Dependiendo de la duración de su serie temporal, el enfoque habitual es dividir los datos en segmentos, por ejemplo, 10 segundos.
Sin embargo, a menudo antes de dividir la serie temporal en segmentos, es necesario realizar un preprocesamiento como el filtrado y el rechazo de artefactos. Luego puede calcular una variedad de características, como las basadas en la frecuencia (es decir, tomar una FFT para cada época), el tiempo (p. Ej., La media, la varianza, etc. de las series de tiempo en esa época) o la morfología (es decir, la forma de la señal / series temporales en cada época).
Por lo general, las características utilizadas para clasificar los segmentos (épocas) de una serie temporal / señal son específicas del dominio, pero el análisis Wavelet / Fourier son simplemente herramientas para permitirle examinar su señal en los dominios de frecuencia / tiempo-frecuencia en lugar de ser características en sí mismas.
En un problema de clasificación, cada época tendrá una etiqueta de clase, por ejemplo, 'feliz' o 'triste', luego entrenaría a un clasificador para distinguir entre las épocas 'feliz' y 'triste' utilizando las 6 características calculadas para cada época.
En el caso de que cada serie temporal represente un caso único para la clasificación, debe calcular cada característica en todas las muestras de la serie temporal. La FFT solo es relevante aquí si la señal es invariante en el tiempo lineal (LTI), es decir, si la señal se puede considerar estacionaria durante toda la serie temporal, si la señal no es estacionaria durante el período de interés, se puede realizar un análisis wavelet más apropiado. Este enfoque significará que cada serie temporal producirá un vector de características y constituirá un caso para la clasificación.