一、引言
在路面类型识别任务中，我们使用车辆上安装的四个加速度传感器（左前、右前、左后、右后）采集三轴（x, y, z）振动信号，目标是区分沥青路面和湿滑路面。我们已有两次独立实验数据，保存在两个Excel文件中，每个文件包含多个Sheet（对应不同工况和传感器位置）。初始代码采用了CNN-LSTM模型，但存在严重的数据处理缺陷，可能导致虚假的高准确率。本文将剖析问题，并提出一套科学、可靠的训练与验证策略。
二、原始代码的“致命伤”
2.1 数据泄露根源
原始代码使用train_test_split直接打乱所有滑动窗口进行划分。
问题：同一个Sheet（例如六分力_沥青路面_60kph_第1次_左前）切出的窗口有50%重叠，这些窗口高度相似。若这些窗口一部分在训练集、一部分在测试集，模型相当于“提前看过答案”。
后果：测试准确率虚高（可能>95%），但无法泛化到全新实验。
2.2 忽视传感器空间相关性
四个传感器安装在车辆不同位置，同一时刻的数据具有物理关联（振动传播时间差）。原始代码将每个传感器数据视为独立样本，丢失了“前后左右”的空间相位差信息——而这恰恰是区分刚性与柔性路面的关键特征。
2.3 车速干扰未解耦
两次实验的车速范围可能不同（如第一次40-60kph，第二次20-80kph）。若模型仅依赖振动幅值，可能沦为“车速分类器”，而非路面分类器。
三、三大改进策略
策略一：跨实验泛化验证（最推荐）
-
做法：用第一次实验的所有数据训练，用第二次实验的所有数据测试（或反过来）。
-
优势：完全杜绝数据泄露，真实模拟“未来新实验”场景。
-
适用性：你的两次实验是天然的独立分割。
-
关注点：若测试准确率骤降（如<70%），说明模型过拟合车速/环境因素，需考虑频域特征或数据增强。
策略二：留一工况法
-
做法：按Sheet名称分组，例如将*_60kph_*的工况作为测试集，其余工况（40kph、S线等）训练。
-
目的：检验模型对车速、操纵方式的鲁棒性。
-
结果解读：若在未见车速上表现差，则模型依赖于幅值，应改用功率谱密度（PSD）或小波包能量等与车速无关的特征。
策略三：全量数据 + 分组K折
-
做法：合并两次实验，但使用GroupKFold，将文件路径+Sheet名作为组别。确保同一Sheet的所有窗口同属一个折。
-
适用：数据量较少时，可最大化利用数据，同时保持严格划分。
进阶：多传感器融合（强烈建议）
将四个传感器的12个通道（4×3）作为模型的输入特征，即窗口形状为(128, 12)。修改模型input_channels=12。这样CNN能自动提取跨传感器的时空模式，物理意义更明确。
四、代码修改实战（基于策略一）
4.1 定义带分组信息的窗口切分函数
def create_windows_with_groups(data_list, window_size, stride):
X_list, y_list, group_list = [], [], []
for values, label, name in data_list:
n = len(values)
if n < window_size:
continue
starts = range(0, n – window_size + 1, stride)
for start in starts:
X_list.append(values[start:start+window_size])
y_list.append(label)
group_list.append(name) # 使用Sheet名作为组ID
return np.array(X_list), np.array(y_list), np.array(group_list)
4.2 修改主流程的划分逻辑
from sklearn.model_selection import GroupShuffleSplit
# 分别加载两个文件
file1_data = load_and_label_data(Config.FILE1)
file2_data = load_and_label_data(Config.FILE2)
# 分别切分窗口（不混合）
X_train, y_train, groups_train = create_windows_with_groups(file1_data, Config.WINDOW_SIZE, Config.STRIDE)
X_test, y_test, _ = create_windows_with_groups(file2_data, Config.WINDOW_SIZE, Config.STRIDE)
# 从训练集中划分验证集（按组划分，防止同一个Sheet的窗口出现在训练和验证）
gss = GroupShuffleSplit(n_splits=1, test_size=Config.VAL_SIZE/(1-Config.TEST_SIZE), random_state=42)
train_idx, val_idx = next(gss.split(X_train, y_train, groups=groups_train))
X_train_final, y_train_final = X_train[train_idx], y_train[train_idx]
X_val, y_val = X_train[val_idx], y_train[val_idx]
# 注意：此处不再使用原始X_temp等变量
4.3 标准化与训练（其余代码不变）
标准化依然用训练集拟合，变换验证集和测试集，保持一致性。
4.4 多传感器融合（额外可选）
若想融合12通道，只需在加载数据时，将同一时刻四个传感器的x,y,z拼接成12维向量，然后切分窗口。这需要修改load_and_label_data或额外写一个merge_sensors_data函数，将四个传感器的相同Sheet合并对齐（根据时间戳匹配）。
五、训练与评估的关键观察指标
-
混淆矩阵：重点关注湿滑路面（正例）的召回率。若召回率低，说明模型对湿滑信号敏感度不足。
-
按Sheet统计预测概率：将测试集中每个Sheet的所有窗口预测概率取平均，观察其一致性。若某个Sheet的窗口预测概率在0.4~0.6之间波动，说明模型对该工况置信度低，可能需增加该类样本。
-
AUC值：优于准确率，尤其类别不均衡时。
六、结论
切勿混洗窗口划分数据集——必须按独立实验或工况分组。
优先采用跨实验验证，这是最接近真实部署的评估方式。
传感器融合是提升泛化能力的捷径，利用多通道时空信息。
若车速影响显著，引入频域特征（FFT、小波包）或速度归一化。
通过以上改进，你将获得真正可信的路面识别模型。代码框架本身质量很高，只需调整数据处理和划分策略，即可发挥CNN-LSTM的强大能力。
