MNE-Python | 开源脑电分析利器（一）：从零构建你的第一个EEG分析流程
1. 为什么你需要MNE-Python？从“一脸懵”到“我能行”的心路历程
如果你是认知神经科学、心理学、生物医学工程方向的学生或研究者，或者你只是一个对大脑电信号充满好奇的编程爱好者，那么你很可能正面临一个共同的困境：面对一堆以.edf、.bdf、.set或.fif结尾的脑电（EEG）数据文件，你感到无从下手。你想看看大脑在特定任务下的电活动变化，想分析不同频段的脑波，甚至想做一些更高级的溯源或机器学习分析，但光是数据读取和基础预处理就足以劝退大多数人。市面上的商业软件（比如某些名字里带“LAB”的）固然强大，但往往价格不菲、流程封闭，而且脚本化、批处理能力有限。这时候，一个开源、免费、基于Python且社区活跃的工具，就成了刚需。这就是MNE-Python。
我第一次接触MNE，是在研究生阶段分析自己的实验EEG数据时。我的数据来自一个简单的视觉Oddball实验，记录了64个通道的脑电。当时我用一个商业软件手动点鼠标做预处理，光是剔除坏通道、滤波、去除眼电伪迹，就花了一周时间，而且每次参数微调都要重新来一遍，痛苦不堪。直到实验室的师兄扔给我几行MNE的代码，我才发现，原来这些繁琐的步骤可以如此优雅地自动化。从那一刻起，我就被“圈粉”了。MNE不是一个简单的绘图库，它是一个完整的生理信号（尤其是EEG和MEG）分析生态系统。它帮你处理了从磁盘读取原始数据、理解复杂的文件格式和头信息、进行一系列专业的预处理、将数据切割成与事件相关的片段（Epochs）、到最后进行时频分析和统计检验的全流程。更重要的是，它的一切都是透明、可复现、可脚本化的。
所以，这篇文章的目的非常直接：手把手带你，从零开始，用MNE-Python跑通一个最基础的EEG分析流程。我们不求面面俱到，但求你能在30分钟内，看到一个完整的、从数据到图形的分析链条。当你成功运行完本文的代码，看到自己第一幅脑电波形图或频谱图时，那种“我也能搞定”的成就感，就是学习路上最好的燃料。我们假设你已有最基础的Python知识（知道怎么装包、运行脚本），但对EEG分析和MNE完全陌生。没关系，跟着我一步步来。
2. 万事开头易：5分钟搞定MNE安装与环境配置
很多教程会把安装和环境配置讲得很复杂，但我们追求的是“快速上手”。对于绝大多数用户，安装MNE-Python真的只需要一行命令。打开你的终端（Windows上是CMD或PowerShell，macOS/Linux上是Terminal），输入下面这行命令，然后回车：
pip install mne是的，就这么简单。Python的包管理器pip会自动从官方源下载MNE及其核心依赖（如NumPy, SciPy, Matplotlib等）。如果你的网络连接不太稳定，下载速度慢，可以使用国内的镜像源来加速，比如清华的镜像。命令稍微变一下：
pip install mne -i https://pypi.tuna.tsinghua.edu.cn/simple这行命令告诉pip去清华的镜像站找安装包，速度通常会快很多。安装完成后，为了验证是否成功，你可以在Python环境中（比如打开一个Jupyter Notebook，或者在终端里输入python进入交互模式）输入以下代码：
import mne print(mne.__version__)如果没有报错，并且打印出了一个版本号（比如1.6.0），那么恭喜你，安装成功了！这里我想分享一个我踩过的坑：注意你的Python环境。如果你系统里安装了多个Python版本（比如既有Python 3.8又有Python 3.11），或者使用了Anaconda创建了虚拟环境，请确保你是在目标环境中运行pip install命令。一个检查的好方法是，在终端先输入python --version看看当前默认的Python版本，或者如果你用Anaconda，记得先用conda activate 你的环境名激活对应的环境。我最初就曾迷迷糊糊地把包装到了系统Python里，然后在虚拟环境里怎么都导入不了，排查了半天。
安装完MNE，我们还需要一个趁手的“编辑器”来写代码。我强烈推荐使用Jupyter Lab或Jupyter Notebook。它们以“单元格”为单位运行代码，非常适合做数据分析和探索，你可以随时看到每一行代码的输出结果，包括图形。如果你还没有，可以用pip install jupyterlab来安装。当然，使用VS Code、PyCharm等专业的IDE也完全没问题。
