用途：在信号分析或机器学习训练前，对原始信号做条件化、加载、准备与标注。相关辅助函数位于 Signal Processing Toolbox，而非统计与机器学习工具箱或通用字符串工具。整体流程为：清洗原始信号 → 将文件夹加载为数据存储 → 标注 → 划分/分帧 → 交接给 trainnet。
主要能力：单信号清洗（填补缺失、去趋势、去异常、去噪、统一时间基准、多通道对齐）；为机器学习训练加载与准备数据（数据存储、从文件名或文件夹生成标签、分层划分、分帧、并行处理）；结构化标注（labeledSignalSet，支持 Signal Labeler 各类标签）。
使用方式：按任务进入对应工作流文件，例如修复缺失样本、去趋势/平滑/去异常、对齐多速率或偏移通道、统一采样率、小波去噪、包络提取、加载+标注+划分、长信号分帧与逐帧标签、标注与导出、并行处理、自定义 ReadFcn、交接给 trainnet。优先使用高层函数（detrend、smoothdata、fillmissing、resample），仅在需要高层调用无法提供的控制或用户要求时，才降到 designfilt+filtfilt、sgolayfilt 等低层路径。交付物应是可保存、可版本化、可重跑的 .m 脚本，而非工作区状态。
适用场景：分析前清洗单信号；为训练准备信号数据；结构化标注与导出；跨 parpool 的逐信号并行处理。
限制：不用于有 Audio Toolbox 时的原始 .wav 音频分类（应走 audioDatastore）；不用于频率选择性滤波器设计（见 matlab-design-digital-filter）；不用于从已条件化信号计算逐帧特征（见 matlab-extract-signal-features）。多步条件化时按“前一步不破坏后一步输入”的原则排序，默认启发式为异常值→去趋势→平滑，缺失值需在无法处理缺失的步骤前填补，对齐后会产生 NaN 故需在对齐后填补。并非每个信号都需要所有步骤。