您提供的示例在持续时间和幅度上看起来彼此相似，因此标准化可能不是问题。但是请考虑您是否将始终比较相同的持续时间，以及您是要比较时间序列中的相对变化还是绝对变化。可以通过标准化系列来测量相对变化，以便将第一个值（起点）设置为 0。根据您的问题，这可能值得考虑。

其次，考虑某种平滑算法来消除数据中的一些抖动。示例包括指数加权移动平均线或二阶Holt-Winters EWMA。

评论中的建议很好……无论是通过 FFT 进行傅里叶变换还是转向小波公式都很有趣，但就（时间空间中）的数据量相等而言，它们仍然是一对一的输出的数据量（在频率空间中）。

我建议首先包括原始数据或原始数据的下采样以及一些附加特征，例如曲线下面积、最大值、最小值。我会远离放大数据抖动的程序（如导数），而使用那些减少抖动的程序（如积分）。

一个不错的选择，隐式平滑将是对您的数据进行运行积分，然后绘制运行积分而不是值本身。这不需要先验平滑并且仍然是确定性的。

在此之后，我建议进行一大堆特征提取/特征工程，然后尝试LASSO 回归以挑选出最有用的特征。

一些特征工程的想法包括：

• 通过 FFT 进行傅里叶变换
• 可能只保留从上面的 n (~10) 个最大的傅立叶模式，而不是完整的集合。
• 您的数据的积分。
• 分钟。
• 最大限度。
• 过零次数。

由于时间序列数据的随机性，建议查看二阶导数变化的数量很难。斜率（导数）非常广泛，很大程度上取决于应用了多少平滑以及如何对数据进行采样。