3. 拿到数据第一步：如何把EEG文件“喂”给MNE？
数据是分析的起点。对于新手来说，最大的障碍往往不是写代码，而是不知道如何正确地把自己的数据读进程序里。MNE支持数十种EEG/MEG数据格式，这既是它的强大之处，也容易让新手困惑。别担心，我们从一个最简单的场景开始：使用MNE自带的示例数据集。这是学习任何新工具的最佳起点，因为它能确保你的环境、代码和数据都是可工作的，排除了“数据本身有问题”这个最大的干扰项。
MNE提供了一个叫sample的数据集，里面包含了一段同时采集了MEG（脑磁图）和EEG（脑电图）的数据。我们虽然主要关心EEG，但这个数据集是完美的练手材料。下面是加载它的代码：
# 导入必要的库 import mne from mne.datasets import sample import matplotlib.pyplot as plt # 1. 下载并获取示例数据集的本地路径 # 这一步可能会花点时间下载数据（大约100MB），但只需下载一次 data_path = sample.data_path() print(f"数据存放在：{data_path}")运行后，MNE会自动检查本地是否已有这个数据集。如果没有，它会下载并解压到你的用户目录下的某个位置（例如~/mne_data）。data_path变量就是这个数据集根目录的路径。接下来，我们需要根据这个路径，找到具体的EEG数据文件。在sample数据集中，原始数据文件是.fif格式（一种在MEG/EEG领域很通用的格式）。我们构造出文件路径：
# 2. 构建原始数据文件和事件文件的具体路径 raw_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw.fif' event_fname = data_path + '/MEG/sample/sample_audvis_filt-0-40_raw-eve.fif' # 3. 读取原始数据，创建Raw对象 raw = mne.io.read_raw_fif(raw_fname, preload=True) print(raw)这里有几个关键点需要解释。首先，我们使用mne.io.read_raw_fif函数来读取.fif文件。preload=True这个参数非常重要，它意味着将数据从硬盘直接加载到计算机的内存（RAM）中。对于小数据集，这样做可以加快后续处理速度；但对于非常大的数据（比如数小时的256通道高采样率记录），你可能会遇到内存不足的问题，那时就需要设置preload=False，采用“按需读取”的模式。我们初学阶段，数据量不大，直接加载到内存更方便。
执行print(raw)后，你会在输出中看到类似这样的信息：
<Raw | sample_audvis_filt-0-40_raw.fif, 376 x 41700 (277.7 s), ~13.6 MB, data loaded>这告诉我们，这个Raw对象包含了376个通道（包括MEG、EEG、EOG等各种类型），总共41700个时间点，时长大约277.7秒，数据已经加载到内存。这个Raw对象就是MNE中最核心的数据容器之一，后续几乎所有的预处理和可视化操作都是基于它进行的。
那么，如果你有自己的数据呢？假设你有一个标准的.edf（欧洲数据格式）文件，比如从某个医院或研究机构导出的，读取方法同样简单：
# 假设你的EDF文件叫 my_eeg.edf raw_custom = mne.io.read_raw_edf('path/to/your/my_eeg.edf', preload=True)MNE会根据文件后缀名自动调用对应的读取函数。read_raw_后面跟着一系列后缀，如read_raw_bdf,read_raw_eeglab（用于.set文件）,read_raw_brainvision（用于.vhdr文件）等等。第一次读取某种格式时，建议仔细查看该函数的文档，了解是否有特殊的参数需要设置，比如通道名映射、单位换算等。
4. 认识你的数据：查看信息与初步可视化
把数据读进来只是第一步，就像一个医生拿到病人的病历，首先要“望闻问切”，了解基本情况。MNE的Raw对象有一个非常重要的属性叫.info，这是一个字典-like的结构，存储了关于这个数据的所有元信息。
