醫學信號的特徵提取是從生理信號（例如心電圖、腦電圖、生理監測等）中提取有用的信息，以幫助醫學診斷、疾病監測和治療。下面是一些常用的醫學信號特徵提取方法：

1. 時域特徵提取：
   • 平均值（Mean）：信號數值的平均值。
   • 方差（Variance）：信號數值的變化程度。
   • 標準差（Standard Deviation）：方差的平方根，用於衡量數值的離散程度。
   • 最大值和最小值：信號的最大值和最小值。
   • 脈衝計數（Pulse Count）：信號中的峰值數量。
   • 脈衝間隔（Inter-pulse Interval）：相鄰脈衝之間的時間間隔。
2. 頻域特徵提取：
   • 快速傅立葉變換（Fast Fourier Transform, FFT）：將信號轉換成頻域，以獲取頻率分量的信息。
   • 功率譜密度（Power Spectral Density, PSD）：衡量信號在不同頻率上的能量分佈。
   • 頻率成分：主要頻率成分或波形的頻率特性。
   • 頻域統計特徵：例如頻域中的平均功率、中位數等。
3. 時-頻域特徵提取：
   • 短時傅立葉變換（Short-Time Fourier Transform, STFT）：用於分析信號在時間和頻率上的變化。
   • 維度約化方法，如小波變換（Wavelet Transform）：用於提取信號中的時間-頻率特徵。
4. 非線性特徵提取：
   • 數值特徵，如峰值指數（Fractal Dimension）：用於描述信號的自相似性和複雜性。
   • 非線性動力學分析，如最大李雅普諾夫指數（Maximal Lyapunov Exponent）：用於描述信號的混沌性質。
5. 生理學特徵：
   • 基於生理學知識的特徵提取，例如心臟心電圖中的ST段抬高、T波倒置等。
6. 機器學習提取方法：
   • 使用機器學習算法，如支持向量機（Support Vector Machine）、神經網絡等，將原始信號轉換成高級特徵。
   • 主成分分析（Principal Component Analysis, PCA）：用於減少特徵維度和提取主要特徵成分。
7. 深度學習提取方法：
   • 使用深度學習模型，如卷積神經網絡（Convolutional Neural Networks, CNN）或遞歸神經網絡（Recurrent Neural Networks, RNN），直接從原始信號中學習特徵表示。

選擇特徵提取方法通常取決於信號的類型、研究目標和可用數據。特徵提取可以從中獲取有用的信息並作出適當的醫學決策。