Cedalion Tutorial: A Python-based framework for comprehensive analysis of multimodal fNIRS & DOT from the lab to the everyday world

📄 arXiv: 2601.05923v1 📥 PDF

作者: E. Middell, L. Carlton, S. Moradi, T. Codina, T. Fischer, J. Cutler, S. Kelley, J. Behrendt, T. Dissanayake, N. Harmening, M. A. Yücel, D. A. Boas, A. von Lühmann

分类: eess.SP, cs.AI, cs.LG, eess.IV, q-bio.QM

发布日期: 2026-01-09

备注: 33 pages main manuscript, 180 pages Supplementary Tutorial Notebooks, 12 figures, 6 tables, under review in SPIE Neurophotonics

💡 一句话要点

Cedalion：一个用于全面分析多模态fNIRS/DOT数据的Python框架

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: fNIRS DOT 神经影像 多模态融合 Python框架 机器学习 开源软件

📋 核心要点

  1. 现有fNIRS/DOT分析工具分散，缺乏互操作性，难以与现代机器学习工作流程集成，阻碍了研究的可重复性和可扩展性。
  2. Cedalion是一个基于Python的开源框架，统一了多模态fNIRS/DOT数据分析，集成了模型驱动和数据驱动方法，并提供标准化架构。
  3. Cedalion提供可执行的notebook，演示了核心功能，支持云执行和容器化工作流程，促进可重复、可扩展的神经影像分析。

📝 摘要（中文）

功能性近红外光谱（fNIRS）和弥散光学断层扫描（DOT）正迅速发展成为可穿戴、多模态、数据驱动且由AI支持的日常神经影像技术。然而，当前分析工具分散在不同平台，限制了可重复性、互操作性以及与现代机器学习（ML）工作流程的集成。Cedalion是一个基于Python的开源框架，旨在统一多模态fNIRS和DOT数据的高级模型驱动和数据驱动分析，并提供可重复、可扩展和社区驱动的环境。Cedalion集成了正向建模、摄影测量光极配准、信号处理、GLM分析、DOT图像重建以及基于ML的数据驱动方法，所有这些都基于Python生态系统中的单一标准化架构。它遵循SNIRF和BIDS标准，支持云执行的Jupyter Notebook，并提供容器化工作流程，用于可扩展、完全可重复的分析流程，这些流程可以与原始研究出版物一起提供。Cedalion将已建立的光学神经影像流程与诸如scikit-learn和PyTorch之类的ML框架连接起来，从而能够与EEG、MEG和生理数据进行无缝多模态融合。它实现了经过验证的算法，用于信号质量评估、运动校正、GLM建模和DOT重建，并辅以用于仿真、数据增强和多模态生理分析的模块。自动文档将每种方法链接到其源出版物，并且持续集成测试可确保稳健性。本教程论文提供了七个完全可执行的notebook，演示了核心功能。Cedalion提供了一个开放、透明和社区可扩展的基础，支持可重复、可扩展、云和ML就绪的fNIRS/DOT工作流程，用于基于实验室和真实世界的神经影像。

🔬 方法详解

问题定义：当前fNIRS和DOT数据分析工具分散在不同的平台，导致研究结果难以复现，不同工具之间的数据交换和集成困难，并且与现代机器学习工作流程的整合不畅。这阻碍了该领域的发展，尤其是在可穿戴设备和真实世界应用场景下，对高效、可扩展和可重复的分析方法的需求日益增长。

核心思路：Cedalion的核心思路是构建一个统一的、基于Python的开源框架，将fNIRS和DOT数据分析的各个环节整合在一起，包括数据预处理、信号处理、模型构建、图像重建和机器学习。通过提供标准化的数据格式、模块化的算法实现和可扩展的架构，Cedalion旨在促进研究的可重复性、互操作性和可扩展性。