# 查看数据的详细信息 print(raw.info)输出内容会非常丰富，包括：
- 采样频率(
sfreq): 比如600.614Hz，表示每秒采集了多少个数据点。 - 通道信息(
chs): 每个通道的名字、类型（是EEG、MEG还是EOG等）、位置、单位等。 - 数据总时长。
- 坏道标记(
bads): 一个列表，记录哪些通道被标记为质量不佳，后续处理会自动排除它们。 - 测量日期等等。
对于EEG分析，我们最常需要从所有通道中挑选出EEG通道。因为原始数据里可能混有MEG、EOG（眼电）、ECG（心电）、STIM（刺激标记）等通道。MNE提供了一个非常方便的函数mne.pick_types：
# 挑选出所有EEG通道，同时排除之前标记的坏道 picks_eeg = mne.pick_types(raw.info, meg=False, eeg=True, stim=False, eog=False, ecg=False, exclude='bads') print(f"一共挑选出 {len(picks_eeg)} 个EEG通道。") # 输出可能是：一共挑选出 60 个EEG通道。meg=False, eeg=True的意思就是“不要MEG通道，只要EEG通道”。exclude='bads'确保了被标记为坏道的通道不会被选进来。picks_eeg是一个整数索引数组，指向raw数据中那些符合条件的通道位置。
光看数字不够直观，我们直接来看图。MNE内置了强大的交互式可视化功能。最简单的是绘制数据波形图：
# 绘制所有通道的原始波形（可能会很密集，但可以快速浏览） raw.plot(duration=10, n_channels=30, scalings='auto')duration=10表示绘制10秒长度的数据；n_channels=30表示一次性显示30个通道（如果通道太多，可以分页显示）；scalings='auto'让MNE自动调整不同通道类型（EEG, EOG等）的显示幅度比例，因为EEG是微伏(µV)级，而MEG是飞特特斯拉(fT)级，量纲差很多。运行这行代码会弹出一个交互窗口，你可以用鼠标滚轮缩放、左右拖动浏览时间轴、点击通道名称可以标记它为坏道（标记后会变灰），这对于人工识别并标记坏道非常有用。这是预处理中非常关键的一步，因为某些通道可能因为接触不良、出汗等原因信号质量极差，需要剔除。
另一个必看的图是功率谱密度图，它能告诉我们信号在不同频率上的能量分布。
# 绘制所有通道的功率谱密度图 raw.plot_psd(fmax=50, average=True)fmax=50表示我们只看0到50Hz的频谱，因为EEG的有效成分通常在这个范围内（Delta, Theta, Alpha, Beta, Gamma波）。average=True表示将所有通道的频谱进行平均后显示一条曲线，这能让我们对整体信号的频率特性有个概览。在谱图上，你通常会在50Hz（或60Hz，取决于你所在地区的工频）看到一个尖锐的峰，那就是工频干扰，这是我们下一步滤波要解决的主要目标之一。你还会看到在接近0Hz和低频部分能量很高，这往往包含了大量的直流偏移和低频漂移。
5. 给数据“洗个澡”：基础预处理三步走
原始EEG信号就像刚从地里挖出来的矿石，含有大量“杂质”（噪声）。预处理的目的就是把这些杂质去掉，得到相对“干净”的、能反映大脑活动的信号。对于第一个流程，我们聚焦三个最核心、最通用的步骤：滤波、坏道处理和重参考。
5.1 滤波：滤掉不需要的频率成分
滤波是预处理中最重要的一步。EEG信号中，我们通常只关心0.5Hz到40Hz或50Hz之间的成分（对应Delta到Gamma波）。低于0.5Hz的极低频信号通常是汗液、呼吸等引起的慢漂移，高于50Hz的则可能是肌肉活动（EMG）或工频干扰。我们用一个带通滤波器来保留这个范围内的信号。
# 应用一个0.5Hz到40Hz的带通滤波器 raw_filtered = raw.copy().filter(l_freq=0.5, h_freq=40., method='iir')这里有几个细节：
raw.copy(): 这是非常重要的一个好习惯。它创建了原始数据的一个副本，然后在副本上进行滤波操作。这样，原始数据raw就被完好地保存下来了，万一滤波参数设错了，我们还可以回头用原始数据重来。直接对raw进行操作是“破坏性”的。l_freq=0.5, h_freq=40.:l_freq是低频截止频率，h_freq是高频截止频率。这表示我们只允许0.5Hz到40Hz的信号通过。method='iir': 指定滤波方法。IIR（无限脉冲响应）滤波器计算效率高，是默认选项。你也可以选择method='fir'（有限脉冲响应），它在某些情况下相位特性更好，但计算量更大。作为入门，用iir就行。
