Dieser Abschnitt beschreibt die Serie von Experimenten durchgeführt, durch die zwei polydaktylie Themen, P1 und P2 zu untersuchen, die neuromechanics und Funktionen von Ihre Hände. Einige Experimente umfassten zusätzlich eine Gruppe von Kontrollpersonen mit fünffingrigen Händen. Die Studie wurde von den institutionellen Ethikkommissionen der Universität Freiburg, des Imperial College London, der EPFL und des King ‚ s College London genehmigt., Jedes Subjekt gab seine Einwilligung, bevor es mit jedem Experiment begann.
MRT-Analyse der Handanatomie
Die zugrunde liegende Anatomie der Hand des Probanden P1 wurde mittels MRT in der Abteilung für perinatale Bildgebung und Gesundheit des King ‚ s College London visualisiert. T1-gewichtete inversion-recovery-und protonendichte-Bilder erworben wurden mit einem 1,5 Tesla-Siemens Aera system (Erlangen, DE). Bilder konnten aufgrund eines metallischen Zahnimplantats nicht von Subjekt P2 aufgenommen werden.
Handbiomechanik
Eine spezielle Handschnittstelle zur Messung der isometrischen Kraft jedes Fingers (siehe Abb., 2a) wurde an der Human Robotics Group, Imperial College London, entwickelt, um die Kraftfähigkeit von linken oder rechten Fingern bei Personen mit fünf-oder sechsfingrigen Händen zu untersuchen. Die Hand wurde horizontal auf die Schnittstelle gelegt, wie in Abb. 2a. Fünf oder sechs der acht 3D-gedruckten Stützen, die jeweils an einer Wägezelle (HTC) befestigt sind, könnten linear gleiten, um eine linke oder rechte Hand beliebiger Größe aufzunehmen, so dass das Motiv bequem eine vertikale Kraft mit der Spitze eines jeden Fingers ausüben kann.
Kräfte über alle Finger wurden mit 128 Hz aufgezeichnet., Experimente wurden durchgeführt, mit dieser Schnittstelle auf die beiden polydaktylie Themen sowie über eine Bevölkerung von 13 in der Kontrollgruppe (sechs Frauen) mit fünf-Finger-Hände zwischen 25 und 35 Jahre alt. Die Probanden saßen vor einem Tisch, wobei die Schnittstelle so positioniert war, dass der Unterarm in einer natürlichen Position auf dem Tisch lag.
Zunächst wurden die Probanden gebeten, mit einem Finger die maximal mögliche Kraft auszuüben. Diese maximale Kraft (MF) wurde für jeden Finger einzeln beginnend mit dem Daumen und endend mit dem kleinen Finger aufgezeichnet., Abbildung 2b zeigt die MF für fünf-und sechsfingrige Probanden. Unter Verwendung dieser Daten wurde das versklavende eij, das die Abhängigkeit zwischen den Fingern i und j charakterisiert, als
wobei i ist der Finger, der MF erzeugt, während Fj(i) die Kraft ist, die gleichzeitig von Finger j erzeugt wird, und MFj ist die maximale Kraft von Finger j. Die Versklavung für fünf – und sechsfingrige Probanden ist in Abb. 2d.,
Dann die Probanden wurden gebeten, zu Steuern, 10%, 20% oder 30% von MF während der 15 s lang Studien. Es wurden drei Versuche auf jeder Kraftebene durchgeführt,insgesamt 3 × 3 × 5 = 45 oder 3 × 3 × 6 = 54 Versuche pro Sitzung für Fünf-bzw. Fünf-Finger-Probanden führten nur eine Sitzung durch, während die Sechs-Finger-Probanden zwei (Thema P1) oder drei (Thema P2) Sitzungen durchführten. Die Daten aus diesem experiment verwendet wurden, um zu untersuchen, wie die Kraft Variabilität hängt von der Höhe der einwirkenden Kraft., In jeder Studie, die Kraft Variabilität wurde berechnet als die Standardabweichung der Kraft über die Zeit-Fenster /128 s, das war so gewählt, dass die Themen waren richtig übt die erforderliche Kraft, die in diesem Zeitraum in fast allen Studien. Fünf Versuche (1 Versuch in einem Kontrollsubjekt, 2 Versuche in Subjekt P1 und 2 Versuche in Subjekt P2) wurden von der Analyse ausgeschlossen, da sie außergewöhnlich hohe zeitliche Schwankungen der Kraft zeigten, was darauf hindeutet, dass die Aufgabe bei diesen Studien nicht erfolgreich ausgeführt wurde., Abbildung 2c zeigt die Standardabweichung der Kraft in Abhängigkeit von der Stärke der Kraft für fünf – und sechsfingrige Probanden.
