Python 使用哈尔小波变换提取信号特征

要使用哈尔小波变换 (Haar wavelet transform) 提取信号特征，可以使用 'pywt' 库进行哈尔小波变换。

以下是一个示例代码，用于读取信号数据，进行哈尔小波变换，并提取信号特征：

import numpy as np
import matplotlib.pyplot as plt
import pywt

# 生成示例信号
t = np.linspace(0, 1, 1000)
signal = np.sin(40 * np.pi * t) + np.sin(90 * np.pi * t)

# 进行哈尔小波变换
coeffs = pywt.wavedec(signal, 'haar', level=5)

# 提取特征
feature = coeffs[0]

# 绘制信号及特征图
plt.subplot(2, 1, 1)
plt.plot(t, signal)
plt.xlabel('时间')
plt.ylabel('信号')
plt.title('原始信号')

plt.subplot(2, 1, 2)
plt.plot(np.arange(len(feature)), feature)
plt.xlabel('尺度')
plt.ylabel('特征')
plt.title('提取的特征信号')

plt.tight_layout()
plt.show()

在此示例代码中，我们首先生成一个示例信号。然后，使用 pywt.wavedec 函数对信号进行哈尔小波变换，得到小波系数。这些小波系数中的第一个系数是近似系数，代表信号的低频成分。我们选择提取这个近似系数作为特征。最后，我们绘制了原始信号及提取的特征信号。

你可以将示例代码中的 signal 替换为你的实际信号数据，使用 pywt.wavedec 对实际信号进行哈尔小波变换，并选择适当的小波系数作为特征来提取。

希望这个示例能满足你的需求！如果还有其他问题，请随时提问。