Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
Seven cloud-run Jupyter notebooks offer a new way into optical brain imaging: no local setup, just a guided path through Cedalion, a Python framework developed by researchers at BIFOLD and TU Berlin. The tutorial brings the field’s analysis tools into one environment, with the stated aim of making wearable brain data easier to work with, share and reproduce.
Sept notebooks Jupyter exécutables dans le cloud offrent une nouvelle porte d’entrée vers l’imagerie cérébrale optique : aucune configuration locale, mais un parcours guidé à travers Cedalion, un framework Python développé par des chercheurs de BIFOLD et de TU Berlin. Ce tutoriel rassemble les outils d’analyse du domaine dans un même environnement, avec pour objectif affiché de faciliter l’utilisation, le partage et la reproduction des données cérébrales recueillies avec des dispositifs portables.
The underlying measurements are designed for life beyond the scanner. Functional near-infrared spectroscopy, or fNIRS, tracks brain activity through changes in cortical blood flow; diffuse optical tomography, or DOT, extends the approach with more information about location and depth. Because fNIRS is wearable, researchers can use it during movement and outside the lab, and can combine it with EEG — electrical brain recordings — and physiological signals.
Les mesures sous-jacentes sont conçues pour être utilisées au-delà de l’IRM. La spectroscopie fonctionnelle dans le proche infrarouge, ou fNIRS, suit l’activité cérébrale grâce aux variations du débit sanguin cortical ; la tomographie optique diffuse, ou DOT, étend cette approche en apportant davantage d’informations sur la localisation et la profondeur. Comme la fNIRS est portable, les chercheurs peuvent l’utiliser pendant les déplacements et en dehors du laboratoire, et la combiner avec l’EEG — des enregistrements de l’activité électrique du cerveau — ainsi qu’avec des signaux physiologiques.
Cedalion connects the chain that used to be split across software environments: simulating how light moves through tissue, estimating sensor positions on the head, checking signal quality, correcting artifacts, modeling multimodal time series with general linear models, reconstructing DOT images and applying machine learning. Its open-source design builds on the MATLAB tools Homer2/3 and AtlasViewer, carrying their methodological experience into Python. The work is described in a tutorial published in Neurophotonics.
Cedalion relie une chaîne qui était auparavant répartie entre plusieurs environnements logiciels : simuler la circulation de la lumière dans les tissus, estimer la position des capteurs sur la tête, contrôler la qualité du signal, corriger les artefacts, modéliser des séries temporelles multimodales avec des modèles linéaires généraux, reconstruire des images DOT et appliquer le machine learning. Sa conception open source s’appuie sur les outils MATLAB Homer2/3 et AtlasViewer, en transposant leur expérience méthodologique dans Python. Ces travaux sont présentés dans un tutoriel publié dans Neurophotonics.
What changes in practice? A researcher can develop a method, compare it with existing ones and share a complete workflow in the same environment instead of asking colleagues to rebuild the analysis by hand. Cedalion’s support for the open SNIRF and BIDS data standards, cloud-executable notebooks and automatic links to source publications also gives other teams a clearer route to rerun the work. That matters for studies involving brain decoding, clinical monitoring or motor and cognitive tasks tracked with wearable sensors.
Qu’est-ce qui change en pratique ? Un chercheur peut développer une méthode, la comparer à celles qui existent déjà et partager un workflow complet dans le même environnement, au lieu de demander à ses collègues de reconstruire l’analyse manuellement. La prise en charge par Cedalion des standards de données ouverts SNIRF et BIDS, ses notebooks exécutables dans le cloud et ses liens automatiques vers les publications sources offrent également aux autres équipes un moyen plus clair de reproduire les travaux. Cela compte pour les études portant sur le décodage cérébral, le suivi clinique ou les tâches motrices et cognitives suivies avec des capteurs portables.
The optimism has boundaries. Some functions, including photon simulation and machine-learning training, can be computationally expensive, although the authors describe GPU, CPU and cloud options as ways to address that cost. Researchers still have to judge whether machine-learning methods are methodologically sound, and systematic benchmarking of community pipelines on standardized datasets remains unfinished. The seven notebooks make the first step easier; they do not remove the need to test what follows.
L’optimisme a ses limites. Certaines fonctions, notamment la simulation de photons et l’entraînement de modèles de machine learning, peuvent être coûteuses en calcul, même si les auteurs présentent les options GPU, CPU et cloud comme des moyens de prendre en charge ce coût. Les chercheurs doivent toujours déterminer si les méthodes de machine learning sont solides sur le plan méthodologique, et l’évaluation systématique des pipelines de la communauté sur des jeux de données standardisés reste inachevée. Les sept notebooks facilitent le premier pas ; ils ne dispensent pas de tester la suite.