Funktionelle MRT
P1 und eine Gruppe von neun Kontrollteilnehmern mit Fünf-Finger-Händen nahmen am fMRI-Experiment teil. P2 wurde aufgrund eines metallischen Zahnimplantats ausgeschlossen. In einem Blockdesign führten die Teilnehmer eine Taping-Bewegung während 20 s mit einem einzigen Finger durch (20 Taps pro Block, 1 Tap pro Sekunde), gefolgt von 10 s Ruhe. Vier Blöcke wurden für jeden Finger in pseudo-randomisierter Reihenfolge durchgeführt (24 Versuche für P1 und 20 Versuche für Kontrollen)., Sie führten zwei Sitzungen durch, eine für jede Hand. Kontrollen durchgeführt nur eine Sitzung mit der rechten Hand. Alle Teilnehmer wurden vor dem Betreten des fMRI-Scanners auf den Bewegungen trainiert.
Bilder wurden auf einem 7T-Kurzbohrkopf-Scanner (Siemens Medical, Deutschland) mit einer 32-Kanal-Tx/Rx-HF-Spule (Nova Medical, Deutschland) aufgenommen. Funktionelle Bilder wurden mit einer sinusförmigen Auslesung EPI sequence23 erfasst und umfassten 28 axiale Scheiben. Scheiben wurden über den zentralen Sulcus (ungefähr orthogonal zum zentralen Sulcus) gelegt, um die primären motorischen Kortizen abzudecken (Voxel Auflösung 1.,3 × 1.3 × 1.3 mm3; TR = 2 s FOV = 210 mm, TE = 27 ms, flip-Winkel = 75°, GRAPPA, = 2). Anatomische Bilder wurden mit einer MP2RAGE sequence24 aufgenommen, um die genaue Lokalisierung des präzentralen Sulcus (siehe unten) und zu Anzeigezwecken zu ermöglichen (TE = 2,63 ms, TR = 7,2 ms, TI1 = 0,9 s, TI2 = 3,2 s, TRmprage = 5 s). Um die Koregistration zwischen den funktionellen und den anatomischen Bildern zu unterstützen, wurde auch ein ganzes Gehirn-EPI-Volumen mit der gleichen Neigung erfasst, die bei den funktionellen Läufen verwendet wurde (81-Scheiben, Voxel-Auflösung 1.3 × 1.3 × 1.3 mm3, FOV = 210 mm, TE = 27 ms, Flip-Winkel = 75°, GRAPPA = 2)., Die Probanden wurden in Rückenlage gescannt.
