Aktu­el­le Ent­wick­lun­gen in der Hand­pro­the­tik – wie nah sind wir wirk­lich an Sen­si­bi­li­tät und Intelligenz?

E. Jakubowitz, A. Kettenbach, B. Fleischer-Lück
Die Versorgung hand- und armamputierter Patienten kann trotz der allseits zu beobachtenden Entwicklungsfortschritte in der Handprothetik nur in sehr engen, technisch bedingten Grenzen stattfinden. Die jüngste Innovation der multiartikulierenden Handprothesen kann die motorischen Grundfunktionen der wichtigsten Alltagsaktivitäten anhand programmierter Greifmuster und Bewegungs­abläufe zwar wiederherstellen – allerdings sind diese Hände je nach Anwender immer noch umständlich zu bedienen, weisen nicht nur wegen der Gestensteuerung eine zum Teil unnatürliche Kinematik auf und bieten kein sensorisches Feedback. So kommt es immer wieder vor, dass Patienten solche Hände ablehnen, weil sie die vermehrte Fingerbeweglichkeit nicht als den alles entscheidenden Mehrwert gegenüber dem recht steif erscheinenden Dreipunktgriff bisheriger Systemhände ansehen. Demgegenüber wird sowohl in Fachzeitschriften als auch in den Massenmedien immer wieder von bahnbrechenden Forschungs- und Entwicklungsschritten in der Handprothetik berichtet. Die Rede ist dann von „gedankengesteuerten“, „fühlenden“ oder sogar „intelligenten“ Arm- und Handprothesen, die aus der Robotik stammen, eine künstliche Haut besitzen oder gelegentlich geschickter als die menschliche Hand sein sollen. Doch sind die gemeldeten Errungenschaften tatsächlich so vielversprechend? Erfüllen sie wirklich die Erwartungen der Patienten an ihre Prothese? Eine nähere Beschäftigung mit diesen Forschungs- und Entwicklungsbemühungen und die Beantwortung der Frage, ob sie wirklich das Potenzial für eine verbesserte Prothesenversorgung aufweisen, würde hier für Aufklärung sorgen. Im Bestreben, diese Lücke zu schließen, werden im vorliegenden Artikel anhand aktueller Beispiele die drei Hauptforschungsfelder der Handprothetik – Steuerungssysteme, Feedbacksysteme und Robotik – skizziert.

Ein­lei­tung

Fort­schrit­te in Wis­sen­schaft und Tech­nik wer­den häu­fig dadurch erreicht, dass Wege aus Ent­de­ckun­gen und Theo­rien fort- und zusam­men­ge­führt wer­den. Die­se Wege ver­lau­fen oft­mals lan­ge Zeit par­al­lel. Auch in der Ortho­pä­die-Tech­nik sor­gen soge­nann­te kumu­la­ti­ve Ent­wick­lungs­we­ge für tech­ni­sche Neu­hei­ten. So wur­de z. B. die Ver­sor­gung von Armam­pu­tier­ten seit der Ein­füh­rung myo­elek­tri­scher Arm­pro­the­sen im Jahr 1968 1 inner­halb von nur zehn Jah­ren revo­lu­tio­niert. Die­se Pro­the­sen sind das Ergeb­nis kumu­la­ti­ver Ent­wick­lun­gen, die unter­schied­li­chen Dis­zi­pli­nen, Orten und Epo­chen zuzu­ord­nen sind. Ers­te Ver­su­che, den Fin­ger­schluss künst­li­cher Hän­de mit Elek­tro­ma­gne­ten zu erzeu­gen, wur­den bereits in den 1920er Jah­ren vor­ge­nom­men 2. Das The­ma elek­trisch ange­trie­be­ner Arm­pro­the­sen wur­de jedoch erst nach dem Zwei­ten Welt­krieg erneut auf­ge­grif­fen 3. In den USA konn­te unter finan­zi­el­ler För­de­rung durch die Regie­rung ein ers­tes, elek­tri­sches Arm­pro­the­sen­mo­dell erprobt wer­den. Die­ses konn­te sich aller­dings wegen des Feh­lens einer bewuss­ten und direk­ten Steue­rung nicht durch­set­zen 4, obwohl es bereits ein Jahr­hun­dert zuvor, im Jahr 1849, gelun­gen war, elek­tri­sche Signa­le infol­ge von Mus­kel­kon­trak­tio­nen auf­zu­zeich­nen 5. Das Poten­zi­al der Ver­wen­dung der Elek­tro­myo­gra­phie (EMG) als Nutz­si­gnal für eine Steue­rung wur­de also trotz ihrer Exis­tenz lan­ge Zeit nicht erkannt. Erst 1958 ebne­te die Zusam­men­füh­rung einer elek­trisch betrie­be­nen Hand mit einer EMG-Steue­rung in der Sowjet­uni­on wei­te­re For­schungs­be­mü­hun­gen in Groß­bri­tan­ni­en, Kana­da, Deutsch­land, Öster­reich, Ita­li­en und den USA 6, was den Durch­bruch für die heu­te all­seits ein­ge­setz­ten myo­elek­tri­schen Pro­the­sen bedeu­te­te. Nicht nur durch die zuletzt ein­ge­führ­ten, mul­ti­ar­ti­ku­lie­ren­den Hand­pro­the­sen liegt gegen­wär­tig erneut ein kumu­la­ti­ver Tech­no­lo­gie­fort­schritt in der Luft. Der Ein­druck wird durch den „Tech­no­lo­gie-Boom“ im Bereich der Mikro­elek­tro­me­cha­nik und durch die zuneh­mend öffent­li­che und teils sen­sa­ti­ons­ge­trie­be­ne Bericht­erstat­tung aus Wis­sen­schaft und For­schung verstärkt.

