俗话说：“工欲善其事必先利其器”，脑电信号处理当然离不开各种工具的支持呀。况且并不是所有的人都善于编程，有些没有GUI界面的工具就不太适合医生适用，而工程师可能就更加侧重于API接口的调用，对数据进行分析。因此对于工程师，医生来说工具的侧重点就会不一样。今天我就来系统的盘点一下各种工具的优缺点和适用人群。
EDFbrowser
平台：Linux/Windows/Mac OS
简介：EDFbroeser是一个开源、多平台的通用浏览应用，主要用于诸如EEG、SEEG、ECG等时间序列文件的分析，支持的格式包括EDF, EDF+, BDF, BDF+。它包括一个内置的EDF/EDF+/BDF/BDF+到ASCII转换器。
优点：
1、 便捷的信号分离功能。可以自由选择感兴趣的信道进行研究；
2、 支持信号序列的尺度变化。可以交互地更改振幅、时间片的尺度，以及偏置的上/下移动；
3、 便捷滤波。该软件支持基本的高通、低通、陷波滤波等功能；
4、 支持EDF与ASCII转换，便于不同软件平台的需求。
缺点：
1、 纯交互设计，对于需要高自定义化的操作不是十分自由；
2、 序列可视化种类较为单一。
总体来说是一个序列分析的十分友好的软件。
EDFlib
平台：基于GCC的Linux系统/基于MinGW的Windows系统
简介：EDF是一种为C/C++读写EDF+/BDF+文件的程序库，支持annotations/events的标注，以及各种采样频率的结合。
优点：纯开源代码库，拓展性强，且配有Python平台以及Java平台的封装，可满足不同平台的需求。
缺点：提供的库调用主要集中为基础的信号读写以及标注，没有可视化功能，较为复杂的分析功能需要通过这些基础调用的灵活组合来实现，或者借助其他工具。文档简陋。
EEGLAB
简介：EEGLAB是美国加州大学圣地亚哥分校Swartz Center for Computational Neuroscience的Scott Makeig教授团队开发的，是EEG和MEG信号处理软件开源化的先行者之一，可能也是目前使用最多的EEG工具箱。
优点：
1、 拥有GUI界面，同时可以方便地进行脚本编程和批处理；
2、 支持读取多种格式的EEG数据，同时也可以根据自己的需要，编写读取特定文件格式的插件程序；
3、 拥有独立成分分析（independent component analysis，ICA）、时频分析（time-frequency analysis，TFA）以及基于ICA的偶极子成像（dipole source imaging）；
4、 拥有针对特定信号处理和分析方法的插件，可以免费下载。
缺点：GUI界面略显古老和死板。
FieldTrip
简介：由荷兰Donders Institute for Brain, Cognition and Behaviour开发。同EEGLAB一样，FieldTrip提供了基本和高阶的EEG处理方法。与EEGLAB不同的是，FieldTrip没有稳定的版本，一般是每日更新。
优点：特色是分布式源成像（distributed source imaging）。
缺点：FieldTrip没有GUI界面，其所有使用均需要通过自行编程调用其中函数来实现，这也是FieldTrip的初衷：使研究者能专注于信号处理本身；但是这也在一定程度上限制了其用户需要有较高的MATLAB编程基础。
BrainStorm
简介：由美国南加州大学（University of Southern California）、Cleveland Clinic Neurological Institute、法国Centre Nationa de la Recherche Scientifique (CNRS, France) for the Cognitive Neuroscience & Brain Imaging Laboratory及加拿大麦吉尔大学（McGill University）等多个研究机构共同开发。
优点：
1、 除了可以处理EEG/MEG外，也可以处理其它电生理数据；
2、 拥有较为现代化的GUI界面，特色主要是分布式溯源.
缺点：在编写脚本的灵活性方面略差。
MNE
这个我已经在之前的文章介绍了这个模块，是当前Python的主流脑电信号处理模块。在这里就不过多的介绍了。特别适合用于脑电的数据挖掘相关的工作。
以上就是我推荐的几个比较常用的脑电处理工具，每个工具都有自己的特点，具体选择哪一款，就看你的需求了。
以下是我在知乎的AI 医疗数据挖掘专栏，欢迎大家关注：AI医疗数据挖掘
以下是我的Github,很多代码我都开源了，欢迎大家follow：GitHub