聲信號振幅與頻帶的差異拾取振動信號[16]，但人員運動信號振幅與環(huán)境噪聲信號振幅差異較小難以區(qū)分時，無法拾取準確的人員運動信號。所以本文擬引入信號的自動分類方法解決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方法可以使錯誤分類的概率最小，但其通常伴隨著相當大的計算復雜性或?qū)ξ粗盘枟l件場景的敏感性；FB方法通常使用幾個特征并依據(jù)其觀測值做出分類，降低了計算復雜度但提供的解不是最優(yōu)的。在分類階段，傳統(tǒng)的分類器包含隨機森林、k近鄰、高斯樸素貝葉斯和支持向量機等方法，但這些方法通常需要大量的專業(yè)領域知識并手動提取特征，非常耗時[17-19]。

隨著人工智能技術的廣泛應用，深度學習方法在計算機視覺、情感分析、語音識別等領域都取得了成功，與傳統(tǒng)的數(shù)據(jù)分析處理方法相比，深度學習無需設計手動功能即可自動獲得更好的復雜高維數(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(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，于1998年提出了基于梯度學習的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上進行改進來提升性能[22]。CNN優(yōu)勢在于能夠在低信噪比的情況下自動學習，從原始長符號率的數(shù)據(jù)中提取特征，無需專業(yè)領域知識和手動提取就可以解決復雜模型和復雜任務，因而優(yōu)于傳統(tǒng)的自動分類識別方法，且發(fā)展至今已經(jīng)趨于成熟。將深度學習方法用于斯坦福地震數(shù)據(jù)集上，監(jiān)測地震信號的準確度高達100%[23]。Yashashwi等[24]利用CNN訓練后減少了隨機頻率和相位偏移的影響。

利用DAS系統(tǒng)采集到的數(shù)據(jù)包含多種復雜的振動信號，不同信號源產(chǎn)生的信號特征不同。為驗證監(jiān)測和識別不同震源在地面所產(chǎn)生振動信號的有效性，我們在吉林大學朝陽校區(qū)校園內(nèi)布設環(huán)形光纖，利用DAS采集來源于光纖上方的人員走動信號、重錘信號和環(huán)境噪聲信號3類數(shù)據(jù)；用STA/LTA法對信號進行自動識別，分析3類信號在時域和頻域的差異；基于CNN能夠?qū)δ繕俗詣臃诸惖睦碚?，將少量不同類別的振動信號作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)，通過神經(jīng)網(wǎng)絡的學習和訓練驗證數(shù)據(jù)自動輸出的分類結(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)識別人員運動信號，監(jiān)測人員運動軌跡，并計算運動速率。從而為利用DAS實現(xiàn)在城市環(huán)境中對振動信號分類和人員監(jiān)測提供一種切實可行的方法。

1 方法原理和流程

1.1 自動拾取

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

(1)

(2)

式中：i為地震數(shù)據(jù)中任意一個測試點；Si為短時窗能量；Li為長時窗能量；Ci為特征函數(shù)；Nl、Ns分別為長、短時窗的長度；(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。同時為減弱DAS數(shù)據(jù)中強能量噪聲信號影響、突出振動信號，在處理DAS數(shù)據(jù)時我們把特征函數(shù)設為連續(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)。

當振動信號到達時，Ri明顯突增。只需提前設置好一個觸發(fā)閾值，Ri達到或超過觸發(fā)閾值時即可認為是信號出現(xiàn)的時間。利用STA/LTA法識別信號的起跳時間并不是事實中振動信號的起跳時間，而是Ri剛好超過觸發(fā)閾值的時間。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，截取的時間窗長設為0.20 s，即可實現(xiàn)自動識別并拾取完整的信號數(shù)據(jù)。

