Abstract Significance We propose a robust video-based method for estimating the positions of fNIRS optodes on the scalp. Aim Calibrating the location of optodes relative to a subject’s scalp is an important step in acquisition of reliable neuroimaging data, and is a relatively open problem when dealing with developmental populations. Existing methods pose various motion constraints, require expert annotation and are only applicable in laboratory conditions. A quick and robust framework to deal with these issues is required. Approach Using a variety of novel computer-vision technologies, we implement a fully-automatic appearance-based method that estimates the registration parameters from a raw video of the subject. We validate our method on 10 adult subjects and prove its usability with infants as well. Results We compare our method with the golden standard 3D digitizer, and to other photogrammetry based approaches. We show it achieves state-of-the-art results. Our method is implemented as a freely available open-source toolbox at https://github.com/yoterel/STORM . Conclusions Our method allows to calibrate the fNIRS system in a simple way, with unprecedented speed and accuracy. Fast calibration facilitates more spatially precise neuroimaging with developmental and clinical populations even in unconventional environments.

Abstract Significance We propose a novel video-based, motion-resilient, and fast method for estimating the position of optodes on the scalp. Aim Measuring the exact placement of probes (e.g., electrodes, optodes) on a participant’s head is a notoriously difficult step in acquiring neuroimaging data from methods which rely on scalp recordings (e.g., EEG and fNIRS), and is particularly difficult for any clinical or developmental population. Existing methods of head measurements require the participant to remain still for a lengthy period of time, are laborious, and require extensive training. Therefore, a fast and motion-resilient method is required for estimating the scalp location of probes. Approach We propose an innovative video-based method for estimating the probes’ positions relative to the participant’s head, which is fast, motion-resilient, and automatic. Our method builds on capitalizing the advantages, and understanding the limitations, of cutting-edge computer vision and machine learning tool. We validate our method on 10 adult subjects and provide proof of feasibility with infant subjects. Results We show that our method is both reliable and valid compared to existing state-of-the-art methods by estimating probe positions in a single measurement, and by tracking their translation and consistency across sessions. Finally, we show that our automatic method is able to estimate the position of probes on an infant head without lengthy offline procedures, a task which is considered challenging until now. Conclusions Our proposed method allows, for the first time, the use of automated spatial co-registration methods on developmental and clinical populations, where lengthy, motion-sensitive measurement methods routinely fail.