Answers:
有关DFT和DWT上的节能功能的研究,请参阅Morchen03
Emile,我认为您的答案中列出的功能是一个很好的起点,尽管与往常一样,我认为关于您的问题的某些领域专业知识(或至少是长期的思考)同样重要。
您可能要考虑包括根据信号的导数(或积分)计算出的特征。例如,我敢打赌,快速加/减速是容易发生事故的合理预测指标。该信息显然仍存在于位置信号中,但远没有那么明确。
您可能还需要考虑用小波或小波包表示替换傅立叶系数。小波的主要优点是,它们允许您在频率和时间上定位特征,而传统的傅里叶系数仅限于时间。如果您的数据包含不规则地打开/关闭的组件或方波状脉冲(对于傅立叶方法可能是有问题的),这可能特别有用。
根据时间序列的长度,通常的方法是将数据划时代,例如10秒。
但是,通常在将时间序列划分为段之前,有必要执行一些预处理,例如过滤和伪像抑制。然后,您可以计算各种特征,例如基于频率的特征(即每个时期进行FFT),时间(例如该时期中时间序列的均值,方差等)或形态(例如信号的形状) /时间序列)。
通常,用于对时间序列/信号的片段(纪元)进行分类的功能是特定于域的,但小波/傅立叶分析只是允许您在频域/时频域中检查信号的工具,而不是其本身的功能。
在分类问题中,每个纪元都有一个类别标签,例如“ happy”或“ sad”,然后您将训练分类器,以使用为每个纪元计算的6个特征来区分“ happy”和“ sad”纪元。
如果每个时间序列代表一个分类案例,则需要计算时间序列的所有样本中的每个特征。FFT仅在信号为线性时不变(LTI)的情况下才有意义,即,如果可以将信号视为在整个时间序列上都是固定的,则如果信号在感兴趣的时间段内不是固定的,则可以进行小波分析更合适。这种方法将意味着每个时间序列将产生一个特征向量,并将构成一个分类案例。