数据集一共60个手势的csi信号，文件名为9-1到9-20，10-1到10-20，11-1到11-20用matlab提取幅度，均值，方差，相位，最大值，标准差作为特征输入到SVM中训练并画出混淆矩阵

为了提取幅度、均值、方差、相位最大值和标准差作为特征，并将数据输入到SVM中进行训练，并绘制混淆矩阵，可以按照以下步骤进行操作：

1. 准备数据：
- 创建一个空的特征矩阵 `X` 和标签向量 `y`。
- 循环遍历每个文件，加载CSI数据并提取特征，将特征存储到 `X` 中，并将对应的手势标签存储到 `y` 中。

2. 特征提取：
- 对于每个CSI数据文件，使用MATLAB的load函数加载文件。
- 使用所需的方法计算幅度、均值、方差、相位、最大值和标准差。
- 将这些特征存储到特征矩阵 `X` 中。

3. 数据预处理：
- 对特征矩阵 `X` 进行标准化，以确保不同特征具有相似的尺度。

4. 模型训练：
- 使用SVM算法，将特征矩阵 `X` 和标签向量 `y` 输入到SVM模型中进行训练。

5. 模型评估：
- 使用训练好的模型对测试数据进行预测。
- 绘制混淆矩阵，可以使用MATLAB的confusionmat函数。

下面是一个示例代码的框架，你需要根据具体情况进行适当的修改和补充：

% 设置文件路径和手势标签
filePaths = {'9-1.mat', '9-2.mat', ..., '11-20.mat'};
gestureLabels = [1, 2, ..., 60];

% 创建空的特征矩阵和标签向量
X = [];
y = [];

% 循环遍历每个文件
for i = 1:length(filePaths)
    % 加载CSI数据
    load(filePaths{i});
    
    % 提取特征：幅度、均值、方差、相位、最大值和标准差
    amplitude = abs(csi_data);
    meanValue = mean(csi_data);
    variance = var(csi_data);
    phase = angle(csi_data);
    maxValue = max(csi_data);
    stdDeviation = std(csi_data);
    
    % 将特征存储到特征矩阵X中
    features = [amplitude, meanValue, variance, phase, maxValue, stdDeviation];
    X = [X; features];
    
    % 将手势标签存储到标签向量y中
    labels = repmat(gestureLabels(i), size(features, 1), 1);
    y = [y; labels];
end

% 数据预处理：标准化特征矩阵X
X = zscore(X);

% 模型训练：使用SVM训练模型
model = svmtrain(y, X);

% 模型评估：预测并绘制混淆矩阵
predictedLabels = svmpredict(y, X, model);
confusionMat = confusionmat(y, predictedLabels);
confusionchart(confusionMat);

请注意，在这个示例代码中，我们假设你的CSI数据文件是以.mat格式保存的，并且每个文件中包含了一个名为csi_data的变量，其中存储了CSI数据。你需要根据你的具体情况修改文件路径和手势标签，并确保文件路径和文件名的准确性。

另外，这个示例代码中使用了MATLAB的libsvm库来实现SVM算法，你可能需要提前安装和配置这个库。具体的安装和配置步骤可以参考libsvm库的官方文档。

希望这个示例对你有帮助！如有任何问题，请随时提问。