俗話說：“工欲善其事必先利其器”，腦電信號處理當然離不開各種工具的支持呀。況且並不是所有的人都善於編程，有些沒有GUI界面的工具就不太適合醫生適用，而工程師可能就更加側重於API接口的調用，對數據進行分析。因此對於工程師，醫生來說工具的側重點就會不一樣。今天我就來系統的盤點一下各種工具的優缺點和適用人羣。
EDFbrowser
平臺：Linux/Windows/Mac OS
簡介：EDFbroeser是一個開源、多平臺的通用瀏覽應用，主要用於諸如EEG、SEEG、ECG等時間序列文件的分析，支持的格式包括EDF, EDF+, BDF, BDF+。它包括一個內置的EDF/EDF+/BDF/BDF+到ASCII轉換器。
優點：
1、 便捷的信號分離功能。可以自由選擇感興趣的信道進行研究；
2、 支持信號序列的尺度變化。可以交互地更改振幅、時間片的尺度，以及偏置的上/下移動；
3、 便捷濾波。該軟件支持基本的高通、低通、陷波濾波等功能；
4、 支持EDF與ASCII轉換，便於不同軟件平臺的需求。
缺點：
1、 純交互設計，對於需要高自定義化的操作不是十分自由；
2、 序列可視化種類較爲單一。
總體來說是一個序列分析的十分友好的軟件。
EDFlib
平臺：基於GCC的Linux系統/基於MinGW的Windows系統
簡介：EDF是一種爲C/C++讀寫EDF+/BDF+文件的程序庫，支持annotations/events的標註，以及各種採樣頻率的結合。
優點：純開源代碼庫，拓展性強，且配有Python平臺以及Java平臺的封裝，可滿足不同平臺的需求。
缺點：提供的庫調用主要集中爲基礎的信號讀寫以及標註，沒有可視化功能，較爲複雜的分析功能需要通過這些基礎調用的靈活組合來實現，或者藉助其他工具。文檔簡陋。
EEGLAB
簡介：EEGLAB是美國加州大學聖地亞哥分校Swartz Center for Computational Neuroscience的Scott Makeig教授團隊開發的，是EEG和MEG信號處理軟件開源化的先行者之一，可能也是目前使用最多的EEG工具箱。
優點：
1、 擁有GUI界面，同時可以方便地進行腳本編程和批處理；
2、 支持讀取多種格式的EEG數據，同時也可以根據自己的需要，編寫讀取特定文件格式的插件程序；
3、 擁有獨立成分分析（independent component analysis，ICA）、時頻分析（time-frequency analysis，TFA）以及基於ICA的偶極子成像（dipole source imaging）；
4、 擁有針對特定信號處理和分析方法的插件，可以免費下載。
缺點：GUI界面略顯古老和死板。
FieldTrip
簡介：由荷蘭Donders Institute for Brain, Cognition and Behaviour開發。同EEGLAB一樣，FieldTrip提供了基本和高階的EEG處理方法。與EEGLAB不同的是，FieldTrip沒有穩定的版本，一般是每日更新。
優點：特色是分佈式源成像（distributed source imaging）。
缺點：FieldTrip沒有GUI界面，其所有使用均需要通過自行編程調用其中函數來實現，這也是FieldTrip的初衷：使研究者能專注於信號處理本身；但是這也在一定程度上限制了其用戶需要有較高的MATLAB編程基礎。
BrainStorm
簡介：由美國南加州大學（University of Southern California）、Cleveland Clinic Neurological Institute、法國Centre Nationa de la Recherche Scientifique (CNRS, France) for the Cognitive Neuroscience & Brain Imaging Laboratory及加拿大麥吉爾大學（McGill University）等多個研究機構共同開發。
優點：
1、 除了可以處理EEG/MEG外，也可以處理其它電生理數據；
2、 擁有較爲現代化的GUI界面，特色主要是分佈式溯源.
缺點：在編寫腳本的靈活性方面略差。
MNE
這個我已經在之前的文章介紹了這個模塊，是當前Python的主流腦電信號處理模塊。在這裏就不過多的介紹了。特別適合用於腦電的數據挖掘相關的工作。
以上就是我推薦的幾個比較常用的腦電處理工具，每個工具都有自己的特點，具體選擇哪一款，就看你的需求了。
以下是我在知乎的AI 醫療數據挖掘專欄，歡迎大家關注：AI醫療數據挖掘
以下是我的Github,很多代碼我都開源了，歡迎大家follow：GitHub