解压缩(fullfile (tempdir,“physionet_ECG_data-master.zip”), tempdir)解压缩(fullfile (tempdir,“physionet_ECG_data-master”,“ECGData.zip”)，...完整文件（tempdir，“ECGData”））

加载（完整文件）（tempdir，“ECGData”,“ECGData.mat”））

列车百分比=70；[列车数据、测试数据、列车标签、测试标签]=...helperRandomSplit (percent_train ECGData);

Ctrain = countcats(分类(trainLabels)。/元素个数(trainLabels)。*100 . Ctest = countcats(categorical(testLabels))./numel(testLabels).*100 . Ctest = countcats(categorical(testLabels))./numel(testLabels). /

helperPlotRandomRecords（ECGData，14）

N =大小(ECGData.Data 2);科幻小说= waveletScattering (“SignalLength”N“不变性刻度”, 150,“采样频率”, 128);

[fb, f, filterparams] = filterbank (sf);Subplot (211) plot(f,fb{2}.psift) xlim([0 128]) grid在标题(“第一滤波器组小波滤波器”)；子地块（212）图（f，fb{3}.psift）xlim（[0 128]）网格在标题(“第二滤波器组小波滤波器”); xlabel(“赫兹”）;

图；phi=ifftshift（ifft（fb{1}.phift））；psiL1=ifftshift（ifft（fb{2}.psift（：，end））；t=（-2^15:2^15-1）。*1/128；scaplt=plot（t，phi）；保持在网格在ylim（[-1.5e-4 1.6e-4]）；绘图（[-75-75]，-1.5e-4 1.6e-4]，“k——”)；绘图（[75]，-1.5e-4 1.6e-4]，“k——”); xlabel(“秒”)；伊莱贝尔(“振幅”)；wavplt=绘图（t，[real（psiL1）imag（psiL1）]；图例（[shopplt wavplt（1）wavplt（2）]{“缩放函数”,“小波实部”,“Wavelet-Imaginary部分”}）;标题({“缩放函数”;“最粗尺度小波第一滤波器组”}）

scat_features_train = featureMatrix(科幻,trainData ');

Nwin =大小(scat_features_train, 2);Scat_features_train = permute(Scat_features_train，[2 3 1]);scat_features_train =重塑(scat_features_train,...大小(scat_features_train 1) *大小(scat_features_train, 2), []);

scat_特征测试=特征矩阵（sf，testData'）；scat_特征测试=置换（scat_特征测试，[2 3 1]）；scat_特征测试=重塑（scat_特征测试，...大小（scat_特征_测试，1）*大小（scat_特征_测试，2），[]）；

[sequence\u labels\u train，sequence\u labels\u test]=createSequenceLabels（Nwin，trainLabels，testLabels）；

scat_features = [scat_features_train;scat_features_test];allLabels_scat = [sequence_labels_train;sequence_labels_test];rng (1);模板= templateSVM (...“KernelFunction”,多项式的,...“多项式序”2....“KernelScale”,“自动”,...“BoxConstraint”1....“标准化”,真正的);classificationSVM = fitcecoc (...scat_features,...所有标签，...“学习者”模板,...“编码”,“一对一”,...“类名”, {“啊”;“瑞士法郎”;“签约”}）;kfoldmodel = crossval (classificationSVM,“KFold”, 5);

predLabels=kfoldPredict（kfoldmodel）；loss=kfoldLoss（kfoldmodel）*100；confmatCV=confusionmat（所有标签，predLabels）fprintf('准确度为%2.2f % .\n'100 -损失);

类别=分类({“啊”,“瑞士法郎”,“签约”}); [ClassVotes，ClassCounts]=helperMajorityVote（预标签，[trainLabels；testLabels]，类）；

CVAccurance=总和（等式（类投票，分类（[trainLabels；testLabels]））/162*100；fprintf('真正的交叉验证精度为%2.2f%。\n', CVaccuracy);MVconfmatCV = confusionmat (ClassVotes分类([trainLabels;testLabels]));MVconfmatCV

型号=fitcecoc(...scat_特色列车，...序列标签列车，...“学习者”模板,...“编码”,“一对一”,...“类名”, {“啊”,“瑞士法郎”,“签约”}）;predLabels =预测(模型、scat_features_test);[TestVotes, TestCounts] = helperMajorityVote (predLabels、testLabels、类);testaccuracy =总和(eq (TestVotes分类(testLabels))) /元素个数(testLabels) * 100;流('测试精度为%2.2f%\不, testaccuracy);testconfmat = confusionmat (TestVotes分类(testLabels));testconfmat

函数helperPlotRandomRecords (ECGData randomSeed)%此函数仅用于支持XpwWaveletMLExample。万博1manbetx它可能%更改或在未来的版本中删除。如果输入参数个数= = 2 rng (randomSeed)终止M =大小(ECGData.Data, 1);idxsel = randperm (M, 4);对于numplot = 1:4 subplot(2,2,numplot) plot(ECGData.Data(idxsel(numplot)，1:30)) ylabel(“伏”)如果numplot>2 xlabel(“样本”)终止标题(ECGData.Labels {idxsel (numplot)})终止终止

函数[ClassVotes, ClassCounts] = helperMajorityVote (predLabels、origLabels类)%该函数支持ecgwavettimescat万博1manbetxteringexample。它可能%更改或在未来的版本中删除。%如果标签尚未分类，则创建分类数组predLabels=分类（predLabels）；origLabels=分类（origLabels）；%预期PredLabel和OrigLabel都是分类向量npr =元素个数(predLabels);Norig =元素个数(origLabels);Nwin = npr / Norig;predLabels =重塑(predLabels Nwin Norig);ClassCounts = countcats (predLabels);[mxcount, idx] = max (ClassCounts);ClassVotes =类(idx);%检查最大值中的任何扎带，并确保它们标记为%错误，如果模式出现多次modecnt = modecount (ClassCounts mxcount);ClassVotes (modecnt > 1) =分类({“错误”}); 类别投票=类别投票（：）；%-------------------------------------------------------------------------函数modecnt=modecount（ClassCounts，mxcount）modecnt=Inf（size（ClassCounts，2），1）；对于c = 1:size(ClassCounts,2) modecnt(nc) = histc(ClassCounts(:，nc)，mxcount(nc));终止终止%EOF终止