Handprothese durch KI steuern. Innovationen in der Medizintechnik. Eine Handprothese ist eine künstliche Ersatzhand, die dazu dient, die Funktionen einer verlorenen oder amputierten Hand zu ersetzen. Handprothesen werden entwickelt, um Menschen, die eine Hand oder Teile ihrer Hand verloren haben, dabei zu helfen, ihre Greif- und Manipulationsfähigkeiten wiederherzustellen.
Es gibt verschiedene Arten von Handprothesen, die je nach den Bedürfnissen und anatomischen Gegebenheiten des einzelnen Patienten angepasst werden können. Einige Prothesen sind rein ästhetisch und dienen dazu, das Erscheinungsbild der fehlenden Hand zu ersetzen, während andere funktionaler sind und dem Träger helfen, verschiedene Aktivitäten des täglichen Lebens durchzuführen.
Moderne Handprothesen können durch fortschrittliche Technologien wie Myoelektrik, Sensorik und künstliche Intelligenz gesteuert werden. Myoelektrische Prothesen nutzen elektrische Signale, die von den Muskeln des Trägers erzeugt werden, um Bewegungen in der Prothese zu steuern. Dies ermöglicht eine präzisere und naturgetreuere Steuerung im Vergleich zu rein mechanischen Prothesen.
Die Entwicklung von Handprothesen ist ein fortlaufender Prozess, der von technologischen Fortschritten und Innovationen angetrieben wird, um die Lebensqualität von Menschen mit Handamputationen zu verbessern.
– Moderne Prothesen ermöglichen unterschiedlichste Greifmuster der künstlichen Hand – gesteuert durch Detektion der Muskelaktivität im Unterarm.
– Für die neue Methode, die auf menschlichen Steuerungsprinzipien und künstlicher Intelligenz basiert, sind Folien mit 128 Sensoren erforderlich.
– Aktuelle Ergebnisse zeigen, dass die meisten Menschen (acht von zehn) den intuitiven Weg bevorzugen, um das Handgelenk und die Hand zu steuern, doch können sie auch Strategien lernen, die nicht intuitive sind.
Handprothese – sicheres Greifen durch den Einsatz Künstlicher Intelligenz
Unterschiedliche Arten von Greifern und bionisches Design: Technologische Entwicklungen haben Handprothesen in den letzten Jahrzehnten immer weiter verbessert. Wer durch einen Unfall oder eine Erkrankung eine Hand verloren hat, kann so immerhin einige der alltäglichen Bewegungen wieder ausführen. Mit einigen modernen Prothesen lassen sich bereits die Finger bewegen oder das Handgelenk drehen. Erforderlich sind entweder eine Smartphone-App oder aber Muskelsignale aus dem Unterarm, die üblicherweise von zwei Sensoren detektiert werden.
Healthcare und Rehabilitation Robotics – Handprothese intuitiver steuern durch KI
Zum Beispiel lassen sich durch Aktivierung des Beugemuskels (Flexor) im Handgelenk die Finger der künstlichen Hand schließen, und so ein Stift greifen. Ist der Streckmuskel (Extensor) im Handgelenk kontrahiert, lässt die Hand den Stift wieder los. Sind beide Muskeln gleichzeitig angespannt, lassen sich bestimmte Finger bewegen. “Diese Bewegungen muss ein Patient während der Rehabilitation lernen”, sagt Cristina Piazza, Professorin für Healthcare und Rehabilitation Robotics an der TUM. Jetzt hat ihr Forschungsteam gezeigt, dass künstliche Intelligenz dazu beitragen kann, eine Handprothese intuitiver zu nutzen als bisher. Das Geheimnis liegt im “Synergieprinzip” sowie der Unterstützung von 128 Sensoren am Unterarm.
Was versteht man unter dem Synergieprinzip?
Das Synergieprinzip: Das Gehirn aktiviert eine Gruppe von Muskelzellen. “Wir wissen aus neurowissenschaftlichen Studien, dass gewisse Muster in Experimenten immer wieder auftauchen, sowohl in der Kinematik als auch hinsichtlich der Muskelaktivierung,” sagt Prof. Piazza. Diese Muster geben Hinweise darauf, wie das menschliche Gehirn mit der Komplexität von biologischen Systemen umgeht. Das Gehirn aktiviert eine Gruppe von Zellen gleichzeitig.
Auch im Unterarm ist das so. Piazza: “Wenn wir mit unserer Hand ein Objekt greifen wollen, etwa einen Ball, bewegen wir unsere Finger synchron und sie passen sich sofort an die Form des Objektes an, sobald es berührt wird.” Die Forschenden nutzen das Prinzip nun für das Design und die Steuerung von künstlichen Händen, indem sie neue Lernalgorithmen einsetzen.