Alle Bilder wurden mit der Software SPM8 (Wellcome Centre for Human Neuroimaging, London, UK) analysiert. Die Vorverarbeitung der fMRI-Daten umfasste Slice-Timing-Korrektur, räumliche Neuausrichtung, Glättung (FWHM = 2 mm) und Koregistration mit anatomischen Bildern. Caret-5 (Van Essen Laboratory, Washington University School of Medicine), wurde verwendet für die Oberfläche der Visualisierung. Zur Lokalisierung der in der Analyse der Aktivierungsmuster enthaltenen Voxel (Ergänzende Abb., 3) wurde eine erste GLM-Analyse berechnet, die einen Regressor pro Finger (6 für P1 und 5 für Kontrollen) und sechs Regressoren für starre Bewegungen umfasste. Eine Funktionsmaske für Fingerbewegungen wurde als aktive Voxel im F-Kontrast definiert, die jeder Art von Fingerbewegung zugeordnet sind (p < 0.05 FWE). Darüber hinaus wurde eine anatomische Maske entsprechend dem sensomotorischen Kortex unter Verwendung der veröffentlichten probabilistischen zytoarchitektonischen Karten25,26,27 entwickelt., Die anatomische Maske umfasste den primären motorischen Kortex M1 (Brodmann-Bereiche 4a und 4p) und den primären somatosensorischen Kortex S1 (Brodmann-Bereiche 3a, 3b, 1 und 2). Die anatomische Maske wurde wieder auf den nativen Raum jedes Teilnehmers projiziert. Dies führte zu 2190 Voxel in der linken Hemisphäre von P1 für rechte Fingerbewegungen, 2037 Voxel in der rechten Hemisphäre von P1 für linke Fingerbewegungen und 343,8 ± 417,1 (Mittelwert ± std) Voxel in der linken Hemisphäre von Kontrollen für rechte Fingerbewegungen (Ergänzende Abb. 3).,
Um die Aktivierungsmuster innerhalb der ausgewählten Voxel zu analysieren, die jeder Fingerbewegungsstudie zugeordnet sind, wurde eine zweite GLM-Analyse berechnet, die einen Regressor für jede Fingertipp-Studie (24 für P1 und 20 für Kontrollen) und sechs Regressoren für starre Bewegungen enthielt. Getrennt für jeden Teilnehmer wurden die Beta-Schätzungen für jede Tapping-Studie innerhalb der ausgewählten Voxel extrahiert (was zu einer Trial × Voxel-Matrix führte)., Diese hochdimensionalen Muster wurden durch klassische mehrdimensionale Skalierung (MDS) auf zwei Dimensionen projiziert, wobei niedrigdimensionale Projektionen gefunden werden, die ungefähr die paarweisen Abstände zwischen den hochdimensionalen Aktivierungsmustern bewahren14. Als Distanzmetrik für das MDS haben wir die kreuzvalidierte Mahalanobis distance14 verwendet. Für die Fünf-Finger-Kontrollgruppe wurde MDS für jedes Subjekt separat durchgeführt. Da MDS-Projektionen eine willkürliche Rotation induzieren, haben wir die Projektionen der einzelnen Probanden mit Procrustes alignment14 ausgerichtet. Standardfehler Ellipsen in Fig., 2e wurden aus der Kovarianz über die Probanden hinweg berechnet. Da die Procrustes-Ausrichtung auch einen Teil der wahren Intersubjektvariabilität14 entfernen kann, haben wir ein Monte-Carlo-Verfahren verwendet, um eine Korrektur abzuschätzen, und die Standardfehlerellipsen entsprechend angepasst14. Für das Polydactly-Subjekt P1 haben wir die Kovarianz durch Bootstrapping der Versuche berechnet. Für jedes Bootstrap-Sample wurde eine MDS-Projektion berechnet. Die Bootstrapped MDS Projektionen wurden mittels Procrustes Alignment ausgerichtet. Die Standardfehlerellipsen (Abb. 2e, Ergänzende Abb., 4) wurden aus der Kovarianz über Bootstrapped-MDS-Projektionen berechnet, bereinigt um Korrekturfaktoren, die durch ein Monte-Carlo-Verfahren geschätzt werden14.
Fingerlokalisierungsaufgabe
Eine Fingerlokalisierungsaufgabe wurde durchgeführt, um die wahrgenommene Handform von P1, P2 und einer Gruppe von neun Kontrollen zu untersuchen. Die Teilnehmer hatten die Augen verbunden und ihre Hand wurde unter eine Struktur gelegt, die von einem 2D-Raster gekrönt wurde. Sie mussten mit dem Index der freien Hand auf das Gitter in Richtung der Cued-Positionen auf der getesteten Hand zeigen., Sie mussten drei Stellen an jedem Finger identifizieren: den ersten Knöchel, den zweiten Knöchel und die Spitze (insgesamt 18 Stellen pro Hand für P1 und P2 und 15 Stellen für Kontrollen). Jeder Standort wurde sechsmal auf P1 und P2 getestet, viermal auf Kontrollen. Die Aufgabe wurde für beide Hände in P1 und P2 durchgeführt, nur für die rechte Hand in der Steuerung. Die Aufgabe wurde einmal mit taktilem Cueing durchgeführt, d.h. die Zielorte wurden mit einem Kunststofffaden berührt, und einmal mit verbalem Cueing, d.h. die Zielorte wurden mündlich benannt., Der Lokalisierungsfehler wurde für jeden getesteten Ort als 2D-euklidischer Abstand zwischen den gemeldeten Positionen im Raster und den realen Positionen der getesteten Stellen im Raster gemessen (Abb. 2f). Ähnliche Ergebnisse wurden mit taktilen und oralen cueing erhalten; wir berichten nur die Ergebnisse von taktilen cueing.
