利用matlab提取出频域和时域信号的29个特征，主运行文件feature_extraction，fre_statistical_compute和time_statistical_compute分别提取频域和时域的特征，生成的29个特征保存在生成的feature矩阵中。

目前支持进行提取的特征包括： 1.max ：最大值 2.min ：最小值 3. mean ：平均值 4.peak ：峰峰值 5.arv ：整流平均值 6.var ：方差 7.std ：标准差 8.kurtosis ：峭度 9.skewness ：偏度 10.rms ：均方根 11.waveformF ：波形因子 12.peakF ：峰值因子 13.impulseF ：脉冲因子 14.clearanceF：裕度因子 15.FC：重心频率 16.MSF：均方频率 17.RMSF：均方根频率 18.VF：频率方差 19.RVF：频率标准差 20.SKMean：谱峭度的均值 21.SKStd：谱峭度的标准差 22.SKSkewness：谱峭度的偏度 23.SKKurtosis：谱峭度的峭度 function fea = genFeatureTF(data,fs,featureNamesCell) % 时域、频域相关算法的信号特征提取函数

本实验要求掌握时域特征分析原理并利用已学知识，编写程序求解语音信号的短时过零率、短时能量、短时自相关特征，分析实验结果，并能掌握借助时域分析方法所求得的参数分析语音信号的基音周期及共振峰。

基于时域特征模式识别的牵引传动系统实时故障诊断

表面肌电信号处理的matlab程序，包括带通滤波、50Hz陷波滤波程序，以及计算时域、频域的指标iMEG、RMS ， MF、MPF

针对目前智能手机识别人体运动状态种类少、准确率低的问题，提出一种利用加速度传感器和重力传感器分层识别人体运动状态的方案。首先，利用加速度和重力加速度的关系计算出与手机方向无关的惯性坐标系下的线性加速度；其次，根据人体运动频率的变化范围和线性加速度矢量来确定脚步的波峰和波谷位置；最后，提取线性加速度在时域上的特征向量，使用层次支持向量机方法分层识别人体运动状态。实验结果表明，该方法能有效识别人体6种日常运动状态，准确率达到93.37%。

MATLAB的轴承故障时域特征和频域特征提取

震动信号时域特征提取，

样本熵，近似熵，能量熵及包括峰值、峭度、形态分布16种时域信号特征

在多数的现代语音识别系统中，人们都会用到时域域特征。梅尔频率倒谱系数（MFCC）,首先计算信号的功率谱，然后用滤波器和离散余弦变换的变换来提取特征。