Für Menschen ist die intuitive Bewegung ganz normal: Aus Roboterperspektive sieht das anders aus. Wenn eine künstliche Hand einen Stift greift, führt sie viele einzelne Schritte nacheinander aus. Erst bestimmt sie den Ort, von dem sie etwas greifen will. Dann führt sie langsam die Finger zusammen, bevor sie schließlich den Stift greift. Das Ziel der Forschenden besteht darin, eine einzige fließende Bewegung daraus zu machen. “Mit Hilfe von Maschinellem Lernen können wir die Steuerung anpassungsfähiger machen”, sagt Patricia Capsi Morales, Senior Scientist in Prof. Piazzas Team.
Muskelsignale – Muster aus 128 Kanälen analysieren
Experimente mit dem neuen Ansatz deuten bereits darauf hin, dass herkömmliche Steuerungsmethoden bald durch fortschrittlichere Strategien unterstützt werden könnten. Um zu untersuchen, was auf der Ebene des zentralen Nervensystems geschieht, arbeiten die Forscher mit zwei Sensorfolien: eine für die Innen- und eine für die Außenseite des Unterarms. Jede Folie enthält bis zu 64 Sensoren. Die Methode schätzt auch ab, welche elektrischen Signale die Motoneuronen im Rückenmark übertragen haben. “Je mehr Sensoren wir verwenden, desto besser können wir Informationen von verschiedenen Muskelgruppen erfassen und herausfinden, welche Muskelaktivierungen für welche Handbewegungen verantwortlich sind”, erläutert Prof. Piazza. Je nachdem, ob ein Mensch eine Faust macht, einen Stift greift oder ein Marmeladenglas öffnen will, ergeben sich laut Forscherin Capsi Morales „charakteristische Merkmale der Muskelsignale“ – eine Voraussetzung für intuitive Bewegungen.
Handgelenks- und Handbewegung: Acht von zehn Personen bevorzugen die intuitive Methode
Die aktuelle Forschung konzentriert sich auf die Bewegung des Handgelenks und der gesamten Hand. Sie zeigt, dass die meisten Menschen (acht von zehn) die intuitive Bewegung von Handgelenk und Hand bevorzugen. Das ist zudem der effizientere Weg. Dennoch: Zwei von zehn Personen lernen, mit der weniger intuitiven Methode umzugehen und werden am Ende sogar präziser. “Unser Ziel ist es, den Lerneffekt zu untersuchen und die richtige Lösung für jeden Patienten zu finden”, erläutert Capsi Morales. “Dies ist ein Schritt in die richtige Richtung”, sagt Prof. Piazza, die betont, dass jedes System aus individueller Mechanik und Eigenschaften der Hand, speziellem Training mit Patienten, der Interpretation und Analyse sowie maschinellem Lernen besteht.
Handprothese – Herausforderungen bei der Steuerung von künstlichen Händen
Es stehen noch einige Herausforderungen bevor: Der Lernalgorithmus, der auf den Informationen der Sensoren basiert, muss jedes Mal neu trainiert werden, wenn die Folie verrutscht oder entfernt wird. Außerdem müssen die Sensoren mit einem Gel präpariert werden, um die notwendige Leitfähigkeit zu gewährleisten. Nur so können die Signale der Muskeln präzise aufgezeichnet werden.
“Wir nutzen Signalverarbeitungstechniken, um das Rauschen herauszufiltern und verwertbare Signale zu erhalten”, so Capsi Morales weiter. Jedes Mal, wenn ein neuer Patient die Manschette mit den vielen Sensoren am Unterarm trägt, muss der Algorithmus zunächst die Aktivierungsmuster für jede Bewegungssequenz identifizieren, um später die Absicht des Benutzers zu erkennen und sie in Befehle für die künstliche Hand zu übersetzen.
Wissenschaftliche Ansprechpartner:
Cristina Piazza
Professor of Healthcare and Rehabilitation Robotics
Technische Universität München (TUM)
Cristina.piazza@tum.de
https://www.ce.cit.tum.de/nhcr/
Originalpublikation:
Tse, K. C., Capsi-Morales, P., Castaneda, T. S., Piazza, C., „Exploring Muscle Synergies for Performance Enhancement and Learning in Myoelectric Control Maps.“ IEEE International Conference on Rehabilitation Robotics 2023
https://ieeexplore.ieee.org/document/10304809