安装、工作流与参考
先了解安装方式与典型分析流程，再按需查阅术语、数据集与帮助资源。
文档概览
MNE-Python 官方文档总览，介绍教程、操作示例、术语表与 API 参考四大板块的定位与用途，并提供安装指南、Python 入门资源以及 MNE-MATLAB 和 MNE-C 文档入口，帮助 EEG/MEG 研究者快速找到所需资料，高效开展脑电与脑磁数据分析。
进入文档 →安装 MNE-Python
本页介绍如何安装 MNE-Python（MNE 1.13.2）：初学者可使用包含全部依赖的独立安装程序，快速完成环境配置并开始分析 EEG/MEG 数据；高级用户则可按照 pip 与 conda 的详细设置说明，在 Python 环境中安装并配置 MNE-Python。
进入文档 →典型 M/EEG 工作流
本页是 MNE-Python 官方文档的典型 M/EEG 工作流指南，系统梳理从坏通道标记、滤波与伪迹抑制（SSP、ICA）、事件分段与诱发数据，到 FreeSurfer 皮层重建、BEM 与正向解、噪声协方差、逆算子以及源估计和组分析的完整分析流程。
进入文档 →术语表
本页是 MNE-Python 官方术语表（Glossary），汇集脑电与脑磁研究常用术语的简明定义，涵盖通道与传感器类型、事件与分段、源空间、正向解与逆算子、波束形成器、噪声协方差、白化等核心概念，并说明术语之间的区别与联系，便于研究者快速查阅并准确理解文档中的专业词汇。
进入文档 →数据集概览
本页汇总 MNE-Python 官方示例数据集，涵盖 Sample、Brainstorm、EEGBCI、SPM faces、OPM、SSVEP、眼动与颅内记录等，说明各数据集的采集内容、数据格式与对应的 mne.datasets 获取函数，帮助研究者快速挑选适合教程复现与方法验证的数据。
进入文档 →获取帮助
本页介绍如何获取 MNE-Python 的帮助：在 MNE Forum 提问、查阅常见问题（FAQ）页面与 Python、MNE-Python 安装故障排查提示，以及如何在 GitHub issues 页面报告 bug、用示例数据复现问题并简化脚本，帮助 EEG/MEG 研究者快速找到官方支持资源。
进入文档 →MNE-Python 开发
MNE-Python 开发页面面向 EEG/MEG 研究者与开源贡献者，系统介绍如何参与这一项目：在 GitHub 上提交缺陷报告、修复问题、新增功能与改进文档，并遵循社区行为准则和推荐的贡献工作流程与系统配置，帮助你快速融入社区并顺利开展开发工作。
进入文档 →按分析流程浏览
共 15 个分类、88 篇教程。建议按顺序学习，也可直接进入需要的主题。
入门教程
MNE-Python 入门教程中文翻译：从 MEG/EEG 分析概览、原地修改数据、从原始数据解析事件，到 Info 数据结构、传感器位置处理、MNE-Python 配置与 mne.Report 报告生成。共 7 篇教程，适合零基础新手按顺序跑通事件相关分析的基本流程。
进入教程 →数据读取教程
MNE-Python 数据读取教程中文翻译：介绍如何将 MEG、EEG、fNIRS 与眼动追踪设备的原始数据导入 MNE-Python，并处理 CTF Brainstorm 听觉数据集。共 5 篇教程，覆盖常见记录系统的文件格式与读取参数，附示例代码与预期输出。
进入教程 →连续数据处理教程
MNE-Python 连续数据处理教程中文翻译：讲解 Raw 数据结构、事件数组、连续数据标注，以及 Raw 对象的内置绘图方法。共 4 篇教程，帮助你查询、操作、可视化并导出连续 EEG/MEG 数据，为后续分段与预处理打基础。
进入教程 →预处理教程
MNE-Python 预处理教程中文翻译：涵盖伪迹检测概览、质量控制报告、坏导处理、坏段剔除、滤波与重采样、回归/ICA/SSP 伪迹修复、EEG 参考设置、fMRI 梯度伪迹去除、Maxwell 滤波，以及 fNIRS 与 OPM 数据预处理，共 17 篇。
进入教程 →分段教程
MNE-Python Epochs 分段教程中文翻译：讲解 Epochs 数据结构、基于回归的基线校正、分段数据可视化、Epoch 元数据与自动生成、导出 Pandas DataFrame，以及等间隔分段方法。共 7 篇教程，连接连续数据与诱发响应分析。
进入教程 →诱发响应教程
MNE-Python Evoked 诱发响应教程中文翻译：介绍 Evoked 数据结构、诱发数据可视化、EEG 事件相关电位（ERP）分析，以及白化数据绘图。共 4 篇教程，帮助你从多个试次平均得到可靠的诱发响应，并进行质量检查与绘图。
进入教程 →时频分析教程
MNE-Python 时频分析教程中文翻译：介绍 Spectrum 与 EpochsSpectrum 频域数据结构、传感器频域与时频分析，以及 SSVEP/vSSR 数据集的频率标记基础分析。共 3 篇教程，覆盖从功率谱到时频图的常用方法。
进入教程 →正向模型与源空间教程
MNE-Python 正向模型与源空间教程中文翻译：讲解 FreeSurfer MRI 重建、源空间对齐与坐标框架、自动配准、头模型与正向计算、模板 MRI 的 EEG 正向算子、BEM 与头部表面修复、协方差矩阵计算，共 8 篇教程。
进入教程 →源定位与逆问题教程
MNE-Python 源定位与逆问题教程中文翻译：涵盖 SourceEstimate 数据结构、等效电流偶极子（ECD）拟合、MNE/dSPM/sLORETA/eLORETA、偶极子方向、LCMV 波束形成器，以及 Elekta、CTF、BTi、KIT 体模数据集，共 13 篇。
进入教程 →传感器统计教程
MNE-Python 传感器级统计教程中文翻译：介绍统计推断基础、EEG 显著性阈值可视化、单试次功率的非参数单样本与条件间聚类统计、质量单变量双因素重复测量 ANOVA，以及全传感器时空置换 F 检验，共 6 篇。
进入教程 →源空间统计教程
MNE-Python 源空间统计教程中文翻译：讲解使用时空聚类对源数据进行置换 t 检验、双样本置换检验，以及重复测量 ANOVA。共 3 篇教程，适合分析源估计的受试者内统计差异，并控制多重比较问题。
进入教程 →机器学习教程
MNE-Python 机器学习教程中文翻译：介绍连续数据的频谱-时间感受野（STRF）估计、解码（MVPA），以及跨位置泛化（GAL）解码与 TimeGAL。共 3 篇教程，帮助你用 scikit-learn 流程对神经活动进行编码与解码分析。
进入教程 →临床应用教程
MNE-Python 临床应用教程中文翻译：介绍 sEEG 与 ECoG 数据处理，以及基于多导睡眠图（PSG）数据的睡眠分期。共 3 篇教程，展示 MNE-Python 在颅内电生理与临床睡眠分析中的直接应用。
进入教程 →仿真教程
MNE-Python 仿真教程中文翻译：讲解如何从零创建 MNE-Python 数据结构、用点扩散函数污染已知信号，以及使用 DICS 进行功率映射。共 3 篇教程，适合验证分析方法、构建可控数据集与理解源定位流程。
进入教程 →可视化教程
MNE-Python 可视化教程中文翻译：介绍如何制作符合出版要求的图表，以及如何使用事件系统联动多个图形。共 2 篇教程，帮助你提升脑电/脑磁结果的可视化质量与交互体验。
进入教程 →