技术框架：Cedalion的整体架构基于Python生态系统，采用模块化设计，包含以下主要模块：1) 数据导入和预处理：支持SNIRF和BIDS标准，提供数据清洗、伪影去除和运动校正等功能。2) 正向建模和光极配准：利用摄影测量技术进行精确的光极定位，并进行正向建模以模拟光在组织中的传播。3) 信号处理：提供各种信号滤波、去噪和特征提取算法。4) GLM分析：实现广义线性模型（GLM）分析，用于评估神经活动与实验条件之间的关系。5) DOT图像重建：采用不同的重建算法，将光学数据转换为大脑活动图像。6) 机器学习：集成scikit-learn和PyTorch等机器学习框架，用于数据驱动的分析和预测。

关键创新：Cedalion的关键创新在于其统一性和可扩展性。它将fNIRS/DOT数据分析的各个环节整合到一个框架中，避免了在不同工具之间切换的麻烦。此外，Cedalion采用模块化设计，易于扩展和定制，可以方便地添加新的算法和功能。它还支持云执行和容器化工作流程，使得研究结果可以轻松地在不同的计算环境中复现。

关键设计：Cedalion的关键设计包括：1) 采用SNIRF和BIDS标准，确保数据的互操作性。2) 提供详细的文档和示例代码，方便用户学习和使用。3) 采用持续集成测试，确保代码的质量和稳定性。4) 集成常用的机器学习框架，方便用户进行数据驱动的分析。5) 提供可扩展的API，方便用户添加自定义的算法和功能。

📊 实验亮点

Cedalion通过七个可执行的Jupyter Notebook展示了其核心功能，包括数据导入、预处理、GLM分析和DOT图像重建。这些notebook提供了详细的示例代码和解释，方便用户快速上手。Cedalion还集成了经过验证的算法，用于信号质量评估和运动校正，提高了数据分析的准确性和可靠性。此外，Cedalion支持云执行和容器化工作流程，使得研究结果可以轻松地在不同的计算环境中复现。

🎯 应用场景

Cedalion可广泛应用于神经科学研究、临床诊断和脑机接口等领域。例如，可用于研究认知功能、情绪调节和运动控制等神经机制；辅助诊断神经系统疾病，如阿尔茨海默病和自闭症；开发基于fNIRS/DOT的脑机接口系统，用于康复治疗和辅助生活。Cedalion的开源性和可扩展性使其能够适应不断发展的神经影像技术，并促进该领域的创新。

📄 摘要（原文）

Functional near-infrared spectroscopy (fNIRS) and diffuse optical tomography (DOT) are rapidly evolving toward wearable, multimodal, and data-driven, AI-supported neuroimaging in the everyday world. However, current analytical tools are fragmented across platforms, limiting reproducibility, interoperability, and integration with modern machine learning (ML) workflows. Cedalion is a Python-based open-source framework designed to unify advanced model-based and data-driven analysis of multimodal fNIRS and DOT data within a reproducible, extensible, and community-driven environment. Cedalion integrates forward modelling, photogrammetric optode co-registration, signal processing, GLM Analysis, DOT image reconstruction, and ML-based data-driven methods within a single standardized architecture based on the Python ecosystem. It adheres to SNIRF and BIDS standards, supports cloud-executable Jupyter notebooks, and provides containerized workflows for scalable, fully reproducible analysis pipelines that can be provided alongside original research publications. Cedalion connects established optical-neuroimaging pipelines with ML frameworks such as scikit-learn and PyTorch, enabling seamless multimodal fusion with EEG, MEG, and physiological data. It implements validated algorithms for signal-quality assessment, motion correction, GLM modelling, and DOT reconstruction, complemented by modules for simulation, data augmentation, and multimodal physiology analysis. Automated documentation links each method to its source publication, and continuous-integration testing ensures robustness. This tutorial paper provides seven fully executable notebooks that demonstrate core features. Cedalion offers an open, transparent, and community extensible foundation that supports reproducible, scalable, cloud- and ML-ready fNIRS/DOT workflows for laboratory-based and real-world neuroimaging.