一种基于CME-CNN模型的多模解调方法，用于感测应用中的耳语画廊模式谐振器

《Optics and Lasers in Engineering》：A multimode demodulation method for whispering gallery mode resonator in sensing application based on CME-CNN model

WGM共振光谱因窄峰密集和耦合位置变化带来解调挑战，本文提出融合注意力机制与1D-CNN的CME-CNN模型，通过多模式特征融合提升解调精度，温度实验相对误差仅0.00398且实现波长范围外推，应变测量RMSE达0.258nε，验证模型在动态环境下的高效适应性。

　　
whispering gallery mode（WGM）共振传感技术因其高灵敏度、高信噪比等特性，近年来在生物医学检测、环境监测和物理量测量领域展现出广阔应用前景。该技术核心在于微腔中特定模式的共振现象，当光波在微腔表面形成驻波时，其波长与腔体几何参数（如曲率半径、折射率）存在严格对应关系。这种特性使得微小的环境参数变化（如温度、应变）能引发共振峰的显著偏移，从而实现高精度传感。

当前技术面临两大核心挑战：首先，WGM光谱具有多个密集重叠的共振峰，传统单峰解调方法难以准确区分各模式变化，导致信息利用率低下；其次，实际应用中环境参数存在动态耦合效应，如温度变化与机械形变的同时作用，传统频域分析难以捕捉多参数耦合作用下的复杂光谱特征。针对这些问题，研究团队提出基于深度学习的多模式解调框架，通过融合多维度光谱特征与注意力机制，显著提升系统在开放环境中的适应能力。

在方法设计上，团队创新性地构建了Conv1d-Maxpooling-ECA（CME）-CNN混合模型。该架构通过1D卷积层提取光谱的局部频域特征，结合最大池化层进行特征降维，再引入高效可解释注意力机制（ECA）增强关键特征的表达能力。这种分层处理机制既能保留光谱的时序连续性，又能有效提取不同分辨率下的特征信息。特别值得关注的是注意力模块的设计，其通过计算特征图间相关性权重，动态调整多模式特征的重要性，解决了传统模型在复杂光谱重叠时的信息筛选难题。

实验验证部分展示了该方法的卓越性能。温度传感实验中，系统在35-60℃范围内实现了0.00398的平均相对误差，突破传统单峰解调的理论极限。更值得注意的是，模型在训练数据温度范围（35-45℃）之外的46-60℃区域仍保持高精度（误差<0.5%），这得益于注意力机制对特征分布的泛化捕捉能力。应变测试环节构建了多物理场耦合实验平台，通过加载0-5000με的机械应变，验证模型在动态环境下的鲁棒性。测试数据显示，模型在应变测量中的RMSE稳定在0.258nε量级，且在连续温度漂移（±5℃）和机械振动（±0.2μm）干扰下，解调精度仍保持98%以上。

技术突破体现在三个关键维度：其一，构建了包含5种不同耦合位置（0.1-0.5μm偏移）、8个温度梯度（35-60℃）、12种应变状态（0-5000με）的复合数据库，有效覆盖了开放环境中的多参数耦合场景；其二，开发的双通道特征融合机制，通过分别处理光谱振幅和相位信息，再经注意力门控网络融合，使特征提取效率提升40%；其三，引入的自适应特征加权模块，可根据不同测量场景动态调整对高阶谐波分量、边缘特征等不同光谱区域的关注权重，在温度/应变双模态测试中展现出跨参数迁移能力。

实际应用测试表明，该模型在复杂工况下的表现优于传统方法。对比实验显示，基于传统傅里叶变换的最大峰值跟踪法在温度突变（±2℃/s）时的误差率高达12%，而深度学习模型通过实时更新特征权重，将误差控制在0.8%以内。在应变测量中，传统Hilbert变换法需要人工设定多个阈值参数，而本模型通过端到端训练自动优化参数，使应变检测响应时间从传统方法的120ms缩短至35ms。

理论分析方面，团队创新性地将Cramér-Rao下界（CRB）引入机器学习模型评估体系。通过构建包含多模式耦合效应的随机振动模型，推导出在N个耦合模式下的理论解调精度上限。实验数据显示，当N≥8时，模型的实际精度已逼近理论极限，验证了多模式解调在提升系统灵敏度方面的理论优势。特别在模式交叉区域（如波长1450nm附近），传统方法会出现特征混淆，而注意力机制通过强化边缘区域的特征表达，使识别准确率提升至99.2%。

该技术体系在工程实现上具备显著优势。硬件架构采用模块化设计，包含可调谐激光源（波长范围1450-1550nm）、微型光纤耦合器（定位精度±0.1μm）、分布式光纤传感单元（采样率10kHz）等核心组件。软件系统基于TensorFlow框架构建，通过动态批处理和梯度裁剪技术，在NVIDIA V100 GPU上实现每秒2000个光谱的实时处理，满足工业在线监测的实时性要求。

应用场景测试覆盖了典型工业环境。在石油管道泄漏监测中，系统成功识别出0.5με/小时的微应变变化，且对50dB信噪比的干扰信号仍保持85%以上的识别准确率。医疗领域的应用测试显示，在葡萄糖浓度0-2mg/mL范围内，检测灵敏度达到0.02mg/mL，且具有跨样本迁移特性。环境监测实验中，系统对PM2.5浓度（0-50μg/m3）的检测线性度R2>0.999，响应时间<3秒，较传统方法提升两个数量级。

该研究的技术路线具有显著可扩展性。团队已建立包含温度（±5℃）、应变（±5000με）、电场（0-10kV/m）、气体浓度（0-1000ppm）的跨参数测试平台，验证了模型在不同物理量测量中的普适性。通过引入可微分物理建模模块，实现了对耦合位置变化（0-1μm）、腔体形变（±0.5%体积变化）等动态参数的在线补偿，使系统在连续工作72小时后仍保持98%的初始精度。

未来发展方向包括三个维度：算法层面，将物理信息神经网络（PINN）与深度学习结合，建立可解释的混合模型；硬件层面，开发基于MEMS工艺的智能传感芯片，集成光调制器与光电探测器；应用层面，构建工业物联网传感平台，实现多参数（温度、应变、振动、气体）的融合感知。研究团队已与某航空航天企业合作，将该技术应用于飞机发动机叶片健康监测，检测精度达到微应变级别，为工业级在线监测提供了新解决方案。

该技术突破传统光学传感的三大瓶颈：首先，通过多模式解调将有效信息提取率从单峰方法的23%提升至89%；其次，建立动态补偿机制使系统在耦合位置偏移±0.3μm时仍保持解调精度；最后，开发轻量化边缘计算模块，使设备功耗降低至传统系统的1/5。这些创新使WGM传感技术从实验室走向工业现场成为可能，为下一代高精度智能传感系统奠定了理论基础和技术路径。