我刚开始接触脑电数据分析的时候，最头疼的事情不是看不懂电极帽怎么戴，也不是临床试验怎么设计，而是拿到一个几十兆的EDF文件之后不知道该拿它干什么。MNE这个名字最早是在某个开源项目里看到的，那时候我对它的印象还停留在“一个Python库”，直到真的用起来才发现，脑电数据从原始波形到ERP成分分析，这个库几乎把所有脏活累活都包了。如果你也正准备入坑脑电数据处理，或者已经被各种格式的文件搞到头大，这篇教程就是给你写的。
MNE全称是MNE-Python，专门用来处理脑电图（EEG）、脑磁图（MEG）和功能近红外光谱（fNIRS）数据。它能做的事情很多：读取十几家厂商的脑电文件、标注事件、分段、滤波、去伪迹、做时频分析、画漂亮的通道拓扑图，还能把结果导出给统计工具。最让我喜欢的是它的数据结构设计得特别统一，一旦理解了Raw、Epochs、Evoked这三个对象，后面的预处理和分析基本就是套模板。这篇教程适合有Python基础但没碰过脑电处理的人，也适合以前用过EEGLAB但想转Python的熟练用户。我会从数据长什么样讲起，把最常见的操作梳理成一套可以照着跑的流程。
1. 脑电数据入门：MNE到底是什么
1.1 先搞清楚你要处理的数据长什么样
脑电数据本质上是个二维数组，横轴是时间，纵轴是通道。假设你用的是64导联的脑电帽，采样率是1000 Hz，记录了10分钟，那么原始数据就是一个64 × 600000的矩阵。这个矩阵太大，直接塞给统计软件不现实，而且在记录过程中会混入眨眼、肌电、工频干扰等噪声，再加上实验事件发生的时间点需要对齐，所以必须有一整套工具来管理这些信息。
MNE里的核心对象就是围绕这个矩阵设计的。Raw保存连续原始数据，同时记录采样率、通道名称、电极位置、事件时刻等元信息。当你把连续的Raw按照实验事件切分成一个个小片段，就得到Epochs。把所有Epochs按条件叠加平均，就得到Evoked。这三级结构从粗到细，恰好对应脑电分析的基本流程：先看原始波形，再分段，再平均。
这里有个容易搞混的点：脑电数据的值是有单位的，MNE内部默认用伏特（V）存储，而很多脑电设备直接导出的是微伏（μV）。如果你读进来的数据是微伏，那处理之前要么自己缩放到伏特，要么在读取时确认单位。我第一次处理别人给的数据时没注意这个问题，结果滤波时高频阈值怎么调都不对，后来才发现数据整体放大了1000000倍。这个坑在后面会详细说。
1.2 为什么偏偏选择MNE
脑电处理的同类型工具至少有三种路线：商业软件（比如各家设备自带的系统）、MATLAB生态的EEGLAB、Python生态的MNE。商业软件的问题是格式封闭，换设备可能就换一套工具。EEGLAB很强，但它是MATLAB专用且界面操作多，批量处理要写脚本，还得处理路径中文和矩阵维度相关的杂事。MNE的优势在于开源免费、纯Python、格式支持极广，而且数据类型转换非常灵活，可以轻松接入numpy、scipy、pandas等常用库。
我特别喜欢它的地方还在于文档和示例代码写得相当细致。官方维护了一套示例数据，网上也有大量教程。即使你完全不懂信号处理，照着示例把流程跑一遍，也能建立直观感受。从长远看，脑电数据分析越来越趋向自动化和可复现研究，用Python脚本管理全流程，本身就能避免很多手工操作带来的失误。所以如果你准备长期做脑电研究或产品开发，MNE是一个值得投入学习的方向。
2. 环境搭建与数据准备
2.1 安装MNE的两种方式
安装方面最省心的办法是用Anaconda建独立环境，防止依赖冲突。打开终端执行：
conda create -n eeg python=3.9 conda activate eeg pip install mne这样装的是核心库。如果你需要处理某些特定格式的数据，可能还需要配套插件，比较常用的是mne-bids（用来组织脑电实验数据目录）、mne-connectivity（做功能连接分析）。这些等到具体需要时再装即可，没必要一开始全灌进去。
另一种方式是直接pip install mne，适用于已经有Python环境且不担心包冲突的情况。但我要提醒一句：脑电数据文件通常体积不小，处理起来吃内存，尽量保证Python是64位的，否则大矩阵很容易把内存撑爆。
安装完成后，建议在Python里运行一行验证：
import mne print(mne.__version__)能正常输出版本号就说明基础环境OK。如果安装时遇到编译报错，多半是numpy或scipy版本不匹配，不要慌，直接重装mne并让pip自动处理依赖通常都能解决。
2.2 用自带示例数据跑通第一个脚本
刚接触一个库时，用官方示例数据是最稳的路径。MNE自带一份sample脑磁图数据，虽然它是MEG为主的记录，但里面同时包含了EEG通道，非常适合体验完整流程。读取代码如下：
