Vi föreslår därför att man använder sju grupper av fläckar för att karakterisera underarmens muskelaktivitet under simulerade dagliga aktiviteter, för att avsevärt minska antalet fläckar som ska registreras och för att bibehålla den muskulärt-anatomiska samstämmigheten. Signalerna från dessa sju punkter skulle relateras till sju olika rörelser: (grupp 1) handledsflexion och ulnaravvikelse, (grupp 2) handledsflexion och radiellavvikelse, (grupp 3) fingerflexion, (grupp 4) tummextension och abduktion/adduktion, (grupp 5) fingerextension, (grupp 6) handledsextension och ulnaravvikelse och (grupp 7) handledsextension och radiellavvikelse.
När man bedömer muskelfunktionen i samband med rehabilitering kan det hända att vissa punkter inte är tillgängliga på grund av att annan utrustning används samtidigt, till exempel sensorer för kinematisk mätning. När man väljer de representativa punkter för varje grupp som ska registreras bland de tillgängliga, bör man ta hänsyn till den procentuella andelen uppmätt muskelaktivitet (fig. 7). Det kan vara mer tillförlitligt att välja de platser som har den högsta procentandelen muskelaktivitet, eftersom de muskler som registreras på dessa platser kan vara mer ytliga eller det muskelområde som registreras kan vara mer centrerat. I synnerhet bör man undvika platser med mycket låg muskelaktivitet, t.ex. platserna 18 och 28. Den största muskelaktiviteten observerades i den mest distala delen av underarmen (fig. 7). Mer proximala punkter kan dock väljas, beroende på tillgången, med undantag för grupp 4, som består av två punkter placerade i den mest distala delen av underarmen.
FPCA är en av de mest populära multivariata analysteknikerna för att extrahera information från funktionella data, vilket minskar dimensionerna i en datamängd där det finns ett stort antal inbördes relaterade variabler, samtidigt som man behåller så mycket som möjligt av den totala variationen . Medan FPCA resulterar i en dimensionsminskning kan FPCA:s vektorpoäng användas för att klustra olika funktioner/komponenter med hjälp av vanliga klustermetoder. Klustring är en av de mest använda teknikerna för att dela upp en datamängd i undergrupper som innehåller instanser som liknar varandra samtidigt som de är tydligt olik dem i de andra grupperna. I ett funktionellt sammanhang hjälper klustring till att identifiera representativa kurvmönster och individer som med stor sannolikhet är involverade i samma eller liknande processer. Andra metoder som rapporterats i litteraturen och som används för identifiering av uppgifter vid protesstyrning bygger på segmentering av EMG-signalerna i en serie fönster, där några vanligt förekommande tidsområdesegenskaper (t.ex. absolut medelvärde eller nollgenomgångar) extraheras och används för rörelseklassificering. Vår metod är liknande, men tillämpas på hela signalen för alla uppgifter och försökspersoner, och extraherar från FPCA de egenskaper i signalen som rymmer så mycket som möjligt av den totala möjliga variationen och använder dem för muskelklassificering.
EMG-inspelningarna har utförts med en 8-kanalig sEMG-enhet, vilket krävde att samma aktiviteter upprepades för varje försöksperson i fem olika sessioner för att möjliggöra mätning av det höga antalet valda punkter. Även om reproducerbarhetsfelet har kontrollerats vara litet för punkt 30 mellan sessionerna, kan användningen av yt-EMG med hög densitet övervägas i kommande arbeten.
Den aktuella studien har begränsats till sex friska, vältränade försökspersoner, och resultaten skulle kunna verifieras i ytterligare studier med ett större antal försökspersoner och med inkluderande funktionsnedsatta försökspersoner. De muskulära grupperingar som erhållits i denna studie kan dock användas som en första approximation och kan användas som vägledning för framtida validering för försökspersoner med handskador eller amputerade.
Som framtida arbete skulle studier kunna genomföras för att relatera EMG till kinematik under utförandet av ADL, genom att använda dessa sju fläckar som representativa för den muskulära aktiviteten i underarmen vid ADL. Ett ytterligare steg skulle vara att utvärdera kinematik och muskelsynergier under specifika funktionella uppgifter.