MATLAB 代码的主要功能是基于功能连接（FC）数据，利用支持向量机（SVM）进行分类，并通过留一法交叉验证、特征选择、超参数寻优、一致性特征分析以及置换检验等步骤，评估分类性能和特征的显著性

clear;clc
NumROI  = 37; % ROI数目
NumCon = 605; %连接数目

% 选择病人组数据文件夹
% path1      = spm_select(1,'dir','please select patients dir');
path1     ='D:\siying\42ML_day3\nnnnnn\FC\Patient'; %和第7行用一个即可，为手动改路径
file1         = dir([path1,filesep, '*.txt']);
if isempty(file1)
    file1         = dir([path1,filesep, '*.txt']);
end

%  选择正常人组数据文件夹
% path2      = spm_select(1,'dir','please select hc dir');
path2     ='D:\siying\42ML_day3\nnnnnn\FC\HC';
file2         = dir([path2,filesep, '*.txt']);
if isempty(file2)
    file2         = dir([path2,filesep, '*.txt']);
end

% 是否选择连接mask %这部分mask的部分，使用全脑或者自己选定的mask，要根据差异连接的位置，事先制作mask，step1有制作方法
choice      = questdlg('Add connection mask?',  'Mask',  'YES','NO','YES');
if isequal(choice,'YES')
    [FileName,PathName] = uigetfile('*.mat','select connection mask');
    load([PathName,filesep,FileName]);
    conn_msk = double(R~=0);; %mask矩阵的名字是R
    clear PathName FileName
else
    conn_msk = ones(NumROI);
end

Ind_01    = find(triu(ones(NumROI),1));
Ind_02    = find(conn_msk(Ind_01) ~= 0);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%% 读取功能连接数据
DATA_sad = zeros(length(file1), length(Ind_02));
for i = 1:length(file1)
    if strcmp(file1(i).name(end-3:end),'.mat')
        load([path1,filesep, file1(i).name])
        DATA_sad(i,:) = corROI4(Ind_01(Ind_02)); %功能连接矩阵名字是corROI4
    elseif strcmp(file1(i).name(end-3:end),'.txt')
        corROI4 = load([path1,filesep, file1(i).name]);
        DATA_sad(i,:) = corROI4(Ind_01(Ind_02));
    end
end

DATA_hc = zeros(length(file2), length(Ind_02));
for i = 1:length(file2)
    if strcmp(file2(i).name(end-3:end),'.mat')
        load([path2,filesep, file2(i).name])
        DATA_hc(i,:) = corROI4(Ind_01(Ind_02)); %功能连接矩阵名字是corROI4
    elseif strcmp(file2(i).name(end-3:end),'.txt')
        corROI4 =  load([path2,filesep, file2(i).name]);
        DATA_hc(i,:) = corROI4(Ind_01(Ind_02));
    end
end

% 两组特征合并
DATA = [DATA_sad;DATA_hc];
label  = [ones(size(DATA_sad,1),1); -1*ones(size(DATA_hc,1),1)];% 病人为1，对照为-1

%% svm分类 
% 留一法交叉验证

% 创建空数据，用于保存每一折的特征权重
w = zeros(size(DATA,1), NumCon); 

h = waitbar(0,'please wait..');
for i = 1:size(DATA,1)
    waitbar(i/size(DATA,1),h,[num2str(i),'/',num2str(size(DATA,1))])
    new_DATA = DATA;
    new_label  = label;
    test_data   = DATA(i,:);new_DATA(i,:) = []; train_data = new_DATA;
    test_label   = label(i,:);new_label(i,:) = [];train_label = new_label;
    
