clear;clc;

%% 载入数据；

fprintf('Loading data...\n');

tic;

load('N_dat.mat');

load('L_dat.mat');

load('R_dat.mat');

load('V_dat.mat');

fprintf('Finished!\n');

toc;

fprintf('=============================================================\n');

%% 控制使用数据量，每一类5000，并生成标签,one-hot编码；

fprintf('Data preprocessing...\n');

tic;

Nb=Nb(1:5000,:);Label1=repmat([1;0;0;0],1,5000);

Vb=Vb(1:5000,:);Label2=repmat([0;1;0;0],1,5000);

Rb=Rb(1:5000,:);Label3=repmat([0;0;1;0],1,5000);

Lb=Lb(1:5000,:);Label4=repmat([0;0;0;1],1,5000);

Data=[Nb;Vb;Rb;Lb];

Label=[Label1,Label2,Label3,Label4];

clear Nb;clear Label1;

clear Rb;clear Label2;

clear Lb;clear Label3;

clear Vb;clear Label4;

Data=Data-repmat(mean(Data,2),1,250); %使信号的均值为0，去掉基线的影响；

fprintf('Finished!\n');

toc;

fprintf('=============================================================\n');

%% 数据划分与模型训练测试；

fprintf('Model training and testing...\n');

Nums=randperm(20000);      %随机打乱样本顺序，达到随机选择训练测试样本的目的；

train_x=Data(Nums(1:10000),:);

test_x=Data(Nums(10001:end),:);

train_y=Label(:,Nums(1:10000));

test_y=Label(:,Nums(10001:end));

train_x=train_x';

test_x=test_x';

cnn.layers = {

    struct('type', 'i') %input layer

    struct('type', 'c', 'outputmaps', 4, 'kernelsize', 31,'actv','relu') %convolution layer

    struct('type', 's', 'scale', 5,'pool','mean') %sub sampling layer

    struct('type', 'c', 'outputmaps', 8, 'kernelsize', 6,'actv','relu') %convolution layer

    struct('type', 's', 'scale', 3,'pool','mean') %subsampling layer

};

cnn.output = 'softmax';  %确定cnn结构；

                         %确定超参数；

opts.alpha = 0.01;       %学习率；

opts.batchsize = 16;     %batch块大小；

opts.numepochs = 30;     %迭代epoch；

cnn = cnnsetup1d(cnn, train_x, train_y);      %建立1D CNN;

cnn = cnntrain1d(cnn, train_x, train_y,opts); %训练1D CNN;

[er,bad,out] = cnntest1d(cnn, test_x, test_y);%测试1D CNN;

[~,ptest]=max(out,[],1);

[~,test_yt]=max(test_y,[],1);

Correct_Predict=zeros(1,4);                     %统计各类准确率；

Class_Num=zeros(1,4);                           %并得到混淆矩阵；

Conf_Mat=zeros(4);

for i=1:10000

    Class_Num(test_yt(i))=Class_Num(test_yt(i))+1;

    Conf_Mat(test_yt(i),ptest(i))=Conf_Mat(test_yt(i),ptest(i))+1;

    if ptest(i)==test_yt(i)

        Correct_Predict(test_yt(i))= Correct_Predict(test_yt(i))+1;

    end

end

ACCs=Correct_Predict./Class_Num;

fprintf('Accuracy = %.2f%%\n',(1-er)*100);

fprintf('Accuracy_N = %.2f%%\n',ACCs(1)*100);

fprintf('Accuracy_V = %.2f%%\n',ACCs(2)*100);

fprintf('Accuracy_R = %.2f%%\n',ACCs(3)*100);

fprintf('Accuracy_L = %.2f%%\n',ACCs(4)*100);