已经得到有n个样本，3种特征和4个标签脑电的特征矩阵和标签向量，如何将其利用matlab进行cnn分类，给代码

下面是一个简单的 Matlab 代码示例，用于训练和测试 CNN 分类器：

% 导入数据
load EEGdata.mat % 假设数据保存在名为 EEGdata.mat 的文件中
data = EEGdata.data; % 特征矩阵
labels = EEGdata.labels; % 标签向量

% 将数据集分为训练集和测试集
trainData = data(1:100,:,:); % 假设有100个样本
trainLabels = labels(1:100,:);
testData = data(101:end,:,:);
testLabels = labels(101:end,:);

% 创建 CNN 模型
layers = [imageInputLayer([3 3 3]); % 输入层，假设有3个特征和3*3的卷积核
          convolution2dLayer(3,16); % 第一个卷积层，16个卷积核 
          reluLayer(); % 激活函数层
          maxPooling2dLayer(2,'Stride',2); % 最大池化层
          convolution2dLayer(3,32); % 第二个卷积层，32个卷积核
          reluLayer(); % 激活函数层
          maxPooling2dLayer(2,'Stride',2); % 最大池化层
          fullyConnectedLayer(4); % 全连接层，假设有4个标签
          softmaxLayer(); % softmax层
          classificationLayer()]; % 分类层

% 设置训练参数
options = trainingOptions('sgdm', ...
    'MaxEpochs',10, ... % 最大迭代次数
    'InitialLearnRate',0.01, ... % 初始学习率
    'MiniBatchSize',64); % 小批量大小

% 训练 CNN 模型
net = trainNetwork(trainData,trainLabels,layers,options);

% 对测试集进行分类
predictedLabels = classify(net,testData);

% 计算分类准确率
accuracy = sum(predictedLabels == testLabels) / numel(testLabels);
fprintf('Accuracy: %.2f%%\n',accuracy*100);

需要注意的是，上述代码中使用的是一个简单的 CNN 模型，可以根据实际情况进行修改和调整。此外，还需要根据实际数据的特点设置适当的训练参数，如最大迭代次数、初始学习率和小批量大小等。