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

下面是一个基于Matlab的CNN分类器的示例代码，该代码适用于您的情况：

% 加载数据
load('data.mat'); % data.mat包含特征矩阵features和标签向量labels

% 将特征矩阵重塑为图像
features = reshape(features, [size(features,1), 1, size(features,2), size(features,3)]);

% 将标签向量转换为分类器期望的格式
categories = unique(labels);
numCategories = numel(categories);
Y = zeros(numel(labels), numCategories);
for i = 1:numel(categories)
    Y(labels == categories(i), i) = 1;
end

% 定义CNN架构
layers = [
    imageInputLayer([1 size(features, 3) size(features, 4)])
    convolution2dLayer([1 3], 32)
    reluLayer
    maxPooling2dLayer([1 2], 'Stride', [1 2])
    convolution2dLayer([1 3], 64)
    reluLayer
    maxPooling2dLayer([1 2], 'Stride', [1 2])
    fullyConnectedLayer(128)
    reluLayer
    dropoutLayer(0.5)
    fullyConnectedLayer(numCategories)
    softmaxLayer
    classificationLayer
];

% 定义训练选项
options = trainingOptions('sgdm', ...
    'MaxEpochs',10, ...
    'MiniBatchSize', 64, ...
    'ValidationData',{features(:,:,:,1:100), categorical(labels(1:100))}, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'Plots','training-progress');

% 训练CNN分类器
net = trainNetwork(features, categorical(labels), layers, options);

% 对测试数据进行分类并计算准确率
testFeatures = features(:,:,:,101:end);
testLabels = categorical(labels(101:end));
predLabels = classify(net, testFeatures);
accuracy = sum(predLabels == testLabels) / numel(testLabels);
fprintf('测试准确率：%0.2f%%\n', accuracy*100);

请注意，这只是一个示例代码，并且您需要根据您的数据和需求进行适当的修改。