Objektmanipulation und gemeinsame Bewegungsaufgaben
Versuchsaufbau: Die Probanden saßen während der beiden unten beschriebenen Aufgaben vor einem Schreibtisch., Ein elektromagnetisches Bewegungserfassungssystem (Polhemus Liberty 240/16-16) wurde verwendet, um die Hand-und Fingerbewegungen während der Objektmanipulation und die üblichen Bewegungsaufgaben aufzuzeichnen (siehe ergänzende Abb. 5A). Die Hände wurden in einem Abstand von 0,6 m vom Polhemus-Hauptsystem gehalten, um das Aufzeichnungsgeräusch unter 0,005 mm zu halten. Insgesamt wurden 12 bzw. 14 Sensoren mit medizinischem Klebeband an der Hand und den Fingern von fünf – oder sechsfingrigen Probanden befestigt. Jeder Sensor maß drei kartesische Koordinaten für die Position und drei Winkel für die Orientierung relativ zum Hauptbahnhof., Jeder Sensor wurde über kunststoffisolierte Aluminiumdrähte mit dem Polhemus-System verbunden. Zwei große Sensoren (9 × 11 × 6 mm3 an maximalen Positionen, 9,1 g) wurden auf der Haut auf den Mittel-und Daumenmetakarpalknochen platziert. Die anderen waren kleine Sensoren (kugelförmig, 17,3 mm Länge, 1,8 mm Außendurchmesser, <1 g), die an den distalen und proximalen Phalangen jedes Fingers platziert wurden. Messungen wurden bei 120 Hz aufgezeichnet.
Objektmanipulationsaufgabe: Die beiden Polydaktylie-Probanden und 13 Kontrollpersonen mit Fünf-Finger-Händen (sechs Frauen, Durchschnittsalter 24.,8 mit Standardabweichung 2.0) an einer Objektmanipulationsaufgabe teilgenommen. Das experimentelle Verfahren für die Objektmanipulationsaufgabe wurde von ref. 21. Wir haben 50 Objekte mit unterschiedlichen Formen, Größen, Texturen und Materialien ausgewählt (siehe ergänzende Abb. 5B). Diese Objekte waren ohne Metall oder paramagnetische Materialien, um die Polhemusmessung basierend auf Magnetfeldern nicht zu stören. Die Themen waren die Augen verbunden und erhielten die Objekte eins nach dem anderen. Sie mussten ein Objekt mit einer Hand erkunden und erraten, was es ist (siehe ergänzenden Film 4). Jedes Objekt wurde für 30 s erforscht., Wenn ein Objekt früher als 30 s erkannt wurde, wurde das Subjekt gebeten, Besonderheiten dieses Objekts wie Spitzen, Kanten usw. zu untersuchen.
