线性回归输出是一个连续值，因此适用于回归问题。回归问题在实际中很常见，如预测房屋价格、气温、销售额等连续值的问题。与回归问题不同，分类问题中模型的最终输出是一个离散值。我们所说的图像分类、垃圾邮件识别、疾病检测等输出为离散值的问题都属于分类问题的范畴。softmax回归则适用于分类问题。由于线性回归和softmax回归都是单层神经网络，它们涉及的概念和技术同样适用于大多数的深度学习模型。我们首先以

当我们选定相对应的版本之后，下载的时候发现这个地方的文件大小大概在2G左右，Linux系统下面我们选择runfile(local) 完整安装包从本地安装，或者是选择windows的本地安装。CUDA11.6是之前安装的，CUDA8.0是之后安装的，所以默认CUDA11.6的环境变量在CUA8.0之前，但是CUDA_PATH环境变量被CUDA8.0覆盖。切换CUDA版本时，只需要切换系统变量->PA

（Reinforcement Learning）是机器学习的重要分支。强化学习是指：从环境状态从动作映射的学习，以使动作从环境中获得的累计奖赏值最大。与监督学习不同，监督学习通过正例、反例来训练模型采用何种行为，而强化学习通过探索试错的策略发现最优行为策略。

（Reinforcement Learning）是机器学习的重要分支。强化学习是指：从环境状态从动作映射的学习，以使动作从环境中获得的累计奖赏值最大。与监督学习不同，监督学习通过正例、反例来训练模型采用何种行为，而强化学习通过探索试错的策略发现最优行为策略。

需注意的是这4个模板map的顺序不见得一定与文献中经典的4类静息态microstate maps的顺序相一致，因此需要绘制这4个模板map，并将它们与经典的class A、class B、class C和class D进行对比，确定ep文件中这4个模板map与 class A B C D的对应关系。每个被试的ep文件名中用数字标示出其最优类别数目，且每个被试的ep文件使用记事本打开后可见其维度是：

时域领域的特征提取主要思想：某个一小段时间段里面的幅值，可能可以明显区别不同的类别，那么我们的目的就要找出这一小个时间段。然后取出这个小的时间段的波幅（求平均），来作为这个数据的特征之一。数据说明：被试01，C类别的数据（01_lxx_task_combine_maker_selectC._2s）：每个被试每个类别的数据的维度是 chan*t*epoch，其中chan是通道数，t是时间点，epoc

假设想计算维度为chan*time*epoch（E、T和S分别为电极或脑区数目、每个分段的点数、分段的数目）的静息态EEG数据中，电极X和电极Y的。假设想计算维度为E×T×S（E、T和S分别为电极或脑区数目、每个分段的点数、分段的数目）的任务态脑电数据中电极X和电极Y的PLV/PLI，（3）对S个前述相位差矩阵进行分析。对于每个时频点，计算S个分段在该时频点的相位差（S个相位差）的一致性，得到每个

提供精神/神经疾病的生理指标：对于不同的疾病而言，一个较为一致的发现是：相对正常健康被试而言，罹患上述疾病的病人某些微状态类别的持续时间变短，而另一些微状态类别的出现频率则增加。例如，通过对近15年来的精神分裂症静息态脑电微状态研究进行元分析，研究者发现精神分裂症患者微状态类别C的出现频率更高、微状态类别D的平均持续时间更短 (Rieger et al. 2016)。3、每个微状态类别的涵盖比例：