滤波完成后，我们可以再次绘制功率谱图，对比一下效果：
# 对比滤波前后的频谱（只显示平均后的频谱） raw.plot_psd(fmax=50, average=True, color='blue', show=False) raw_filtered.plot_psd(fmax=50, average=True, color='red', show=False) plt.legend(['原始', '滤波后']) plt.show()你应该能看到，滤波后，0.5Hz以下的超低频和40Hz以上的高频成分（特别是那个50Hz的工频尖峰）的能量被大大衰减了。信号看起来“干净”了很多。
5.2 坏道处理：识别与插值
尽管我们在可视化时可能已经手动标记了一些坏道（通过点击raw.plot()中的通道名），但有时我们还想用更自动化的方法检查，或者处理那些没有被标记的坏道。一个常用的方法是计算每个通道与其他所有通道的相关系数，如果某个通道与其它通道的相关性普遍很低，那它很可能是个坏道。
# 计算通道相关性并绘制（这一步计算量稍大，可以快速浏览） raw_filtered.plot_sensors(show_names=True) # 先看看传感器布局 # 更自动化的坏道检测可以后续探索，如使用 `mne.preprocessing.find_bad_channels_maxwell`对于已经标记的坏道（存储在raw_filtered.info['bads']列表中），我们有两种处理方式：直接剔除或插值重建。如果坏道数量不多（比如少于总通道数的5%-10%），插值是更好的选择，因为它能保留空间信息的完整性。MNE使用球面样条插值法来估计坏道位置的数据。
# 假设我们已经标记了坏道 'EEG 012' 和 'EEG 053' raw_filtered.info['bads'] = ['EEG 012', 'EEG 053'] # 对坏道进行插值 raw_interpolated = raw_filtered.copy().interpolate_bads(reset_bads=True) print(f"已对坏道进行插值，当前坏道列表：{raw_interpolated.info['bads']}")reset_bads=True会在插值完成后清空坏道列表，因为那些通道的数据已经被“修复”了。现在，raw_interpolated就是一个通道完整、经过了滤波和坏道修复的数据对象了。
5.3 重参考：选择一个共同的“零点”
EEG记录的是每个电极与参考电极之间的电位差。原始的参考电极可能并不理想（比如放在耳垂，容易受运动影响）。重参考就是将数据的参考点换到另一个理论上更“安静”或更通用的位置。最常见的重参考方法是平均参考，即假设所有电极的平均电位为零，将每个通道的数据减去所有通道的平均值。
# 应用平均参考 raw_referenced = raw_interpolated.copy().set_eeg_reference('average', projection=False)projection=False参数我们暂时不用深究，在基础流程中这样设置即可。执行重参考后，数据的基线会发生整体偏移，但这对于后续分析事件相关电位（ERP）是必要的步骤。需要注意的是，如果你的实验设计使用了特定的参考方案（比如乳突参考），并且你想保持它，那么可以跳过这一步。但对于很多探索性分析或标准化流程，平均参考是一个安全且常用的选择。
至此，我们完成了最核心的预处理三步曲。当然，完整的预处理还包括去除眼电（EOG）、心电（ECG）伪迹、降采样等，但这些步骤可能需要更复杂的算法（如ICA）或依赖于特定的实验数据。作为第一个流程，掌握滤波、坏道处理和重参考已经足够我们进行下一步了。
6. 从连续数据到 trials：创建Epochs对象
我们做实验时，通常会多次呈现同一种刺激（比如100次听觉提示音）。每一次刺激呈现前后一段时间内的脑电数据，就是一个trial或epoch。将连续的Raw数据根据刺激事件切割成一个个对齐的Epochs，是分析事件相关脑电位（ERP）或进行时频分析的前提。
