Eine Frau wirft eine Flasche in den smarten Mülleimer Trashbot
Das Foto zeigt einen Mobilfunkmast in einem Weinberg

Machine Learning: Die Steuerung von Handprothesen soll jetzt einfacher werden

Hand­prothe­sen wer­den immer bess­er – und kom­plex­er. Das hat viele Vorteile, macht es aber auch schwieriger und lang­wieriger, den Umgang mit so ein­er Prothese zu erler­nen. Ein Forsch­er-Team aus North Car­oli­na nimmt sich jet­zt des Prob­lems an – und erschafft ein ganz neues Konzept der Funk­tion­sweise von Prothe­sen.

Ein ver­lorenes Kör­perteil zu erset­zen ist eine hochkom­plexe Auf­gabe – die Fortschritte auf dem Gebi­et sind aber auch gewaltig. Hand­prothe­sen kön­nen mit­tler­weile durch genau die elek­trischen Impulse des Hirns gelenkt wer­den, die auch dazu da waren, die echte Hand zu steuern. Bis ein Men­sch gel­ernt hat, mit ein­er solchen Prothese umzuge­hen, verge­ht jedoch viel Zeit. Das kön­nte sich bald ändern – mit ein­er Neuen­twick­lung des Joint Depart­ment of Bio­med­ical Engi­neer­ing der Uni­ver­si­ty of North Car­oli­na at Chapel Hill und der North Car­oli­na State Uni­ver­si­ty.

Dank Machine Learning können Prothesen Bewegungen erlernen

Die meis­ten mod­er­nen Hand­prothe­sen funk­tion­ieren etwa so: Das Gehirn sendet nach wie vor diesel­ben Sig­nale aus, die die Hand ursprünglich dazu gebracht haben, bes­timmte Bewe­gun­gen auszuführen. Sen­soren nehmen die Muske­lak­tiv­itäten im Unter­arm wahr und geben die entsprechen­den Sig­nale an die Prothese weit­er. Diese „lernt“ mit der Zeit, welche Muskel­be­we­gun­gen welch­er gewün­scht­en Hand­be­we­gung entsprechen. Machine Learn­ing, zu Deutsch maschinelles Ler­nen, ist die Grund­lage für so gut wie alle Prothe­sen, die tat­säch­lich darauf abzie­len, eine Hand so natur­ge­treu wie möglich zu erset­zen.

Ein langwieriger und komplexer Prozess

Diese Proze­dur dauert allerd­ings ziem­lich lange. Das liegt daran, dass jede Änderung der Hal­tung das kom­plexe Zusam­men­spiel von Muskeln und Sehnen im Arm verän­dert. Dieselbe Handgeste sieht, wenn man nur die Unter­ar­m­musku­latur betra­chtet, ganz anders aus, je nach­dem, ob die Hand­fläche nach oben oder nach unten gedreht ist. Diese ver­schiede­nen Muster muss die Prothese alle einzeln ler­nen, obwohl es jedes Mal um dieselbe Hand­be­we­gung geht.

Die Lösung: Ein Computerprogramm als Mittelsmann

Die Lösung des Prob­lems sieht jet­zt fol­gen­der­maßen aus: Zwis­chen das Ner­ven- und Muskel­sys­tem des Unter­arms und die Prothese wird ein Com­put­er­pro­gramm geschal­tet, das ein 3D-Mod­ell eines men­schlichen Unter­arms, Handge­lenks und der Hand enthält. Mit­tels elek­tromyo­grafis­ch­er Sen­soren wurde unter­sucht, welche elek­trischen Sig­nale in einem gesun­den Arm vor­liegen, wenn bes­timmte Hand­be­we­gun­gen aus­ge­führt wer­den. Diese Dat­en wur­den auf das 3D-Mod­ell angewen­det. Das zwis­chengeschal­tete Pro­gramm bekommt also jet­zt die Sig­nale aus dem Unter­arm und find­et anhand des 3D-Mod­ells her­aus, welche Hand­be­we­gun­gen diese Sig­nale aus­lösen wür­den. Diese Infor­ma­tio­nen wer­den an die Prothese weit­ergeleit­et. Die lange Train­ingszeit ent­fällt.

Wie geht es weiter?

Die Studie der Wis­senschaftler aus North Car­oli­na stellt einen großen Fortschritt in der Entwick­lung intu­itiv­er Hand­prothe­sen dar. Bis­lang ist die Zahl der­jeni­gen, die eine Prothese bekom­men, aber nach einiger Zeit aufhören, sie zu nutzen, rel­a­tiv hoch – wohl auch, weil die lange Train­ingsphase viele Men­schen ent­mutigt. Hier kön­nte die neue Tech­nik Abhil­fe schaf­fen. Trotz­dem über­legen die Forsch­er, beim näch­sten Pro­to­typ auch wieder auf Machine Learn­ing zurück­zu­greifen und bei­de Tech­nolo­gien zu kom­binieren. Dies kön­nte dabei helfen, Prothe­sen auf lange Sicht bess­er an die indi­vidu­ellen Bedürfnisse und Gewohn­heit­en einzel­ner Nutzer anzu­passen, ohne dass dadurch die intu­itive Nutzung vom ersten Tag an beein­trächtigt würde.

Kennst Du weit­ere faszinierende Entwick­lun­gen aus dem Bere­ich der Prothetik? Und an welchen anderen Stellen wird Men­schen durch mod­erne Tech­nolo­gien ähn­lich gut geholfen? Schreib es uns in die Kom­mentare.

Video und Foto: Lizhi Pan of NC State University

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Das könnte Dich auch interessieren