分散音響センシング（DAS）は光ファイバを通じた大規模モニタリングを実現する技術ですが、その高い次元性と複雑な時空間パターンは、イベント分類を極めて困難にしています。既存の深層学習アプローチであるCNN、再帰型モデル、トランスフォーマー変種は、長距離依存性の捕捉に失敗するか、生のDAS行列処理に膨大なコストを要求しています。 本研究で提案されるDAStatFormerは、コンパクトな多領域統計特徴とゲート付きトランスフォーマーネットワークを組み合わせたハイブリッド多分岐トランスフォーマーです。生信号の代わりに、時間領域、波形領域、スペクトル領域から各チャネルあたり24個のANOVA選別属性を抽出することで、データサイズを桁違いに削減しながら、判別情報を保持します。各領域は専用の段階的アテンションブランチとチャネル別アテンションブランチを通じて処理され、適応的ゲート機構によって統合されます。 公開されているΦ-OTDRベンチマークと実際のDASデータセットでの実験結果により、DAStatFormerは最大99.4%の精度と近完璧な実世界性能を達成し、DASFormerやDeepViTなどの従来モデルと比較してパラメータ数が大幅に少なく、推論コストも低いことが実証されました。これらの結果は、スケーラブルで実時間のDASベースモニタリングへの適用可能性を示唆しており、研究チームはGitHubでコードを公開しています。