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：
- 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
- 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）
- 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）
- 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：
-
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]); -
特征选择：
% 使用递归特征消除（RFE） rfe = fscchi2(); svmModel = fitcsvm(trainData, trainLabels, 'FeatureSelection', rfe); -
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'); -
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：
- 需安装Statistics and Machine Learning Toolbox
- 对于多被试数据应采用分层交叉验证
- 建议使用EEGLab工具箱进行专业EEG处理
- 实际数据需进行ICA去除眼动伪迹
- 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）
