Această secțiune descrie o serie de experimente efectuate de către cele două polidactilie subiecte, P1 și P2, pentru a investiga neuromechanics și funcții de mâinile lor. Unele experimente au implicat în plus un grup de subiecți de control cu mâini cu cinci degete. Studiul a fost aprobat de comitetele de etică instituționale de la Universitatea din Freiburg, Imperial College London, EPFL și King ‘ s College London., Fiecare subiect a dat consimțământul informat înainte de a începe fiecare experiment.
analiza RMN a anatomiei mâinii
anatomia de bază a mâinii subiectului P1 a fost vizualizată folosind RMN în departamentul de imagistică și sănătate perinatală, King ‘ s College London. Imaginile ponderate T1, recuperarea inversiunii și densitatea protonilor au fost achiziționate cu un sistem 1.5 Tesla Siemens Aera (Erlangen, de). Imaginile nu au putut fi obținute de la subiectul P2 din cauza unui implant dentar metalic.
biomecanica mâinii
o interfață de mână dedicată pentru măsurarea forței izometrice a fiecărui deget (prezentată în Fig., 2a) a fost dezvoltat la Human Robotics group, Imperial College London, pentru a investiga capacitatea de forță a degetelor stângi sau drepte, la persoanele cu mâini cu cinci degete sau cu șase degete. Mâna a fost plasată orizontal pe interfață așa cum se arată în Fig. 2a. cinci sau șase din cele opt suporturi imprimate 3D, Fiecare aplicat pe o celulă de încărcare (HTC), ar putea aluneca liniar pentru a găzdui o mână stângă sau dreaptă de orice dimensiune, astfel încât subiectul să poată exercita confortabil o forță verticală cu vârful fiecărui deget.
forțele pe toate degetele au fost înregistrate la 128 Hz., Au fost efectuate experimente cu această interfață pe cei doi subiecți polidactili, precum și pe o populație de subiecți de control 13 (șase femei) cu mâini cu cinci degete între 25 și 35 de ani. Subiecții erau așezați în fața unei mese cu interfața poziționată deasupra acesteia, astfel încât antebrațul să se sprijine pe masă într-o poziție naturală.inițial, subiecții au fost rugați să exercite forța maximă posibilă cu un singur deget. Această forță maximă (MF) a fost înregistrată pentru fiecare deget separat începând cu degetul mare și terminând cu degetul mic., Figura 2b prezintă MF pentru subiecții cu cinci și șase degete. Folosind aceste date, înrobitoare eij, caracterizează dependența dintre degetele i și j, a fost calculat ca
în cazul în care nu este degetul care generează MF în timp ce Fj(i) este forța produsă simultan cu degetul j și MFj este maximă forța de deget j. Aservirea pentru cinci și șase-degete de subiecți sunt prezentate în Fig. 2D.,apoi, subiecții au fost rugați să controleze 10%, 20% sau 30% din MF în timpul studiilor lungi de 15 s. Au fost efectuate trei studii la fiecare nivel de forță, totalizând 3 × 3 × 5 = 45 sau 3 × 3 × 6 = 54 studii pe sesiune pentru subiecți cu cinci și, respectiv, șase degete. Subiecții cu cinci degete au efectuat o singură sesiune, în timp ce subiecții cu șase degete au efectuat două sesiuni (subiectul P1) sau trei sesiuni (subiectul P2). Datele din acest experiment au fost folosite pentru a examina modul în care variabilitatea forței depinde de cantitatea de forță exercitată., În fiecare studiu, variabilitatea forței a fost calculată ca deviația standard a forței în fereastra de timp /128 S, care a fost selectată astfel încât subiecții să exercite corect forța necesară în această perioadă în aproape toate studiile. Cinci studii (1 studiu la un subiect de control, 2 studii la subiectul P1 și 2 studii la subiectul P2) au fost excluse din analiză, deoarece au arătat fluctuații extraordinare ridicate ale forței de-a lungul timpului, indicând faptul că sarcina nu a fost efectuată cu succes în aceste studii., Figura 2c prezintă abaterea standard a forței în funcție de magnitudinea forței pentru subiecții cu cinci și șase degete.
