Siksi ehdotamme, että kyynärvarren lihasaktiivisuuden luonnehtimiseen kyynärvarren simuloitujen ADL-toimintojen aikana käytetään seitsemää pilkkuryhmää, jotta voidaan merkittävästi vähentää rekisteröitävien pilkkujen lukumäärää ja ylläpitää lihaksiston ja anatomian välistä johdonmukaisuutta. Näiden seitsemän pisteen signaalit liittyisivät seitsemään eri liikkeeseen: (ryhmä 1) ranteen fleksio ja ulnaarideviaatio; (ryhmä 2) ranteen fleksio ja radiaalinen deviaatio; (ryhmä 3) sormen fleksio; (ryhmä 4) peukalon ojennus ja abduktio/adduktio; (ryhmä 5) sormen ojennus; (ryhmä 6) ranteen ojennus ja ulnaarideviaatio; ja (ryhmä 7) ranteen ojennus ja radiaalinen deviaatio.
Lihaksen toimintakyvyn arvioinnissa kuntoutuksen piirissä jotkin kohdat voivat olla poissa käytöstä muiden laitteiden, kuten kinematiikkamittausanturien, samanaikaisen käytön vuoksi. Kun valitaan kunkin ryhmän edustavia pisteitä, jotka tallennetaan käytettävissä olevien pisteiden joukosta, on otettava huomioon mitatun lihastoiminnan prosenttiosuus (kuva 7). Niiden kohtien valitseminen, joissa lihasaktiivisuuden prosenttiosuus on suurin, voi olla luotettavampaa, koska näissä kohdissa mitatut lihakset voivat olla pinnallisempia tai mitattu lihasalue voi olla keskitetympi. Erityisesti olisi vältettävä kohtia, joissa lihasten aktiivisuus on hyvin vähäistä, kuten kohtia 18 ja 28. Suurin lihasaktiivisuus havaittiin kyynärvarren distaalisimmassa osassa (kuva 7). Saatavuuden mukaan voitaisiin kuitenkin valita proksimaalisempia pisteitä, lukuun ottamatta ryhmää 4, joka koostuu kahdesta pisteestä, jotka on sijoitettu kyynärvarren distaalisimpaan osaan.
FPCA on yksi suosituimmista monimuuttuja-analyysitekniikoista, joilla saadaan tietoa toiminnallisista tiedoista, ja se pienentää sellaisen tietokokonaisuuden ulottuvuuksia, jossa on paljon toisiinsa kytkeytyviä muuttujia, säilyttäen kuitenkin mahdollisimman suuren osan kokonaisvarianssista . Vaikka FPCA johtaa ulottuvuuksien pienentämiseen, FPCA:n vektoripisteitä voidaan käyttää eri toimintojen/komponenttien klusterointiin tavanomaisilla klusterointimenetelmillä. Klusterointi on yksi yleisimmin käytetyistä tekniikoista, joilla tietokokonaisuus voidaan jakaa alaryhmiin, jotka sisältävät keskenään samankaltaisia tapauksia, mutta jotka ovat selvästi erilaiset kuin muiden ryhmien tapaukset. Toiminnallisessa yhteydessä klusterointi auttaa tunnistamaan edustavia käyrämalleja ja yksilöitä, jotka hyvin todennäköisesti osallistuvat samoihin tai samankaltaisiin prosesseihin. Muut kirjallisuudessa raportoidut menetelmät, joita käytetään tehtävien tunnistamiseen proteesien ohjauksessa, perustuvat EMG-signaalien segmentointiin sarjoihin ikkunoita, joista poimitaan joitakin yleisesti käytettyjä aika-alueen ominaisuusjoukkoja (kuten absoluuttisen keskiarvon keskiarvo tai nollakeskiarvot) ja joita käytetään liikkeen luokitteluun. Menetelmämme on samankaltainen, mutta sitä sovelletaan koko signaaliin kaikkien tehtävien ja koehenkilöiden osalta ja uutetaan FPCA:sta signaalin piirteet, joihin mahtuu mahdollisimman suuri osa mahdollisesta kokonaisvaihtelusta, ja käytetään niitä lihasten luokitteluun.
EMG-tallenteet on suoritettu 8-kanavaisella sEMG-laitteella, joka edellytti samojen toimintojen toistamista jokaiselle koehenkilölle viidessä eri istunnossa, jotta voitiin mitata suuri määrä valittuja pisteitä. Vaikka toistettavuusvirhe on tarkistettu pieneksi pisteen 30 osalta istuntojen välillä, suuren tiheyden pinta-EMG:n käyttöä voitaisiin harkita tulevissa töissä.
Tämä tutkimus on rajattu kuuteen terveeseen, toimintakykyiseen koehenkilöön, ja tulokset voitaisiin tarkistaa jatkotutkimuksissa suuremmalla koehenkilömäärällä, joihin sisältyisi myös vajaakuntoisia koehenkilöitä. Tässä tutkimuksessa saatuja lihasryhmittelyjä voidaan kuitenkin käyttää ensimmäisenä approksimaationa, ja niitä voidaan käyttää ohjeena tulevaa validointia varten koehenkilöille, joilla on käsivammoja tai amputaatioita.
Tulevina töinä voitaisiin tehdä tutkimuksia EMG:n liittämiseksi kinematiikkaan ADL:n suorittamisen aikana käyttämällä näitä seitsemää kohtaa edustavina kyynärvarren lihasaktiivisuuden edustajina ADL:n aikana. Seuraava askel olisi arvioida kinematiikkaa ja lihassynergioita tiettyjen toiminnallisten tehtävien aikana.