В зависимости от длины вашего временного ряда, обычный подход состоит в том, чтобы разделять данные на сегменты, например, 10 секунд.
Однако часто перед разбиением временного ряда на сегменты необходимо выполнить некоторую предварительную обработку, такую как фильтрация и отклонение артефактов. Затем вы можете вычислить различные особенности, такие как те, которые основаны на частоте (то есть взять FFT для каждой эпохи), времени (например, среднее значение, дисперсия и т. Д. Временных рядов в этой эпохе) или морфологии (то есть форма сигнала / временные ряды в каждую эпоху).
Обычно функции, используемые для классификации сегментов (эпох) временного ряда / сигнала, зависят от конкретной области, но вейвлет / фурье-анализ - это просто инструменты, позволяющие вам исследовать ваш сигнал в частотной / частотно-временной области, а не сами по себе.
В задаче классификации каждая эпоха будет иметь метку класса, например, «счастливый» или «грустный», затем вы обучите классификатор различать «счастливые» и «грустные» эпохи, используя 6 функций, рассчитанных для каждой эпохи.
В случае, если каждый временной ряд представляет отдельный случай для классификации, вам необходимо рассчитать каждый объект по всем выборкам временного ряда. БПФ здесь имеет значение только в том случае, если сигнал является линейным инвариантом времени (LTI), т. Е. Если сигнал можно считать стационарным на протяжении всего временного ряда, если сигнал не является стационарным в течение интересующего периода, вейвлет-анализ может быть более подходящий. Этот подход будет означать, что каждый временной ряд будет производить один вектор признаков и будет представлять собой один случай для классификации.