RMN funcțional
P1 și un grup de nouă participanți la control cu mâini cu cinci degete au luat parte la experimentul fMRI. P2 a fost exclus din cauza unui implant dentar metalic. Într-un design bloc, participanții au efectuat o mișcare de înregistrare în timpul 20 s cu un singur deget (20 robinete pe bloc, 1 robinet pe secundă) urmată de 10 s de odihnă. Patru blocuri au fost efectuate pentru fiecare deget în ordine pseudo-randomizată (24 de studii pentru P1 și 20 de studii pentru controale)., P1 a efectuat două sesiuni, câte una pentru fiecare mână. Controalele efectuate doar o singură sesiune cu mâna dreaptă. Toți participanții au fost instruiți cu privire la mișcări înainte de a intra în scanerul fMRI.
imaginile au fost achiziționate pe un scaner 7T cu cap cu gaură scurtă (Siemens Medical, Germania) cu o bobină rf Tx/Rx cu 32 de canale (Nova Medical, Germania). Imaginile funcționale au fost obținute folosind o secvență EPI de citire sinusoidală23 și au cuprins 28 de felii axiale. Felii au fost plasate peste sulcusul central (aproximativ ortogonal la sulcusul central) pentru a acoperi cortexul motor primar (rezoluția voxel 1.,3 × 1,3 × 1,3 mm3; TR = 2 s, FOV = 210 mm, TE = 27 ms, Unghi flip = 75°, GRAPPA = 2). Imagini anatomice au fost achiziționate folosind un MP2RAGE sequence24 în scopul de a permite localizarea exactă a șanțul precentral (a se vedea mai jos) și pentru scopuri de afișare (TE = 2.63 ms, TR = 7.2 ms, TI1 = 0.9 s, TI2 = 3.2 s, TRmprage = 5 s). Pentru a ajuta coregistration între funcționale și anatomice imagini, un întreg creierul EPI volum a fost, de asemenea, achiziționate cu aceeași înclinare utilizate în functionale ruleaza (81 felii, voxel rezoluție de 1.3 x 1.3 x 1.3 mm3, FOV = 210 mm, TE = 27 de state membre, flip angle = 75°, GRAPPA = 2)., Subiecții au fost scanați în poziție supină.toate imaginile au fost analizate folosind software-ul SPM8 (Wellcome Centre for Human Neuroimaging, Londra, Marea Britanie). Preprocesarea datelor fMRI a inclus corectarea sincronizării feliilor, realinierea spațială, netezirea (FWHM = 2 mm) și corecția cu imagini anatomice. Caret 5 (Van Essen Laboratory, Washington University School of Medicine) a fost folosit pentru vizualizarea suprafeței. Pentru a localiza voxelii incluși în analiza modelelor de activare (Fig., 3), a fost calculată o primă analiză GLM, care a inclus un regresor pe deget (6 pentru P1 și 5 pentru controale) și șase regresoare de mișcări rigide. O mască funcțională pentru mișcările degetelor a fost definită ca voxeli activi în contrastul F asociat cu orice tip de mișcare a degetelor (p < 0,05 FWE). În plus, o anatomice masca corespunzătoare la cortexul senzitivo-a fost proiectat folosind publicat probabilistic cytoarchitectonic maps25,26,27., Masca anatomică a inclus cortexul motor primar M1 (zonele Brodmann 4a și 4p) și cortexul somato-senzorial primar S1 (zonele Brodmann 3A, 3B, 1 și 2). Masca anatomică a fost proiectată înapoi în spațiul nativ al fiecărui participant. Acest lucru a dus la 2190 voxeli în emisfera stângă a P1 pentru mișcările degetelor, 2037 voxeli în emisfera dreaptă a P1 pentru stânga mișcările degetelor, și 343.8 ± 417.1 (medie ± std) voxeli în emisfera stângă de control pentru mișcările degetelor (Suplimentare Fig. 3).,
