教程#
这些教程针对最常见的 MNE-Python 分析任务，提供叙述性讲解、示例代码和预期输出。教程强调把原理讲透，帮助新用户快速上手，因此只覆盖有限的主题。各章节与教程按固定顺序编排，理论上新用户可以按顺序学习，而不会遇到未解释的背景知识。对于已经熟悉其他 EEG/MEG 分析软件的经验用户，也可以直接跳转到需要的主题。
注意
如果教程脚本包含绘图，并在本地运行，可使用 python -i tutorial_script.py 的交互模式让图形保持打开。
入门教程#
这些教程覆盖事件相关分析的基本 EEG/MEG 流程，介绍 mne.Info、事件和 mne.Annotations 数据结构，讨论传感器位置的处理方式，并介绍一些可用的配置选项。
读取不同记录系统的数据#
这些教程介绍如何将各种记录设备的 EEG/MEG 数据加载到 MNE-Python 中。
处理连续数据#
这些教程介绍如何将 EEG/MEG 数据加载到 MNE-Python，以及如何查询、操作、标注、绘制和导出 Raw 格式的连续数据。
预处理#
这些教程介绍连续数据的各种预处理技术，以及一些诊断性绘图方法。
将连续数据分段为 Epochs#
这些教程介绍分段（Epochs）数据，以及它与连续数据处理方式的区别。
估计诱发响应#
这些教程介绍如何估计诱发响应（即对同一实验条件的多次重复试次进行平均）。
时频分析#
这些教程介绍神经信号的频域与时频分析。
正向模型与源空间#
这些教程介绍如何定义皮层源位置（源空间）和正向模型（也称导联场矩阵）。
源定位与逆问题#
这些教程介绍如何从传感器记录中估计皮层活动。
传感器数据的统计分析#
这些教程介绍传感器级数据的一些统计分析方法。
源估计的统计分析#
这些教程介绍源估计的受试者内统计分析。
神经活动的机器学习模型#
这些教程介绍 MNE-Python 提供的一些机器学习方法。
临床应用#
这些教程展示一些临床应用场景。
MNE-GUI-addons 示例#
mne_gui_addons 包支持一些临床应用场景：
MNE-Python 示例#
MNE-Python 也直接支持一些临床应用场景：
仿真#
这些教程介绍如何使用基于数组的构造函数和 simulation 子模块，把任意数据填充到 MNE-Python 数据结构中。
可视化教程#
这些教程介绍 MNE-Python 提供的高级可视化选项，例如如何生成出版级图表，或如何让图形更具交互性。
