本文提出了一种面向高效分布式声学传感（DAS）识别的手工-深度特征融合网络模型，旨在解决DAS信号分类中传统手工特征提取繁琐、深度学习模型泛化能力弱及计算复杂度高的问题。

以下是该论文的核心内容简要总结：

1. 核心创新点：手工与深度特征融合

多源特征互补：针对单一特征源的局限性，模型同时提取具有明确物理意义的手工特征和难以用物理量化的深度特征，实现对DAS信号的多层次、多维度表征。

中期融合策略：采用特征拼接的方式，将降维后的手工特征与深度特征进行融合，有效避免了信息冗余，保留了多源互补信息，显著提升了分类器的判别能力。

2. 模型架构与处理流程

数据集构建与预处理：构建了包含背景环境、敲击、剪切、摇晃及挖掘5类信号的DAS5C-0.5s-20k数据集，并进行归一化、差分、短时傅里叶变换及离散小波变换等预处理。

手工特征提取：从时域、频域、时频域和小波域中提取128维多域手工特征，并通过主成分分析（PCA）降维至80维，以消除冗余并保留核心信息。

深度特征提取：采用多尺度一维卷积神经网络（MS1DCNN），通过多尺度卷积分支、特征拼接融合及递减串行卷积块，提取出128维深度特征向量。

分类识别：将融合后的208维特征向量输入支持向量机（SVM）进行分类，经对比实验确定基于Quadratic核函数的SVM为最优分类器。

3. 关键实验结果

分类精度显著提升：该融合模型在测试集上的5种类别平均准确率高达98.44%，在环境、敲击、剪切等类别中准确率更是超过99.1%。

对比优势明显：相较于仅使用手工特征的SVM模型、一维卷积神经网络（1DCNN）模型及MS1DCNN模型，准确率分别大幅提升了17.94%、11.25%和4.69%。

综合性能优异：基于Quadratic核函数的SVM分类器在精确率、特异度、F1分数、灵敏度和马修斯相关系数（MCC）等5项评估指标上均取得最优表现，展现出卓越的平衡性与鲁棒性。

4. 研究结论与应用前景

该研究通过融合物理意义明确的手工特征与数据驱动的深度特征，有效克服了复杂DAS信号分类中事件特征可区分性弱的难题，实现了高精度、低误分类率的事件识别。

模型均衡的性能表现和强泛化能力，使其在实际周界安防、油气管道监测及轨道交通等复杂环境下的DAS监测应用中具有重要的工程实用价值。