基于支持向量机（SVM）的P300检测分类

基于支持向量机（SVM）的P300检测分类MATLAB实现，包含数据预处理、特征提取和分类评估流程：

%% P300检测分类完整流程（SVM实现）
clc; clear; close all;

%% 1. 数据加载与模拟生成（实际应用需替换为真实数据）
% 生成模拟EEG数据（实际应加载真实数据）
[sampleRate, numChannels, numTrials, trialLength] = deal(250, 32, 200, 500); % 参数设置
data = randn(numChannels, trialLength, numTrials); % 模拟EEG数据
labels = randi([0 1], 1, numTrials); % 0=非目标，1=目标刺激

%% 2. 数据预处理
% 2.1 滤波处理（带通滤波0.1-30Hz）
[b,a] = butter(4, [0.1 30]/(sampleRate/2)); % 4阶巴特沃斯滤波器
filteredData = zeros(size(data));
for i = 1:numChannels
    filteredData(i,:,:) = filtfilt(b,a,squeeze(data(i,:,:)));
end

% 2.2 分段处理（基于事件时间窗口）
windowStart = 300; % 刺激后300ms开始
windowEnd = 600;   % 窗口长度300ms
timePoints = windowStart:windowEnd;
preprocessedData = zeros(numChannels, numel(timePoints), numTrials);

for trial = 1:numTrials
    % 找到对应时间窗口的样本索引
    startIdx = round((windowStart/sampleRate)*sampleRate) + 1;
    endIdx = round((windowEnd/sampleRate)*sampleRate);
    preprocessedData(:,:,trial) = filteredData(:,startIdx:endIdx);
end

%% 3. 特征提取
% 3.1 时域特征提取
features = [];
for trial = 1:numTrials
    trialData = squeeze(preprocessedData(:,:,trial));
    
    % 计算各通道的时域特征
    meanVal = mean(trialData, 2);
    stdVal = std(trialData, 0, 2);
    skewnessVal = skewness(trialData, 0, 2);
    kurtosisVal = kurtosis(trialData, 0, 2);
    
    % 合并特征（通道×特征）
    trialFeatures = [meanVal, stdVal, skewnessVal, kurtosisVal];
    features(end+1,:) = trialFeatures(:)';
end

% 3.2 特征标准化
mu = mean(features);
sigma = std(features);
normalizedFeatures = (features - mu)./sigma;

%% 4. 数据集划分
cv = cvpartition(numTrials,'HoldOut',0.3);
trainIdx = training(cv);
testIdx = test(cv);

trainData = normalizedFeatures(trainIdx,:);
testData = normalizedFeatures(testIdx,:);
trainLabels = labels(trainIdx);
testLabels = labels(testIdx);

%% 5. SVM分类模型训练
% 参数设置
svmOptions = statset('Display','final');
kernelType = 'rbf'; % 核函数类型
C = 1; % 惩罚因子
gamma = 0.1; % RBF核参数

% 训练SVM模型
svmModel = fitcsvm(trainData, trainLabels, ...
    'KernelFunction', kernelType, ...
    'BoxConstraint', C, ...
    'KernelScale', gamma, ...
    'Standardize', false, ...
    'OptimizeHyperparameters', 'auto');

%% 6. 分类评估
% 预测测试集
predictedLabels = predict(svmModel, testData);

% 计算评估指标
[accuracy, cm] = calculateMetrics(testLabels, predictedLabels);

%% 7. 结果可视化
% 混淆矩阵
figure;
confusionchart(cm);
title('Confusion Matrix');

% ROC曲线
figure;
[~,~,~,auc] = perfcurve(testLabels, predictedLabels, 1);
plot(1-specificity, sensitivity);
xlabel('False Positive Rate');
ylabel('True Positive Rate');
title(['ROC Curve (AUC = ', num2str(auc), ')']);

%% 辅助函数：计算评估指标
function [accuracy, cm] = calculateMetrics(trueLabels, predLabels)
    cm = confusionmat(trueLabels, predLabels);
    accuracy = sum(diag(cm))/sum(cm(:));
end

代码说明与使用指南：

1. 数据准备：
   • 实际应用时需替换模拟数据部分，建议使用标准P300数据集（如BCI Competition III数据集）
   • 数据格式要求：通道×时间点×试次的三维矩阵
   • 标签应为二进制（0/1）对应非目标/目标刺激
2. 预处理流程：
   • 滤波：使用4阶巴特沃斯带通滤波（0.1-30Hz）
   • 分段：根据P300典型潜伏期（250-600ms）截取时间窗口
   • 特征提取：包含时域特征（均值、标准差、偏度、峰度）
3. SVM建模：
   • 使用RBF核函数
   • 自动优化超参数（C和gamma）
   • 包含标准化处理（需根据实际情况调整）
4. 评估指标：
   • 准确率（Accuracy）
   • 混淆矩阵（Confusion Matrix）
   • ROC曲线及AUC值

支持向量机 进行P300检测分类，数据预处理以及分类代码

实际应用改进建议：

1. 数据增强：

   % 添加噪声鲁棒性训练
   noisyTrainData = trainData + 0.1*randn(size(trainData));
   svmModel = fitcsvm([trainData; noisyTrainData], [trainLabels; trainLabels]);
   

2. 特征选择：

   % 使用递归特征消除（RFE）
   rfe = fscchi2();
   svmModel = fitcsvm(trainData, trainLabels, 'FeatureSelection', rfe);
   

3. 参数优化：

   % 网格搜索优化参数
   optimVars = [
       optimizableVariable('C', [0.1, 100], 'Transform', 'log'),
       optimizableVariable('gamma', [1e-3, 1], 'Transform', 'log')
   ];
   
   svmModel = bayesopt(@(params)svmTraining(params,trainData,trainLabels), ...
       optimVars, 'IsObjectiveDeterministic', false, ...
       'AcquisitionFunctionName', 'expected-improvement-plus');
   

4. 跨被试适应：

   % 使用CSP空间滤波增强特征
   [filters, ~] = csp(trainData);
   filteredTrain = filters * trainData;
   filteredTest = filters * testData;
   

注意事项：

1. 需安装Statistics and Machine Learning Toolbox
2. 对于多被试数据应采用分层交叉验证
3. 建议使用EEGLab工具箱进行专业EEG处理
4. 实际数据需进行ICA去除眼动伪迹
5. 考虑不同分类器的集成方法（如SVM+随机森林）

对于实际应用，建议处理流程：
原始EEG数据 → ICA去噪 → 特征提取（时频域结合） → SVM分类 → 模型优化 → 在线测试

可根据具体实验设置调整以下参数：

• 滤波范围（儿童数据可能需要更低频段）
• 时间窗口（根据任务类型调整）
• 特征组合（可添加小波系数、熵值等）
• 分类器参数（尝试不同核函数）