Zaman serilerinizin uzunluğuna bağlı olarak, genel yaklaşım verileri bölümlere ayırmaktır, örneğin 10 sn.
Bununla birlikte, genellikle zaman serisini parçalara ayırmadan önce, filtreleme ve yapay ret gibi bazı ön işlemler yapmak gerekir. Daha sonra, frekansa dayalı olanlar (yani, her çağ için bir FFT alırsınız), zaman (örneğin, bu çağdaki zaman serisinin varyansı vb.) Veya morfoloji gibi çeşitli özellikleri hesaplayabilirsiniz (örneğin, sinyalin şekli). / her çağda zaman serisi).
Genellikle bir zaman serisinin / sinyalin bölümlerini (çağlarını) sınıflandırmak için kullanılan özellikler alana özeldir, ancak Wavelet / Fourier analizi, sinyallerinizi kendi içinde özelliklerden ziyade frekans / zaman-frekans alanlarında incelemenize izin veren araçlardır.
Bir sınıflandırma probleminde, her çağın 'mutlu' veya 'üzgün' bir sınıf etiketi olacaktır, daha sonra her çağ için hesaplanan 6 özelliği kullanarak 'mutlu' ve 'üzgün' çağlar arasında ayrım yapmak için bir sınıflandırıcı eğitirsiniz.
Her zaman serisinin sınıflandırma için tek bir durumu temsil etmesi durumunda, her bir özelliği zaman serisinin tüm örneklerinde hesaplamanız gerekir. FFT burada sadece sinyal doğrusal zamanla değişmeyen (LTI) ise, yani sinyal tüm zaman serileri boyunca durağan sayılırsa, eğer sinyal ilgilenilen süre boyunca durağan değilse, dalgacık analizi yapılabilir. daha uygun. Bu yaklaşım, her zaman serisinin bir özellik vektörü üreteceği ve sınıflandırma için bir durum oluşturacağı anlamına gelecektir.