时域特征提取

时域特征提取是在信号处理和模式识别领域中常用的一种方法，用于分析信号在时间上的变化特性。时域特征是指在信号的原始时序数据上直接计算得到的特征，而不需要进行频域转换或其他复杂的数学运算。时域特征提取通常用于语音识别、音频处理、生物信号分析、机器学习等领域。

常见方法和特征

1. 均值（Mean）： 信号的所有数值的平均值，表示信号的整体幅度水平。
2. 方差（Variance）： 信号数值的离散程度，用于描述信号的波动性。
3. 标准差（Standard Deviation）： 方差的平方根，也是一种衡量信号波动性的指标。
4. 最大值（Maximum）和最小值（Minimum）： 信号中的最大和最小数值。
5. 峰值（Peak）和峰-峰值（Peak-to-Peak）： 信号的最大振幅和最小振幅之间的差异。
6. 时域零交叉率（Zero Crossing Rate）： 信号过零点的频率，用于描述信号的波形特性。
7. 自相关（Autocorrelation）： 信号与其自身滞后版本之间的相关性，用于分析信号的周期性。
8. 时域能量（Energy）： 信号的能量大小，通常计算信号的平方和。
9. 时域熵（Entropy）： 描述信号复杂度和不规则性的指标。

程序实现

0. 确保提前安装NumPy库，使用以下命令进行安装：

   pip install numpy

   然后在程序中引入：

   import numpy as np

1. 准备一个数组：假设有一段10秒的电信号，单个样本采集时长为2秒，采集频率是20kHz，所以单个样本的采样长度为40000。即一共有5个样本，每个样本有40000条数据

   # 假设有一个时域信号，用一个NumPy数组表示
   signal = np.array([1, 2, 3, 2, 1, -1, -3, -4, -3, -1, 1, 3, 4, 3, 2, 1])

2. 具体实现

   # 计算均值
   mean_value = np.mean(signal)
   
   # 计算方差
   variance = np.var(signal)
   
   # 计算标准差
   standard_deviation = np.std(signal)
   
   # 计算最大值和最小值
   max_value = np.max(signal)
   min_value = np.min(signal)
   
   # 计算峰值
   peak_value = np.abs(max_value)
   
   # 计算峰峰值
   peak_to_peak_value = np.ptp(signal)
   
   # 计算过零率：找出signal数组中发生符号变化的位置，并返回这些位置的索引
   zero_crossings = np.where(np.diff(np.sign(signal)))[0]
   zero_crossing_rate = len(zero_crossings) / len(signal)
   
   # 计算自相关
   autocorrelation = np.correlate(signal, signal, mode='full')
   
   # 计算时域能量
   energy = np.sum(signal ** 2)
   
   # 计算时域熵
   histogram, _ = np.histogram(signal, bins=range(min(signal), max(signal) + 2))
   probabilities = histogram / len(signal)
   entropy = -np.sum([p * np.log2(p) for p in probabilities if p != 0])