Anzei­ge

Um der Sache auf den Grund zu gehen, greift der vor­lie­gen­de Arti­kel eini­ge Strö­mun­gen aus Wis­sen­schaft und For­schung in der Hand­pro­the­tik auf. Die­se las­sen sich auf Neu­ig­kei­ten bei den Steue­rungs­sys­te­men, bei den Feed­back­sys­te­men und in der Robo­tik begren­zen, weil hier zur Zeit die deut­lichs­ten For­schungs­ak­ti­vi­tä­ten in Erschei­nung tre­ten. Auch mit Blick auf die Erwar­tungs­hal­tung man­cher Pati­en­ten wol­len die Autoren damit dem Fach­pu­bli­kum eine kri­ti­sche Aus­ein­an­der­set­zung mit poten­zi­el­len Zukunfts­tech­no­lo­gien ermöglichen.

Prin­zi­pi­en der Prothesensteuerung

Bei der gro­ßen Mehr­zahl heu­ti­ger Arm­pro­the­sen auf myo­elek­tri­scher Basis kom­men zwei EMG-Elek­tro­den zum Ein­satz, um die Akti­ons­po­ten­zia­le an­tagonistischer Mus­kel­paa­re zur Pro­the­sen­steue­rung zu nut­zen (z. B. Mm.  flexor car­pi radia­lis und exten­sor digi­torum bei trans­ra­dia­ler Ampu­ta­ti­on oder Mm. pec­to­ra­lis und tra­pe­zi­us bei Schul­ter­ex­ar­ti­ku­la­ti­on). Die Signa­le wer­den gefil­tert und indi­vi­du­ell ver­stärkt einer Steu­er­elek­tro­nik zuge­lei­tet, die einen On-Off-Kon­troll­me­cha­nis­mus für einen belie­bi­gen Bewe­gungs­frei­heits­grad gene­riert. Jedoch kön­nen zwei oder meh­re­re Frei­heits­gra­de der übli­chen, myo­elek­tri­schen Hand­pro­the­sen (z. B. Öff­nen und Schlie­ßen der Hand, Rota­ti­on des Hand­ge­lenks oder Beu­gung und Stre­ckung des Ellen­bo­gen­ge­lenks) oder der mul­ti­ar­ti­ku­lie­ren­den Hän­de auf die­se Wei­se nicht simul­tan kon­trol­liert wer­den. Zwi­schen den Frei­heits­gra­den kann zwar mit­tels Umschal­tung (z. B. durch Kokon­trak­ti­on der Ant­ago­nis­ten oder durch belie­bi­ge Schwel­len­wer­te) gewech­selt wer­den, sodass eine sequen­zi­el­le Kon­troll­stra­te­gie mög­lich wird. Die­se lässt die Pro­the­sen­be­we­gung aber größ­ten­teils unna­tür­lich und lang­sam erschei­nen 7, was mit­un­ter zur Ableh­nung myo­elek­tri­scher Arm­pro­the­sen führt 8.