import mne from mne.datasets import sample data_path = sample.data_path() raw_fname = data_path / 'MEG' / 'sample' / 'sample_audvis_raw.fif' raw = mne.io.read_raw_fif(raw_fname, preload=True) print(raw) print(raw.info) raw.plot(n_channels=20, duration=5.0)第一行会下载示例数据，如果网络不畅会卡一会儿，建议挂靠谱的代理或直接找镜像。read_raw_fif是FIF格式的读取函数，preload=True会把数据全部读进内存，方便后续操作。raw.plot会弹出一个交互式窗口，你可以滚动查看波形、缩放、标记坏通道，这是了解数据的第一步。
如果你的数据是EDF、BDF、CNT或EEGLAB .set等格式，MNE也都有对应的读取函数，比如read_raw_edf。用示例数据把流程跑通后，再换成自己的数据会顺很多。我当时就是先把所有示例代码都跑了一遍，心里对数据结构有了底，才敢打开老板给的临床数据。
3. 核心数据结构：Raw、Epochs、Evoked
3.1 Raw：连续原始脑电
Raw对象内部其实就是三块内容：data（二维数组）、info（通道与测量信息）、annotations（时间注释）。你可以把info想成一个字典，它记录着通道名、通道类型、采样率、参考方案等。打印raw.info会输出一大串信息，刚开始看会蒙，但常用的就几个：
print(raw.info['sfreq']) # 采样率 print(raw.info['ch_names']) # 通道名列表 print(raw.info['bads']) # 坏通道列表Raw的一个常见操作是裁剪时间段。比如你只想分析实验开始后的3分钟，可以执行raw.crop(tmin=60, tmax=240)。注意crop是原地修改还是返回新对象？实际它是原地修改，所以如果后面还要用完整数据，建议先raw.copy().crop(...)。这里容易踩坑的点是：凡是可能改变原始数据的操作，最好先copy一份再处理，否则代码写长了就会发现自己对数据做过什么都不知道。
3.2 Epochs：分段后的脑电
Epochs已经是三维结构：段数 × 通道数 × 时间点数。每一段对应一个实验事件。为什么要把连续数据切成段？因为你要对比不同的实验条件，比如看人脸图片和看房子图片时脑电反应的差异，就必须把同一条件下多次呈现后的脑电波逐点平均，而只有分段后才能对齐时间零点。
创建Epochs需要三个信息：events（事件时间点与编码）、event_id（编码对应的含义）、tmin和tmax（取事件前多少秒到事件后多少秒）。典型代码：
events, event_id = mne.events_from_annotations(raw) epochs = mne.Epochs(raw, events, event_id=event_id, tmin=-0.2, tmax=0.8, baseline=(-0.2, 0), preload=True) print(epochs)events本质是一个numpy数组，每个事件是如[样本点序号, 0, 触发码]这样的一行。MNE里有一个约定：事件的时间必须用采样点序号而不是绝对时间来表示，因为采样率不同时绝对时间会乱。这个设计初看绕弯，用两次之后反而觉得比时间戳更可靠。
Epochs对象还自带很多方法，比如epochs.drop_bad()能根据伪迹阈值自动剔除坏段，epochs.average()能得到Evoked。这些后面单独讲。
3.3 Evoked：事件相关平均
把某个条件下所有Epochs逐点取平均，得到的就是Evoked。这个平均操作是脑电研究中最经典的一步，因为单个试次的脑电信号淹没在噪声里，只有多次叠加平均才能把与事件锁定的成分暴露出来。得到Evoked之后，你可以画波形图、地形图，也可以提取某个时间窗内的均值做统计分析。
evoked_aud = epochs['auditory'].average() evoked_aud.plot()这里['auditory']用的是event_id映射出的含义标签，非常方便。Evoked的data形状是通道数×时间点数，二维，很直观。如果你想知道某个通道在某段时间的平均幅值，直接切片就行：
import numpy as np ch_index = evoked_aud.ch_names.index('EEG 001') value = evoked_aud.data[ch_index, :].mean()3.4 Info与Annotations
Info对象贯穿所有数据结构，它不仅是元数据容器，还影响后续计算，比如通道类型是eeg还是mag决定了参考设置、单位和可视化方式。注意修改info时尽量用方法，比如raw.set_montage()设置电极位置，raw.set_eeg_reference()设置参考，直接改内部字段容易出错。