Pentru a analiza modele de activare în cadrul selectate voxeli asociate cu fiecare proces de mișcare de deget, un al doilea GLM analiză a fost calculat, care a inclus o frecvență pentru fiecare deget atingând proces (24 pentru P1 și 20 de controale) și șase mișcări rigide regresori. Separat pentru fiecare participant, estimările beta pentru fiecare încercare de transvazare au fost extrase în cadrul voxelilor selectați (rezultând o matrice trial × voxels)., Aceste modele de dimensiuni înalte au fost proiectate în două dimensiuni prin scalarea multidimensională clasică (MDS), care găsește proiecții de dimensiuni reduse păstrând aproximativ distanțele perechi dintre modelele de activare de dimensiuni înalte14. Ca măsură de distanță pentru MDS, am folosit distanța Mahalanobis validată încrucișat14. Pentru grupul de control cu cinci degete, MDS a fost efectuat pentru fiecare subiect separat. Pe măsură ce proiecțiile MDS induc o rotație arbitrară, am aliniat proiecțiile subiecților individuali folosind alinierea Procrustelor14. Elipse de eroare standard prezentate în Fig., 2e au fost calculate din covarianța între subiecți. Ca Procust aliniere poate elimina, de asemenea, unele dintre adevărat inter-subiect variability14, am folosit un Monte-Carlo procedura pentru a estima o corecție și ajustat eroarea standard elipse accordingly14. Pentru subiectul polidact P1, am calculat covarianța prin bootstrapping studiile. Pentru fiecare probă bootstrap a fost calculată o proiecție MDS. Proiecțiile MDS bootstrapped au fost aliniate folosind alinierea Procrustes. Elipsele de eroare standard (Fig. 2e, suplimentar Fig., 4) au fost calculate din covarianța dintre proiecțiile MDS bootstrapped, ajustate prin factori de corecție estimați printr-o procedură Monte-Carlo 14.
Finger localization task
un finger localization task20 a fost efectuat pentru a investiga forma percepută a mâinii P1, P2 și a unui grup de nouă controale. Participanții au fost legați la ochi și mâna lor a fost plasată sub o structură acoperită de o grilă 2D. Au trebuit să îndrepte grila cu indexul mâinii libere spre locațiile cued de pe mâna testată., Ei au fost obligați să identifice trei locații pe fiecare deget: prima articulație, a doua articulație și vârful (în total 18 locații pe mână pentru P1 și P2 și 15 locații pentru controale). Fiecare locație a fost testată de șase ori pentru P1 și P2, de patru ori pentru controale. Sarcina a fost efectuată pentru ambele mâini în P1 și P2, numai pentru mâna dreaptă în controale. Sarcina a fost realizată o dată cu cueing tactil, adică locațiile țintă au fost atinse cu un filament de plastic și o dată cu cueing verbal, adică locațiile țintă au fost numite Oral., Eroarea de localizare a fost măsurată pentru fiecare locație testată ca distanța 2D-euclidiană între pozițiile raportate pe grilă și pozițiile reale ale locațiilor testate pe grilă (Fig. 2f). Rezultate similare au fost obținute la cueing tactil și oral; raportăm doar rezultatele din cueing tactil.
