Wir schlagen daher vor, sieben Gruppen von Spots zur Charakterisierung der Muskelaktivität des Unterarms bei simulierten ADL zu verwenden, um die Anzahl der zu registrierenden Spots erheblich zu reduzieren und die muskulär-anatomische Kohärenz zu erhalten. Die Signale dieser sieben Spots sollten sieben verschiedenen Bewegungen zugeordnet werden: (Gruppe 1) Handgelenksbeugung und Ulnarabweichung; (Gruppe 2) Handgelenksbeugung und Radialabweichung; (Gruppe 3) Fingerbeugung; (Gruppe 4) Daumenstreckung und Abduktion/Adduktion; (Gruppe 5) Fingerextension; (Gruppe 6) Handgelenksstreckung und Ulnarabweichung; und (Gruppe 7) Handgelenksstreckung und Radialabweichung.
Bei der Bewertung der Muskelfunktion in der Rehabilitation können einige Spots aufgrund der gleichzeitigen Verwendung anderer Geräte, wie z. B. Sensoren für die Kinematikmessung, nicht verfügbar sein. Bei der Auswahl der repräsentativen Spots jeder Gruppe, die aufgezeichnet werden sollen, sollte der Prozentsatz der gemessenen Muskelaktivität (Abb. 7) berücksichtigt werden. Die Auswahl der Stellen mit dem höchsten Prozentsatz an Muskelaktivität kann zuverlässiger sein, da an diesen Stellen die erfassten Muskeln oberflächlicher oder die erfasste Muskelfläche zentrierter sein könnte. Insbesondere sollten Stellen mit einer sehr geringen Muskelaktivität vermieden werden, wie z. B. die Stellen 18 und 28. Die größte Muskelaktivität wurde im distalsten Teil des Unterarms beobachtet (Abb. 7). Je nach Verfügbarkeit könnten jedoch auch proximalere Spots gewählt werden, mit Ausnahme von Gruppe 4, die aus zwei Spots im distalsten Teil des Unterarms besteht.
FPCA ist eine der beliebtesten multivariaten Analysetechniken zur Extraktion von Informationen aus funktionellen Daten, die die Dimensionen eines Datensatzes reduziert, in dem eine große Anzahl miteinander verbundener Variablen vorhanden ist, während immer noch so viel der Gesamtvariation wie möglich erhalten bleibt. Während FPCA zu einer Dimensionsreduzierung führt, können die FPCA-Vektorscores zum Clustern verschiedener Funktionen/Komponenten mit Hilfe von Standard-Clustermethoden verwendet werden. Clustering ist eine der am häufigsten verwendeten Techniken zur Partitionierung eines Datensatzes in Untergruppen, die Instanzen enthalten, die einander ähnlich sind, sich aber von denen der anderen Gruppen deutlich unterscheiden. In einem funktionalen Kontext hilft das Clustering dabei, repräsentative Kurvenmuster und Individuen zu identifizieren, die mit hoher Wahrscheinlichkeit an denselben oder ähnlichen Prozessen beteiligt sind. Andere in der Literatur beschriebene Methoden zur Identifizierung von Aufgaben bei der Prothesensteuerung basieren auf der Segmentierung der EMG-Signale in eine Reihe von Fenstern, in denen einige häufig verwendete Zeitbereichsmerkmale (z. B. mittlerer absoluter Wert oder Nulldurchgänge) extrahiert und zur Bewegungsklassifizierung verwendet werden. Unsere Methode ist ähnlich, wird aber auf das gesamte Signal für alle Aufgaben und Versuchspersonen angewandt und extrahiert aus der FPCA die Merkmale des Signals, die einen möglichst großen Anteil an der Gesamtvariation haben, und verwendet sie für die Muskelklassifizierung.
Die EMG-Aufzeichnungen wurden mit einem 8-Kanal-EMG-Gerät durchgeführt, das die Wiederholung der gleichen Aktivitäten für jede Versuchsperson in fünf verschiedenen Sitzungen erforderte, um die Messung der großen Anzahl der ausgewählten Punkte zu ermöglichen. Obwohl der Reproduzierbarkeitsfehler für die 30 Spots zwischen den Sitzungen als gering eingestuft wurde, könnte die Verwendung von Oberflächen-EMG mit hoher Dichte in zukünftigen Arbeiten in Betracht gezogen werden.
Die aktuelle Studie beschränkte sich auf sechs gesunde, nicht behinderte Probanden, und die Ergebnisse könnten in weiteren Studien mit einer größeren Anzahl von Probanden und unter Einbeziehung behinderter Probanden überprüft werden. Die in dieser Studie ermittelten Muskelgruppierungen können jedoch als erste Annäherung verwendet werden und als Leitfaden für die künftige Validierung bei Probanden mit Handbeeinträchtigungen oder Amputationen dienen.
In Zukunft könnten Studien durchgeführt werden, um das EMG mit der Kinematik während der Ausführung von ADL in Beziehung zu setzen, indem diese sieben Punkte als repräsentativ für die Muskelaktivität des Unterarms bei ADL verwendet werden. Ein weiterer Schritt wäre die Bewertung der Kinematik und der muskulären Synergien während spezifischer funktioneller Aufgaben.