Annotations的作用则像是给连续数据做标记。比如你在记录时按了某个按钮，标记“开始实验”；或者离线查看数据时发现某段有严重肌电干扰，想着一会儿处理时跳过，都可以用Annotations记录下来。MNE中创建注释也很方便：
from mne import Annotations annot = Annotations(onset=[10.5], duration=[2.0], description=['bad_emg']) raw.set_annotations(raw.annotations + annot)这种带标记的数据在后续自动分段时会更有条理，也是可重复研究的好习惯。
4. 预处理全流程：从滤波到ICA
4.1 坏通道检测与插值
预处理最忌讳上来就一顿滤波器乱设。我的习惯是先把原始波形完整看一遍，再决定怎么做。打开raw.plot()之后，逐屏滚动检查：有没有某个通道明显跟其他通道不在一个量级？有没有一段波形突然蹦上蹦下？如果某个通道从头到尾都是噪声，就应该把它标为坏通道。
raw.info['bads'] = ['EEG 051'] # 手工标记 raw.interpolate_bads(reset_bads=True) # 根据周围通道插值修复插值方法不是万能的。如果坏通道太多或者恰好在感兴趣区域一片坏，插值结果可能不太理想。这时候你要权衡：是放弃这个通道，还是放弃这段数据。MNE里会自动通过周围通道的信号空间插值，效果通常不错，但别把插值当成救命稻草，我还是建议记录时尽量保证电极佩戴质量。
除人工判断外，也可以写一点简单规则来判断坏通道，比如计算每个通道的方差，超过整体均值很多倍就标记。但实际数据情况很复杂，最好人机结合。MNE社区也常见推荐autoreject这个包来做自动化拒绝，后面可以尝试。
4.2 滤波与重参考
滤波是脑电处理中最容易翻车的一步。滤波器选择高通、低通、带通，频率怎么设都要结合你的研究问题。最常见的宽带滤波是0.1到40 Hz，保留delta到beta频段的同时滤掉高频肌电和低频漂移。代码很简单：
raw.filter(l_freq=1, h_freq=40)但有几个细节必须注意。第一，高通滤波会带来边缘伪迹，滤波完数据的首尾会出现振荡，所以滤波后通常还要crop掉最前面一段时间，或者先crop再做基线使这些边缘效应不影响关键区段。第二，50 Hz左右的工频干扰在有些环境下很明显，可以尝试50 Hz陷波，但如果数据里有需要保留的50 Hz附近成分，就要谨慎。第三，滤波的阶数越高越陡峭，越容易导致波形变形，MNE默认用的是FIR设计，稳定性不错，一般不需要调节太多参数。
重参考是个更让人困惑的话题。EEG本身是相对某个参考电极的电位差，不同参考方式会影响波形形态和地形分布。MNE中最常用的是平均参考：
raw.set_eeg_reference('average')全脑平均参考在大多数研究中比较稳妥，但如果电极覆盖范围只有部分脑区，平均参考也可能引入偏差。还有一种常见做法是双耳乳突参考，MNE里通过set_eeg_reference(['EEG 024', 'EEG 025'])实现。我自己的经验是：具体用什么参考要看你所在领域习惯，但一定要在文章方法里写清楚，否则数据结果很难复现。
4.3 剔除坏段与ICA去伪迹
滤波只能去除固定的频率噪声，对于偶发的肌电、电极脱落和眨眼伪迹，通常需要分两步处理。
第一步是拒绝坏段。在Raw级别可以直接画图找坏段，然后手动裁剪；更常见的是在创建Epochs后设置阈值自动拒绝：
epochs.drop_bad(reject=dict(eeg=150e-6))这个150微伏表示任何通道峰峰值超过150微伏就认为这段数据不可靠。阈值设置需要看你的数据质量，我见过有人用100，也见过有人用250，没有绝对标准。关键是拒绝后要查看drop比例，如果超过三分之一的试次被拒绝，你就要反思记录质量或阈值是不是太严了。
第二步是ICA（独立成分分析）。眨眼和眼动在脑电记录里几乎是不可避免的，它们在头皮上体现为前额通道瞬间的大幅偏转。传统做法是直接把含有眨眼的试次丢掉，但这样浪费数据，还会把与眨眼时间锁定的脑电成分一起丢掉。更好的办法是用ICA把眨眼和心跳成分分离出来，再把它们去掉。
from mne.preprocessing import ICA ica = ICA(n_components=20, method='fastica', random_state=97) ica.fit(raw.copy().filter(1, 40)) ica.plot_components() ica.plot_sources(raw)fit之前先做低通滤波能提高IC分解的稳定性。plot_sources打开后，你可以看到每个独立成分的时间序列，眨眼成分通常表现为前额导联高权重、波形上时有瞬时大尖峰。确认后把它从数据中移除：