manipularea obiectelor și sarcini comune de mișcare
configurare experimentală: subiecții au fost așezați în fața unui birou în timpul celor două sarcini descrise mai jos., Un sistem electromagnetic de captare a mișcării (Polhemus Liberty 240/16-16) a fost utilizat pentru a înregistra mișcările mâinii și degetelor în timpul manipulării obiectului și a sarcinilor comune de mișcare (vezi Fig.suplimentar. 5a). Mâinile au fost păstrate la 0,6 m distanta de principala Polhemus sistem pentru a menține înregistrarea zgomotului sub 0,005 mm. În total, 12 respectiv 14 senzori au fost atașat la mână și degete de cinci sau șase degete subiecte, folosind bandă medical. Fiecare senzor a măsurat trei coordonate carteziene pentru poziție și trei unghiuri pentru orientarea în raport cu stația principală., Fiecare senzor a fost conectat la sistemul Polhemus prin fire de aluminiu izolate din plastic. Doi senzori Mari (9 × 11 × 6 mm3 la poziții maxime, 9,1 g) au fost plasați pe piele deasupra oaselor metacarpale medii și degetul mare. Ceilalți au fost senzori mici (sferici, lungime 17.3 mm, Diametru exterior 1.8 mm, <1 g) care au fost plasați la falangele distal și proximal ale fiecărui deget. Măsurătorile au fost înregistrate la 120 Hz.sarcina de manipulare a obiectelor: cei doi subiecți polidactili și 13 subiecți de control cu mâini cu cinci degete( șase femei, vârsta medie 24.,8 cu deviația standard 2.0) a participat la o sarcină de manipulare obiect. Procedura experimentală pentru sarcina de manipulare a obiectului a fost adaptată din ref. 21. Am ales 50 de obiecte cu diferite forme, dimensiuni, texturi și materiale (Vezi Fig. 5b). Aceste obiecte au fost fără metal sau materiale paramagnetice, astfel încât să nu interfereze cu măsurarea Polhemus pe baza câmpurilor magnetice. Subiecții au fost legați la ochi și li s-au dat obiectele unul câte unul. Au trebuit să exploreze un obiect cu o singură mână și să ghicească ce este (vezi filmul suplimentar 4). Fiecare obiect a fost explorat timp de 30 de secunde., Când un obiect a fost recunoscut mai devreme de 30 s, subiectul a fost rugat să exploreze caracteristici speciale ale acestui obiect, cum ar fi sfaturi, margini etc.sarcini comune de mișcare: cei doi subiecți polidactili și 8 din cei 13 subiecți cu mâini cu cinci degete care au efectuat sarcina de manipulare a obiectului (cinci femei, vârsta medie 24.3 cu deviația standard 2.0) au efectuat, de asemenea, patru sarcini comune de mișcare (vezi și filmul suplimentar 5). Legarea șireturilor de pantofi: capătul a două șireturi de pantofi au fost fixate pe o masă, iar subiecții au fost obligați să lege șireturile cu două mâini., Flipping pagini de carte: subiecții s-au dat o carte și a trebuit să flip pagini folosind o singură mână. Plierea șervețelului: subiecții au primit un șervețel de hârtie și au trebuit să-l plieze într-o formă specifică (așa cum este folosită în restaurante) și într-o secvență specifică folosind ambele mâini. Rularea unui prosop: subiecții au primit un prosop și au cerut să-l rostogolească în cilindri folosind ambele mâini. Cinci minute de mișcare pe sarcină au fost înregistrate în timpul cărora subiecții au fost rugați să repete sarcina de câte ori doreau.,analiza datelor: poziția fiecărui senzor mic față de senzorul mare de pe mijlocul oaselor metacarpiene a fost utilizată pentru analize ulterioare. Măsurătorile poziționale brute au fost netezite cu un filtru Savitzky-Golay (a treia ordine, lungime 41 puncte de probă echivalente cu 341,67 ms). Vitezele de mișcare au fost calculate din măsurătorile poziționale brute cu un prim filtru Savitzky-Golay derivat (ordinul al treilea, lungimea 41 puncte de probă echivalente cu 341.67 ms).,analiza dependenței degetului (in): pentru a evalua (in)dependența mișcărilor degetelor am estimat informațiile reciproce dintre mișcările diferitelor degete. Informația reciprocă între două semnale stochastice continue X și Y este definită ca:
