下面按“用途场景 + 典型软件/工具 + 适合人群与优缺点”整理常见脑电（EEG）分析软件 / 框架，帮助你快速选型。若告诉我：你的文件格式、会不会编程、主要目标（比如 ERP / 运动想象 / 睡眠 / 源定位 / 机器学习），我可以再给个精确组合。

======================== 一、最常被引用的主流科研工具（四大免费阵营）

1 EEGLAB（MATLAB GUI + 脚本）

• 强项：ICA 去伪迹、ERP、时频、小波、单试次分析、插件生态（ERPLAB、SASICA、CleanLine、ICLabel、dipfit）。
• 优点：图形界面友好；大量教学资源；插件丰富。
• 缺点：MATLAB 需授权（本体非开源）；大数据速度一般；批处理脚本要会 MATLAB。
• 常见格式：.set/.fdt，自带导入 .edf .bdf .gdf .vhdr/.eeg。

2 MNE-Python

• 强项：原始→预处理→时频→源定位（MEG/EEG）→连接性→机器学习（与 scikit-learn 无缝）。
• 优点：纯开源；面向可重复；大量教程；适合自动化、AI。
• 缺点：对零编程者门槛高；GUI 轻（主要靠代码/Notebook）。
• 格式：.fif、.edf、.bdf、BrainVision、EEGLAB、KIT/CTF 等。

3 FieldTrip（MATLAB 工具箱）

• 强项：灵活的函数式设计、源定位、统计（集群置换）、时频、脑网络。
• 优点：复杂设计（多因素实验）、强统计工具。
• 缺点：无完整 GUI；学习曲线陡。
• 适合：高级实验范式、需要强定制的实验室。

4 Brainstorm（MATLAB + 免费 GUI）

• 强项：源定位、连接性、批处理 GUI、MEG 支持好。
• 优点：交互式 + 可生成批处理脚本；结构化项目管理。
• 缺点：某些基础预处理灵活度不如 MNE/FieldTrip；深度自定义需时间。

======================== 二、ERP 专项 / 行为与事件相关电位

• ERPLAB：EEGLAB 插件，专注 ERP（滤波、分段、基线、峰值检测、批处理）。
• Mass Univariate ERP Toolbox（基于 MATLAB）：统计校正。
• LIMO EEG（EEGLAB 插件）：广义线性模型 (GLM)、时间-空间统计。

适合：Oddball、Go/NoGo、N170、P300、MMN 等范式。

======================== 三、源定位 / 皮质重建 / 网络

• MNE-Python / Brainstorm / FieldTrip：主流免费三巨头。
• SPM (EEG/MEG 模块, MATLAB)：贝叶斯模型、源反演。
• eLORETA / sLORETA：专注源定位（统计脑区差异）。
• Curry / BESA（商业）：集成硬件兼容、GUI 流畅、临床支持。

======================== 四、实时 BCI / 在线处理

• OpenVibe：图形流程搭建（P300 拼字、SSVEP、运动想象），实时。
• BCI2000：模块化，科研标准之一。
• LabStreamingLayer (LSL)：数据同步中枢（常与 MNE 实时、Unity、Python 结合）。
• OpenBCI GUI：与其硬件配套，实时滤波/特征/FFT。
• NeuroPype（商业/已转型）：拖拽式管线 + ML。
• BrainFlow（多语言 SDK）：统一不同 EEG 硬件采集接口。

======================== 五、睡眠多导 / PSG

• Polysmith / Profusion / Sleepware G3 / RemLogic（设备厂商临床软件）。
• open-source：YASA（Python，自动睡眠分期、纺锤/慢波检测, 与 MNE 兼容）、SleepECG、Scoring pipelines。
• EDF 浏览器（EDFbrowser）：快速查看多导曲线。
• Luna（命令行）：大规模睡眠 EEG 研究（批量特征）。

======================== 六、临床/医疗（诊断环境）

• NicoletOne、Cadwell、Natus、Compumedics 等厂商平台：视频 EEG、癫痫监测。
• Persyst（商业）：自动癫痫放电检测、趋势图。 说明：这些多与医院硬件绑定，闭源，科研可导出 EDF 再用 MNE/EEGLAB 深度处理。

======================== 七、AI / 机器学习强化工具

• Python 生态组合：MNE + NumPy/Pandas + scikit-learn + PyTorch。
• MOABB (Mother Of All BCI Benchmarks)：标准化 BCI 数据集与评估。
• Braindecode：深度学习（ConvNet、HybridNet）处理 EEG（基于 PyTorch）。
• NeuroKit2：心率/EDA + 部分 EEG 特征（更偏生理多模态）。
• TorchEEG：多种深度模型封装（情感识别、疲劳等）。

适合：需要自建分类器、情感识别、工作负荷预测。

======================== 八、批处理 / 自动化 / 管线管理

• MNE-Python + Snakemake / Prefect / Airflow：科研自动化（可复现实验流程）。
• EEGLAB 命令行（pop_* 函数循环）+ MATLAB 脚本。
• BIDS 格式工具：MNE-BIDS、pybids（按 BIDS 规范组织 EEG，利于共享）。
• BioPipe / Brainpipe（部分实验室自建，借助 Docker）。