Gemeinsame Bewegungsaufgaben: Die beiden Polydaktylie-Probanden und 8 der 13 Probanden mit Fünf-Finger-Händen, die die Objektmanipulationsaufgabe ausführten (fünf Frauen, Durchschnittsalter 24,3 mit Standardabweichung 2,0), führten ebenfalls vier gemeinsame Bewegungsaufgaben aus (siehe auch Ergänzungsfilm 5). Binden von Schnürsenkeln: Das Ende von zwei Schnürsenkeln wurde auf einem Tisch befestigt und die Probanden mussten die Schnürsenkel mit zwei Händen binden., Umblättern von Buchseiten: Die Probanden erhielten ein Buch und mussten die Seiten nur mit einer Hand umblättern. Serviettenfaltung: Die Probanden erhielten eine Papierserviette und mussten sie mit beiden Händen in eine bestimmte Form (wie in Restaurants verwendet) und in einer bestimmten Reihenfolge falten. Ein Handtuch rollen: Die Probanden erhielten ein Handtuch und wurden gebeten, es mit beiden Händen in Zylinder zu rollen. Es wurden fünf Minuten Bewegung pro Aufgabe aufgezeichnet, in denen die Probanden aufgefordert wurden, die Aufgabe so oft zu wiederholen, wie sie wollten.,
Datenanalyse: Die Position jedes kleinen Sensors relativ zum großen Sensor in der Mitte der Metakarpalknochen wurde zur weiteren Analyse verwendet. Rohpositionsmessungen wurden mit einem Savitzky-Golay-Filter geglättet (dritte Ordnung, Länge 41 Probenpunkte entspricht 341,67 ms). Bewegungsgeschwindigkeiten wurden aus rohen Positionsmessungen mit einem ersten abgeleiteten Savitzky-Golay-Filter berechnet (dritte Ordnung, Länge 41 Probenpunkte entspricht 341,67 ms).,
Analyse der Finger (in) Abhängigkeit: Um die (in)Abhängigkeit der Fingerbewegungen zu beurteilen, schätzten wir die gegenseitige Information zwischen den Bewegungen verschiedener Finger. Die gegenseitige Information zwischen zwei kontinuierlichen stochastischen Signalen X und Y ist definiert als:
wobei σX, σY die Kovarianzmatrizen der Grenzdichten X und Y und σXY die Kovarianzmatrix der Gelenkdichte sind. Für univariate Normalsignale X und Y, für die Eq, kann ein intuitiveres Verständnis der gegenseitigen Information gewonnen werden., (3) vereinfacht weiter zu
wobei r(X, Y) der Pearson-Korrelationskoeffizient ist zwischen X und Y. Um die gegenseitige Information zwischen zwei Fingern zu schätzen, verwendeten wir die sechsdimensionalen Positionsmessungen der beiden Sensoren an jedem Finger, schätzten die Kovarianzmatrizen aus der Zeitreihe der Bewegungspositionen und applizierten Eq. (3).,
Vorhersage einzelner Fingerbewegungen aus Bewegungen anderer Finger: Die Bewegung jedes einzelnen Fingers wurde aus den Bewegungen der anderen Finger vorhergesagt. Für Sechs-Finger-Probanden wurde die Vorhersage mit und ohne den überzähligen Finger durchgeführt; letztere, um den Vergleich mit den Ergebnissen von Fünf-Finger-Probanden zu erleichtern. Die x / y / z-Positionen der beiden Sensoren an jedem Finger bildeten den sechsdimensionalen Bewegungsvektor jedes Fingers., Diese sechs Komponenten wurden individuell aus den 24 – oder 30-dimensionalen Bewegungsvektoren der verbleibenden vier oder fünf Finger vorhergesagt. Die Vorhersage wurde unter Verwendung der linearen Regression von kleinsten Quadraten und nichtlinearen Unterstützungsvektoren durchgeführt. Wir haben eine doppelte Kreuzvalidierung mit chronologischen Splits der Daten verwendet, um eine Überanpassung zu vermeiden. Die Qualität der Vorhersage wurde quantifiziert, indem der Bestimmungskoeffizient (R2) zwischen vorhergesagter und tatsächlicher Bewegung für jede Komponente des sechsdimensionalen Bewegungsvektors berechnet und dann die R2-Werte über die sechs Dimensionen gemittelt wurden., Wir haben die Unterstützungsvektorregression mit einem Gaußschen Kernel verwendet und die Hyperparameter (dh die Kernelbreite sowie der Regularisierungsparameter) wurden für den Trainingsdatensatz optimiert. Wir haben die Matlab-Implementierung („fitrsvm“) zur Unterstützung der Vektorregression und Optimierung von Hyperparametern verwendet. Um die Rechenzeit zu verkürzen, wurden die Daten auf 120/20 = 6 Hz heruntergefahren.
