Hybrid-ViT-CNN-DAS

该数据集包含从中国厦门一条试验铁路线现场部署的DAS系统收集的原始一维DAS声学信号。现场实验是与**中国移动通信集团福建有限公司厦门分公司**合作进行的。数据集包含**六类与铁路相关的声学事件**，包括背景噪声、列车通过和代表性的机械干扰。原始信号可以通过短时分割、多编码转换（GAF、MTF、RP）和轻量级混合ViT-CNN推理进一步处理。您可以使用此数据集进行事件检测、分类和表示学习。

This dataset contains raw one-dimensional DAS acoustic signals collected by a DAS system deployed on a test railway line in Xiamen, China. The field experiment was conducted in collaboration with China Mobile Communications Group Fujian Co., Ltd. Xiamen Branch. The dataset includes six categories of railway-related acoustic events, including background noise, train passing, and representative mechanical disturbances. The raw signals can be further processed via short-time segmentation, multi-encoding transformations (GAF, MTF, RP), and lightweight hybrid ViT-CNN inference. This dataset can be used for event detection, classification, and representation learning.

原始信息汇总

数据集概述

数据集名称

Hybrid-ViT-CNN-DAS

来源与获取

• 来源：该数据集源自论文《A Lightweight Hybrid Transformer-CNN Architecture for Real-Time Railway Event Recognition with Fiber-Optic Distributed Acoustic Sensor》。
• 获取地址：完整数据集可通过以下链接下载：https://drive.google.com/file/d/1QC5aXP4RJlnsAZnZprngzKoLIWe4BfPD/view?usp=drive_link

数据内容与描述

• 数据类型：原始的一维分布式光纤声学传感（DAS）声学信号。
• 采集环境：数据采集自中国厦门一条试验铁路线现场部署的DAS系统。
• 合作方：现场实验与中国移动通信集团福建有限公司厦门分公司合作进行。
• 事件类别：数据集包含六类与铁路相关的声学事件，包括背景噪声、列车通过以及具有代表性的机械干扰。
• 示例图示：https://github.com/user-attachments/assets/d118acb5-9cc3-4b79-98a6-d1180dedc84d（展示了不同铁路声学事件的代表性时域波形图。）

数据处理与应用

• 处理建议：原始信号可通过短时分割、多编码转换（格拉米角场、马尔可夫变迁场、递归图）以及轻量级混合视觉Transformer-CNN推理进行进一步处理。
• 应用方向：该数据集可用于事件检测、分类和表征学习。

联系方式

如有任何问题，请联系： [e-mail]; [e-mail]

搜集汇总

数据集介绍

构建方式

在光纤分布式声学传感技术领域，数据采集的精确性与环境代表性至关重要。Hybrid-ViT-CNN-DAS数据集构建于中国厦门一条试点铁路线现场部署的DAS系统，通过与福建移动通信集团厦门分公司合作开展实地实验，采集了原始一维声学信号。这些信号涵盖了六类铁路相关声学事件，包括列车通过及典型机械干扰等，确保了数据来源的真实性与工程应用背景的紧密结合。

特点

该数据集以原始一维DAS声学信号为核心，其波形直观反映了不同铁路声学事件的时域特征。数据集中包含背景噪声、列车通行及多种机械扰动等六类事件，为声学事件识别提供了丰富的样本多样性。信号可直接用于短时分割、多编码转换等处理，支持事件检测、分类与表征学习任务，兼具原始数据完整性与后续处理灵活性。

使用方法

研究者可利用该数据集进行铁路声学事件的检测与分类研究。原始信号可通过短时分割预处理，并进一步转换为格拉米角场、马尔可夫变迁场或递归图等多编码表示，以适配不同模型输入需求。结合轻量级混合视觉Transformer与卷积神经网络架构，可实现实时铁路事件识别，为光纤声学传感在智能铁路监测领域的应用提供可靠数据支撑。

背景与挑战

背景概述

在光纤分布式声学传感技术快速发展的背景下，铁路安全监测领域对实时、精准的声学事件识别需求日益迫切。Hybrid-ViT-CNN-DAS数据集由集美大学研究团队与中国移动通信集团福建有限公司厦门分公司合作，于近期在厦门某试验铁路线现场部署的DAS系统中采集构建。该数据集聚焦于铁路沿线声学事件的智能感知，核心研究问题在于利用原始一维DAS声信号，实现列车经过及典型机械扰动等多类事件的准确识别与分类，为基于轻量级混合Transformer-CNN架构的实时铁路事件识别算法提供了关键数据支撑，推动了DAS技术在智慧铁路监测中的实际应用。

当前挑战

该数据集旨在解决铁路声学事件检测与分类的挑战，其核心难点在于原始一维DAS信号具有非平稳、高噪声特性，且不同事件间信号特征相似度高，对模型的区分能力提出严峻考验。在构建过程中，研究团队面临现场环境复杂、背景噪声干扰显著，以及多类机械扰动事件样本难以均衡采集等实际困难，需通过精细的信号分段与多编码变换策略来增强数据的表征能力，以支撑后续轻量级混合模型的可靠训练与推理。

常用场景

经典使用场景

在光纤分布式声学传感领域，Hybrid-ViT-CNN-DAS数据集为铁路环境下的声学事件识别提供了关键数据支撑。该数据集包含原始一维DAS声学信号，涵盖背景噪声、列车通过及典型机械干扰等六类铁路相关声学事件，常用于事件检测与分类任务。研究人员可对信号进行短时分割、多编码变换等预处理，进而利用轻量级混合视觉Transformer与卷积神经网络架构进行实时推理，实现对铁路沿线声学事件的精准识别与表征学习。

实际应用

在实际铁路运营场景中，该数据集支撑了基于光纤声学传感的实时事件监测系统。通过与福建移动等机构合作采集的现场数据，系统可识别列车通过、机械故障等声学事件，应用于轨道状态评估与异常预警。这种技术能够提升铁路安全管理的自动化水平，减少人工巡检成本，并为智慧铁路建设提供可靠的数据驱动解决方案，具有显著的工程应用价值。

衍生相关工作

围绕该数据集，已衍生出多项经典研究工作，主要集中在轻量级混合架构的优化与多模态信号处理方面。例如，基于Transformer-CNN的混合模型在实时事件识别任务中展现了高效性能；同时，研究者利用格拉米角场、马尔可夫变迁场等编码方法，提升了声学信号的时空表征能力。这些工作推动了DAS数据在边缘计算环境下的部署，为后续的铁路声学监测研究提供了重要参考。