Задача данной работы – построение метода анализа записей сигналов группы станций, полученных в ходе микросейсмического мониторинга с использованием нейронной сети с целью выделения моментов первых вступлений. Новизна предлагаемого метода заключается в использовании Wavelet Scattering для выделения признаков, что существенно упрощает процесс обучения модели по сравнению с традиционно применяемыми свёрточными нейронными сетями. Использованная в модели архитектура Transformer позволила реализовать обмен информацией между произвольным числом принимающих станций и, тем самым, определять времена вступлений на отдельных станциях на основе информации всей группы. Обучение модели проводилось на полностью синтетических данных. Такой подход по сравнению с обучением на реальных данных может позволить получить модель с лучшей обобщающей способностью, так как синтетические данные отражают механику процесса возникновения и распространения упругих колебаний и при этом не искажены локальными условиями и особенностями регистрации сигналов. Исследован ряд стратегий аугментации (модификации данных обучающей выборки) путём наложения шума с целью увеличения устойчивости модели к шуму. Наилучшее соотношение устойчивости к шуму и точности модели было получено при наложении Гауссовского шума со случайным стандартным отклонением. Результаты работы могут быть использованы при построении моделей глубокого обучения, обучаемых как на синтетических, так и на реальных сейсмических записях.