そこで、登録すべきスポット数を大幅に削減し、筋解剖学的一貫性を保つために、シミュレーションADL時の前腕筋活動特性評価に7群のスポット群を用いることを提案している。 これらの7つのスポットからの信号は、7つの異なる動作に関連するものとなる。 (グループ1）手首の屈曲と尺側偏位、（グループ2）手首の屈曲と橈骨偏位、（グループ3）指の屈曲、（グループ4）親指の伸展と外転・内転、（グループ5）指の伸展、（グループ6）手首の伸展と尺側偏位、（グループ7）手首の伸展と橈骨偏位
リハビリにおける筋機能評価において、運動測定用のセンサーなど他の機器を同時利用し、いくつかのスポットで利用不可能になることがある。 そのため、記録可能なスポットの中から各群の代表的なスポットを選択する際には、筋活動の測定割合（図7）を考慮する必要がある。 筋活動量の割合が高いスポットでは、記録される筋肉がより表層にあったり、記録される筋肉の面積がより中央にあったりする可能性があるため、より信頼性の高いスポットを選択することができる。 特に、18番や28番のように、筋活動が非常に低いスポットは避けるべきである。 前腕の最遠位部において、最大の筋活動が観察された（Fig.7）。 しかし、前腕最遠位部に配置された2つのスポットで構成されるグループ4を除いて、利用可能性に応じて、より近位のスポットを選択することができる。
FPCAは、機能データから情報を抽出する最も人気のある多変量解析技術の一つで、相互に関連する多数の変数があるデータセットの次元を減らしつつ、全体の変動をできるだけ多く保持することができる。 FPCA は次元を削減する一方で、FPCA のベクトルスコアは、標準的なクラスタリング手法を用いて異なる機能/コンポーネントをクラスタリングするために使用することができます。 クラスタリングは、データセットを、互いに似ているが他のグループとは明らかに異なるインスタンスを含むサブグループに分割するために、最も頻繁に使用される手法の1つである。 機能的なコンテキストでは、クラスタリングは、代表的な曲線パターンと、同じまたは類似のプロセスに関与している可能性が非常に高い個人を識別するのに役立ちます。 義肢制御のタスク識別に使用される文献に報告されている他の方法は、一連のウィンドウへのEMG信号の分割に基づいており、そこでは、いくつかの一般的に使用される時間領域の特徴セット（平均絶対値やゼロ交差など）が抽出され、動作分類に使用されます。 我々の方法も同様であるが、すべてのタスクと被験者の信号全体に適用し、FPCAから、可能な限りの全変動を保持する信号の特徴を抽出し、それを筋分類に用いる。 本研究では、健常者6名を対象とし、より多くの被験者と障害者を含む研究により、その結果を検証することができた。 しかし、本研究で得られた筋群分類は第一近似値として用いることができ、将来的には手指に障害のある被験者や切断者の検証のための指針として用いることができる。
今後の研究として、ADLにおける前腕の筋活動の代表としてこの7点を用いて、筋電と運動学の関連性に関する研究を行うことができるだろう。 さらに、特定の機能的作業中の運動学的および筋シナジーを評価することも考えられる
。