    % F_score feature selection
    % training data in the sad group
    data_sad    = train_data(train_label==1,:);
    % training data in the hc group
    data_hc      = train_data(train_label==-1,:);
    x_sad         = mean(data_sad);
    x_hc           = mean(data_hc);
    x_data        = mean(train_data);
    for k = 1:size(train_data,2)
        for j = 1:size(train_data,1)
            if j<=size(data_sad,1)
                AA_sad(j) = (train_data(j,k)-x_sad(k))^2;
                sum_sad(k) = sum(AA_sad);
            else
                BB_hc(j-size(data_sad,1)) = (train_data(j,k)-x_hc(k))^2;
                sum_hc(k) = sum(BB_hc);
            end
        end
        F(i,k) = ((x_sad(k)-x_data(k))^2+(x_hc(k)-x_data(k))^2)/((sum_sad(k)/(size(data_sad,1)-1))+(sum_hc(k)/(size(data_hc,1)-1)));
    end
    clear x_sad x_hc x_data AA_sad sum_sad BB_hc sum_hc
    
    %         % t-score for feature selection
    %         [~,~,~,stat] = ttest2(train_data(train_label==1,:),train_data(train_label==-1,:));
    %         F(i,:)               = abs(stat.tstat);
    %         clear stat
    
    %         % correlation for feature selection
    %         r = corr(train_data, train_label,'type','Spearman');
    %         F(i,:) = abs(r);
    
    [~,IX] = sort(F(i,:),'descend');
    % 保存第i折的特征F分数排序
    order(i,:) = IX;
    

%     % parameter selection%替换 复制之前的
%     [bestacc,bestc] = SVMcgForClass_NoDisplay_linear(train_label,train_data(:,IX(1:NumCon)),-5,5,5,1);
%     cmd = ['-t 0', '-c ',num2str(bestc)];
% %     cmd = '-t 0';
  % parameter selection %分类的超参数寻优
         bestcv = 0;   % 初始化%mse mse（做预测）是越小越好，所以一开始设定的是inf，为无穷大，做分类是0开始
           for log2c = -5:0.2:5 %根据自己的研究而定，为网格搜索的数值和步长，注意为指数形式
                % -v 交叉验证参数(即折数），寻找训练集最高分类mse
                % -c SVR中的惩罚系数
                % -p SVR中的epsilon 
                cmd = ['-v 5 -s 0 -t 0 -c ', num2str(2^log2c)];
                % 使用以上参数在训练集上进行训练,返回预测mse
                cv = svmtrain(train_label, train_data(:,IX(1:NumCon)), cmd);%%如果仍是x的情况，显示不可以识别，老师在step1把NumCon改为x，这里有具体的NumCon的值，要替换回来
                % 如果使用 当前参数得到的mse 比 之前参数得到的最低的mse 还低，则记录下来
                if (cv > bestcv)
                    bestcv = cv; bestc = 2^log2c; 
                    fprintf('%g %g %g (best c=%g, rate=%g)\n', log2c, cv, bestc, bestcv);
                end
           end
          % 保存最优超参数
           bestcmd=['-s 0 -t 0 -c ',num2str(bestc)];  %-s n -t 0 -cq其中n=0时做的是分类 n=3是回归
    
    % 使用时最优超参数做训练和预测，并汇总特征权重 %保留 在这之前做F检验和参数寻优
    model = svmtrain(train_label,train_data(:,IX(1:NumCon)), bestcmd);
    w(i,:)   = model.SVs'*model.sv_coef; %支持向量的权重
    [predicted_label, accuracy, deci] = svmpredict(test_label,test_data(:,IX(1:NumCon)),model);
    acc(i) = accuracy(1);
    deci_value(i) = deci;
    p_label(i)=predicted_label;
    clear k j model cmd
end
close(h)

acc_final = mean(acc);

% %AUC
[X,Y,T,AUC] = perfcurve(label,deci_value,1);
disp(['AUC= ', num2str(AUC)]);
figure;plot(X,Y);hold on;plot(X,X,'-');
xlabel('False positive rate'); ylabel('True positive rate');

for i=1:length(X)
    Cut_off(i,1) = (1-X(i))*Y(i);
end
[~,maxind] = max(Cut_off);
disp(['Specificity= ', num2str(1-X(maxind))]);
disp(['Sensitivty= ', num2str(Y(maxind))]);

% 混淆矩阵
figure;
cmc = confusionchart(label, p_label);
% cm = cmc.NormalizedValues;
cm = confusionmat(label, p_label);
sensitivity = cm(2,2) / sum(cm(2,:));
specificity = cm(1,1) / sum(cm(1,:));
disp(['sensitivity: ',num2str(sensitivity)]);
disp(['specificity: ',num2str(specificity)]);

