《PLOS One》：Research on automatic segmentation method of microseismic monitoring signal under low signal-to-noise ratio conditions
编辑推荐：
针对低信噪比条件下微地震信号检测精度降低、事件边界识别困难的问题，研究人员提出了一种融合压缩-激励（Squeeze-and-Excitation, SE）注意力机制的微地震信号自动分割模型SEU-Net。该模型在U-Net编码器中嵌入SE模块，通过通道特征的自
针对低信噪比条件下微地震信号检测精度降低、事件边界识别困难的问题，研究人员提出了一种融合压缩-激励（Squeeze-and-Excitation, SE）注意力机制的微地震信号自动分割模型SEU-Net。该模型在U-Net编码器中嵌入SE模块，通过通道特征的自适应重标定增强与微地震事件边界相关的特征响应；同时采用时序信号维数扩展方法，将一维波形转换为适合二维卷积网络输入的格式，从而实现微地震事件起止时间的端到端检测。基于岩石单轴压缩声发射试验数据的验证结果表明，SEU-Net在测试集上的整体分割精度达98.97%，较U-Net提升约1个百分点；在信噪比（Signal-to-Noise Ratio, SNR）为5 dB条件下，起始点与终止点检测误差落在0–5个采样点范围内的样本占比分别为79.98%和89.93%。与EQTP相比，SEU-Net的起始点F1分数为88.88%，交并比为79.98%，分别高于EQTP的86.81%和76.69%。误差分布及各项评价指标表明，SEU-Net在噪声干扰下仍能保持较高的事件边界检测精度。基于检测结果的三维震源定位显示，SEU-Net对应震源的空间分布更为集中，且与试验试件的实际破裂演化过程一致。该方法为低信噪比复杂岩体工程环境中微地震信号自动检测与震源定位提供了技术支持。
微地震监测技术是岩体工程灾害预警的核心环节，通过连续采集岩体破裂产生的弹性波信号并进行处理解释，可实现震源定位与能量计算，进而对岩爆、冒顶等灾害进行预防和预警。信号拾取精度直接决定震源定位与能量计算的准确性。然而，低信噪比条件下非平稳噪声会显著降低微地震信号检测精度，并使事件边界识别变得困难。传统自动拾取方法如短时平均/长时平均（Short-Term Average/Long-Term Average, STA/LTA）和赤池信息准则（Akaike Information Criterion, AIC）虽经多种改进，但在复杂多波干扰和强背景噪声场景下，其稳定性和适应性仍存在根本性瓶颈。近年来，深度学习被广泛应用于微地震信号处理，卷积神经网络（Convolutional Neural Network, CNN）和U-Net等模型被引入事件检测与到时拾取，但现有卷积网络难以充分满足时序信号的多尺度特征提取要求，一维卷积在表达信号突变边界方面存在不足，标准U-Net也缺少通道维度的自适应特征选择机制，难以在噪声环境下有效区分有效信号与噪声特征。因此，研究人员提出了基于压缩-激励（Squeeze-and-Excitation, SE）注意力机制的SEU-Net模型，从时序特征选择与边界强化建模角度解决上述问题。
研究人员以U-Net编码器-解码器为整体架构，在编码器中嵌入SE注意力模块，通过压缩、激励、重标定三个步骤显式建模特征通道间的依赖关系，自适应增强与微地震信号突变相关的通道权重并抑制背景噪声响应。为解决一维微地震信号与标准U-Net输入格式不匹配的问题，研究人员在数据预处理阶段利用TensorFlow的tf.newaxis接口对一维序列进行维数扩展，使其满足二维卷积网络输入要求，从而实现微地震事件起止时间的端到端准确拾取。训练过程中采用加权二元交叉熵损失，并引入岩性级样本权重机制，以缓解数据集岩性分布不均衡导致的跨岩性泛化偏差。基于岩石单轴压缩声发射试验数据的验证表明，SEU-Net在测试集上的整体分割精度为98.97%，较U-Net提升约1个百分点；在信噪比为5 dB条件下，起始点和终止点检测误差落在0–5个采样点范围内的样本占比分别为79.98%和89.93%；与EQTP模型相比，SEU-Net的起始点F1分数为88.88%，交并比为79.98%，高于EQTP的86.81%和76.69%。误差分布及多种评价指标均显示，SEU-Net在噪声干扰下仍能保持较高的事件边界检测精度。基于检测结果的三维震源定位显示，SEU-Net对应震源的空间分布更集中，并与试验试件实际破裂演化过程一致。该方法为低信噪比复杂岩体工程环境中的微地震信号自动检测与震源定位提供了技术支撑。
研究人员开展研究用到的主要关键技术方法包括：在U-Net编码器中嵌入SE注意力模块，通过全局平均池化、双层全连接激励和通道权重重标定实现自适应特征增强；采用tf.newaxis将一维波形扩展为三维张量，并使用(3,1)各向异性卷积核沿时间轴卷积；使用加权二元交叉熵损失和岩性级样本权重处理数据不平衡；按试件独立性划分训练集、验证集和测试集（8:1:1）。数据来源为研究团队开展的岩石单轴压缩声发射试验，共包括煤、水泥砂浆、砂岩三类试件的8100个有效微地震波形样本，其中煤1242个、水泥砂浆6528个、砂岩330个。