Principal component analysis (PCA) der Grad der freedom21,28,29: PCA wurde durchgeführt, auf die der sensor x/y/z-Positionen gemessen mit zwei sensoren an jedem finger während der Objektmanipulation und die gemeinsame Bewegung Aufgaben., Die kumulierte Varianzmenge, die von einer zunehmenden Anzahl von Hauptkomponenten erfasst wird,ist in Fig. 3b und Ergänzende Abb. 6B. Um die effektive Anzahl von dof zu berechnen, haben wir zwei Algorithmen angewendet:die Kreuzvalidierungs-PCA mit Eigenvektormethode, die in ref. 30 und die Kreuzvalidierungs-PCA-Methode unter Verwendung der Erwartungsmaximierung für fehlende Werte, wie in ref. 31., Beide Methoden verwenden ein Kreuzvalidierungsverfahren, bei dem die PCA zuerst aus Trainingsdaten berechnet und dann angewendet wird,um die Proben der Testdaten vorherzusagen, während sich Training und Testdatensatz gegenseitig ausschließen30, 31. In unserem Fall haben wir die zehnfache Kreuzvalidierung verwendet und die Bewegungsdaten für jede Aufgabe chronologisch in zehn Teile aufgeteilt, wobei in jeder Falte neun dieser Teile im Training und ein Teil in den Testdaten verwendet wurden., Die ersten und letzten 10 s des Testdatensatzes wurden für jede Aufgabe ausgeschlossen, um jeglichen Einfluss des Trainings auf die Testdaten aufgrund der automatischen Korrelation der Bewegung zu vermeiden. Der mittlere quadratische Fehler zwischen Vorhersage – und Istdaten wurde als Funktion der Anzahl der Hauptkomponenten berechnet. Die Anzahl der Hauptkomponenten, die den kleinsten Fehler ergaben, wurde als Schätzung für die effektive Anzahl von dof verwendet und für jedes Subjekt separat berechnet., Für jedes Fach haben wir die ermittelte Anzahl der Hauptkomponenten über beide Methoden30,31 gemittelt und diese als Schätzung der Anzahl der Freiheitsgrade verwendet (Abb. 3c, Ergänzende Abb. 6C).
Informationstheoretische Analyse der Freiheitsgrade: Zusätzlich zur im vorherigen Abschnitt beschriebenen PCA-Analyse analysierten wir die Freiheitsgrade mithilfe der Informationsentropie. Im Gegensatz zur PCA berücksichtigt die Analyse der Informationsentropie potenzielle nichtlineare Beziehungen zwischen Fingerbewegungen., Die Informationsentropie hingegen erfordert eine Schätzung der Gelenkwahrscheinlichkeitsverteilung der Fingerbewegungen. Um diese Gelenkwahrscheinlichkeitsverteilung zu berechnen, diskretisierten wir die Fingerbewegungen, indem wir den Bewegungszustand jedes Fingers anhand der Bewegungen der distalen und proximalen Interphalangealgelenke in eine von drei Bedingungen aus der Menge MS = {rest, flexion, extension} klassifizierten. Sphärische Koordinaten (Abstand, Polar-und Azimutwinkel) des distalen Sensors relativ zu seinem proximalen Sensor wurden berechnet., PCA wurde am Polar-und Azimutwinkel durchgeführt und die Bewegungen entlang der ersten Hauptkomponente wurden verwendet, um die Bewegungen jedes Fingers darzustellen. Für jeden Finger wurde die erste Ableitung v des ersten PC als Differenz zwischen zwei aufeinanderfolgenden Zeitfächern berechnet und verwendet, um den aktuellen Bewegungszustand basierend auf einem Schwellenwert μ = 0.3 SD(v) abzuleiten: Flexion für v < −μ, extension für v > μ, rest sonst. Unterschiedliche Schwellenwerte (μ = 0,4 SD (v) oder μ = 0.,1 SD (v)) sowie verschiedene Zustände (nur zwei Zustände: Flexion für v < 0 und extension für v > 0) haben unsere allgemeine Schlussfolgerung zum Vergleich der Informationsentropie zwischen fünf – und sechsfingrigen Probanden nicht geändert. Wir berechneten die Information oder Shannon-Entropie (H) der Gelenkwahrscheinlichkeitsverteilung der Bewegungszustände aller Finger (p):
wobei si ∈ MS der Zustand des Fingers i ist., Für n Finger ist die Anzahl der verschiedenen Bewegungszustände 3n und die maximale Entropie ist daher log2(3) n, die erhalten wird, wenn alle möglichen Bewegungszustände gleiche Wahrscheinlichkeit haben.