%% find consensus feature
% 对于交叉验证的每一折 %对于每一折都要转换连接矩阵，并找到对应位置
for i=1:size(order,1)
    % 创建一个空的FC矩阵
    A = zeros(NumROI);
    % 在上三角、mask内、筛选出的特征的位置，放入其权重值
    A(Ind_01(Ind_02((order(i,1:NumCon))))) = w(i,:);
    % 上三角矩阵变为对称矩阵
    A = A+A';
    % 保存第i折的特征权重矩阵
    cons_feature(:,:,i) = A;
    clear A
end

cons_feature_mask = double(sum(cons_feature ~= 0,3)==size(DATA,1)); %计算一致性特征矩阵mask，判断是否等于折数就是一致性特征
cons_feature_sign = sign(mean(cons_feature,3)).*cons_feature_mask; %得到(正负权重)连接mask 权重根据核函数算出来的
cons_feature_mean = mean(cons_feature,3).*cons_feature_mask; %所有折的平均权重
% 一致性特征平均权重的绝对值
cons_feature_abs = abs(mean(cons_feature,3)).*cons_feature_mask;

figure;imagesc(cons_feature_mean);colorbar;

% 上三角中有权重特征位置和权重
[lx,ly,lz]=find(triu(cons_feature_mean));
cons_feature_label=[lx,ly,lz]; %lx 所在的行，ly所在的列，lz权重的大小 %以上代码跑起来都没问题

%% permutation test
permut                = 10;
acc_final_rand     = zeros(permut,1);
h = waitbar(0,'please wait..');
for i=1:permut
    waitbar(i/permut,h,['permutation:',num2str(i),'/',num2str(permut)]);
    randlabel = randperm(length(label));
    label_r  = label(randlabel);
    for j=1:size(DATA,1)
        new_DATA = DATA;
        new_label  = label_r;
        test_data   = new_DATA(j,:);  new_DATA(j,:) = []; train_data = new_DATA;
        test_label  = new_label(j,:);    new_label(j,:)  = [];  train_label = new_label;
        
        % F_score feature selection
        % training data in the sad group
        data_sad    = train_data(train_label==1,:);
        % training data in the hc group
        data_hc      = train_data(train_label==-1,:);
        x_sad         = mean(data_sad);
        x_hc           = mean(data_hc);
        x_data        = mean(train_data);
        for k = 1:size(train_data,2)
            for jj = 1:size(train_data,1)
                if jj<=size(data_sad,1)
                    AA_sad(jj) = (train_data(jj,k)-x_sad(k))^2;
                    sum_sad(k) = sum(AA_sad);
                else
                    BB_hc(jj-size(data_sad,1)) = (train_data(jj,k)-x_hc(k))^2;
                    sum_hc(k) = sum(BB_hc);
                end
            end
            F(i,k) = ((x_sad(k)-x_data(k))^2+(x_hc(k)-x_data(k))^2)/((sum_sad(k)/(size(data_sad,1)-1))+(sum_hc(k)/(size(data_hc,1)-1)));
        end
        clear x_sad x_hc x_data AA_sad sum_sad BB_hc sum_hc
        
        %         % t-score for feature selection
        %         [~,~,~,stat] = ttest2(train_data(train_label==1,:),train_data(train_label==-1,:));
        %         F(i,:)               = abs(stat.tstat);
        %         clear stat
        
        %         % correlation for feature selection
        %         r = corr(train_data, train_label,'type','Spearman');
        %         F(i,:) = abs(r);
        
        [~,IX] = sort(F,'descend');
        