首先，我们需要知道事件（events）在哪里。事件信息通常记录在一个单独的“事件通道”（STIM channel）或一个单独的事件文件中。在sample数据集中，我们有一个对应的事件文件sample_audvis_filt-0-40_raw-eve.fif。
# 读取事件 events = mne.read_events(event_fname) print(f"找到了 {len(events)} 个事件。") print("前5个事件：") print(events[:5])events是一个(n_events, 3)的数组。第一列是事件发生的时间点（以采样点为单位），第二列通常没用（默认为0），第三列是事件ID，用来区分不同类型的事件（比如1代表左耳声音，2代表右耳声音）。接下来，我们需要定义一个字典，将事件ID映射到有意义的标签上。
# 定义事件ID与实验条件的映射关系 event_id = { '听觉/左': 1, '听觉/右': 2, '视觉/左': 3, '视觉/右': 4 } # 我们只分析听觉刺激，所以也可以只选1和2 event_id_auditory = {'aud_left': 1, 'aud_right': 2}现在，我们可以根据事件来切割数据了。我们需要定义每个epoch的时间窗口，比如刺激呈现前0.2秒（基线期）到呈现后0.8秒。
# 定义epoch的时间窗口（单位：秒） tmin, tmax = -0.2, 0.8 # 创建Epochs对象 # 我们使用预处理后的数据 raw_referenced，并只挑选EEG通道 (picks_eeg) epochs = mne.Epochs(raw_referenced, events, event_id=event_id_auditory, # 只选取听觉事件 tmin=tmin, tmax=tmax, picks=picks_eeg, # 只对EEG通道进行epoch baseline=(-0.2, 0), # 指定基线校正时段（刺激前0.2秒到0秒） preload=True) # 将epoch数据加载到内存 print(epochs)输出会显示类似这样的信息：
<Epochs | 72 events (all good), -0.2 – 0.8 sec, baseline -0.2 – 0 sec, ~2.6 MB, data loaded, ‘aud_left’: 36, ‘aud_right’: 36>这告诉我们，我们得到了72个“好”的epoch（没有因为处于数据边缘或其他原因被丢弃），时间窗口是-0.2到0.8秒，应用了基线校正，并且两类事件各有36个trial。Epochs对象是MNE中另一个核心容器，它像一个三维数组：(n_epochs, n_channels, n_times)。我们可以很方便地提取数据：
# 提取数据矩阵和标签 data = epochs.get_data() # 形状：(72, 60, 601) 假设60个通道，601个时间点 labels = epochs.events[:, -1] # 形状：(72,) 每个epoch对应的事件ID print(f"数据形状：{data.shape}") print(f"标签：{labels[:10]}") # 查看前10个标签这个data矩阵和labels数组，就是你可以直接用于后续统计分析或机器学习模型的干净数据了！你可以用scikit-learn等库来尝试分类左右耳的声音刺激，这已经是一个完整的机器学习流程的起点了。
7. 让结果“说话”：绘制ERP波形图和拓扑图
数据准备好了，最后一步就是可视化，让数据自己告诉我们故事。对于ERP分析，最经典的可视化是叠加平均波形图和拓扑电压分布图。
首先，我们绘制所有通道在某个条件（比如左耳声音刺激）下的平均ERP波形。为了清晰，我们通常不会把60个通道全画在一张图上，而是按大脑区域（前额、中央、顶叶、枕叶等）选择几个代表性通道。
