Tùy thuộc vào độ dài của chuỗi thời gian của bạn, cách tiếp cận thông thường là ghi dữ liệu thành các phân đoạn, ví dụ 10 giây.
Tuy nhiên, thường trước khi chia chuỗi thời gian thành các phân đoạn, cần phải thực hiện một số tiền xử lý như lọc và từ chối giả. Sau đó, bạn có thể tính toán một loạt các tính năng, chẳng hạn như các tính năng dựa trên tần số (ví dụ: lấy FFT cho mỗi epoch), thời gian (ví dụ: trung bình, phương sai, v.v. của chuỗi thời gian trong epoch đó) hoặc hình thái, (tức là hình dạng của tín hiệu / chuỗi thời gian trong mỗi kỷ nguyên).
Thông thường các tính năng được sử dụng để phân loại các phân đoạn (epoch) của chuỗi thời gian / tín hiệu là dành riêng cho miền nhưng phân tích Wavelet / Fourier chỉ là các công cụ để cho phép bạn kiểm tra tín hiệu của mình trong các miền tần số / tần số thời gian chứ không phải là các tính năng.
Trong một vấn đề phân loại, mỗi kỷ nguyên sẽ có nhãn lớp, ví dụ 'vui' hoặc 'buồn', sau đó bạn sẽ huấn luyện một trình phân loại để phân biệt giữa kỷ nguyên 'vui' và 'buồn' bằng cách sử dụng 6 tính năng được tính cho mỗi kỷ nguyên.
Trong trường hợp mỗi chuỗi thời gian biểu thị một trường hợp duy nhất để phân loại, bạn cần tính toán từng tính năng trên tất cả các mẫu của chuỗi thời gian. FFT chỉ có liên quan ở đây nếu tín hiệu là bất biến thời gian tuyến tính (LTI), nghĩa là nếu tín hiệu có thể được coi là đứng yên trong toàn bộ chuỗi thời gian, nếu tín hiệu không đứng yên trong khoảng thời gian quan tâm, phân tích sóng con có thể thích hợp hơn Cách tiếp cận này có nghĩa là mỗi chuỗi thời gian sẽ tạo ra một vectơ đặc trưng và sẽ tạo thành một trường hợp để phân loại.