简介：这份资源面向生物医学工程、信号处理方向的学生与研究者，提供一套基于MATLAB 2016的帕金森脑电识别系统实现方案，用于解决脑电信号采集、特征提取与疾病辅助诊断的完整流程问题。压缩包共18个文件，约21.95MB，包含6个mat数据文件、6个m脚本、5个fig界面文件和1个doc说明文档，分别承担样本数据存储、算法逻辑实现、GUI界面布局与使用说明等用途，配合EEGLAB工具包可完成脑电信号的预处理与分析。资源围绕帕金森患者脑电数据展开，涵盖特征值计算与SVM分类诊断环节，读者可据此复现从数据加载、特征提取到模型训练与结果可视化的完整链路，并借助GUI界面直观观察各阶段输出。目前已有157人学习下载，适合作为脑电识别入门实践与课程设计的参考素材。

1. 帕金森脑电识别系统：从 .fig 到 SVM 诊断的完整复现路径

帕金森病的早期诊断一直依赖临床量表，主观性强、一致性差。这套资源的核心价值在于：它把「脑电采集 → 特征提取 → SVM 分类」这条链路用 MATLAB 完整串了起来，而且保留了 GUI 界面文件（.fig）和底层脚本（.m），意味着你不仅能跑通流程，还能看到每一步的中间变量是怎么传递的。资源包里包含wenti.mat、zheng.mat、zhengchang_tezheng.mat等数据文件，以及scaleForSVM.m这类特征归一化脚本，说明作者已经做过一轮完整的数据预处理和特征工程。适合两类人：一是做生物医学信号处理的研究生，需要快速搭一个可演示的原型系统；二是想理解 EEG 特征怎么喂给 SVM 的工程师，这套代码的耦合度不高，拆开单看某个 .m 文件也能学到东西。下面按「数据怎么进 → 特征怎么算 → 模型怎么训 → 界面怎么连」的顺序拆一遍。

2. 数据入口与预处理：wenti.mat 和 zheng.mat 里到底存了什么

2.1 两个 .mat 文件的角色分工

拿到资源先别急着跑主脚本，第一步是搞清楚数据文件的维度。wenti.mat和zheng.mat从命名看分别对应「问题样本」和「正常样本」，但实际内容需要 load 进去看变量名和 size。常见做法是：

% 查看 mat 文件内部变量结构 wenti = load('wenti.mat'); zheng = load('zheng.mat'); disp(fieldnames(wenti)); % 看变量名 disp(fieldnames(zheng)); % 假设主变量叫 data，打印维度 % 典型 EEG 数据格式：通道数 × 采样点数 × 试次

逻辑说明：fieldnames返回结构体字段名，避免直接 load 后变量覆盖。参数上，如果wenti.mat里存的是data且维度为[64, 1000, 30]，说明是 64 通道、1000 采样点、30 个试次。zhengchang_tezheng.mat和wenti_tezheng.mat则是已经提取好的特征矩阵，通常行是样本、列是特征。注意：如果直接 load 发现变量名冲突，用结构体接收是最稳的，别用load('wenti.mat')裸加载。

2.2 用 EEGLAB 做通道定位和滤波

资源摘要提到 eeglab 辅助工具包，说明原始数据可能来自 EEGLAB 的.set格式，但这里已经转成了.mat。如果你手头有原始.set，常见做法是先在 EEGLAB 里做 1-40Hz 带通滤波、50Hz 陷波，再导出.mat。如果只有.mat，可以用 MATLAB 的pop_eegfiltnew补做滤波：

% 假设 data 是 通道×时间×试次 fs = 500; % 采样率，根据实际数据改 data_filt = zeros(size(data)); for tr = 1:size(data,3) data_filt(:,:,tr) = pop_eegfiltnew(data(:,:,tr), 1, 40, [], 0, [], 0, fs); end

参数说明：pop_eegfiltnew的前两个参数是通带边缘，帕金森 EEG 常用 1-40Hz，因为高频肌电干扰大。fs必须和采集时一致，填错会导致滤波后波形畸变。如果没装 EEGLAB，用designfilt+filtfilt也能替代，但零相位滤波对后续特征提取更友好。

