我将电信号表示为 2（内部）d 数据。每个数据点的格式为(<timestamp>, <power_value>)。我希望能够区分信号窗口可以属于的 4 种不同状态。

为了让您更好地理解，这里有一个信号看起来如何的例子

在这里，我们可以看到代表的所有 4 个不同的状态。

• 关闭- 信号完全静止并且在这种情况下其幅度低于标准偏差。你可以在剧情结束前看到一小部分

• 空闲- 当信号静止但其幅度接近平均水平时。就像在剧情的开始。

• 待机- 信号有一些明显变化的区域，例如在第二个尖峰之后。

• 开- 变化多且频率高的区域

我希望能够确定指定长度窗口（长度也是必须讨论的）属于哪些状态。

到目前为止，我所做的非常简单，而且有点业余。我只使用两个特征训练了一个随机森林，一个窗口的平均值和一个窗口的方差。为了运行分类，我在滑动窗口上应用分类，并且每次标记第一个数据点。

我开始这样做是因为起初分类必须能够区分 3 种状态（关闭、空闲、开启），即使使用这些简单的统计特征也很容易。我什至可以纠正一个简单的 if-then-else 而不是训练决策树，结果将同样准确，因为这三个状态对于这些特征具有非常不同的值。但是随着添加第四个状态，分类器会失败很多。这很正常。在上面的图片中可能没有很好地描述它，但Stand-By和On，在特定区域，有一些共同的方差和平均值。

我对采用模式匹配方法不感兴趣，尽管这可以有力地解决所有这些问题，但这也意味着我必须创建一组参考模式，这会产生许多不同的含义。

我正在寻找的是一组功能，使我能够有效地区分这些状态。首先，您认为这可能吗？

我的理解告诉我，也许一组频域特征可以提高准确性。我只使用过一次这样的功能（MFCC），用于音频分类，但这不适用于这种情况。

如果您认为这是可能的，您能否推荐一组可以尝试的功能，或者向我指出您认为非常适合这种情况的研究？

更新

在 MikeP 的建议之后，我使用 Octavespecgram和默认参数创建了一个频谱图

这是信号的一个实例

这是光谱图

更新2

在解决这个问题几天后，我设法取得了一些进展。我尝试了不同的功能集并添加了一些新功能。

我所做的是通过添加偏度和峰度来扩展我的统计特征。我还通过添加与参考模式（每个状态之一）的 dtw 距离来转向更多模式匹配方法。最后一步大大改善了滑动窗口分类的结果。

我的问题仍然在于我用于分类的滑动技术，因为每次窗口落入中间（也未标记）情况时，分类器都很难断定它看到的是什么。

我现在要做的是使用 SVM 而不是带有多项式内核（4 级）的 RandomForests。我正在使用scikit-learn实现。问题是分类器总是将数据分类为state_3。我想我在施加某种偏见，但我不知道为什么以及如何。你有什么想法可能会出错吗？

为了了解标记的外观，这里有一些标记的信号实例

更新3

我没有使用多项式内核，而是为 SVM 使用了线性内核，并且分类器工作正常。实际上，我得到了迄今为​​止最好的结果。我可能需要额外工作以使整个分类管道更高效，因为 svm 和额外的特征提取使一切变得非常缓慢