step4:计算原始数据(TimeSeries)特征,生成的值对特征值矩阵(TS_DataMat)、计算每个特征需要的时间(TS_Calc-Time)以及每个特征质量标签进行覆盖, TS_compute(doParallel,ts_id_range,op_id_range,computeWhat,customFile,beVocal)
doParallel: 1开启并行运算，0不开启，默认为0；
ts_id_range: 时间序列范围，如[2:100],默认为所有序列;
op_id_range: 操作序列范围，默认为所有操作（示例为7873个）
computeWhat: 对应质量标签的取值；
customFile: 输出文件名，默认为HCTSA.mat;
beVocal: 逻辑变量，是否显示脚本运行的进度信息,默认显示;
step5:质量标签统计分析，TS_InspectQuality(inspectWhat,customFile)
inspectWhat: 显示质量标签输出，选择分类的有效性特征；
customFile: 输出文件名，默认为HCTSA.mat;
[attach]212[/attach]
图2 生成特征的有效性图示
step6:滤除和归一化数据，outputFileName =TS_normalize(normFunction,filterOptions, fileName_HCTSA,classVarFilter,subs)，
normFunction: 归一化函数；
filterOptions: 好值的比例，长度为2的行向量，分别为行列的比例阈值，默认[0.7,1]；
fileName_HCTSA: 导入数据的文件，默认HCTSA.mat;
classVarFilter: 是否滤除方差为0的类（即常量序列）；
subs: 需要处理的某个子序列；
outputFileName: 处理后保存数据的文件名；
step7:使用指定的关键字标记时间序列的组，[groupLabels,newFileName] =TS_LabelGroups(whatData,keywordGroups,saveBack,filterMissing)
whatData:取出并且重新覆盖标签的数据文件，默认为HCTSA.mat；
keywordGroups:标签元胞数组；
saveBack: 可以设置为false以停止将分组保存回输入文件;
filterMissing: 设置为true可删除与任何关键字不匹配的数据;
groupLabels: 与关键字组中的每个关键字对应的索引;
newFileName:保存修改的数据名；
step8: 使用所有特征对数据进行分类，
TS_classify(whatData,whatClassifier,doPCs,doNull,seedReset)
whatData:加载数据的文件名，默认为HCTSA_N.mat；
whatClassifier: 分类器，默认为svm_linear，这个需要注意；
doPCs: 逻辑变量；
doNull: 逻辑变量；
seedReset: 随机种子；
[attach]213[/attach]
图3 分类的混淆矩阵
[attach]214[/attach]
图4 2-折交叉验证svm分类效果
step9:显示分类效果好的特征及特征分类函数，[ifeat,testStat,testStat_rand]= TS_TopFeatures(whatData,whatTestStat,varargin)；
whatData: 使用的数据文件名；
whatTestStat: 测试统计量来量化每个特征的优点；
varargin: 额外选项，参看文件；
ifeat: 特征计算的性能排序；
testStat: 特征计算的统计；
testStat_rand: 测试统计数据组成的空分布。
运行过程显示所有操作的平均线性分类准确性，以及具有最佳性能的操作列表（按其测试统计排序，其ID显示在方括号中，关键字显示在圆括号中）。
Using overall classificationaccuracy as output measure
Comparing the (in-sample)performance of 7149 operations for 3 classes using a linear SVM classifier...
(should take approx 2.8min tocompute for all 7149 features)
Done in 2.7min.