Akti­vie­rungs­mus­ter und Muskelsynergien

Dem­ge­gen­über schrei­en mul­ti­ar­ti­ku­lie­ren­de Hand­pro­the­sen – die inzwi­schen ver­schie­dens­te Greif­mus­ter und ein­zel­ne Fin­ger­be­we­gun­gen aus­füh­ren kön­nen – gera­de­zu nach einer simul­ta­nen oder gar einer mul­ti­moda­len Steue­rung. Den­noch gibt es dies­be­züg­lich noch kei­nen nen­nens­wer­ten Durch­bruch – auch wenn sol­che Steue­run­gen schon seit Jahr­zehn­ten auf unter­schied­lichs­te Wei­se erforscht wer­den. Eine die­ser Metho­den ist die Erken­nung bewe­gungs­ty­pi­scher EMG-Mus­ter 9. Obwohl die mensch­li­che Hand mehr als 20 Frei­heits­gra­de besitzt 10, kon­trol­liert das zen­tra­le Ner­ven­sys­tem (ZNS) nicht jeden ein­zel­nen Frei­heits­grad, son­dern viel­mehr das Zusam­men­wir­ken der Mus­keln („Syn­er­gien“), die gleich­zei­tig Ein­fluss auf meh­re­re Frei­heits­gra­de neh­men 11. Dazu sind kodier­te Syn­er­gien im ZNS abge­legt, die auf­ga­ben­spe­zi­fisch abge­ru­fen und kom­bi­niert wer­den kön­nen, sodass ent­spre­chen­de Kon­trak­ti­ons­mus­ter die kine­ma­ti­sche Auf­ga­be der Hand erfül­len 12. Um die­se Syn­er­gien für die simul­ta­ne Kon­trol­le meh­re­rer Pro­the­sen­frei­heits­gra­de nutz­bar zu machen, müs­sen die Akti­vie­rungs­mus­ter der Mus­ku­la­tur zunächst ver­schie­de­nen Bewe­gungs­klas­sen zuge­ord­net wer­den 13. Dazu bedarf es einer initia­len Trai­nings­pha­se, in der ein Klas­si­fi­ka­tor mit Hil­fe maschi­nel­ler Lern­al­go­rith­men ver­schie­de­ne Posi­tio­nen und Bewe­gun­gen der Pro­the­se mit myo­elek­tri­schen Akti­vie­rungs­mus­tern kor­re­liert. Die­ser Bezug kann dann in eine all­täg­li­che Pro­the­sen­steue­rung über­nom­men wer­den (Abb. 1). Aktu­el­le Mus­ter­er­ken­nungs­al­go­rith­men sind in der Lage, Mus­kel­syn­er­gien mit einer Genau­ig­keit von über 90 % in zuvor defi­nier­te Bewe­gungs­klas­sen ein­zu­ord­nen 14. Den­noch haben sich dar­aus ableit­ba­re Steue­rungs­me­cha­nis­men bis heu­te nicht in kom­mer­zi­ell ver­füg­ba­ren Pro­the­sen­sys­te­men eta­bliert 15. Denn noch limi­tie­ren die enorm auf­wen­di­gen Algo­rith­men (unge­nü­gen­de Echt­zeit­kon­trol­le) und die Kom­ple­xi­tät der Mus­kel­syn­er­gien des Arms in Kom­bi­na­ti­on mit soge­nann­ten Cross-Talk-Effek­ten beim Ober­flä­chen-EMG (sEMG) die Ver­wend­bar­keit im All­tag 16 17. Nicht weni­ger wich­tig wären all­ge­mein­gül­ti­ge, vor­pro­gram­mier­te Grund­la­gen für das maschi­nel­le Ler­nen, die eine deut­li­che Ver­kür­zung der enorm auf­wen­di­gen Trai­nings­pha­sen für Pati­en­ten zur Fol­ge hät­ten und nur durch wei­te­re For­schungs­be­mü­hun­gen erziel­bar wären 18. Unge­ach­tet des­sen scheint eine kli­ni­sche Umset­zung an der Schwel­le eines Durch­bruchs zu ste­hen, da sich die Gebie­te Signal­ver­ar­bei­tung, Mul­tich­an­nel-Instru­men­tie­rung und Mikro­pro­zes­sor­tech­no­lo­gie zuletzt rasant wei­ter­ent­wi­ckelt haben 19 20. So stellt das seit 2015 erhält­li­che „Coapt“-System (Coapt LLC, Chi­ca­go, USA) ein „Stand-Alo­ne-Pro­dukt“ dar, das mit bis zu acht EMG-Elek­tro­den eine simul­ta­ne Ansteue­rung meh­re­rer Frei­heits­gra­de ermög­licht 21.

