سلام دوستان، من در حال کار روی پروژه‌ای هستم که هدفم استخراج ویژگی‌های دینامیکی سیستم، بدون استفاده از مدل‌سازی دینامیکی مستقیم هست. یکی از موضوعات مورد توجهم پیدا کردن Attractor States در داده‌هاست؛ یعنی بررسی این که آیا چنین حالت‌هایی در داده (من با داده‌های اسپایک مغز کار می‌کنم) وجود دارند یا نه، و اگر وجود دارند، چه ویژگی‌هایی دارند. برای این کار چند مقاله پیدا کردم اما در مورد رویکردها هنوز مطمئن نیستم. چیزی که در ذهنمه اینکه ابتدا با یک رویکرد data-driven یک مدل ساده بسازیم. این مدل میتونه مبتنی بر Dimensionality Reduction (مثل PCA یا روش‌های دیگر) باشه. بعدش در فضای کاهش‌یافته جدید، حالت‌ها (states) رو با استفاده از روش‌هایی مانند کلاستربندی‌های ساده (k-means) یا رویکردهای پیچیده‌تر مثل Hidden Markov Model (HMM) یا Kalman Filter شناسایی کنیم. بعد از شناسایی این حالت‌ها، میتونیم برای بررسی Attractor States مدت‌زمانی که سیستم در یک حالت خاص باقی میمونه رو تحلیل کنیم. این کار منجر به ساختن یک توزیع از مدت‌زمان حضور در هر حالت می‌شود. سپس میتونیم بررسی کنیم که آیا این توزیع غیرهمگن است یا نه و چه الگوهایی می‌توان از آن استخراج کرد. سؤالاتی که دارم: 1. آیا این رویکردها را در مقالات علوم اعصاب دیدید؟ اگر بله، خوشحال میشم مقالات مربوطه رو برام ارسال کنید. 2. اگر راه‌حل‌های بهتری برای این کار وجود دارد، لطفاً به من معرفی کنید. 3. اگر با HMM یا رویکردهای مشابه کار کرده‌اید، لطفاً پیام بدید تا بتونم چند سؤال بپرسم.