从原始波形中提取特征值是信号处理中的关键步骤，通常用于模式识别、分类或分析任务。以下是常见的特征提取方法：

1. 时域特征

均值：波形的平均值，反映信号的直流分量。

方差/标准差：反映信号的波动程度。

峰值：波形的最大值或最小值。

均方根值（RMS）：反映信号的能量。

过零率：信号通过零点的次数，常用于语音信号分析。

2. 频域特征

傅里叶变换（FFT）：将时域信号转换为频域，提取频率成分。

功率谱密度（PSD）：反映信号在不同频率上的能量分布。

频带能量：将频域信号划分为多个频带，计算每个频带的能量。

3. 时频域特征

短时傅里叶变换（STFT）：结合时域和频域信息，分析信号的时频特性。

小波变换：提供多分辨率分析，适合非平稳信号。

4. 统计特征

偏度：反映信号分布的对称性。

峰度：反映信号分布的尖锐程度。

熵：反映信号的复杂度或不确定性。

5. 其他高级特征

梅尔频率倒谱系数（MFCC）：常用于语音信号处理，提取人耳感知相关的特征。

线性预测系数（LPC）：用于语音信号建模。

6. 特征选择与降维

主成分分析（PCA）：降低特征维度，保留主要信息。

线性判别分析（LDA）：在降维的同时最大化类别可分性。

实施步骤

预处理：对原始波形进行滤波、去噪等操作。

特征提取：根据需求选择合适的特征提取方法。

特征选择：去除冗余特征，保留关键特征。

应用：将提取的特征用于分类、回归或其他任务。

工具与库

Python：使用numpy、scipy、librosa等库进行信号处理和特征提取。

MATLAB：提供丰富的信号处理工具箱。