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

• arxiv url: http://arxiv.org/abs/2601.05923v1
• Date: Fri, 09 Jan 2026 16:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:50.040184
• Title: Cedalion Tutorial: A Python-based framework for comprehensive analysis of multimodal fNIRS & DOT from the lab to the everyday world
• Title（参考訳）: Cedalion Tutorial: ラボから日常の世界へのマルチモーダルfNIRS & DOTの包括的な分析のためのPythonベースのフレームワーク
• Authors: 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,
• Abstract要約: Cedalionは、fNIRSとDOTデータのモデルベースおよびデータ駆動分析を統合するために設計されたPythonベースのフレームワークである。 SNIRFとBIDS標準をサポートし、クラウドで実行可能なJupyterノートブックをサポートし、コンテナ化された分析パイプラインを提供する。 信号品質評価、運動補正、GLMモデリング、再構成のための検証済みアルゴリズムを実装し、シミュレーション、データ拡張、マルチモーダル生理学解析のモジュールによって補完される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: 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.
• Abstract（参考訳）: 機能近赤外分光法(fNIRS)と拡散光トモグラフィー(DOT)は、日常の世界において、ウェアラブル、マルチモーダル、データ駆動型AI支援型ニューロイメージングへと急速に進化している。 しかし、現在の分析ツールはプラットフォーム間で断片化されており、再現性、相互運用性、現代的な機械学習(ML)ワークフローとの統合が制限されている。 CedalionはPythonベースのオープンソースフレームワークで、再現可能で拡張可能でコミュニティ主導の環境で、マルチモーダル fNIRS と DOT データの高度なモデルベースおよびデータ駆動分析を統合するように設計されている。 Cedalionは、フォワードモデリング、フォトグラム測光オープドの共存、信号処理、GLM分析、DOT画像再構成、MLベースのデータ駆動メソッドを、Pythonエコシステムに基づいた単一の標準化アーキテクチャに統合する。 SNIRFとBIDS標準に準拠し、クラウドで実行可能なJupyterノートブックをサポートし、スケーラブルで完全に再現可能な分析パイプラインのためのコンテナ化されたワークフローを提供する。 Cedalionは、確立された光ニューロイメージングパイプラインとScikit-learnやPyTorchといったMLフレームワークを接続し、EEG、MEG、生理的データとのシームレスなマルチモーダル融合を可能にする。 信号品質評価、運動補正、GLMモデリング、DOT再構成のための検証済みアルゴリズムを実装し、シミュレーション、データ拡張、マルチモーダル生理学解析のモジュールによって補完される。 自動ドキュメンテーションは各メソッドをソースパブリッシュにリンクし、継続的インテグレーションテストは堅牢性を保証する。 本チュートリアルでは,コア機能を示す7つのフル実行可能ノートブックについて紹介する。 Cedalionはオープンで透明でコミュニティの拡張可能な基盤を提供し、再現可能、スケーラブル、クラウド、ML対応のfNIRS/DOTワークフローを実験室ベースの実世界のニューロイメージングのためにサポートする。

関連論文リスト

• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• Syn-GRPO: Self-Evolving Data Synthesis for MLLM Perception Reasoning [58.4099027998709]
  本研究は、オンラインデータジェネレータを用いて、GRPOトレーニングにおける多様な応答で高品質なトレーニングデータを合成するSyn-GRPOを提案する。 実験の結果,Syn-GRPOはデータ品質を大きなマージンで改善し,既存のMLLM認識法よりも優れた性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-11-24T17:42:29Z)
• Agentomics-ML: Autonomous Machine Learning Experimentation Agent for Genomic and Transcriptomic Data [33.7054351451505]
  本稿では,完全自律型エージェントベースシステムであるAgenomics-MLを紹介した。 本稿では,Agenomics-MLが既存のエージェントベースの手法よりも,一般化と成功率の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-05T19:44:38Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• PyTDC: A multimodal machine learning training, evaluation, and inference platform for biomedical foundation models [59.17570021208177]
  PyTDCは、マルチモーダルな生物学的AIモデルのための合理化されたトレーニング、評価、推論ソフトウェアを提供する機械学習プラットフォームである。 本稿では、PyTDCのアーキテクチャの構成要素と、我々の知る限り、導入したシングルセルドラッグターゲットMLタスクにおける第一種ケーススタディについて論じる。
  論文  参考訳（メタデータ） (2025-05-08T18:15:38Z)
• LEMUR Neural Network Dataset: Towards Seamless AutoML [35.57280723615144]
  我々は、PyTorchベースのニューラルネットワークの大規模なコレクションを提供するオープンソースのデータセットとフレームワークであるLEMURを紹介する。 各モデルは統一されたテンプレートに従い、構成と結果が構造化データベースに格納され、一貫性が保証される。 LEMURはAutoMLの研究を加速し、公正なベンチマークを可能にし、大規模ニューラルネットワーク研究の障壁を減らすことを目的としている。
  論文  参考訳（メタデータ） (2025-04-14T09:08:00Z)
• MetaOpenFOAM: an LLM-based multi-agent framework for CFD [11.508919041921942]
  MetaOpenFOAMは、新しいマルチエージェントコラボレーションフレームワークである。 入力として自然言語のみを用いてCFDシミュレーションタスクを完了することを目的としている。 MetaGPTのアセンブリラインパラダイムのパワーを利用する。
  論文  参考訳（メタデータ） (2024-07-31T04:01:08Z)
• MLXP: A Framework for Conducting Replicable Experiments in Python [63.37350735954699]
  MLXPはPythonをベースとした,オープンソースの,シンプルで,軽量な実験管理ツールである。 実験プロセスを最小限のオーバーヘッドで合理化し、高いレベルの実践的オーバーヘッドを確保します。
  論文  参考訳（メタデータ） (2024-02-21T14:22:20Z)
• Closing the loop: Autonomous experiments enabled by machine-learning-based online data analysis in synchrotron beamline environments [80.49514665620008]
  機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。 本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。 本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
  論文  参考訳（メタデータ） (2023-06-20T21:21:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。