在MATLAB中写一段代码，使用STA对大脑电信号特征进行二分类，已有标签集

好的，下面是一段简单的 MATLAB 代码，用于对脑电信号特征进行二分类，使用 STA（Spike-Triggered Average）算法，已有标签集。

% 导入数据
data = load('eeg_data.mat');
X = data.X; % 特征矩阵
y = data.y; % 标签向量

% 划分训练集和测试集
cv = cvpartition(size(X,1),'HoldOut',0.3);
idx = cv.test;
Xtrain = X(~idx,:);
ytrain = y(~idx,:);
Xtest  = X(idx,:);
ytest  = y(idx,:);

% 使用 STA 算法进行分类
n = size(Xtrain, 2); % 特征维度
w = zeros(n, 1); % 初始化权重向量
eta = 0.01; % 学习率

for i = 1:length(ytrain)
    % 计算脉冲响应
    if ytrain(i) == 1 % 正例
        s = Xtrain(i, :);
    else % 反例
        s = -Xtrain(i, :);
    end
    
    % 更新权重向量
    w = w + eta * s';
end

% 对测试集进行预测
y_pred = sign(Xtest * w);

% 计算准确率
accuracy = sum(y_pred == ytest) / length(ytest);
fprintf('Accuracy: %.2f%%\n', accuracy*100);

这段代码中，我们首先从文件 `eeg_data.mat` 中导入数据，其中包括特征矩阵 `X` 和标签向量 `y`。接着，我们使用 `cvpartition` 函数将数据集划分为训练集和测试集，其中测试集占数据集的 30%。

然后，我们使用 STA 算法进行分类。STA 算法是一种基于脉冲响应的分类算法，通过计算正例和反例的平均脉冲响应来估计权重向量。在这里，我们使用一个简单的在线学习算法，对每个训练样本计算脉冲响应，并更新权重向量。具体地，如果训练样本属于正例类别，我们将其作为脉冲响应；如果训练样本属于反例类别，我们将其取相反数作为脉冲响应。然后，我们使用学习率 `eta` 和脉冲响应更新权重向量。

在预测阶段，我们使用训练好的权重向量 `w` 对测试集进行预测，并使用符号函数 `sign` 将预测结果映射为类别标签。最后，我们计算预测准确率并输出。