fraunhoferportugal/tsfel

它解决了什么问题

TSFEL 简化了从时间序列数据中提取有意义特征的过程，这是为机器学习模型准备数据的关键步骤。用户无需手动实现数十种不同的数学公式，即可访问一个包含超过 65 种跨多个领域特征的集中式库。

运作方式

该库提供了一个高阶 API，允许用户定义想要提取的特征配置（例如按领域），然后将该配置应用于时间序列数据。它支持四个主要的分析领域：

• 统计 (Statistical)：基本指标，如平均值、方差和熵。
• 时间 (Temporal)：基于时间的模式分析，例如过零率和自相关。
• 频谱 (Spectral)：使用快速傅立叶变换 (FFT) 和小波变换等工具进行基于频率的分析。
• 分形 (Fractal)：对较长信号中复杂模式的分析，例如赫斯特指数 (Hurst exponent)。

目标对象

从事时间序列分析的数据科学家和研究人员，例如分析心电图 (ECG) 信号或用于人类活动识别 (HAR) 的传感器数据的人员。

特色亮点

• 全面的特征集：可访问超过 65 种涵盖统计、时间、频谱和分形领域的特征。
• 可重现的流水线：可以存储配置文件，以确保在不同数据集之间使用相同的提取过程。
• 计算成本估算：能够提前估算特征提取所需的时间。
• 可扩展性：用户可以轻松地将自己的自定义特征提取方法添加到库中。