2.3 特征归一化：scaleForSVM.m 的调用时机

scaleForSVM.m这个文件名很直白，就是给 SVM 做特征缩放的。SVM 对特征尺度敏感，如果不归一化，幅值大的特征会主导核函数计算。常见做法是把训练集和测试集拼在一起算 min-max，或者分别算 z-score。看代码里怎么写的：

% 典型 scaleForSVM 逻辑 function [scaled_data, ps] = scaleForSVM(data, method) if strcmp(method, 'minmax') ps.min = min(data); ps.range = max(data) - min(data); scaled_data = (data - ps.min) ./ ps.range; elseif strcmp(method, 'zscore') ps.mu = mean(data); ps.sigma = std(data); scaled_data = (data - ps.mu) ./ ps.sigma; end end

逻辑说明：返回的ps结构体保存了缩放参数，测试集必须用训练集的ps来变换，不能重新算。这是血泪经验——很多人训练集测试集各自归一化，结果测试集准确率虚高，实际部署就翻车。参数上，minmax适合特征有明确边界的情况，zscore适合近似高斯分布的特征。帕金森 EEG 特征里，功率谱密度用 zscore 更稳。

3. 特征提取与 SVM 训练：a1.m 到 a4.m 的流水线拆解

3.1 a1.m 到 a4.m 的功能推测与验证

资源里有a1.m、a2.m、a3.m、a4.m四个脚本，以及对应的.fig界面文件。从命名习惯看，这大概率是四个实验阶段或四种特征提取方法。常见做法是：a1 做数据加载和分段，a2 做时域特征（均值、方差、Hjorth 参数），a3 做频域特征（PSD、频带功率），a4 做非线性特征（样本熵、排列熵）。验证方法很简单，打开每个 .m 看输出变量名：

% 快速查看每个脚本的输出 % 在命令行依次运行（注意先注释掉 plot 和 ui 相关代码） % 或者直接看脚本末尾的 save 语句 grep -n "save" a1.m a2.m a3.m a4.m

如果脚本里有save('wenti_tezheng.mat', 'feat')这类语句，就能确认特征矩阵的生成位置。参数上，频带划分通常用 delta(1-4Hz)、theta(4-8Hz)、alpha(8-13Hz)、beta(13-30Hz)，帕金森研究里 beta 频带功率变化最显著，可以重点看 a3.m 里有没有对 beta 单独处理。

3.2 SVM 训练脚本的核心参数

preictal2.mat这个文件名有点意思，preictal 通常指癫痫发作前状态，但这里可能是作者沿用了模板命名。不管怎样，SVM 训练部分大概率在某个主脚本里，用fitcsvm或svmtrain。MATLAB 2016 时代svmtrain还没被完全弃用，但fitcsvm更推荐。关键参数：

% SVM 训练模板 load('wenti_tezheng.mat'); % 特征矩阵 load('zhengchang_tezheng.mat'); X = [wenti_feat; zhengchang_feat]; Y = [ones(size(wenti_feat,1),1); -ones(size(zhengchang_feat,1),1)]; % 划分训练测试 cv = cvpartition(Y, 'HoldOut', 0.3); X_train = X(cv.training,:); Y_train = Y(cv.training); X_test = X(cv.test,:); Y_test = Y(cv.test); % 归一化 [X_train_scaled, ps] = scaleForSVM(X_train, 'zscore'); X_test_scaled = (X_test - repmat(ps.mu, size(X_test,1), 1)) ./ repmat(ps.sigma, size(X_test,1), 1); % 训练 model = fitcsvm(X_train_scaled, Y_train, 'KernelFunction', 'rbf', ... 'BoxConstraint', 1, 'KernelScale', 'auto'); % 预测 Y_pred = predict(model, X_test_scaled); acc = sum(Y_pred == Y_test) / length(Y_test);

