由于数据集和算法的实现细节不够清楚，无法提供完整的代码实现。以下是一个大致的SVM分类器的实现流程，仅供参考。 加载数据：使用load函数加载.mat文件，将训练数据和测试数据分别存储在不同的变量中。 特征选择：根据任务要求，选择500-600ms、500-700ms、500-800ms、500-900ms、500-1000ms这五个时间段的平均振幅作为特征。 数据处理：将训练数据和测试数据分别进行标准化处理，消除不同特征之间的量纲差异。 SVM训练：使用fitcsvm函数训练SVM分类器，选择合适的核函数和超参数，并进行交叉验证来评估模型的性能。 SVM预测：使用predict函数对测试数据进行分类预测，得到目标和非目标的预测结果。 模型评估：根据任务要求，计算分类器的AUC、准确率ACC和混淆矩阵等指标，绘制均值方差图，并进行统计分析。 需要注意的是，在实际应用中，还需要对数据进行分析和可视化，选择合适的算法和参数，并进行实验设计和结果解释等工作，以获得更加准确和可靠的分类结果。

非常感谢您提供的详细信息，以下是一份MATLAB代码，实现了对目标和非目标进行分类的SVM分类器，并计算了AUC、准确率ACC和混淆矩阵等指标，绘制了均值方差图，并进行了统计分析。代码如下：

% 加载数据
load('sub1.mat'); % 根据实际数据集文件名进行更改
train_data = data(1:45,:); % 前45试次作为训练数据
test_data = data(46:90,:); % 后45试次作为测试数据

% 特征选择
features = [1 2 3 4 5]; % 选择500-600ms、500-700ms、500-800ms、500-900ms、500-1000ms这五个时间段的平均振幅作为特征

% 数据处理
train_data_norm = zscore(train_data(:,features)); % 训练数据标准化处理
test_data_norm = zscore(test_data(:,features)); % 测试数据标准化处理

% SVM训练
svm_model = fitcsvm(train_data_norm,[ones(45,1);-ones(45,1)],'KernelFunction','linear','BoxConstraint',1); % 线性核函数，BoxConstraint为超参数，可根据实际数据进行调整
cv_svm_model = crossval(svm_model); % 交叉验证
train_acc = 1 - kfoldLoss(cv_svm_model,'LossFun','classiferror'); % 训练准确率

% SVM预测
test_labels = predict(svm_model,test_data_norm); % 测试数据预测
target_idx = test_data(:,6) == 100 | test_data(:,6) == 200; % 目标图片的索引
test_targets = test_labels(target_idx); % 目标测试数据预测结果
test_nontargets = test_labels(~target_idx); % 非目标测试数据预测结果

% 模型评估
test_targets_labels = [ones(sum(target_idx),1);-1*ones(length(target_idx)-sum(target_idx),1)]; % 目标测试数据真实标签
test_nontargets_labels = [-1*ones(sum(target_idx),1);ones(length(target_idx)-sum(target_idx),1)]; % 非目标测试数据真实标签
[~,~,test_targets_auc] = perfcurve(test_targets_labels,test_targets,1); % 目标测试数据AUC
[~,~,test_nontargets_auc] = perfcurve(test_nontargets_labels,test_nontargets,1); % 非目标测试数据AUC
test_auc = (test_targets_auc + test_nontargets_auc) / 2; % 平均AUC
test_acc = sum(test_targets_labels == test_targets) / length(test_targets_labels); % 测试准确率
test_confmat = confusionmat([test_targets_labels;test_nontargets_labels],[test_targets;test_nontargets]); % 混淆矩阵
test_mean = [mean(test_targets);mean(test_nontargets)]; % 平均值
test_std = [std(test_targets);std(test_nontargets)]; % 标准差

% 绘制均值方差图
figure;
bar(test_mean);
hold on;
errorbar(test_mean,test_std,'linewidth',1.5,'color','k','linestyle','none');
set(gca,'xticklabel',{'Target','Non-target'},'fontsize',14);
ylabel('Average Amplitude','fontsize',14);
title('Mean and Standard Deviation','fontsize',16);

% 统计分析
[~,p] = ttest(test_targets,test_nontargets); % 配对T检验

需要注意的是，由于数据集和实验设计细节不够清楚，上述代码仅供参考，具体实现细节需要根据实际情况进行调整和修改。