Derfor foreslår vi at bruge syv grupper af pletter til at karakterisere underarmens muskelaktivitet under simulerede ADL, for at reducere antallet af pletter, der skal registreres, betydeligt og for at bevare muskel-anatomisk kohærens. Signalerne fra disse syv punkter vil være forbundet med syv forskellige bevægelser: (gruppe 1) håndledsfleksion og ulnær afvigelse; (gruppe 2) håndledsfleksion og radial afvigelse; (gruppe 3) fingerfleksion; (gruppe 4) tommelfingerekstension og abduktion/adduktion; (gruppe 5) fingerekstension; (gruppe 6) håndledsekstension og ulnær afvigelse; og (gruppe 7) håndledsekstension og radial afvigelse.
Ved vurdering af muskelfunktion i forbindelse med rehabilitering kan nogle spots være utilgængelige på grund af samtidig brug af andet udstyr, f.eks. sensorer til kinematikmåling. Ved valg af de repræsentative punkter for hver gruppe, der skal registreres blandt de tilgængelige, bør der tages hensyn til den procentdel af den målte muskelaktivitet (fig. 7). Det kan være mere pålideligt at vælge de steder med den højeste procentdel muskelaktivitet, da de registrerede muskler på disse steder kan være mere overfladiske, eller det registrerede muskelområde kan være mere centreret. Især bør man undgå steder med meget lav muskelaktivitet, som f.eks. sted 18 og 28. Den største muskelaktivitet blev observeret i den mest distale del af underarmen (fig. 7). Der kunne dog vælges mere proximale pletter afhængigt af tilgængeligheden, bortset fra gruppe 4, som består af to pletter placeret i den mest distale del af underarmen.
FPCA er en af de mest populære multivariate analyseteknikker til udtrækning af information fra funktionelle data, der reducerer dimensionerne af et datasæt, hvor der er et stort antal indbyrdes forbundne variabler, samtidig med at der stadig holdes så meget af den samlede variation som muligt . Mens FPCA resulterer i dimensionsreduktion, kan FPCA’s vektorscore bruges til at gruppere forskellige funktioner/komponenter ved hjælp af standardgrupperingsmetoder. Clustering er en af de hyppigst anvendte teknikker til at opdele et datasæt i undergrupper, der indeholder forekomster, som ligner hinanden, mens de er klart forskellige fra de andre grupper. I en funktionel sammenhæng hjælper clustering med at identificere repræsentative kurvemønstre og personer, som med stor sandsynlighed er involveret i de samme eller lignende processer. Andre metoder, der er beskrevet i litteraturen, og som anvendes til identifikation af opgaver i forbindelse med protesestyring, er baseret på segmentering af EMG-signalerne i en række vinduer, hvor nogle almindeligt anvendte tidsdomænefunktioner (som f.eks. gennemsnitlig absolutte værdi eller nulkrydsninger) udvindes og anvendes til bevægelsesklassificering. Vores metode er tilsvarende, men anvendes på hele signalet for alle opgaver og forsøgspersoner og ekstraherer fra FPCA de funktioner i signalet, der rummer så meget som muligt af den samlede mulige variation, og bruger dem til muskelklassificering.
EMG-optagelserne er blevet udført med et 8-kanals sEMG-apparat, som krævede gentagelse af de samme aktiviteter for hver forsøgsperson i fem forskellige sessioner for at muliggøre måling af det store antal valgte pletter. Selv om reproducerbarhedsfejlen er blevet kontrolleret til at være lille for spot 30 mellem sessioner, kan brugen af overflade-EMG med høj tæthed overvejes i kommende arbejder.
Den aktuelle undersøgelse er begrænset til seks raske, raske, raske forsøgspersoner, og resultaterne kunne verificeres i yderligere undersøgelser med et større antal forsøgspersoner og med inddragelse af svækkede forsøgspersoner. De muskulære grupperinger, der er opnået i denne undersøgelse, kan dog anvendes som en første tilnærmelse og kan bruges som vejledning for fremtidig validering for forsøgspersoner med håndskader eller amputerede.
Som fremtidigt arbejde kunne der gennemføres undersøgelser for at relatere EMG til kinematik under udførelsen af ADL ved at bruge disse syv pletter som repræsentative for underarmens muskulære aktivitet i ADL. Et yderligere skridt ville være at evaluere kinematik og muskelsynergier under specifikke funktionelle opgaver.