SagnacAssisted Enhanced OTDR for Distributed Acoustic Sensing: A Standardized Benchmark and Engineering Evaluation Framework

技術要約：Sagnac支援型強化$\phi$-OTDRによる分散型音響センシング

問題提起
位相敏感型光時間領域反射測定法（$\phi$-OTDR）は、大規模な分散型音響センシング（DAS）における主要な技術であり、長距離にわたる分散型の時空間モニタリングを提供します。しかし、そのフィールド性能は、偏波誘起フェージング（PIF）、局所的な信号劣化、および強力な環境干渉によって頻繁に損なわれます。これらの物理的な制限は、不安定な信号観測を引き起こし、特に過酷なフィールド条件下において、検知漏れや誤報（ニユンスアラーム）を招く原因となります。さらに、既存の研究は多くの場合、孤立した構造的改善やデバイスレベルの実証に焦点を当てており、現実的なイベント認識シナリオ下でのハイブリッド・アーキテクチャのシステムレベルの評価には空白が残されています。加えて、AI駆動型認識アルゴリズムの急速な進歩に対し、クラス不均衡、誤報率、推論レイテンシといったエンジニアリング上の制約を考慮した、標準化された再現可能なベンチマークが欠如しています。

手法
本論文は、物理的なセンシング強化と、標準化されたエンジニアリング評価フレームワークという、二段構えのアプローチを提案しています。

1. Sagnac支援型物理アーキテクチャ:
   著者らは、Sagnac干渉計を従来の$\phi$-OTDRシステムと統合したハイブリッド光フロントエンドを開発しました。

• メカニズム: $\phi$-OTDRチャネルは、分散型の時空間局在化という主要な役割を維持します。バランス化された偏波保持ファイバを用いて実装されたSagnac干渉計は、局所的なフェージング効果の影響を受けにくい、連続的で高忠実度な位相応答を提供します。
• 信号処理: 2つのチャネルからのヘテロジニアスな信号は、FPGAプラットフォーム上に実装された相互相関手順を用いて整列され、一貫した時間アンカーを確立します。これにより、Sagn子チャネルがPIFや環境ノイズによって$\phi$-OTDRチャネルで失われた情報を補完するという、物理的に相補的な配置が実現します。

2. 標準化ベンチマークフレームワーク:
   このアーキテクチャを評価し、様々な認識ルートを比較するために、著者らは6つの音響イベントクラス（背景ノイズ、手掘り、ノック、水流、フェンスの揺れ、歩行）を含む10 kmのセンシングファイバ・データセットを用いた厳格なベンチマークプロトコルを確立しました。

• 入力の構成: データセットは物理的に分離されたファイルではなく、統一された12チャネル行列として格納されているため、ベンチマークでは「チャネルグルーピング」を制御変数として扱います。デュアルブランチ融合モデルのための最適なブランチ分割を特定するために探索戦略が採用され、性能向上が恣意的なデータ分割によるものではなく、融合戦略に起因することを保証しています。
• モデルカテゴリ: フレームワークは、同一のデータ分割および前処理の下で、4つの異なる技術ルートを比較しています。
  • 従来の特長量エンジニアリング手法（例：STFT + SVM）。
  • 確率的浅層分類器（例：Fusion Features + PSVM）。
  • シングルブランチ深層モデル（畳み込みニューラルネットワーク）。
  • デュアルブランチ融合深層モデル。
• 評価指標: 単純な精度を超え、ベンチマークはエンジニアリングに関連する指標を重視しています：マクロF1スコア、誤報率（NAR）、偽陰性率（FNR）、および推論レイテンシ。

主な結果
10 kmのファイバ・データセットに対して実施された実験により、以下の知見が得られました。

• 性能の階層性: 浅層の手法によるハンドクラフトされた特長量から、深層融合モデルへと、性能の明確な進展が観察されました。従来の特長量エンジニアリングのベースライン（例：STFT + SVM）は、低い精度（約41–44%）に留まりました。確率的浅層融合は性能を向上させましたが（精度約56%）、深層学習アプローチには及びませんでした。
• 最適なルート: デュアルブランチ融合深層モデルが最も良好なトレードオフを実現し、バランスの取れたテストセットにおいて89.79%の精度および89.83%のマクロF1に達しました。決定的なことに、誤報率を**5.00%**に低減し、0.00%の偽陰性率を維持しました。
• チャネルグルーピングの影響: 本研究は、ブランチの構成が融合性能に大きく影響することを実証しました。最適なグルーピングは単純なチャネルの連続的な分割ではなく、ブランチ間のより強い相補性を保持するクロスグループの組み合わせが優れた結果をもたらしました。これは、入力の構成が融合ベースのDAS評価における重要な要因であることを示しています。
• エンジニアリング上のトレードオフ: 融合モデルは、浅層のベースラインと比較して高い推論レイテンシ（12.79 ms）を示しましたが、その計算オーバーヘッドはオンラインモニタリングにおいて許容範囲内であると判断されました。モデルは、認識の質と、誤報および検知漏れの抑制とのバランスを見事に維持しました。

意義と主張
本論文は、その貢献を、物理的な強化戦略およびDASコミュニティのための方法論的フレームワークとして位置付けています。

• 物理的強化: Sagnac支援型アーキテクチャは、下流のアルゴリズムによる回復のみに依存することなく、偏波誘起フェージングを緩和し、微弱かつ低周波の乱れの観測性を向上させる、物理的根拠に基づいたソリューションを提供します。
• 再現可能なベンチマーク: 本研究は、焦点を集団的なラボの精度から、エンジニアリング指向の信頼性へとシフトさせる、標準化された再現可能なベンチマークプロトコルを確立しました。チャネルグルーピングの最適化とマルチメトリクス評価（NAR, FNR, レイテンシ）を明示的に組み込むことで、多様な技術ルート間の公平な比較を可能にしています。
• システムレベルの検証: 著者らは、結果を通じて、融合指向のDASシステムを単なる分類精度だけでなく、認識の質、アラームの信頼性、および展開効率の共同最適化によって評価する必要性を確認したと主張しています。本研究は、提案されたデュアルブランチ融合アプローチが、複雑な実世界のモニタリングシナリオにおけるDASイベント認識に対して、実用的に意味のある優位性を提供することを断言しています。

著者らは、現在のベンチマークが物理的に分離されたセンシングファイルの代用として統一された12チャネル行列に依存しているものの、入力構成の重要性と深層融合ルートの優位性に関する知見は、ハイブリッドセンシングアーキテクチャの将来の研究に向けた強固な基礎を提供するものであると述べています。