Gemeinsame Bewegung von Daumen, Zeigefinger und überzähligem Finger: Für jeden Zeitpunkt berechneten wir die Bewegungsgeschwindigkeit für jeden Finger als die Größe seines dreidimensionalen Geschwindigkeitsvektors an der Fingerspitze., Wir klassifizierten dann den Bewegungszustand jedes Fingers in jedem Zeitpunkt entweder als “ Ruhe „oder“ Bewegung“, indem wir die Geschwindigkeit mit einem Schwellenwert verglichen, der als 10., 30. oder 50. Aus diesen Daten schätzten wir die bedingten Wahrscheinlichkeiten, dass sich Daumen und Zeigefinger oder Daumen allein oder Zeigefinger allein bewegten, wenn sich der überzählige Finger bewegte. Diese bedingten Wahrscheinlichkeiten wurden für die drei Geschwindigkeitsschwellen geschätzt (Abb. 3e, Ergänzende Abb. 6E).,
Video-Spiel für sechs Fingern
Polydaktylie Probanden saßen vor einem computer-monitor (DELL U2713HM) etwa 0,6 m von der Leinwand, auf der sechs Zielfelder angezeigt, in der unteren Mitte eines schwarzen Bildschirms. Während des Experiments durchliefen oszillierende Cursor die Zielfelder (Abb. 3g und zusätzliche Film 6). Jedes dieser oszillierenden Quadrate hatte eine andere Frequenz innerhalb eines vordefinierten Bereichs. Die einzelnen Zielfelder können durch Drücken einer entsprechenden Taste auf einer Standard-Computertastatur „berührt“ werden., Die Tasten wurden so gewählt, passen die hand, die geometrie der einzelnen Themen zu gewährleisten, drücken Sie die Tasten bequem war. Die Probanden wurden angewiesen, zu verfolgen die oszillierende Cursor und drücken Sie die entsprechende Taste, sobald sich der cursor in der zugeordneten Feld „Ziel“. Wenn die Taste innerhalb dieses Zeitfensters gedrückt wurde, zählte sie als korrekter Druck, wenn sie außerhalb gedrückt wurde, wurde sie als falscher Druck gezählt. Die Anzahl der richtigen und falschen Pressen wurde über alle Finger summiert und über die Zeit des Versuchs angesammelt.,
Die Leistung der Probanden wurde anhand ihrer Genauigkeit (korrekte Pressen/Zielanzahl) und Fehlerrate (falsche Pressen/alle Pressen) bewertet. Ziel war es, die Genauigkeit zu erhöhen und gleichzeitig die Fehlerrate zu verringern. Zu Beginn jedes Versuchs wurde die Zielgenauigkeit und die Fehlerratenschwelle entsprechend der Stufe eingestellt (Ergänzende Tabelle 1); Jede Stufe wurde durch die Bewegungsgeschwindigkeit der oszillierenden Cursor und Schwellen auf die Genauigkeit und die Fehlerrate definiert., Sobald das Subjekt beide Schwellenwerte überschritten hatte, wurde erwartet, dass der Teilnehmer seine Leistung für 2 Minuten über der Genauigkeit und unter der Fehlerschwelle hielt, an welchem Punkt der Versuch enden würde und das Niveau erhöht würde. Für jede nachfolgende Stufe wurde die Genauigkeitsschwelle um 10% höher und die Fehlerrate um 10% niedriger eingestellt. Wenn das Subjekt die 70% – Schwelle für die Genauigkeit überschreiten und die 30% – Schwelle für die Fehlerrate unterschreiten konnte, wurde der Schwingungsfrequenzbereich um 0,05 Hz erhöht., Nach Erhöhung der Schwingungsfrequenz wurden die Genauigkeitsschwelle und die Fehlerrate wieder auf den ursprünglichen Wert von 50% gesetzt. Siehe ergänzende Tabelle 1, in der die Parameterwerte für verschiedene Ebenen hervorgehoben werden. Wenn das Subjekt das nächste Level nicht innerhalb von 7 Minuten erreichen konnte, wurde der Versuch abgebrochen und nach einer kurzen Pause wurde das Subjekt gebeten, dasselbe Level zu wiederholen.