======================== 九、数据格式与兼容简表（概念性总结） (常见→支持软件)

• EDF/BDF：几乎所有 (MNE, EEGLAB, Brainstorm, FieldTrip, EDFbrowser)
• BrainVision (.vhdr/.vmrk/.eeg)：MNE/EEGLAB/Brainstorm
• EEGLAB (.set/.fdt)：EEGLAB, MNE(读取), Brainstorm
• FIF：MNE 原生，Brainstorm 可导入
• GDF：EEGLAB, MNE（部分）
• XDF（LSL 输出）：MNE-XDF, pyxdf, LabRecorder 选择策略：采集后尽量转为 BIDS 结构 (sub-XX/ses-XX/eeg/*.edf + events.tsv)。

======================== 十、典型使用场景 → 推荐组合 1 初学 + 不会编程 + ERP/时频：EEGLAB + ERPLAB 2 初学 + 想做源定位：Brainstorm（GUI）或 MNE（若愿学代码） 3 需要机器学习 / 批处理 / 版本可复现：MNE-Python + Jupyter + Git 4 大规模数据（几十上百被试）自动跑：MNE + Snakemake（自动生成报告） 5 BCI 在线反馈：OpenVibe / BCI2000 + 自定义分类器（Python 传回） 6 睡眠研究：MNE + YASA（自动分期）+ 报告生成 7 癫痫尖波检测（研究）: MNE + 自训练 CNN (Braindecode)；临床环境则 Persyst 8 源定位 + 统计群组：MNE 或 Brainstorm（含共注册 / 皮层投影） 9 情感/疲劳分类：MNE(预处理) + TorchEEG/Braindecode 10 低代码想快速看基本特征：EEGLAB 或 Brainstorm；再逐步迁移到 MNE 代码化。

======================== 十一、选择时的关键决策维度

• GUI 友好度：Brainstorm ≈ EEGLAB > FieldTrip (无 GUI) > MNE (主要代码)
• 源定位深度：MNE / Brainstorm / FieldTrip > EEGLAB(需插件)
• 机器学习集成：MNE + Python 生态最好
• 插件生态（ICA 辅助、伪迹分类）：EEGLAB 胜
• 统计灵活：FieldTrip（集群置换很成熟） / MNE（也支持）
• 实时处理：OpenVibe / BCI2000 / LSL + 自编
• 报告复现：Python 生态（Notebook + 脚本）更易 CI/CD
• 商业支持/合规：BESA / Curry / Persyst / 厂商自带

======================== 十二、优缺点浓缩对照（代表性） EEGLAB 优：入门快，ICA 强，插件众多 缺：MATLAB 依赖，批处理需脚本，源定位需额外插件 MNE-Python 优：端到端 + 源定位 + ML + 可重复 缺：代码门槛；初期配置环境花时间 Brainstorm 优：GUI 源定位与连接性；批处理视图 缺：自定义计算灵活度不如直接代码 FieldTrip 优：统计/复杂设计；高度灵活 缺：无 GUI，函数调用链长 OpenVibe 优：实时图式搭建 缺：离线高级统计/源定位弱 BCI2000 优：稳定成熟 BCI 框架 缺：学习曲线、GUI 老式 YASA 优：自动睡眠特征快 缺：聚焦睡眠，非通用 EEG 全流程 Braindecode 优：深度学习模型封装 缺：需要数据格式准备、GPU

======================== 十三、入门三条“路线图”（你可挑一） 路线 A（非编程/ERP）： EEGLAB → 加 ERPLAB → 学简单批处理脚本 → 需要源定位再转 Brainstorm 路线 B（编程/全面 + ML）： MNE 基础（读取/滤波/ICA/epoch/ERP）→ 时频/源定位 → MNE-Connectivity → 加 scikit-learn / Braindecode 路线 C（BCI 实时）： 硬件+LSL → OpenVibe 搭流程 → 在线分类（CSP + LDA）→ 若要深度模型：MNE 实时流 + PyTorch

======================== 十四、实用“最小工具集”示例 (1) 预处理 + ERP + 时频：MNE 或 EEGLAB (2) 去伪迹自动建议：ICLabel（EEGLAB 插件）或 mne_icalabel (3) 睡眠：MNE + YASA (4) 模型训练：scikit-learn / Braindecode (5) 报告：Jupyter notebook + nbconvert 导出 PDF/HTML

======================== 十五、如果你还不确定从哪开始 回答下面几个问题我可以给你个“定制组合”： 1 你会不会 Python 或 MATLAB？ 2 你的主要任务是什么（ERP / 运动想象 / 睡眠 / 情绪分类 / 源定位）？ 3 数据格式与通道数？ 4 是否需要实时反馈？ 5 是否需要机器学习分类？

直接按“1=…,2=…,3=…” 回复即可，我再给你一条最适合的路径与安装清单。

需要的话，我还可以提供： A. “MNE 入门 10 步”清单 B. “EEGLAB + ERPLAB 典型 ERP 流程”图 C. “OpenVibe + LSL 实时管线例子” D. “睡眠分期自动化脚本模板”

告诉我 A/B/C/D 或你的五个答案。随时继续。