درود،

درباره این فکر کردم شاید کمی بیشتر توضیح بدم بهتره. فرض کنید شما مجموعه از اندازه گیری ها (مشاهدات - داده) دارید از یک سیستم که در زمان تغییر میکنه (پویا هست). اما برای این مشاهدات یک مدل دیفرانسیلی مشخص ندارید. با این علاقه مند هستید برخی از ویژگی های دینامیکی سیستم رو تخمین بزنید. حالا پرسش من این هست که رویکردهای Data-driven برای چنین کارهایی چی هستن که در علوم اعصاب استفاده شده باشه و قابل قبول باشه.

برای نمونه در مثال پست قبلی من گفتم یکی از رویکردهایی که بهش فکر کردم (با ایده برداری از کارهایی که خوندم) اینکه من بیام توالی حالات سیستم رو از طریق Dimentionality reduction + HMM بدست بیارم و بعدش Transition Matrix مدل HMM رو به عنوان مدل احتمالی و خطی سیستم فرض بگیرم. اونوقت میشه به روش های مختلف برخی ویژگی ها رو استخراج کرد. برای نمونه فکر میکنم میشه روی Eigenvalue های این Transition Matrix کار کرد تا Fixed Point ها رو بدست آورد و بررسی کرد و یا میشه توزیع زمان حضور سیستم در هر کدوم از حالات تخمین زده رو بدست آورد و بر مبنای این توزیع بررسی کرد سیستم به چه سمت هایی حرکت میکنه.

برخی مقالات هستن که سعی کردن چنین کارهایی بکنن:
https://arxiv.org/abs/2202.09171

ولی در علوم اعصاب کمتر دیدم. در علوم اعصاب بیشتر دیدم که سابجکت رو در تسک هایی که مدل دیفرانسیلی داره بررسی میکنن که خب چون مدل وجود داره آنالیز هاش مشخص تره. مقالاتی هم یادم هست در علوم اعصاب خوندم (که الآن سایتیشن رو یادم رفته شوربختانه) که با K-means کلاستربندی میکنن و بررسی ها رو انجام میدن.

حالا هر مقاله جالبی که رویکردهای data-driven معرفی بکنه برام ارسال کنید. توجه کنید که قراره من این ها رو روی داده نورونی (مجموعه اسپایک گروهی از نورون ها) اعلام کنم در نتیجه باید برای این نوع داده سازگار باشه.