上下文最小范数估计（CMNE）：用于神经元网络源估计的深度学习方法

基于摘要分析。该研究针对 MEG/EEG 源估计通常逐时间采样点独立求解、未充分利用神经活动时空依赖的问题，提出 Contextual Minimum-Norm Estimates（CMNE），将 Long Short-Term Memory（LSTM）网络的历史活动预测与 Minimum-Norm Estimates（MNE，最小范数估计）结合，为源估计引入时间上下文。 核心机制是利用过去的脑活动状态预测后续活动，再将预测与 MNE 配合进行源估计。其出发点是神经元群体相互连接，因而神经电流的空间分布及时间演化具有上下文依赖。相较于逐采样点估计，CMNE 的主要方法贡献在于显式利用历史状态；摘要未说明预测结果如何进入 MNE 求解，也未提供网络结构、损失函数、训练监督与推理流程，这些细节尚未验证。 作者在模拟数据及人类听觉诱发反应实验数据上评估 CMNE，并报告结合历史状态预测能够获得更准确的源估计。摘要未给出误差指标、提升幅度、被试数量、数据划分及具体对照设置，因此不能判断改善是否稳定，也不能据此推断跨被试或跨会话泛化能力。实验协议、消融及统计信息尚未验证。 该工作的直接研究对象是 MEG/EEG 源估计，而非 BCI 任务解码。复现时需核对前向模型、MNE 配置、LSTM 输入与预测目标，以及时间上下文的构造和评估划分；还需检查对噪声、历史状态预测误差及不同活动时间尺度的敏感性。源估计改善是否能转化为 BCI 解码收益，当前材料尚不支持结论。