Dependendo da duração da sua série temporal, a abordagem usual é colocar os dados em segmentos, por exemplo, 10 segundos.
No entanto, muitas vezes antes de dividir a série temporal em segmentos, é necessário executar algum pré-processamento, como filtragem e rejeição de artefato. Você pode calcular uma variedade de recursos, como os baseados na frequência (por exemplo, faça uma FFT para cada época), tempo (por exemplo, média, variação etc. das séries temporais naquela época) ou morfologia (por exemplo, a forma do sinal / séries temporais em cada época).
Geralmente, os recursos usados para classificar segmentos (épocas) de uma série temporal / sinal são específicos do domínio, mas a análise Wavelet / Fourier são simplesmente ferramentas para permitir que você examine seu sinal nos domínios de frequência / tempo-frequência, em vez de serem características em si.
Em um problema de classificação, cada época terá um rótulo de classe, por exemplo, 'feliz' ou 'triste', você treinará um classificador para distinguir entre 'feliz' e 'triste', usando os 6 recursos calculados para cada época.
No caso de cada série temporal representar um único caso para classificação, você precisa calcular cada recurso em todas as amostras da série temporal. A FFT é relevante aqui apenas se o sinal for invariante no tempo linear (LTI), ou seja, se o sinal puder ser considerado estacionário ao longo de toda a série temporal, se o sinal não for estacionário durante o período de interesse, uma análise de wavelet pode ser mais apropriado. Essa abordagem significará que cada série temporal produzirá um vetor de característica e constituirá um caso para classificação.