逻辑说明：BoxConstraint控制惩罚系数，越大越容易过拟合；KernelScale设为auto会让 MATLAB 用启发式方法选高斯核宽度。如果准确率在 60% 左右晃，先别调 SVM 参数，回去看特征有没有做归一化、有没有把测试集信息泄露到训练集。参数上，HoldOut的 0.3 是常见划分，但样本量小于 100 时建议用交叉验证CrossVal而不是单次留出。

3.3 特征选择：别把所有特征一股脑塞进去

wenti_tezheng.mat和zhengchang_tezheng.mat里的特征列数可能几十到上百，直接全喂给 SVM 容易过拟合。常见做法是用fisherscore或relieff做排序，取前 10-20 个。MATLAB 自带fscmrmr也可以：

% 用 mRMR 做特征排序 [idx, scores] = fscmrmr(X_train_scaled, Y_train); top_k = 15; X_train_sel = X_train_scaled(:, idx(1:top_k)); X_test_sel = X_test_scaled(:, idx(1:top_k)); % 重新训练 model_sel = fitcsvm(X_train_sel, Y_train, 'KernelFunction', 'rbf');

参数说明：fscmrmr返回的idx是按重要性降序排列的列索引。top_k取多少要看样本量，样本 50 以下取 5-10，样本 200 以上可以取 20-30。注意特征选择只能在训练集上做，选完后再应用到测试集，否则又是信息泄露。

4. GUI 界面与 .fig 文件的联动：unsstitled.fig 怎么改

4.1 .fig 和 .m 的对应关系

资源里有unsstitled.fig和unsstitled.m，这是 MATLAB GUIDE 生成的一对文件。.fig存界面布局，.m存回调函数。打开.m文件能看到function varargout = unsstitled(varargin)这样的入口，以及pushbutton1_Callback之类的函数。常见做法是：先跑unsstitled.m看界面能不能正常弹出，如果报错说找不到某个变量，就去检查OpeningFcn里有没有 load 数据文件。

% unsstitled.m 的 OpeningFcn 典型结构 function unsstitled_OpeningFcn(hObject, eventdata, handles, varargin) handles.output = hObject; guidata(hObject, handles); % 加载数据 data = load('wenti.mat'); handles.data = data; guidata(hObject, handles); % 更新 handles end

逻辑说明：guidata是 GUIDE 里传递数据的核心机制，每次修改handles后必须调用guidata(hObject, handles)，否则回调函数里拿不到更新。参数上，如果.fig里的按钮回调找不到handles.data，九成是忘了这句。

4.2 把训练好的模型嵌入 GUI

如果想把 SVM 预测结果实时显示在界面上，需要在回调函数里调用predict。常见做法是在pushbutton的回调里写：

function pushbutton_predict_Callback(hObject, eventdata, handles) % 获取当前选择的样本 sample = handles.test_sample; % 假设前面已经存好 % 归一化 sample_scaled = (sample - handles.ps.mu) ./ handles.ps.sigma; % 预测 label = predict(handles.model, sample_scaled); % 显示 if label == 1 set(handles.text_result, 'String', '帕金森阳性'); else set(handles.text_result, 'String', '正常对照'); end end

参数说明：handles.model和handles.ps需要在OpeningFcn里提前 load 好。set(handles.text_result, 'String', ...)里的text_result是静态文本控件的 Tag，在 GUIDE 里右键控件看属性就能找到。注意：如果界面卡死，大概率是predict在循环里被反复调用，把模型加载提到OpeningFcn里只做一次。

5. 避坑与排查：跑这套代码最容易翻车的五个地方

5.1 现象：运行主脚本报「未定义变量 data」

原因：.mat文件里的变量名和脚本里用的不一致。比如wenti.mat里存的是EEG_data，但脚本里写的是data。解决：先whos -file wenti.mat看变量名，然后在脚本开头加一行data = EEG_data;做映射。别直接改.mat文件，容易把原始数据搞坏。

5.2 现象：SVM 准确率 95% 以上，但换一批数据就掉到 50%

原因：特征归一化时用了全部数据算 min/max，测试集信息泄露到训练过程。解决：严格按 3.2 节的写法，ps只在训练集上算，测试集用repmat扩展参数后变换。检查方法：把训练集和测试集的特征均值打印出来，如果几乎一样，说明泄露了。