ica.apply(raw)这里有个经验：ICA不是跑得越多越好，大约取前十几二十个主成分就够了，太多会包含噪声和细节，太少则可能把脑电信号和伪迹混在一起。另外，ICA结果受随机初始值影响，所以一定要设置random_state，保证结果可复现。我有一次没设这个参数，第二天重跑同一份数据结果居然不太一样，排查了很久才发现是随机种子的问题。
5. 事件提取与分段实操
5.1 从Annotations或者Stim通道获取事件
分段之前先要知道事件在数据里的位置。有两种常见来源：一种是记录系统直接在某个刺激通道里存了触发码，另一种是你在数据里看到了标记的Annotations。MNE统一用events来管理，把两者转成标准事件：
events, event_id = mne.events_from_annotations(raw)这个函数会自动从Annotations里找出所有标记，并给每个标记分配一个整数编码。如果你想手工指定哪些标记属于同一条件，可以用如下映射：
event_id = {'face': 1, 'house': 2, 'button': 4} events = mne.pick_events(events_all, include=[1, 2, 4])对于没有任务标记的静息态数据，也可以用make_fixed_length_events生成统一时间间隔的事件，再做连续的分段。这个方法适合做静息态功能连接这类分析。
有一点要特别小心：如果你从设备导出的timestamps本身有偏移，比如标记时刻和实际刺激呈现时间差了30毫秒，分段后测出来的成分潜伏期也会有系统偏差。所以处理事件时，最好先画一张事件时间分布图，看看触发码有没有连续重复或缺失，再做后续分析。
5.2 基线校正与创建Epochs
创建Epochs时的参数直接影响数据质量，这里展开说：
epochs = mne.Epochs(raw, events, event_id, tmin=-0.2, tmax=0.8, baseline=(-0.2, 0), reject=dict(eeg=150e-6), preload=True)tmin=-0.2表示取刺激前200毫秒，tmax=0.8取刺激后800毫秒。baseline=(-0.2, 0)表示使用刺激前200毫秒作为基线，把这段的平均值作为零点。如果是研究慢电位，基线窗口可能要更长；如果是研究快成分，200毫秒通常够用。
reject参数是在分段以后检查每一段是否超阈值的阈值。注意这里的单位是伏特，如果你的Raw数据是微伏，这里就要写成150e-6。另外还要小心：Raw里的数据如果被ICA应用过，有些噪声已经去除，阈值可以给得宽松一点；如果没做ICA，阈值就要严格一些。没有固定答案，要多看drop_bad的统计结果。
创建完成后，务必检查分段效果：
epochs.plot(n_epochs=20, n_channels=30) epochs.plot_drop_log()plot_drop_log会展示每个试次被拒绝的原因，这对你判断预处理是否过度很有帮助。我见过有人跑完之后drop掉一半数据而不自知，等到统计阶段才发现试次太少不够做显著性检验，这属于流程上的大坑，一定要早期盯住。
6. 可视化与导出结果
6.1 波形图与地形图
MNE的可视化功能非常丰富，我实际用得最多的就是四种图。第一是Raw的叠加波形，看原始数据质量。第二是Epochs的试次热图，用epochs.plot_image()能看到不同时刻的幅值随着试次变化的规律。第三是Evoked波形图，对比不同条件的平均波形：
evoked_face = epochs['face'].average() evoked_house = epochs['house'].average() evoked_face.plot() evoked_house.plot(exclude=[])两个图放到同一个坐标系里对比更方便，可以用mne.viz.plot_compare_evokeds。第四是地形图，也就是把每个通道在某时刻的幅值画在头皮俯视图上：
evoked_face.plot_topomap(times=[0.1, 0.2, 0.3], ch_type='eeg')地形图能直观看出某个时间点左右侧枕区是否更活跃，是脑电论文里最常见的图之一。需要注意plot_topomap默认会根据电极坐标自动插值，电极位置如果没设置好，画出来的地形图就是错误的，所以用set_montage设置标准电极位置很重要。
6.2 频谱与时频分析
除时域波形外，脑电分析常常要看频域特征。MNE计算功率谱非常方便：
raw.compute_psd(fmin=1, fmax=40).plot()如果你想看某个频段能量随时间的变化，或者看事件相关时频扰动，可以用时频变换。常用的是Morlet小波：
