MNE-Python：MEG/EEG 等神经生理数据的 Python 分析工具

MNE-Python 是一个开源 Python 包，用于探索、可视化与分析 MEG、EEG、sEEG、ECoG 等人类神经生理数据，覆盖从数据读写到统计的完整流程。

这个工具是什么

MNE-Python 是 MNE 工具集在 Python 下的实现，官方定位为探索、可视化与分析人类神经生理数据的开源软件包，支持 MEG、EEG、sEEG、ECoG 等数据类型。它由 mne-tools 组织维护，采用 BSD-3-Clause 许可证，主页为 mne.tools，代码托管在 GitHub。包内按功能划分为多个模块，涵盖数据输入输出、预处理、可视化、源估计、时频分析、连接分析、机器学习与统计等环节，因此可在同一套 Python 环境中完成从原始数据到分析结果的连续处理。其核心依赖包括 Python 3.11 及以上、NumPy、SciPy、Matplotlib、Jinja2、Pooch、tqdm 等，均为科学计算与可视化常用库。

核心能力

• 覆盖数据读写、预处理、可视化、源估计、时频与连接分析、机器学习、统计等模块
• 支持 MEG、EEG、sEEG、ECoG 等多种人类神经生理数据的处理
• 提供在线文档，包含安装说明、教程、示例、贡献指南与 API 参考
• 通过 pip 或 conda-forge 分发，并有独立安装器与开发版安装方式

科研中的典型用法

• 对 MEG/EEG 原始记录做预处理与可视化检查，为后续分析准备干净数据
• 进行源估计、时频分析与连接分析，考察神经活动的空间与时间特征
• 结合机器学习与统计模块，对神经生理数据做组水平或个体水平的分析

快速上手

最简安装方式是在终端执行 pip install --upgrade mne，该命令只安装最小依赖集。若需要更完整的安装说明、独立安装器或更高级的安装方法，可参考官方安装指南。开发版可用 pip 从 GitHub 主分支压缩包安装，或用 git clone 克隆仓库。运行需 Python 3.11 及以上，并依赖 NumPy、SciPy、Matplotlib 等库。入门建议先阅读官方文档中的教程与示例。

生态与相近工具

同领域还有面向神经影像与电生理分析的其他 Python 工具，MNE-Python 的特点是把 MEG、EEG、sEEG、ECoG 的读写、预处理、源估计、时频、连接、机器学习与统计整合在同一包内。若只需其中某一环节，可考虑更专用的库；若希望在同一环境内完成多步骤流程，MNE-Python 较为合适。使用中遇到问题可到其用户论坛提问，缺陷与功能建议可通过 GitHub issue tracker 提交。

项目信息

• 仓库：mne-tools/mne-python
• 星标：3,519　·　派生：1,595
• 主要语言：Python
• 许可证：BSD-3-Clause
• 最近提交：2026-09-18
• 项目主页：https://mne.tools

本文属于《学科研究工具知识库 · 神经科学》第 1 篇（按 GitHub 星标排序）。收录标准：该学科公开可获取的开源研究工具，星标与活跃度为主要参考，不代表对其性能或适用性的背书；选型前请结合自身场景评估。