unde σX, σY sunt matricele covarianței densităților marginale X și Y și σXY este matricea covarianței densității articulației. O înțelegere mai intuitivă a informațiilor reciproce poate fi obținută pentru semnalele normale univariate X și Y pentru care Eq., (3) în continuare simplifică să
unde r(X, Y) este coeficientul de corelație Pearson între X și Y. Pentru a estima reciproce de informații între două degete, am folosit șase-dimensional poziția măsurători de la cei doi senzori de la fiecare deget, a estimat matrici de covarianță din seriile de circulație poziții și aplicate Eq. (3).,Predicția mișcărilor individuale ale degetelor din mișcările altor degete: mișcarea fiecărui deget individual a fost prezisă din mișcările celorlalte degete. Pentru subiecții cu șase degete predicția a fost efectuată cu și fără degetul supranumerar; acesta din urmă pentru a facilita compararea cu rezultatele subiecților cu cinci degete. Pozițiile x/y / z ale celor doi senzori la fiecare deget au constituit vectorul de mișcare șase-dimensional al fiecărui deget., Aceste șase componente au fost prezise individual din vectorii de mișcare 24 sau 30-dimensionali ai celorlalte patru sau cinci degete. Predicția a fost făcută folosind liniar cel mai puțin pătrate și regresie vector suport neliniar. Am folosit validarea încrucișată dublă cu împărțirea cronologică a datelor pentru a evita supraîncărcarea. Calitatea predicției a fost cuantificată prin calcularea coeficientului de determinare (R2) între mișcarea prezisă și cea reală pentru fiecare componentă a vectorului mișcării șase-dimensionale și apoi prin medierea valorilor R2 pe cele șase dimensiuni., Am folosit regresia vectorială de suport cu un kernel Gaussian, iar hiperparametrii (adică lățimea kernelului, precum și parametrul de regularizare) au fost optimizați pe setul de date de antrenament. Am folosit implementarea Matlab („fitrsvm”) pentru susținerea regresiei vectoriale și optimizarea hiperparametrilor. Pentru a reduce timpul de calcul, datele au fost reduse la 120/20 = 6 Hz.analiza componentei principale (PCA) a gradelor de libertate21,28,29: PCA a fost efectuată pe pozițiile senzorului x/y/z măsurate cu doi senzori la fiecare deget în timpul manipulării obiectului și a sarcinilor comune de mișcare., Cantitatea cumulată de varianță captată de un număr tot mai mare de componente principale este reprezentată grafic în Fig. 3b și suplimentar Fig. 6B.pentru a calcula numărul efectiv de dof am aplicat doi algoritmi: cross-validation PCA cu metoda Eigenvector recomandată în ref. 30 și metoda PCA de validare încrucișată folosind maximizarea așteptărilor pentru valorile lipsă, așa cum se propune în ref. 31., Ambele metode utilizează o procedură de validare încrucișată în care APC este calculat mai întâi din datele de instruire și apoi aplicat pentru a prezice eșantioanele datelor de testare,în timp ce setul de date de instruire și de testare se exclud reciproc30, 31. În cazul nostru am folosit zece ori cross-validare și cronologic împărțit datele de mișcare separat pentru fiecare sarcină în zece părți folosind în fiecare ori nouă dintre aceste părți în formare și o parte în datele de testare., Primele și ultimele 10 secunde ale setului de date de testare au fost excluse pentru fiecare sarcină pentru a evita orice influență a antrenamentului asupra datelor de testare datorită auto-corelării mișcării. Eroarea medie pătrată între predicție și datele reale a fost calculată în funcție de numărul de componente principale. Numărul componentelor principale care au generat cea mai mică eroare a fost utilizat ca estimare pentru numărul efectiv de dof și a fost calculat pentru fiecare subiect separat., Pentru fiecare subiect am mediat numărul determinat de componente principale în ambele metode30, 31 și am folosit acest lucru ca o estimare a numărului de grade de libertate (Fig. 3c, suplimentar Fig. 6c).analiza teoretică a gradelor de libertate: pe lângă analiza PCA descrisă în secțiunea anterioară, am analizat gradele de libertate folosind entropia informațională. Spre deosebire de PCA, analiza entropiei informaționale ia în considerare potențialele relații neliniare între mișcările