5.3 现象：GUI 界面按钮点不动，或者报「handles 未定义」

原因：GUIDE 生成的.m文件里，回调函数的handles结构体没有及时更新。解决：在每个修改handles的回调末尾加guidata(hObject, handles);。另外检查.fig和.m文件名是否一致，MATLAB 2016 对文件名大小写敏感，unsstitled.fig和Unsstitled.m会匹配失败。

5.4 现象：EEGLAB 函数报错「pop_eegfiltnew 未定义」

原因：EEGLAB 没加到 MATLAB 路径里，或者版本不兼容。解决：在 MATLAB 里运行eeglab启动一次，或者addpath(genpath('你的eeglab目录'))。如果还是不行，用 MATLAB 自带的filtfilt+designfilt替代，效果差别不大，但要注意designfilt的FilterOrder别设太高，否则帕金森 EEG 的低频成分会被削掉。

5.5 现象：.fig文件打开后控件错位

原因：MATLAB 版本差异导致 GUIDE 布局解析不一致。解决：在 GUIDE 里手动拖一下控件位置再保存，或者用guide命令打开.fig后另存为当前版本格式。如果控件完全消失，检查.fig是不是被当作文本文件编辑过，GUIDE 的.fig本质是 MAT 文件，用文本编辑器打开会损坏。

6. 进阶技巧：用交叉验证和 ROC 曲线验证模型稳定性

单次留出法得到的准确率波动很大，尤其是样本量小的时候。我一般会强制走一遍 10 折交叉验证，再看 ROC 曲线。MATLAB 的fitcsvm支持CrossVal参数，但更灵活的做法是手动写循环：

% 10 折交叉验证 k = 10; cv = cvpartition(Y, 'KFold', k); acc_fold = zeros(k, 1); scores_all = []; labels_all = []; for i = 1:k X_train = X(cv.training(i), :); Y_train = Y(cv.training(i)); X_test = X(cv.test(i), :); Y_test = Y(cv.test(i)); % 归一化 [X_train_scaled, ps] = scaleForSVM(X_train, 'zscore'); X_test_scaled = (X_test - repmat(ps.mu, size(X_test,1), 1)) ./ repmat(ps.sigma, size(X_test,1), 1); % 训练 model = fitcsvm(X_train_scaled, Y_train, 'KernelFunction', 'rbf'); [Y_pred, score] = predict(model, X_test_scaled); acc_fold(i) = sum(Y_pred == Y_test) / length(Y_test); scores_all = [scores_all; score(:, 2)]; labels_all = [labels_all; Y_test]; end fprintf('平均准确率：%.2f%% ± %.2f%%\n', mean(acc_fold)*100, std(acc_fold)*100); % 画 ROC [Xroc, Yroc, T, AUC] = perfcurve(labels_all, scores_all, 1); plot(Xroc, Yroc); xlabel('假阳性率'); ylabel('真阳性率'); title(sprintf('ROC 曲线 (AUC = %.3f)', AUC));

逻辑说明：cvpartition的KFold保证每折样本比例一致。predict的第二个输出score是样本到决策边界的距离，score(:,2)对应正类概率。perfcurve的第三个参数1表示正类标签。参数上，如果 AUC 低于 0.7，说明特征区分度不够，回去检查 a3.m 里的频带功率有没有算错，尤其是 beta 频带的范围是不是设成了 13-30Hz。

还有一个容易忽略的点：帕金森 EEG 的样本往往不平衡，正常对照远多于患者。这时候准确率会虚高，因为全猜多数类也能到 80%。解决办法是用fitsvm的ClassNames参数指定正负类，或者用weights给少数类加权。我一般会在交叉验证前先算一下两类样本比例，如果超过 3:1，就强制加权重。

从那以后我每次拿到这类脑电识别资源，都先跑一遍whos -file看数据维度，再手动做一次归一化泄露检查，最后用交叉验证的 AUC 而不是单次准确率来下结论。这套流程帮我省了很多返工时间。希望帮到你。

本文还有配套的精品资源，点击获取