# 选择几个感兴趣的通道来画图 picks_to_plot = ['EEG 003', 'EEG 015', 'EEG 025', 'EEG 037'] # 举例，实际可根据你的导联位置选择 # 绘制‘aud_left’条件下，所选通道的ERP epochs['aud_left'].plot_image(picks=picks_to_plot, combine='mean', title='左耳听觉刺激 - 单试次与平均ERP')plot_image函数非常强大，它不仅能画出平均波形（底部），还能在上方以热图形式展示每个单独trial的电压变化，让你一眼看出ERP成分（如N100, P200）在试次间的稳定性。
但更常见的是，我们想比较不同条件间的差异。比如，左耳刺激和右耳刺激诱发的脑电有什么不同？
# 提取两个条件的数据，并计算平均ERP evoked_left = epochs['aud_left'].average() evoked_right = epochs['aud_right'].average() # 绘制对比图 mne.viz.plot_compare_evokeds([evoked_left, evoked_right], picks='eeg', # 只绘制EEG通道 legend='upper left', title='左右耳听觉刺激ERP对比', colors=['darkblue', 'darkred'], styles={'aud_left': {'linewidth': 2}, 'aud_right': {'linewidth': 2}})这张图会把所有EEG通道的波形画在一起，并用不同颜色区分条件。你可以清晰地看到，在某些通道上，两条曲线在特定时间点（比如刺激后100毫秒左右）出现了分离，这可能就反映了大脑对左右耳声音处理的差异。
波形图看的是时间维度上的变化，而拓扑图则能让我们看到电压在大脑头皮空间上的分布。比如，我们想看刺激后150毫秒时刻，电压在全脑是如何分布的。
# 绘制刺激后0.15秒时刻的电压拓扑图 times = [0.015, 0.05, 0.1, 0.15, 0.2, 0.3] # 定义多个想查看的时间点 evoked_left.plot_topomap(times=times, ch_type='eeg', size=3, title='左耳刺激后电压头皮分布 (多个时间点)')这张图会生成一组小图，每个小图显示一个特定时间点头皮上的电压分布（红色为正电压，蓝色为负电压）。你可以看到脑电活动如何随着时间在大脑不同区域移动，这对于定位神经活动的源是很有启发性的。
最后，别忘了我们最初想看的功率谱。现在我们可以对epochs数据计算频谱，看看不同条件下的大脑振荡活动有何不同。
# 计算并绘制两个条件下，所有epochs的平均功率谱 epochs['aud_left'].compute_psd(fmin=1, fmax=40).plot(average=True, spatial_colors=False, picks='eeg') epochs['aud_right'].compute_psd(fmax=40).plot(average=True, spatial_colors=False, picks='eeg') # 也可以画在一起对比 spectrum_left = epochs['aud_left'].compute_psd(fmin=1, fmax=40, method='welch') spectrum_right = epochs['aud_right'].compute_psd(fmin=1, fmax=40, method='welch') spectrum_left.plot(spectrum_right, picks='eeg', average=True, ci=False) # 关闭置信区间使图更清晰至此，你已经完成了一个从原始数据到结果可视化的完整微型分析流程。你可能会觉得，这个流程似乎省略了很多细节，比如没有做独立的成分分析（ICA）去眼电，没有进行严格的伪迹自动检测，也没有做统计检验。是的，这只是一个最小可行流程。它的价值在于，为你搭建了一个清晰、可运行的分析框架。当你掌握了这个骨架，后续的血肉——更精细的预处理、更复杂的分析（时频分析、源定位、连接性分析）、更严谨的统计——都可以在这个框架上一步步添加。最重要的是，你现在有了一个可以立刻跑起来的脚本，它给了你继续探索的起点和信心。下次当你拿到自己的EEG数据时，不妨试着把这个流程中的示例数据路径换成你自己的文件，看看会发生什么。遇到报错就去查文档、搜社区，这才是学习任何工具最有效的方式。MNE的官方文档和教程非常丰富，社区也很活跃，大胆地去尝试和修改代码吧。