degetelor., Entropia informațională, pe de altă parte, necesită o estimare a distribuției probabilității comune a mișcărilor degetelor. Pentru a calcula această distribuție de probabilitate comună, am discretizat mișcările degetelor clasificând starea de mișcare a fiecărui deget într-una din cele trei condiții din setul MS = {rest, flexie, extensie}, pe baza mișcărilor articulațiilor interfalangiene distal și proximal. Au fost calculate coordonatele sferice (distanța, unghiul polar și azimut) ale senzorului distal în raport cu senzorul proximal., PCA a fost efectuat pe unghiurile polare și azimut și mișcările de-a lungul primei componente principale au fost folosite pentru a reprezenta mișcările fiecărui deget. Pentru fiecare deget, primul derivat v de primul PC a fost calculată ca diferență între două oară consecutiv pubele și folosite pentru a obține mișcarea actuală de stat bazat pe un prag μ = 0.3 SD(v): flexie pentru v < μ, extensie pentru v > μ, restul de altfel. Valori prag diferite (μ = 0, 4 DS (v) sau μ = 0.,1 SD(v)), precum și un set diferit de membre (doar două state: flexie pentru v < 0 și extensie pentru v > 0), nu schimba concluzia generală cu privire la compararea informațiilor entropie între cinci și șase degete subiecte. Am calculat informația sau entropia Shannon (H) a distribuției probabilității comune a stărilor de mișcare ale tuturor degetelor (p):
unde si ∈ MS este starea degetului I., Pentru n degete numărul de stări de mișcare diferite este 3n și entropia maximă este, prin urmare, log2(3)n, care se obține atunci când toate stările de mișcare posibile au probabilitate egală.mișcarea comună a degetului mare, indexului și degetului supranumerar: pentru fiecare punct de timp am calculat viteza de mișcare pentru fiecare deget ca mărime a vectorului său de viteză tridimensional la vârful degetului., Apoi am clasificat starea de mișcare a fiecărui deget în fiecare punct de timp ca „odihnă” sau „mișcare” prin compararea vitezei cu o valoare de prag care a fost aleasă ca percentila a 10-a, a 30-A sau a 50-a a distribuției vitezei în toate punctele de timp și toate degetele. Din aceste date am estimat probabilitățile condiționate că degetul mare și degetul arătător sau degetul mare singur sau degetul arătător singur se mișcau, având în vedere că degetul supranumerar se mișca. Aceste probabilități condiționale au fost estimate pentru cele trei praguri de viteză (Fig. 3e, suplimentar Fig. 6e).,subiecții Polidactili s-au așezat în fața unui monitor de computer (DELL U2713HM) la aproximativ 0,6 m de ecran, pe care s-au afișat șase casete țintă în centrul inferior al unui ecran negru. În timpul experimentului, cursoarele oscilante au trecut prin casetele țintă (Fig. 3G și film suplimentar 6). Fiecare dintre aceste pătrate oscilante avea o frecvență diferită într-un interval predefinit. Cutiile țintă individuale ar putea fi „atinse” apăsând o tastă corespunzătoare de pe o tastatură standard a computerului., Tastele au fost alese pentru a se potrivi cu geometria mâinii subiecților individuali pentru a se asigura că apăsarea tastelor a fost confortabilă. Subiecții au fost instruiți să urmărească cursoarele oscilante și să apese butonul corespunzător odată ce cursorul se afla în caseta țintă asociată. Dacă Butonul a fost apăsat în această fereastră de timp, a fost considerat ca o apăsare corectă, dacă a fost apăsat în exterior, a fost considerat ca o apăsare falsă. Numărul de prese corecte și false au fost însumate peste toate degetele și acumulate în timpul procesului.,performanța subiecților a fost evaluată pe baza preciziei lor (prese corecte/număr țintă) și a ratei de eroare (prese false/toate presele). Scopul a fost de a crește precizia, reducând în același timp rata de eroare. La începutul fiecărei încercări, precizia țintă și pragul ratei de eroare au fost stabilite în funcție de nivel (tabelul suplimentar 1); fiecare nivel a fost definit de viteza de mișcare a cursoarelor oscilante și de pragurile privind precizia și rata de eroare., Odată ce subiectul a depășit ambele