Selek­ti­ver Ner­ven­trans­fer (TMR)

Oft­mals kön­nen für Unter­arm­pro­the­sen genau die Mus­keln ver­wen­det wer­den, die bereits vor der Ampu­ta­ti­on für ent­spre­chen­de Hand­be­we­gun­gen zustän­dig waren. Die­se gehen bei höhe­ren Ampu­ta­tio­nen jedoch ver­lo­ren, sodass eine intui­ti­ve Steue­rung mit­tels Mus­ter­er­ken­nungs­al­go­rith­men unmög­lich wird. Hier stellt die TMR-Metho­de (TMR = Tar­ge­ted Mus­cle Rein­ner­va­ti­on) mitt­ler­wei­le einen rele­van­ten Fort­schritt dar: Mit­tels eines ope­ra­ti­ven Ein­griffs wer­den dabei Moto­neu­ro­nen ver­lo­ren­ge­gan­ge­ner Mus­keln an ver­blie­be­ne (z. B. des Ober­arms oder des Ober­kör­pers) trans­fe­riert 22. Die­se Mus­keln erzeu­gen Akti­ons­po­ten­zia­le infol­ge moto­ri­scher Befeh­le der trans­fe­rier­ten Neu­ro­nen und fun­gie­ren somit qua­si als ihre Ver­stär­ker für die Ablei­tung von EMG-Signa­len. Nicht ohne Grund wird die TMR-Metho­de des­halb auch als Weg­be­rei­ter für eine „gedan­ken­ge­steu­er­te Pro­the­se“ auf­ge­fasst. Sie bie­tet die Mög­lich­keit, EMG-Signa­le ent­spre­chend ihrer eigent­li­chen kine­ma­ti­schen Zuge­hö­rig­keit wie­der nutz­bar zu machen, sodass eine intui­ti­ve und simul­ta­ne Pro­the­sen­steue­rung mit­tels detek­tier­ba­rer Akti­vi­täts­mus­ter mög­lich ist 23.

