MuskelsynergierRedigera
Nikolai Bernstein föreslog att muskelsynergier är en neuronal strategi för att förenkla kontrollen av flera frihetsgrader. En funktionell muskelsynergi definieras som ett mönster av samaktivering av muskler som rekryteras av en enda neuronal kommandosignal. En muskel kan ingå i flera muskelsynergier, och en synergi kan aktivera flera muskler. Den nuvarande metoden för att hitta muskelsynergier är att mäta EMG-signaler (elektromyografi) från de muskler som är involverade i en viss rörelse så att specifika mönster av muskelaktivering kan identifieras. Statistiska analyser tillämpas på de filtrerade EMG-data för att fastställa antalet muskelsynergier som bäst representerar det ursprungliga EMG. Alternativt kan koherensanalys av EMG-data användas för att bestämma kopplingen mellan musklerna och frekvensen av gemensam input. Ett reducerat antal kontrollelement (muskelsynergier) kombineras för att bilda ett kontinuum av muskelaktivering för smidig motorisk kontroll under olika uppgifter. Dessa synergier arbetar tillsammans för att producera rörelser som t.ex. gång eller balanskontroll. Riktningen av en rörelse påverkar hur den motoriska uppgiften utförs (dvs. att gå framåt respektive bakåt, var och en använder olika nivåer av sammandragning i olika muskler). Forskare har mätt EMG-signaler för störningar som applicerats i flera riktningar för att identifiera muskelsynergier som finns för alla riktningar.
I början trodde man att muskelsynergierna eliminerade den överflödiga kontrollen av ett begränsat antal frihetsgrader genom att begränsa rörelserna i vissa leder eller muskler (flexions- och extensionssynergier). Det har dock diskuterats om dessa muskelsynergier är en neuronal strategi eller om de är resultatet av kinematiska begränsningar. Nyligen har termen sensorisk synergi införts som stödjer antagandet att synergier är neurala strategier för att hantera sensoriska och motoriska system.
Okontrollerad manifest hypotesRedigera
En nyare hypotes föreslår att det centrala nervsystemet inte eliminerar de redundanta frihetsgraderna, utan istället använder sig av alla för att säkerställa ett flexibelt och stabilt utförande av motoriska uppgifter. Det centrala nervsystemet utnyttjar detta överflöd från de redundanta systemen i stället för att begränsa dem som tidigare hypoteser. UCM-hypotesen (Uncontrolled Manifold) ger ett sätt att kvantifiera muskelsynergin. Denna hypotes definierar ”synergi” lite annorlunda än vad som anges ovan; en synergi representerar en organisation av elementära variabler (frihetsgrader) som stabiliserar en viktig prestationsvariabel. Elementär variabel är den minsta förnuftiga variabel som kan användas för att beskriva ett system av intresse på en vald analysnivå, och en prestationsvariabel avser de potentiellt viktiga variabler som produceras av systemet som helhet. I en sträcka med flera leder är till exempel vissa ledars vinklar och positioner elementära variabler, och prestationsvariablerna är handens slutpunktskoordinater.
I denna hypotes föreslås att styrenheten (hjärnan) agerar i rummet för elementära variabler (dvs. de rotationer som delas av axeln, armbågen och handleden i armrörelser) och väljer i rummet för manifest (dvs. uppsättningar av vinkelvärden som motsvarar en slutposition). Denna hypotes erkänner att variabilitet alltid finns i mänskliga rörelser och kategoriserar den i två typer: (1) dålig variabilitet och (2) god variabilitet. Dålig variabilitet påverkar den viktiga prestationsvariabeln och orsakar stora fel i slutresultatet av en motorisk uppgift, medan god variabilitet håller prestationsuppgiften oförändrad och bibehåller ett lyckat resultat. Ett intressant exempel på god variabilitet observerades i tungans rörelser, som är ansvariga för talproduktion. Föreskriften av styvhetsnivån för tungans kropp skapar en viss variabilitet (när det gäller talets akustiska parametrar, t.ex. formanter), som dock inte har någon betydelse för talets kvalitet (åtminstone inte inom det rimliga intervallet för styvhetsnivåerna). En av de möjliga förklaringarna kan vara att hjärnan endast arbetar för att minska den dåliga variabiliteten som hindrar det önskade slutresultatet, och det gör den genom att öka den goda variabiliteten i det redundanta området.