praguri, participantul era așteptat să-și mențină performanța peste precizie și sub pragul de eroare timp de 2 minute, moment în care procesul se va încheia și nivelul va fi crescut. Pentru fiecare nivel ulterior, pragul de precizie a fost stabilit cu 10% mai mare, iar rata de eroare a fost stabilită cu 10% mai mică. Dacă subiectul a reușit să treacă pragul de 70% pentru precizie și să treacă sub pragul de 30% pentru rata de eroare, intervalul de frecvență de oscilație a fost crescut cu 0,05 Hz., După creșterea frecvenței de oscilație, pragul de precizie și rata de eroare au fost setate înapoi la valoarea inițială de 50%. A se vedea tabelul suplimentar 1 care evidențiază valorile parametrilor asociate cu diferite niveluri. Dacă subiectul nu a reușit să ajungă la nivelul următor în 7 minute, procesul a fost anulat și după o scurtă pauză, subiectul a fost rugat să repete același nivel.în timpul fiecărui proces, a fost prezentat subiectului următorul feedback vizual suplimentar. Dacă nu a fost apăsată nicio tastă, casetele țintă au fost afișate în alb., Apăsând o tastă în timp ce Niciun cursor nu se afla în caseta corespunzătoare, adică o apăsare falsă, caseta țintă a devenit roșie. Apăsând o tastă în timp ce un cursor se afla în caseta corespunzătoare, adică apăsați corect, caseta țintă a devenit albastră. Sub casetele țintă, două bare au oferit feedback vizual despre performanța generală a subiectului. Bara superioară reflectă precizia și bara inferioară rata de eroare. Dacă precizia subiectului a crescut, bara de precizie s-a umplut și invers., În același timp, scăderea erorii duce la completarea barei de eroare, astfel încât o rată de eroare egală cu 0 a dus la o bară complet umplută, adică valoarea 1-Rata de eroare a fost prezentată. Fiecare bară a fost roșie până când subiectul a trecut pragul stabilit al barei corespunzătoare, moment în care a devenit verde. Valorile de prag au fost prezentate ca markeri gri pe bare. De îndată ce ambele bare au devenit verzi, o numărătoare inversă roșie de 120 s a apărut în centrul inferior al ecranului., Dacă o bară a devenit din nou roșie înainte de expirarea timpului, numărătoarea inversă a fost resetată la 120 s și a dispărut până când ambele bare au fost din nou verzi. Mai mult, fiecare cursor a apărut individual în roșu (dacă este mai jos) sau verde (dacă este mai sus) pentru pragul de performanță în raport cu performanța individuală a degetului corespunzător, astfel încât subiecții au avut o indicație a degetului care necesită îmbunătățire.evoluția performanței este prezentată în Fig. 3h. subiecții au fost testați timp de cinci zile consecutive, precum și 10 zile după. Subiecții au efectuat sarcina timp de 1 oră pe zi., Subiecții au trebuit să folosească două combinații diferite de degete pentru a apăsa tastele; fie toate cele șase degete de la mâna dreaptă, fie de la mâna dreaptă, dar au înlocuit SF-ul cu degetul arătător al mâinii stângi (Fig. 3h).pentru compararea a două eșantioane independente am folosit testul Wilcoxon ranksum neparametric, cu două fețe și am calculat intervale de încredere de 95% pe dimensiunea efectului (adică diferența dintre mijloacele populației) folosind intervalul t combinat cu două eșantioane., Pentru compararea a două eșantioane împerecheate am folosit testul de rang neparametric, cu două fețe Wilcoxon și am calculat intervale de încredere de 95% pe dimensiunea efectului folosind intervalul t asociat. Toate intervalele de încredere raportate reflectă media pentru subiecții cu cinci degete scăzută din media pentru subiecții cu șase degete, adică valorile pozitive indică valori mai mari pentru subiecții cu șase degete.pentru a evalua corelația dintre două variabile am calculat coeficientul de corelație Pearson., Nu am evaluat semnificația statistică a coeficientului de corelație Pearson, deoarece eșantioanele în care au fost calculate corelațiile nu erau independente.
Rezumatul raportării
informații suplimentare despre proiectarea cercetării sunt disponibile în Rezumatul raportării cercetării naturii legat de acest articol.