1.2 數(shù)據(jù)預處理

基于DAS信號和CNN分類算法的人員運動軌跡監(jiān)測方法流程(圖1)如下：首先利用DAS進行數(shù)據(jù)采集；然后對采集到的數(shù)據(jù)進行自動識別并拾取振動信號；再對拾取的振動信號進行帶通濾波、歸一化去均值和希爾伯特變換處理壓制噪聲；之后在時域和頻域中分析振動信號，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中學習訓練，得到最優(yōu)的權重參數(shù)，對輸入的信號進行自動分類；最后通過分類得到連續(xù)的人員運動信號，實現(xiàn)對人員運動軌跡的監(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動信號和重錘信號，確定頻段后將人員運動信號和重錘信號的帶通濾波范圍分別設定為15～25、25～45 Hz。

DAS記錄的數(shù)據(jù)在光纖與解調(diào)儀的連接處會有較強干擾，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)剖面中突出振動信號出現(xiàn)的位置和時間，同時在機器學習中將各個特征的尺度控制在相同的范圍內(nèi)便于找到最優(yōu)解。去均值可以把各個維度的輸入數(shù)據(jù)中心化到0，從而減小計算量。歸一化和去均值計算公式如下：

(4)

(5)

為了壓制隨機噪聲(包括外部干擾、風聲、電子儀器噪聲等)，提高數(shù)據(jù)信噪比，對DAS數(shù)據(jù)進行希爾伯特變換求得瞬時振幅，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記錄的是一定時間內(nèi)地表或地下震源振動產(chǎn)生的信號，本質(zhì)是一維振動信號。當外界沒有震源振動時，DAS信號是周期振動信號。當外界出現(xiàn)振動信號例如人員和車輛移動時，DAS信號就成為了非周期振動信號，且各種震源的振動周期不同。深度學習得到廣泛關注的原因在于其能夠自動提取不同數(shù)據(jù)的特征。CNN可以自動提取DAS采集到的周期振動信號和非周期振動信號的特征，因此可以通過構(gòu)建CNN對DAS信號進行分類。本文利用CNN實現(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)是遠遠不夠的。為實現(xiàn)對基礎噪聲、人員運動、震源信號甚至更多類別的信號分類，需要對網(wǎng)絡在分類組數(shù)和數(shù)據(jù)維度兩方面改進，實現(xiàn)對多維數(shù)據(jù)進行分類。改進后網(wǎng)絡的參數(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)絡以原始DAS信號的時間序列作為輸入，輸入數(shù)據(jù)長度相同，輸出分類標記結(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層預測概率層。這些操作會在層間反復進行，每一層都學習監(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)絡中包含的多個非線性隱藏層能夠?qū)W習輸入和輸出之間復雜的關系，但訓練使用的DAS數(shù)據(jù)有限，輸入與輸出的復雜關系有許多是采樣噪聲的結(jié)果，它們存在于訓練集中卻又不是真實的測試數(shù)據(jù)，這就會導致過度擬合。因此在每兩個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)果準確性變差就會停止訓練，并引入多種權重懲罰，降低分類錯誤率，提高網(wǎng)絡訓練及驗證的效率[27-29]。從輸入不同類別的DAS信號開始訓練網(wǎng)絡，初始化卷積層的權重，使用帶有默認參數(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)達到最小，從而優(yōu)化參數(shù)。Adam能夠訓練數(shù)據(jù)迭代更新神經(jīng)網(wǎng)絡權重，優(yōu)化過程中保存驗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分類算法的人員運動軌跡監(jiān)測方法處理流程圖

圖2 CNN架構(gòu)圖[26]

2 實際數(shù)據(jù)采集與處理

2.1 DAS數(shù)據(jù)采集

實驗場地選在位于吉林省長春市的吉林大學朝陽校區(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)的主機是信號源的發(fā)射、接收和解調(diào)裝置，位于實驗場內(nèi)的實驗樓(化學樓)中，與光纖的起始端(即第1道位置)和尾端相連。整條光纖的布設以東西走向為主，但由于現(xiàn)場條件的限制，布設光纖時沒有完全與東西走向的公路平行或垂直，在某些區(qū)域會有彎曲。實驗場地內(nèi)實驗樓、排風機等已有設施在實驗過程中持續(xù)產(chǎn)生噪聲。