3.1 模型收敛性分析：研究人员基于TensorFlow框架搭建并训练SEU-Net，采用Adam优化器，批次大小为32，初始学习率为0.001，迭代次数为40。训练集损失从0.25快速下降，验证集损失与训练损失同步下降并在第23轮后收敛稳定；训练集精度在前10轮从85.4%上升至98.3%，第25轮后曲线趋于稳定，最终收敛于约98.97%，表明模型具有良好的泛化能力和收敛稳定性。
3.2 无噪声与含噪声条件下的性能测试：在无噪声和低信噪比（SNR=5 dB）条件下，研究人员将SEU-Net与AIC、时间窗能量特征、斜率提取法、U-Net及先进模型EQTP进行对比。实验定义误差超出前50个采样点为误拾，误差落在前5个采样点内为拾取准确。结果显示，STA/LTA抗干扰能力最弱；AIC在无噪声环境中表现较好，但加噪后0–5区间样本数大幅下降；U-Net加噪后拾取精度下降约10个百分点，EQTP下降约5个百分点，而SEU-Net在5 dB噪声下起始点精度保持79.97%，终止点精度仅下降约4个百分点。SEU-Net在无噪声和含噪声条件下均取得最低的平均绝对误差（Mean Absolute Error, MAE）和均方根误差（Root Mean Square Error, RMSE），终止点RMSE分别为8.09 μs和9.84 μs，显著优于U-Net的13.49 μs和20.61 μs以及EQTP的11.22 μs和15.09 μs。5 dB噪声下SEU-Net起始点F1分数为88.88%，较无噪声状态仅下降0.95个百分点，而U-Net下降6.75个百分点；终止点误分类率仅为3.63%，低于EQTP的7.68%。模型在少数岩性砂岩样本上的拾取精度仍达96.2%，验证了其跨岩性泛化能力。波形特征对比显示，强噪声下AIC特征曲线模糊，U-Net在终止点处输出概率响应出现严重抖动并过早衰减，而SEU-Net的概率矩形曲线保持相对完整和稳定，能够准确捕获起始点和终止点。
4 实验室验证：为验证SEU-Net在实际岩石破裂微地震监测中的有效性和定位精度，研究人员开展了砂岩单轴压缩声发射监测试验。选用3个150 mm×150 mm×150 mm标准立方体砂岩试件，编号为1#、2#、3#，试件取自同一岩体。采用YAW6206微机控制电液伺服试验机，以0.3 mm/min的恒定加载速率进行位移控制加载；使用8通道声发射监测系统，布置6个传感器构成三维空间监测阵列，采样频率为3 MHz，前置放大器增益为40 dB。试验前通过断铅试验并利用迭代反演算法校正波速，确定该批砂岩试件的等效P波波速。
4.1 数据处理与分析：研究人员分别采用声发射内置软件、AIC方法、标准U-Net和SEU-Net处理试验采集的微地震事件，并基于定位结果绘制三维震源空间分布图，与试件实际破裂特征进行对比。试件破坏表现为单轴压缩下的典型压剪破坏：ACEG面出现明显贯通主裂纹，试件中部存在向右上扩展的微裂纹分支。声发射内置软件定位事件点空间分散，主要集中于试件左前下方，未能形成清晰能量聚集区，无法反映实际破裂路径；AIC和U-Net的定位结果主要分布于EG线右侧中下部，顶部事件与宏观竖向裂纹对应较好，U-Net显示出向右扩展的裂纹趋势；SEU-Net的定位事件空间聚集性和连续性更好，高能事件密集分布于试件中部及主破裂区附近，并沿潜在裂纹扩展方向呈条带状分布，与实际破裂演化过程更为一致。
5 讨论：本研究数据来自实验室单轴压缩声发射试验，该条件下声发射信号频带较高、噪声成分相对简单、传播路径可控；而矿山及岩土工程现场微地震信号受复杂地质结构、非平稳背景噪声和机械噪声共同影响，波形具有显著复杂性和非平稳性。研究人员在受控实验室环境中验证了基础方法，确认SEU-Net在低信噪比条件下信号分割和初至检测的可行性与有效性，为后续工程实施奠定技术基础。后续研究将建立面向工程场景的迁移学习机制，采集矿山现场微地震监测数据并对预训练模型进行微调；开展系统性现场试验，验证模型在真实复杂噪声环境下的检测稳定性与震源定位精度；探索多通道、多分量数据的联合反演与智能处理技术，以推动该技术在复杂工程场地的大规模智能化应用。
研究结论可归纳为以下三点：第一，基于U-Net编码器-解码器结构提出SEU-Net模型，通过嵌入SE注意力模块显式建模特征通道间的依赖关系，实现对微地震信号突变有效特征的自适应增强和背景噪声特征的抑制；通过一维时间维度扩展解决输入格式不匹配问题，发挥二维卷积多尺度特征提取优势，增强信号表示能力。第二，SEU-Net在低信噪比条件下表现出优异的噪声鲁棒性和拾取稳定性，模型训练过程收敛平稳，测试集拾取精度为98.97%；在信噪比为5 dB的测试中，事件起始点和终止点的拾取精度分别保持79.98%和89.93%，较基准U-Net高约10个百分点；概率曲线分析表明，该机制有效克服了传统模型在强噪声条件下存在的特征滞后和信号过早衰减问题。第三，在砂岩单轴压缩试验中，基于该方法所得结果进行震源定位，可准确刻画岩体内部损伤演化过程，具有良好的工程应用价值。