Mean linear SVM classifierperformance across 7149 operations = 98.15%
(Random guessing for 3 equiprobableclasses = 33.33%)
[2] mean(distribution,location,raw,locdep) -- 100.00%
[3] harmonic_mean(distribution,location,raw,locdep) -- 100.00%
[4] median(distribution,location,raw,locdep) -- 100.00%
[5] trimmed_mean_1 (distribution,location,raw,locdep)-- 100.00%
[6] trimmed_mean_5(distribution,location,raw,locdep) -- 100.00%
[7] trimmed_mean_10(distribution,location,raw,locdep) -- 100.00%
[8] trimmed_mean_25(distribution,location,raw,locdep) -- 100.00%
[9] trimmed_mean_50 (distribution,location,raw,locdep)-- 100.00%
[10] midhinge(distribution,location,raw,locdep) -- 100.00%
[12] DN_HistogramMode_10(distribution,location) -- 100.00%
[13] DN_HistogramMode_20(distribution,location) -- 100.00%
[14] maximum (distribution) -- 100.00%
[15] miminmum (distribution) --100.00%
[16] rms(distribution,location,raw,locdep,spreaddep) -- 100.00%
[17] burstiness_Goh(distribution,raw,locdep,spreaddep) -- 100.00%
[18] burstiness_Kim(distribution,raw,locdep,spreaddep) -- 100.00%
[19] standard_deviation(distribution,spread,raw,spreaddep) -- 100.00%
[20] mean_absolute_deviation(distribution,spread,raw,spreaddep) -- 100.00%
[21] interquartile_range(distribution,spread,raw,spreaddep) -- 100.00%
[22] median_absolute_deviation(distribution,spread,raw,spreaddep) -- 100.00%
[23] DN_Moments_3(distribution,moment,shape) -- 100.00%
[24] DN_Moments_4(distribution,moment,shape) -- 100.00%
[25] DN_Moments_5(distribution,moment,shape) -- 100.00%
[26] DN_Moments_6(distribution,moment,shape) -- 100.00%
[27] DN_Moments_7(distribution,moment,shape) -- 100.00%
[28] DN_Moments_8(distribution,moment,shape) -- 100.00%
[29] DN_Moments_9(distribution,moment,shape) -- 100.00%
[30] DN_Moments_10(distribution,moment,shape) -- 100.00%
[31] DN_Moments_11(distribution,moment,shape) -- 100.00%
[32] DN_Moments_raw_3(distribution,moment,shape,raw,spreaddep) -- 100.00%
[33] DN_Moments_raw_4(distribution,moment,shape,raw,spreaddep) -- 100.00%
[34] DN_Moments_raw_5(distribution,moment,shape,raw,spreaddep) -- 100.00%
[35] DN_Moments_raw_6(distribution,moment,shape,raw,spreaddep) -- 100.00%
[36] DN_Moments_raw_7(distribution,moment,shape,raw,spreaddep) -- 100.00%
[37] DN_Moments_raw_8(distribution,moment,shape,raw,spreaddep) -- 100.00%
[38] DN_Moments_raw_9(distribution,moment,shape,raw,spreaddep) -- 100.00%
[39] DN_Moments_raw_10(distribution,moment,shape,raw,spreaddep) -- 100.00%
[40] DN_Moments_raw_11(distribution,moment,shape,raw,spreaddep) -- 100.00%
[41] skewness_pearson(distribution,moment,shape,raw,locdep) -- 100.00%
[42] skewness_bowley(distribution,moment,shape) -- 100.00%
[attach]215[/attach]
图5 完整库与随机标签的分类效果比较
[attach]216[/attach]
图6 显示最优特征的类概率分布
[attach]217[/attach]
图7 最优特征计算函数的关系图
根据索引（ID值）查找对应的特征计算函数和主操作函数
如在命令窗口输入Operations([Operations.ID] == 6610)显示
struct with fields:
CodeString: 'WL_cwt_db3_32.stat_5_s_s'
Name: 'WL_cwt_db3_32_stat_5_s_s'
Keywords: 'wavelet,cwt'
ID: 6610
MasterID: 989
再通过MasterID查找主操作函数，在命令窗口输入MasterOperations([MasterOperations.ID] == 989)显示
struct with fields:
Code: 'WL_cwt(y,'db3',32)'
Label: 'WL_cwt_db3_32'
ID: 989
其中的WL_cwt就是主操作函数，通过editWL_cwt就可以查看对应的源码。
总结
hctsa库给从事时间序列特征提取提供了数字依据，也为没有相关知识的同学快速寻找时间序列预处理提供了思路。不过hctsa库只针对单变量的时间序列，在实际工作中经常面对的是多变量的时间序列，如多通道的ECG信号、EEG信号以及三轴加速度信号等等。这就需要在使用hctsa库前先将待处理的多变量时间序列转化单变量时间序列，以三轴加速度信号为例，可以将三轴加速度融合为合加速度，也可以用PCA降维处理。最后感谢作者们的工作以及分享，感谢伸展同学的推荐。