神经数据解码工具箱
Neural Decoding Toolbox 是由 Ethan Meyers 在 MIT Center for Brains Minds and Machines 开发的 MATLAB 工具箱，目标是让研究者更容易对神经数据进行 decoding analyses。网页明确提供 toolbox 下载、教程和文档入口，并要求论文使用时引用 Meyers 2013 年发表于 Frontiers in Neuroinformatics 的论文。
从模块看，它覆盖了神经解码分析的主要流程：数据格式包括 Binned format 与 Raster format；数据源对象包括 basic_DS、generalization_DS；分类器包括 libsvm_CL、max_correlation_coefficient_CL、poisson_naive_bayes_CL；交叉验证器包括 standard_resample_CV；特征预处理器包括 zscore_normalize_FP、select_or_exclude_top_k_features_FP、select_pvalue_significant_features_FP。网页还详细说明了特征预处理对象必须实现的三个方法，并强调只能从训练数据学习预处理参数，以避免训练集和测试集污染，这体现出其面向严谨科研分析的设计。
该工具箱主要面向 MATLAB 用户。正文也提到，如果希望在 R 中分析数据，可查看 NeuroDecodeR package。生态方面，网页列出大量使用该工具箱或其 beta 版本的神经科学论文，说明其在学术研究中有一定采用基础。文档层面，网站提供教程、模块索引、方法说明和引用规范，基础信息较完整；但抓取正文未显示安装依赖、版本历史、许可证、维护频率或完整 API 手册细节。
正文没有说明定价、支付方式、许可证或是否开源，也未提供源码托管平台信息。因此无法判断其是开源还是闭源，也无法确认是否存在商业支持。作为 MATLAB 工具箱，它可能还受到用户自身 MATLAB 授权环境的限制，但网页未对此展开。
优点是领域定位清晰、流程组件完整、科研引用充分，并且在交叉验证和预处理设计上重视方法学严谨性。缺点是依赖 MATLAB，对 Python/R 之外用户不够通用；项目维护、社区、许可证和支持信息不透明。它最适合神经科学、认知科学、计算神经科学实验室中需要做神经群体活动解码、特征选择、分类评估和结果绘图的研究人员。
抓取文本未提供国内访问、镜像或支付信息，readout.info 在中国大陆的可访问性应标记为未知。若 MATLAB 环境或访问受限，可根据语言偏好考虑正文提到的 NeuroDecodeR，或在 Python 生态中结合 MNE、scikit-learn 等工具自行搭建分析流程。
本测评基于公开资料整理,不构成购买建议,请以 readout.info 官网实际信息为准。
科研开源工具，适合神经科学数据分析。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。