from mne.time_frequency import tfr_morlet freqs = np.logspace(np.log10(4), np.log10(40), 20) power = tfr_morlet(epochs, freqs=freqs, n_cycles=freqs / 2, return_itc=False, average=True) power.plot([...], baseline=(-0.2, 0), mode='logratio')时频图适合呈现任务诱发的alpha/beta去同步化，在认知实验中经常用。初次使用者容易把freqs设置得太多导致计算很慢，实际一般取几十个频率点即可，不必追求过密。
6.3 导出数据
处理完之后，数据可能需要给统计软件或者其他人使用。MNE最方便的是保存为fif格式，保留全部元信息：
epochs.save('epochs_clean-epo.fif') evoked_face.save('face-ave.fif')重新读回来用read_epochs、read_evoked。如果你需要导出成numpy数组，直接取.data就能得到三维矩阵，配合pandas就能做成CSV表。比如我想把每个试次的某个通道特征导出：
X = epochs['face'].copy().pick_channels(['EEG 061']).get_data() # 得到二维数组 shape: (n_trials, n_times)保存CSV时注意文件大小，脑电全通道全时间点的CSV能到几百MB，最好只导出你统计分析需要的特征值或降采样后的数据。MNE还提供write_raw_edf等方式把Raw导出为EDF，方便给其他工具读取。
7. 常见问题排查与实战心得
7.1 新手必踩的4个坑
第一个坑是滤波后的边缘效应。高通滤波器在数据段开头容易产生很大振荡，很多人滤波完没检查就直接分段，导致基线段出现奇怪波形。解决方法是先滤波，再crop掉最开始几百毫秒到一秒，然后分段。或者分段以后再滤波，但在Epochs上滤波同样会引入边缘问题，所以我的通常做法是Raw阶段滤波，最后再把边缘裁掉。
第二个坑是事件编码对不上。实际数据里经常出现标记丢失、多个marker重叠、或者标记是在触发后几个采样点才记录的情况。我建议先用mne.find_events(..., consecutive=False)看看原始的触发码分布，如果有重叠，可以考虑只保留上升沿或者整理dict映射。事件对齐的准确度直接影响ERP潜伏期，宁可多花时间确认，也不要盲目接着往下跑。
第三个坑是ICA的随机性。前面提到过，不设置random_state，每次运行的结果都会有差异。这不仅是复现问题，也意味着你可能在某一次运行中恰好分离出不好的成分，结果偏差。所有涉及随机初始化的函数，都要设置random_state并记录下来。
第四个坑是单位不一致。MNE内部用伏特，设备导出常用微伏，还有一些第三方包导出的单位是任意单位。如果谁给你一份数据，你先要确认单位再决定阈值。我接手过一份数据，有人把它在pandas里做了标准化，单位看起来是伏特，实际上已经失去了物理意义。不要以为只要跑通代码就行，脑电数据离开单位就是一堆数字，任何阈值都失去意义。
7.2 处理脑电数据的一些个人习惯
如果你要长期做脑电处理，建议从一开始就为自己的数据组织一个固定目录结构，例如raw/、derivatives/、figures/。每个处理步骤写成独立的脚本或notebook，并保存每一步的输出。这样虽然前期麻烦一些，但后面换算法、调整参数、重新统计都会轻松很多。MNE官方推荐的BIDS组织方式也值得学习，mne-bids能帮你构建标准化目录，数据管理会更省心。
另一个习惯是对每一个预处理参数都要问一句“为什么”。为什么要1 Hz高通而不是0.1 Hz？因为要滤掉漂移但保留慢波吗。为什么要50 Hz陷波？因为看到了工频干扰还是习惯性操作。有意识地记录决策依据，会让你的分析思路清晰很多。很多新手拿到数据就套默认参数跑到底，最后图是画出来了，但解释数据时才发现某个参数根本不合理，返工成本极高。
最后一个小技巧：MNE官方自带了很多示例代码，包括如何做逐试次回归、如何做解码、如何处理Epochs的连续刺激等。用到某个功能时，先翻一遍官方example gallery，往往比写一遍自定义函数更高效。我很多模块的使用习惯都是从那里学来的，比自己踩坑省时间多了。
这个系列教程到这里暂时告一段落。MNE能聊的实在太多，预处理之外还有源定位、跨被试分析、群级统计，每个方向单独拎出来都能写好几篇文章。如果你照着这篇文章把环境搭起来，再跑通一组自己的数据，许多细节自然就理解了。下一步如果你感兴趣，可以从你自己的数据里选一个通道，试着对同一段数据做不同滤波参数的结果对比，这会比任何理论讲解都更直观。