%         parameter selection %改成F检验
%         [bestacc,bestc] = SVMcgForClass_NoDisplay_linear(train_label,train_data(:,IX(1:NumCon)),-5,5,5,1);
%         cmd = ['-t 0', '-c ',num2str(bestc)];
%         cmd = '-t 0';
         % parameter selection %分类的超参数寻优
         bestcv = 0;   % 初始化mse mse是越小越好，所以一开始设定的是inf，为无穷大
           for log2c = -5:0.2:5
                % -v 交叉验证参数(即折数），寻找训练集最高分类mse
                % -c SVR中的惩罚系数
                % -p SVR中的epsilon 
                cmd = ['-v 5 -s 0 -t 0 -c ', num2str(2^log2c)];
                % 使用以上参数在训练集上进行训练,返回预测mse
                cv = svmtrain(train_label, train_data(:,IX(1:NumCon)), cmd);% X是功能连接数量
                % 如果使用 当前参数得到的mse 比 之前参数得到的最低的mse 还低，则记录下来
                if (cv > bestcv)
                    bestcv = cv; bestc = 2^log2c; 
                    fprintf('%g %g %g (best c=%g, rate=%g)\n', log2c, cv, bestc, bestcv);
                end
           end
          % 保存最优超参数
           bestcmd=['-s 0 -t 0 -c ',num2str(bestc)];  %-s n -t 0 -cq其中n=0时做的是分类 n=3是回归
        model = svmtrain(train_label,train_data(:,IX(1:NumCon)), bestcmd);
        [predicted_label accuracy deci] = svmpredict(test_label,test_data(:,IX(1:NumCon)),model);
        acc_r(j) = accuracy(1);
        clear B IX order strength  cmd bestacc bestc F
    end
    acc_final_rand(i) = mean(acc_r);
    clear randlabel  acc_r label_r
end
close(h);
acc_pvalue     = mean([acc_final_rand; acc_final] >= acc_final);

% save('FC_svm_roc_result.mat','acc_final','acc_pvalue','AUC','cons_feature_mean','cons_feature_mask','cons_feature_label');

这段MATLAB代码的主要功能是基于功能连接（FC）数据，利用支持向量机（SVM）进行分类，并通过留一法交叉验证、特征选择、超参数寻优、一致性特征分析以及置换检验等步骤，评估分类性能和特征的显著性。以下是对代码功能的详细介绍：

1. 数据读取与准备

• 设定感兴趣区域（ROI）的数量 NumROI 和连接数量 NumCon。
• 手动指定病人组和正常人组的数据文件夹路径，读取文件夹内的 .txt 或 .mat 文件。
• 询问是否使用连接掩码，如果选择是，则加载掩码文件；否则，使用全1矩阵作为掩码。

2. 特征提取

• 对读取的功能连接数据进行处理，根据掩码筛选出有效连接，并将病人组和正常人组的数据合并为 DATA，对应的标签合并为 label。

3. SVM分类与留一法交叉验证

• 采用留一法交叉验证，每次留出一个样本作为测试集，其余样本作为训练集。
• 在训练集上进行特征选择，使用F分数（F_score）评估每个特征的重要性，并对特征进行排序。
• 通过网格搜索的方式寻找SVM的最优超参数（惩罚系数 c）。
• 使用最优超参数训练SVM模型，并对测试集进行预测，记录每次交叉验证的分类准确率 acc、决策值 deci_value 和预测标签 p_label。

4. 分类性能评估

• 计算平均分类准确率 acc_final。
• 绘制ROC曲线，计算AUC值，评估模型的分类性能。
• 计算特异性和敏感性，进一步评估模型性能。
• 绘制混淆矩阵，直观展示分类结果。

5. 一致性特征分析

• 对于每一折交叉验证，将筛选出的特征权重转换为功能连接矩阵，并保存为 cons_feature。
• 计算一致性特征矩阵掩码 cons_feature_mask，得到正负权重连接掩码 cons_feature_sign 和平均权重矩阵 cons_feature_mean。
• 提取上三角中有权重特征的位置和权重，保存为 cons_feature_label。

6. 置换检验

• 进行多次（permut 次）置换检验，每次随机打乱标签顺序，重复上述特征选择、超参数寻优和模型训练过程，记录每次置换的平均分类准确率 acc_final_rand。
• 计算置换检验的p值 acc_pvalue，评估分类结果的显著性。

7. 结果保存

• 最后，代码注释部分提示可以将分类准确率、p值、AUC值、一致性特征矩阵等结果保存到 FC_svm_roc_result.mat 文件中。