分布式声波传感（DAS）通过光纤实现大规模监测，但其高维度和复杂的时空模式给事件分类带来严峻挑战。现有深度学习方法——卷积神经网络、循环模型以及各类Transformer变体——要么难以捕捉长程依赖关系，要么需要以极高的计算成本处理原始DAS矩阵。针对这一问题，来自CERI SN - IMT Nord Europe的Michel Dione等五位作者提出了一种名为DAStatFormer的混合多分支Transformer，将紧凑的多域统计特征与门控Transformer网络相结合。该论文于2026年5月22日提交至arXiv，编号为2606.00081，属于机器学习（cs.LG）领域，同时涉及人工智能（cs.AI）与声音（cs.SD）方向。
该方法的核心创新在于特征工程的思路转变。研究团队不再直接输入原始信号，而是从时间域、波形域和频谱域三个维度为每个通道提取24个经方差分析（ANOVA）筛选的属性。这一设计将数据规模缩减了数个数量级，同时保留了具有判别力的关键信息。与直接处理庞大的原始DAS矩阵相比，这种紧凑的统计特征表示显著降低了后续模型的计算负担。
在模型架构上，DAStatFormer为每个域配备了专门的分支，每个分支均包含逐步注意力（step-wise attention）和通道注意力（channel-wise attention）两种机制，以分别捕捉时间序列上的演化规律和通道之间的相关性。三个域的输出最终通过自适应门控机制进行融合，使模型能够根据输入动态调整各域信息的权重。这种多分支设计使模型既能利用统计特征的高效性，又能借助Transformer的建模能力捕捉复杂模式。
实验结果表明了该方法的有效性。在公开的Φ-OTDR基准数据集和真实场景DAS数据集上，DAStatFormer达到了最高99.4%的准确率，在真实场景中表现接近完美。与此同时，与DASFormer和DeepViT等模型相比，DAStatFormer使用的参数量显著更少，推理成本也更低。这些结果说明该模型适合用于可扩展的实时DAS监测应用。作者已在GitHub上开源代码，地址为https://github.com/MichelD-git/DAStatFormer，便于研究社区复现与进一步开发。
总体而言，DAStatFormer展示了将领域统计特征与深度注意力架构相结合的潜力，为DAS事件识别在精度与效率之间提供了新的平衡点，对需要大规模、实时部署的光纤传感监测系统具有实际意义。