Die meisten auf Magneto- und Elektroenzephalographie (M/EEG) basierenden Quellenschätzungstechniken leiten ihre Schätzungen stichprobenweise und unabhängig über die Zeit ab. Allerdings sind neuronale Anordnungen eng miteinander verbunden, was die zeitliche Entwicklung der neuronalen Aktivität, die durch MEG und EEG erfasst wird, einschränkt. Die beobachteten neuronalen Ströme müssen daher stark kontextabhängig sein. Hier verwenden wir ein Netzwerk aus LSTM-Zellen (Long Short-Term Memory), wobei die Eingabe eine Folge vergangener Quellenschätzungen und die Ausgabe eine Vorhersage der folgenden Schätzung ist. Diese Vorhersage wird dann zur Korrektur der Schätzung verwendet. In dieser Studie haben wir diese Technik auf rauschnormalisierte Mindestnormschätzungen (MNE) angewendet. Da die Korrektur anhand vergangener Aktivitäten (Kontext) ermittelt wird, nennen wir diese Implementierung Contextual MNE (CMNE), obwohl diese Technik in Verbindung mit jeder Quellenschätzungsmethode verwendet werden kann. Wir testen CMNE anhand simulierter epileptiformer Aktivität und aufgezeichneter ASSR-Daten (Auditory Steady State Response) und zeigen, dass die CMNE-Schätzungen in den getesteten Fällen einen höheren Grad an räumlicher Wiedergabetreue aufweisen als die ungefilterten Schätzungen.
