论信号处理与机器学习的交叉：一种用例驱动的分析方法

传感、测量和计算技术的最新进展显著扩展了基于信号的应用潜力，利用信号处理与机器学习（ML）之间的协同作用来提高性能和可靠性。这种融合代表了基于信号的系统演进中的一个关键节点，凸显了弥合这两个交叉学科领域之间现有知识鸿沟的必要性。尽管现有文献中有许多尝试来弥合这一鸿沟，但大多数仅限于特定应用，并主要关注特征提取，通常假设读者具备广泛的信号处理先验知识。这一假设对广大读者构成了重大障碍。为应对这些挑战，本文采用了一种综合文章方法。它首先提供了一个关于信号处理基础的详细教程，为读者提供必要的背景知识。随后，它探索了基于信号处理的标准 ML 流水线的关键阶段，深入回顾了特征提取技术、其固有挑战及解决方案。与现有文献不同，本工作提供了一种独立于应用的综述，并为特征提取技术引入了一种新颖的分类法。此外，它旨在将理论概念与实际应用联系起来，并通过两个具体用例加以展示：一种用于滚动轴承状态监测的基于频谱的方法，以及一种使用 EEG 信号进行癫痫检测的小波能量分析。除了理论贡献，本工作还通过提供一个相关的 Python 和 MATLAB 信号处理代码的公共仓库来促进协作研究文化。这一努力旨在支持协作研究工作并确保所呈现结果的可复现性。