2020年10月22日21：00，實驗場地無人走動，開始開展人員運動信號采集實驗。實驗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間及到達中途標記好位置的時間即可以在DAS記錄到的數(shù)據(jù)中找到對應人員行走的信號響應。受實驗場地的限制，布設的光纖在拐角處較為曲折，未能呈現(xiàn)為標準矩形。光纖的布設只有53--80道是近似于一條直線的，因此重錘實驗的測線選擇在53--80道上方進行。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)中隨機截取道和時間。為保證信號的一致性，截取信號的時間長度均為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)受噪聲干擾較為嚴重，尤其是初始5道和最后10道處有較強的高頻、高能量噪聲，這一方面是受光纖與DAS系統(tǒng)接口的影響，另一面也是因為在74--80道間存在持續(xù)運轉(zhuǎn)的排風機。

在圖3a中的虛線框內(nèi)隨機提取5.00 s連續(xù)3道(45、46、47)的DAS原始數(shù)據(jù)，用STA/LTA法拾取人員運動信號(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)果有效壓制了隨機噪聲，突出了人員運動信號。將此均方根作為特征函數(shù)。從圖3c可知，人員運動信號的能量減弱，目標震源逐漸遠離傳感器，由此可判斷人員運動逐漸遠離第46道。通過實驗數(shù)據(jù)的測試將觸發(fā)閾值設定為2.5，當Nl=100，Ns=40時能夠較好地將Ri>2.5的時間點與振動信號的起跳時間點相對應。圖3c中出現(xiàn)的6個峰值對應6次振動信號，即5.00 s內(nèi)記錄到6次人員運動信號。

圖4 為DAS記錄60.00 s人員運動信號的處理過程。經(jīng)過15～25 Hz帶通濾波處理后，去除了第80道附近的排風機噪聲(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動信號(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道之后的排風機噪聲被很好地壓制，得到了較為清晰的人員運動軌跡。由圖4c可知，經(jīng)過60.00 s的時間人員從第39道運動至第57道，所以這一時間段人員運動信號的拾取集中在39--57道。

重錘信號波形為圖5a，與人員運動信號(圖3a)相比，重錘信號的能量更強，傳播軌跡更清晰，傳播距離更遠，起跳時間更容易確定。通過相同方法識別并提取重錘信號，Nl=100，Ns=80，振動起跳時刻的Ri>100，遠大于其他時刻的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)域擴大到40--78道，可以獲取距離更遠的直達波傳播和到時信息。53--80道的傳播呈線性關系；由于前53道光纖布設不呈直線，因此在第53道前的到達時間不呈線性關系。在相同的地下結(jié)構(gòu)情況下，直達波到達時更久說明震源距離更遠，依據(jù)此可以檢驗地下光纖的走向是否呈線性排列。計算53--80道處虛線的斜率可以計算重錘信號激發(fā)的直達波傳播速度，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)為人員運動信號，實線框內(nèi)為人員運動信號位置。

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)是人員運動信號。

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)的直達波。

3 目標信號特點及人員運動軌跡估算

3.1 目標信號特點

圖6對拾取出的0.20 s單道人員運動信號進行分析。圖6b是對截取的人員運動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動信號的干擾，將低頻和高頻段的其他信號源作為噪聲信號，對人員運動信號都采用15～25 Hz的帶通濾波，濾波后得到的結(jié)果為圖6c，只能得到一個完整周期的人員運動信號。

圖7a是拾取得到的0.20 s單道重錘信號原始波形，振幅強度遠高于人員運動信號的振幅，超過3個單位強度。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附近存在能量較強的信號，與人員運動信號頻譜(圖6b)出現(xiàn)的強信號頻段基本吻合。圖7c是經(jīng)過25～45 Hz濾波后的重錘信號波形圖，能量遠高于背景噪聲，相比人員運動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。在上述人員運動信號和重錘信號高頻段(100 Hz以上)中出現(xiàn)的次強能量信號頻率基本一致，不與人員運動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，人員運動信號和重錘信號次強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，也可能與DAS系統(tǒng)自身存在高頻噪聲有關。

