一 分析方法
A 频域法
频域分析也称为频谱分析（spectral analysis），是脑波分析的标准作法中，最有功效也方便的方法之一。频域分析会用统计及傅里叶变换找在频域中的脑波波形包含的信息。频域分析方式有许多种，最常用的是功率谱分析，因为功率谱密度反映信号的频率成份，也反映了信号功率在各频率上的分布。
B 时域法
时域法的脑波分析中有两种重要的分析方法：线性预测及成份分析。一般来说，线性预测会用过去的输出值和过去及现在的输入值进行线性组合，得到估计值。而成份分析是一种无监督的方式，将资料集映射到某特征集中。时域法的参数都完全以时间为基础，不过也可以从功率谱的统计矩中提取。因此，时域法可以建立实际的时间诠释以及传统的频域分析之间的媒介。此外，时域法提供连续量测基本信号特性的方式，其方法都是用到以时间为基础的计算，相较于传统的频域分析来说，以时间为基础的计算所需要的设备比较简单。
C 时频域方法
小波转换是典型的时频域方法，可以从暂态的生物信号中抽取出一些特性。将脑波记录进行小波分解，可以准确的找到暂态的特征，也可以确定其时间及频率的内容，因此小波转换像是数学显微镜，可以分析神经节律的不同尺度，研究脑信号的小幅振荡，并且忽略其他的成份。除了小波转换外，有另一种主要的时频域方法，称为希尔伯特-黄转换，可以将脑波信号分解为一组振荡成份，称为本质模态函数（英语：Intrinsic Mode Function, 简称IMF），以取得瞬时频率的资料。
D 非线性方法
许多自然界的现象是非线性且不稳定的，脑波信号也是如此，因此让脑波信号的解释更加的复杂，也让上述的线性方法受到限制。自1985年起，非线性脑波分析的先驱Rapp及Bobloyantz发表了他们第一篇非线性动态系统（混沌理论）研究结果，非线性脑波分析被广泛应用在脑波分析领域。为了要使用非线性脑波分析，研究者已找到许多有用的非线性参数，例如李亚普诺夫指数、相关维数，以及像是近似熵及样本熵等熵。
E 人工神经网络
人工神经网络（ANN）已有用在脑电图的分类上。大部份的应用中，脑电图资料在进入神经网络分析前，需要经过小波转换的前处理。一度也很常会使用循环神经网络（RNN）在人工神经网络的脑电图分析上[11][12]。一直到深度学习以及卷积神经网络（CNN）兴起后，卷积神经网络成为近来用深度学习进行脑电图分析的新宠。靠著资料集对深层卷积神经网络进行裁剪训练，达到更好的准确性，深度卷积神经网络可以有较好的解码性能[13]，此外，大量的脑电图资料作为人工神经网络的输入，需要有安全的储存方式，以及实时运算上的高运算资源需求。为了处理这些挑战，已提出将云端深度学习，用在大量脑电图资料的实时分析上。
二 分析工具
Brainstorm 是一个协作开源的应用程式，致力于分析大脑讯号，包括脑磁波仪（MEG），脑电图，功能性近红外线光谱（fNIRS），皮层电描技术（ECoG），深度电极和动物侵入性神经生理学。Brainstorm目标在于将脑磁波仪及脑电图作为实验技术，与科学社群共享一个全面且方便的工具。其他也有像FieldTrip等的开源分析应用程式。