Cedalion教程:一个基于Python的框架,用于从实验室到日常生活中全面分析多式联网fNIRS和DOT.

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 功能近红外光谱 (fNIRS) 和扩散光学断层扫描 (DOT) 正在向可穿戴,多式联络和人工智能支持的神经影像技术迈进.
• 目前fNIRS和DOT的分析工具是分散的,阻碍了可重复性,互操作性和与机器学习 (ML) 工作流程的集成.

研究的目的:

• 介绍Cedalion,一个基于Python的开源框架,用于统一分析多式联运fNIRS和DOT数据.
• 为先进的神经成像分析提供可复制,可扩展和社区驱动的环境.
• 将已建立的光学神经成像管道与ML框架连接起来,以实现无的多式联络数据融合.

主要方法:

• Cedalion集成基于模型和数据驱动的分析,包括前建模,optode联合注册,信号处理,GLM分析,DOT图像重建和ML方法.
• 该框架遵循SNIRF和BIDS标准,支持云可执行的Jupyter笔记本,并使用容器化工作流来进行可扩展,可重复的分析.
• 它包含用于信号质量评估,运动校正,GLM建模,DOT重建的验证算法,并包括模拟,数据增强和多式联络生理分析的模块.

主要成果:

• 在Python生态系统中,Cedalion提供了一个标准化的架构,统一了各种分析方法.
• 该框架促进与ML库 (scikit-learn,PyTorch) 和其他神经成像模式 (EEG,MEG,生理数据) 的无集成.
• 一份带有七个可执行笔记本的教程论文展示了Cedalion的核心功能,用于实验室和现实世界的神经成像.

结论:

• Cedalion为fNIRS和DOT数据分析提供了一个开放,透明和社区可扩展的基础.
• 它支持可复制,可扩展,云和ML准备的神经成像工作流.
• 该框架通过将已建立的光学神经成像技术与现代计算方法相连接,使研究人员有能力进行研究.