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 人員運動軌跡估算

通過前文中提到的方法，分別拾取出1 135個噪聲信號、892個人員運動信號及576個重錘信號。3類信號的學習數(shù)據(jù)庫、訓練數(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個噪聲信號、171個人員運動信號和180個重錘信號測試數(shù)據(jù)輸入到CNN中進行識別分類，結(jié)果如表2、3、4所示?？梢姡?類信號的識別準確率均達到80.00%以上，其中：噪聲可能會被誤判為人員運動信號，但不會被誤判為重錘信號(表2)，在3類信號中噪聲分類的準確率最低，可能是由于噪聲信號來源不確定，且存在高能量強噪聲；人員運動信號分類的準確率最高，僅出現(xiàn)一個誤判為重錘信號(表3)，噪聲信號和人員運動信號相互之間誤判率較大，可能原因是存在距離遠、信號較弱的人員運動信號，與噪聲信號差異較??；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動信號(表4)，可能是由于重錘信號輸入到CNN中學習訓練的數(shù)據(jù)樣本較少，存在少量距離遠、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 人員運動信號的分類結(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)訓練好的CNN中，可將分類好的人員運動信號輸出從而確定人員所在的道號位置，人員運動到達的位置與DAS記錄數(shù)據(jù)同步更新即可以監(jiān)測完整的人員運動軌跡。圖9是60.00 s人員運動軌跡圖。由圖9a可知，在3.00 s時刻人員位于光纖第38道，所對的空間位置如圖9c所示，7.00 s時刻經(jīng)過CNN分類得到的人員運動信號出現(xiàn)在第39道；因此判斷人員運動的方向是沿著光纖向西移動，且通過移動的距離和時間可計算出瞬時速率為1.25 m/s。由圖9b、d可知，人員在20.00 s時刻所在位置是第41道，從第38道運動到第41道的時間為17.00 s，由道間距5 m可得運動距離為15 m，由此計算出圖9a到圖9b過程中人員運動的平均速率約為0.88 m/s。圖9e、g是38.00 s時刻人員運動到第45道，從第41道到達第45道用時18.00 s，運動距離20 m，運動的平均速率約為1.11 m/s，運動方向變?yōu)橄蛭鞅狈较?。圖9f、h是60.00 s時刻人員運動到第51道，從第45道運動到第51道用時22.00 s，運動距離30 m，運動的平均速率約為1.36 m/s，運動方向為北向。因此，從第38道運動至第51道用時57.00 s，此過程的平均速率為1.14 m/s。

在人員運動記錄中利用5.00 s內(nèi)相鄰兩個人員運動信號出現(xiàn)的時間間隔計算得到步頻為84 步/min，通過計算的步頻可以預測人員的運動方式是以較慢的速率行走。同時根據(jù)運動距離和步頻可以求得平均步幅約為0.75 m。

上述結(jié)論證實基于CNN的DAS監(jiān)測人員運動方法不僅能夠監(jiān)測運動軌跡，還能夠預測運動方向、瞬時速率、平均速率、步頻和步幅等更詳細豐富的運動信息。

a. 人員到達第38道位置圖；b. 人員到達第41道位置圖；c. 人員到達第38道的空間位置圖；d. 人員到達第41道的空間位置圖；e. 人員到達第45道位置圖；f. 人員到達第51道位置圖；g. 人員到達第45道的空間位置圖；h. 人員到達第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，黑色實線是傳感光纖。

4 結(jié)論

1)在吉林大學朝陽校區(qū)校園內(nèi)布設了400 m的光纖，利用DAS設備開展了人員運動、重錘敲擊和環(huán)境噪聲采集的實驗。采用STA/LTA法自動拾取了DAS采集到的人員運動、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，在時域和頻域中分析了不同振動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類信號進行學習、訓練及驗證得到一個分類結(jié)果較為準確的CNN模型。

3)通過實際數(shù)據(jù)測試驗證了CNN得到模型的穩(wěn)定性，3類信號識別準確率均達到80.00%以上，解決了復雜特征的分類問題，能夠確定3類信號的類型和所在位置，實時追蹤目標體的運動軌跡和運動速率，實現(xiàn)了高準確率自動化識別分類復雜信號并監(jiān)測人員運動軌跡。