Pro charakterizaci svalové aktivity předloktí během simulovaných aktivit denního života proto navrhujeme použít sedm skupin bodů, abychom podstatně snížili počet bodů, které je třeba registrovat, a zachovali svalově-anatomickou koherenci. Signály z těchto sedmi bodů by se vztahovaly k sedmi různým pohybům: (skupina 1) flexe zápěstí a ulnární deviace; (skupina 2) flexe zápěstí a radiální deviace; (skupina 3) flexe prstů; (skupina 4) extenze palce a abdukce/addukce; (skupina 5) extenze prstů; (skupina 6) extenze zápěstí a ulnární deviace; a (skupina 7) extenze zápěstí a radiální deviace.
Při hodnocení svalové funkce při rehabilitaci mohou být některá místa nedostupná z důvodu současného použití jiných zařízení, jako jsou senzory pro měření kinematiky. Při výběru reprezentativních míst každé skupiny, která mají být zaznamenána, z těch, která jsou k dispozici, je třeba vzít v úvahu procento měřené svalové aktivity (obr. 7). Výběr míst s nejvyšším procentem svalové aktivity může být spolehlivější, protože na těchto místech mohou být zaznamenané svaly povrchnější nebo zaznamenaná svalová plocha může být více soustředěná. Zejména je třeba se vyhnout místům s velmi nízkou úrovní svalové aktivity, jako jsou např. místa 18 a 28. Největší svalová aktivita byla pozorována v nejvzdálenější části předloktí (obr. 7). V závislosti na dostupnosti by však mohly být vybrány i proximálnější spoty, s výjimkou skupiny 4, která se skládá ze dvou spotů umístěných v nejdistálnější části předloktí.
FPCA je jednou z nejoblíbenějších technik vícerozměrné analýzy pro získávání informací z funkčních dat, která zmenšuje rozměry souboru dat, v němž je velké množství vzájemně souvisejících proměnných, a přitom zachovává co nejvíce z celkové variability . Zatímco výsledkem FPCA je redukce dimenze, vektorové skóre FPCA lze použít ke shlukování různých funkcí/složek pomocí standardních metod shlukování. Shlukování je jednou z nejčastěji používaných technik pro rozdělení souboru dat do podskupin, které obsahují případy, jež jsou si navzájem podobné a zároveň jsou zřetelně odlišné od případů z jiných skupin. Ve funkčním kontextu shlukování pomáhá identifikovat reprezentativní vzory křivek a jedince, kteří se s velkou pravděpodobností podílejí na stejných nebo podobných procesech. Další metody uváděné v literatuře a používané pro identifikaci úkolů při řízení protéz jsou založeny na segmentaci EMG signálů do řady oken, v nichž jsou extrahovány některé běžně používané sady časových znaků (např. střední absolutní hodnota nebo nulové přechody) a použity pro klasifikaci pohybu. Naše metoda je podobná, ale aplikuje se na celý signál pro všechny úkoly a subjekty a z FPCA se extrahují rysy signálu, které obsahují co největší část celkové možné variace, a používají se pro svalovou klasifikaci.
Záznamy EMG byly provedeny pomocí osmikanálového sEMG zařízení, což vyžadovalo opakování stejných činností pro každý subjekt v pěti různých sezeních, aby bylo možné změřit vysoký počet vybraných bodů. Ačkoli byla ověřena malá chyba reprodukovatelnosti pro 30 bodů mezi jednotlivými sezeními, v nadcházejících pracích by se mohlo zvážit použití povrchové EMG s vysokou hustotou.
Současná studie byla omezena na šest zdravých, zdatných subjektů a výsledky by mohly být ověřeny v dalších studiích s vyšším počtem subjektů a včetně subjektů s postižením. Svalové skupiny získané v této studii však mohou být použity jako první přiblížení a mohou být použity jako vodítko pro budoucí ověření u subjektů s postižením ruky nebo amputací.
Jako budoucí práce by mohly být provedeny studie, které by propojily EMG s kinematikou během provádění ADL, a to pomocí těchto sedmi bodů jako reprezentativních pro svalovou aktivitu předloktí při ADL. Dalším krokem by bylo vyhodnocení kinematiky a svalové souhry během specifických funkčních úkolů.
.