Während jeder Studie wurde dem Probanden die folgende zusätzliche visuelle Rückmeldung gegeben. Wenn keine Taste gedrückt wurde, wurden die Zielfelder in Weiß angezeigt., Drücken einer Taste während sich kein Cursor im entsprechenden Feld befand, d. H. Ein falscher Druck, wurde das Zielfeld rot. Drücken einer Taste während sich ein Cursor im entsprechenden Feld befand, d. H. Richtiges Drücken, wurde das Zielfeld blau. Unterhalb der Zielfelder gaben zwei Balken visuelles Feedback zur Gesamtleistung des Themas. Der obere Balken spiegelte die Genauigkeit und der untere Balken die Fehlerrate wider. Wenn die Genauigkeit des Motivs erhöht wurde, füllte sich der Genauigkeitsbalken und umgekehrt., Gleichzeitig führt das Verringern des Fehlers zum Füllen des Fehlerbalkens, so dass eine Fehlerrate gleich 0 zu einem vollständig gefüllten Balken führte, d. H. Der Wert von 1-Fehlerrate wurde dargestellt. Jeder Balken war rot, bis das Motiv den eingestellten Schwellenwert des entsprechenden Balkens überschritten hatte und zu diesem Zeitpunkt grün wurde. Die Schwellenwerte wurden als graue Markierungen auf den Balken angezeigt. Sobald beide Balken grün wurden, erschien ein roter Countdown von 120 s in der unteren Mitte des Bildschirms., Wenn ein Balken vor Ablauf der Zeit wieder rot wurde, wurde der Countdown auf 120 s zurückgesetzt und verschwand, bis beide Balken wieder grün waren. Weiterhin erschien jeder Cursor einzeln in rot (falls unten) oder grün (falls oben) für die Leistungsschwelle in Bezug auf die individuelle Leistung des entsprechenden Fingers, so dass die Probanden einen Hinweis darauf hatten, welcher Finger eine Verbesserung erforderte.
Die Leistungsentwicklung ist in Abb. 3h. Die Probanden wurden getestet, für fünf aufeinander folgenden Tagen sowie nach 10 Tagen. Die Probanden führten die Aufgabe für 1 h pro Tag aus., Die Probanden mussten zwei verschiedene Fingerkombinationen verwenden, um die Tasten zu drücken; entweder alle sechs Finger der rechten Hand oder der rechten Hand, ersetzten aber die SF durch den Zeigefinger der linken Hand (Abb. 3h).
Statistische Analyse
Zum Vergleich zweier unabhängiger Stichproben verwendeten wir den nichtparametrischen, zweiseitigen Wilcoxon-Ranksum-Test und berechneten 95%-Konfidenzintervalle für die Effektgröße (dh die Differenz der Populationsmittel) unter Verwendung des gepoolten T-Intervalls mit zwei Stichproben., Für den Vergleich von zwei gepaarten Proben verwendeten wir den nichtparametrischen, zweiseitigen Wilcoxon Signed Rank Test und berechneten 95% Konfidenzintervalle auf die Effektgröße unter Verwendung des gepaarten t-Intervalls. Alle berichteten Konfidenzintervalle spiegeln den Mittelwert für Fünf-Finger-Probanden wider, der vom Mittelwert für Sechs-Finger-Probanden subtrahiert wird, dh positive Werte zeigen größere Werte für Sechs-Finger-Probanden an.
Um die Korrelation zwischen zwei Variablen zu beurteilen, haben wir den Pearson-Korrelationskoeffizienten berechnet., Wir haben die statistische Signifikanz des Pearson-Korrelationskoeffizienten nicht bewertet, da die Stichproben, über die Korrelationen berechnet wurden, nicht unabhängig waren.
Berichtszusammenfassung
Weitere Informationen zum Forschungsdesign finden Sie in der mit diesem Artikel verknüpften Nature Research Reporting Summary.