Künstliche Intelligenz macht das Greifen von Handprothesen intuitiver

Künstliche Hände können per App oder mit Sensoren in der Unterarmmuskulatur bedient werden. Neue Forschungsergebnisse der Technischen Universität München (TUM) zeigen, dass ein besseres Verständnis der Muskelaktivitätsmuster im Unterarm eine intuitivere und natürlichere Steuerung künstlicher Gliedmaßen unterstützt. Dafür sind ein Netzwerk aus 128 Sensoren und KI-basierte Techniken erforderlich.

Die technologischen Entwicklungen der letzten Jahrzehnte haben bereits zu fortschrittlichen künstlichen Händen geführt. Sie können Amputierten, die durch Unfall oder Krankheit eine Hand verloren haben, die Möglichkeit geben, wieder etwas Bewegung zu finden. Einige dieser modernen Prothesen ermöglichen unabhängige Fingerbewegungen und Handgelenksrotationen. Diese Bewegungen können über eine Smartphone-App oder mithilfe von Muskelsignalen des Unterarms ausgewählt werden, die typischerweise von zwei Sensoren erfasst werden.

Beispielsweise kann die Aktivierung der Beugemuskeln des Handgelenks dazu genutzt werden, die Finger zusammenzuschließen, um einen Stift zu greifen. Wenn die Streckmuskeln des Handgelenks angespannt werden, öffnen sich die Finger wieder und die Hand gibt den Stift frei. Der gleiche Ansatz ermöglicht die Steuerung verschiedener Fingerbewegungen, die bei gleichzeitiger Aktivierung sowohl der Beuge- als auch der Streckmuskelgruppe ausgewählt werden. „Das sind Bewegungen, die der Patient während der Rehabilitation lernen muss“, sagt Cristina Piazza, Professorin für Rehabilitation und assistive Robotik an der TUM.

Nun hat das Forschungsteam von Prof. Piazza gezeigt, dass künstliche Intelligenz Patienten mithilfe des „Synergieprinzips“ und mithilfe von 128 Sensoren am Unterarm eine intuitivere Steuerung fortschrittlicher Handprothesen ermöglichen kann. Die Arbeit ist im veröffentlicht 2023 Internationale Konferenz für Rehabilitationsrobotik (ICORR).

Das Synergieprinzip: Das Gehirn aktiviert einen Pool an Muskelzellen

Was ist das Synergieprinzip? „Aus neurowissenschaftlichen Studien ist bekannt, dass in experimentellen Sitzungen sich wiederholende Muster beobachtet werden, sowohl in der Kinematik als auch in der Muskelaktivierung“, sagt Prof. Piazza. Diese Muster können als die Art und Weise interpretiert werden, wie das menschliche Gehirn mit der Komplexität des biologischen Systems umgeht. Das bedeutet, dass das Gehirn einen Pool an Muskelzellen aktiviert, auch im Unterarm.

„Wenn wir mit unseren Händen einen Gegenstand, zum Beispiel einen Ball, greifen, bewegen wir unsere Finger synchron und passen uns bei Kontakt der Form des Gegenstandes an“, sagt Prof. Piazza. Dieses Prinzip nutzen die Forscher nun, um künstliche Hände zu entwerfen und zu steuern, indem sie neue Lernalgorithmen entwickeln.

Dies ist für die intuitive Bewegung notwendig: Bei der Steuerung einer künstlichen Hand, um beispielsweise einen Stift zu greifen, erfolgen mehrere Schritte. Zunächst richtet der Patient die künstliche Hand entsprechend der Greifstelle aus, führt die Finger langsam zusammen und greift dann zum Stift. Ziel ist es, diese Bewegungen immer flüssiger zu gestalten, so dass kaum noch zu spüren ist, dass viele Einzelbewegungen einen Gesamtvorgang ergeben.

„Mit Hilfe des maschinellen Lernens können wir die Unterschiede zwischen den Probanden verstehen und die Anpassungsfähigkeit der Steuerung im Laufe der Zeit und im Lernprozess verbessern“, schließt Patricia Capsi Morales, leitende Wissenschaftlerin im Team von Prof. Piazza.

Entdecken von Mustern aus 128 Signalkanälen

Experimente mit dem neuen Ansatz deuten bereits darauf hin, dass herkömmliche Kontrollmethoden bald durch fortschrittlichere Strategien gestärkt werden könnten. Um zu untersuchen, was auf der Ebene des zentralen Nervensystems passiert, arbeiten die Forscher mit zwei Filmen: einem für die Innenseite und einem für die Außenseite des Unterarms. Jeder enthält bis zu 64 Sensoren zur Erkennung der Muskelaktivierung. Die Methode schätzt auch, welche elektrischen Signale die spinalen Motoneuronen übertragen haben.

„Je mehr Sensoren wir verwenden, desto besser können wir Informationen verschiedener Muskelgruppen erfassen und herausfinden, welche Muskelaktivierungen für welche Handbewegungen verantwortlich sind“, erklärt Prof. Piazza. Je nachdem, ob jemand eine Faust ballen, einen Stift greifen oder ein Marmeladenglas öffnen will, ergeben sich laut Dr. Capsi Morales „charakteristische Merkmale von Muskelsignalen“ – eine Voraussetzung für intuitive Bewegungen.

Handgelenk- und Handbewegung: Acht von zehn Menschen bevorzugen den intuitiven Weg

Die aktuelle Forschung konzentriert sich auf die Bewegung des Handgelenks und der gesamten Hand. Es zeigt sich, dass die meisten Menschen (acht von zehn) die intuitive Art der Handgelenk- und Handbewegung bevorzugen. Dies ist auch der effizientere Weg. Aber zwei von zehn lernen, mit der weniger intuitiven Art umzugehen und werden am Ende sogar noch präziser. „Unser Ziel ist es, den Lerneffekt zu untersuchen und für jeden Patienten die richtige Lösung zu finden“, erklärt Dr. Capsi Morales.

„Das ist ein Schritt in die richtige Richtung“, sagt Prof. Piazza, der betont, dass jedes System aus individueller Mechanik und Eigenschaften der Hand, speziellem Training mit Patienten, Interpretation und Analyse sowie maschinellem Lernen besteht.

Aktuelle Herausforderungen der fortgeschrittenen Kontrolle künstlicher Hände

Es gibt noch einige Herausforderungen zu bewältigen: Der Lernalgorithmus, der auf den Informationen der Sensoren basiert, muss jedes Mal neu trainiert werden, wenn die Folie verrutscht oder entfernt wird. Darüber hinaus müssen die Sensoren mit einem Gel präpariert werden, um die nötige Leitfähigkeit zur präzisen Erfassung der Signale der Muskeln zu gewährleisten.

„Wir nutzen Signalverarbeitungstechniken, um das Rauschen herauszufiltern und verwertbare Signale zu erhalten“, erklärt Dr. Capsi Morales. Jedes Mal, wenn ein neuer Patient die Manschette mit den vielen Sensoren am Unterarm trägt, muss der Algorithmus zunächst die Aktivierungsmuster für jeden Bewegungsablauf identifizieren, um später die Absicht des Benutzers zu erkennen und diese in Befehle für die künstliche Hand umzusetzen.