已经得到了脑电的特征矩阵和标签向量，有n个样本3个特征四个标签，用matlab将他进行cnn分类，给出代码

以下是一个简单的MATLAB代码，用于将EEG数据分类为四个标签。它使用了一个简单的卷积神经网络（CNN）模型。

% Load the EEG data feature matrix and label vectors
load('eeg_data.mat');

% Reshape feature matrix to 4D tensor for input to CNN
X = reshape(X, [n, 1, 3, 1]);

% Create training and testing sets (70-30 split)
X_train = X(1:round(0.7*n), :, :, :);
Y_train = categorical(Y(1:round(0.7*n)));
X_test = X(round(0.7*n)+1:end, :, :, :);
Y_test = categorical(Y(round(0.7*n)+1:end));

% Create CNN model
layers = [
    imageInputLayer([1 3 1])
    convolution2dLayer([1 2], 8)
    reluLayer
    maxPooling2dLayer([1 2], 'Stride', [1 2])
    convolution2dLayer([1 2], 16)
    reluLayer
    maxPooling2dLayer([1 2], 'Stride', [1 2])
    convolution2dLayer([1 2], 32)
    reluLayer
    fullyConnectedLayer(4)
    softmaxLayer
    classificationLayer];

% Train CNN model
options = trainingOptions('adam', ...
    'MaxEpochs', 50, ...
    'MiniBatchSize', 32, ...
    'InitialLearnRate', 0.001, ...
    'Verbose', false);
net = trainNetwork(X_train, Y_train, layers, options);

% Test CNN model
Y_pred = classify(net, X_test);
accuracy = sum(Y_pred == Y_test)/numel(Y_test);
fprintf('Accuracy: %.2f%%\n', accuracy*100);

这个模型包括三个特征，使用了一个简单的卷积神经网络模型，其中包括三个卷积层和一个全连接层。我们使用ADAM优化器和交叉熵损失函数对模型进行训练，训练50个Epoch。最后，我们评估模型的性能并输出分类准确性。

请注意，这只是一个简单的CNN模型。您可以根据您的数据集大小和复杂性来调整模型结构和超参数。