Mul­ti­moda­le Steuerung

Eine wei­te­re Opti­mie­rung erfährt ein sol­ches, maschi­nel­les Lern­sys­tem durch Mul­ti­moda­li­tät, womit die Berück­sich­ti­gung eines oder meh­re­rer Zusatz­pa­ra­me­ter für die Steue­rung gemeint ist. Dadurch kön­nen stö­ren­de Effek­te auf­grund der Extre­mi­tä­ten­la­ge redu­ziert wer­den. Die­se ent­ste­hen z. B. durch rela­ti­ve Lage­ver­än­de­run­gen der Weich­tei­le zu den sEMG-Elek­tro­den oder auch durch unter­schied­li­che Aus­gangs­po­si­tio­nen der Pro­the­se, aus denen eine Bewe­gung mit ihr initi­iert wer­den soll. Ein Sys­tem, das anhand nur einer Aus­gangs­po­si­ti­on trai­niert wird, kann folg­lich nicht auf ver­schie­de­ne Arm­po­si­tio­nen im All­tag gene­ra­li­siert wer­den 24. Die­ser Pro­ble­ma­tik kann durch eine Kom­bi­na­ti­on der sEMG-Signa­le mit Lage­pa­ra­me­tern (per Iner­ti­al­sen­so­rik) 25 oder mit Signa­len aus der Elek­tro­en­ze­pha­logra­phie (EEG) 26 ent­ge­gen­ge­wirkt wer­den, was zu einer signi­fi­kan­ten Stei­ge­rung der Klas­si­fi­ka­ti­ons­ge­nau­ig­keit führt. Eine beson­ders gute Mög­lich­keit zeich­net sich hier aktu­ell durch das Map­ping von Greif­be­we­gun­gen anhand neu­ro­na­ler Akti­vie­rungs­mus­ter im pri­mä­ren moto­ri­schen Kor­tex ab 27. Fer­ner bie­tet die Sono­myo­gra­phie einen viel­ver­spre­chen­den Ansatz, zusätz­lich die Akti­vi­tät auch tie­fer gele­ge­ner Mus­keln über ihre loka­le Dicken­ver­än­de­rung zu detek­tie­ren. Mit ihr allein kön­nen Hand- und Fin­ger­be­we­gun­gen schon mit einer Genau­ig­keit von über 80 % klas­si­fi­ziert wer­den 28 29. Auch wird mit instru­men­tier­ten Pro­the­sen­hän­den, wel­che mit Kame­ras 30 oder mit Licht­wel­len­lei­tern 31 aus­ge­stat­tet sind, ver­sucht eine vom Grei­f­ob­jekt abhän­gi­ge und auto­ma­ti­sier­te Greif­steue­rung zu eta­blie­ren. Mit deren Hil­fe sind künst­lich erschaf­fe­ne, neu­ro­na­le Netz­wer­ke mit Klas­si­fi­zie­rungs­ge­nau­ig­kei­ten von über 90 % trai­nier­bar 32.

Schnitt­stel­len

Kli­nisch gese­hen ver­la­gert sich zudem die Erfor­schung der „Mensch-Maschine–Schnittstelle“ zuneh­mend in den Kör­per hin­ein. Auf die­ser Ebe­ne kön­nen z. B. implan­tier­ba­re Elek­tro­den-Clus­ter inzwi­schen die Nach­tei­le der sEMG-Elek­tro­den kom­pen­sie­ren 33 34 oder für eine Elek­tro­neu­ro­gra­phie (ENG) sogar direkt in peri­phe­re Ner­ven­bah­nen implan­tiert wer­den 35. Abso­lut expe­ri­men­tel­len Cha­rak­ter haben dage­gen ver­schie­de­ne Ein­zel­ver­su­che, in denen die Steue­rung künst­li­cher Glie­der mit einer direk­ten Anknüp­fung an das Ner­ven­sys­tem bewerk­stel­ligt wird. Mit­tels Gehirn-Com­pu­ter-Schnitt­stel­len (Brain-Machi­ne-Inter­faces, BMI) kann die Gehirn­ak­ti­vi­tät z. B. mit implan­tier­ba­ren Chips 36 oder per Elek­tro­kor­ti­ko­gra­phie (ECoG) 37 erfasst und zur Erzeu­gung von Steu­er­si­gna­len in Robo­tik und Pro­the­tik genutzt werden.

Feed­back­sys­te­me

Mit der Ampu­ta­ti­on geht das soma­to­sen­so­ri­sche Sys­tem der Hand und damit ein unvor­stell­bar gro­ßer Teil der sen­so­ri­schen Rück­kopp­lungs­kon­trol­le ver­lo­ren. Es ist Teil eines kör­per­ei­ge­nen, pos­tu­ra­len Regel­krei­ses und schließt neben Pro­prio­zep­to­ren ver­schie­den schnel­le Mechano‑, Ther­mo- und Nozi­zep­to­ren ein. Kommt nach einer Ampu­ta­ti­on eine Arm­pro­the­se zum Ein­satz, so ist es beim aktu­el­len Stand der ver­füg­ba­ren Tech­nik unmög­lich, auch nur einen Bruch­teil des soma­to­sen­so­ri­schen Sys­tems zurück­zu­ge­win­nen oder gar zu imi­tie­ren. Auch wenn sei­ne Ent­schlüs­se­lung ste­tig vor­an­schrei­tet 38, ist das enorm kom­ple­xe Zusam­men­spiel der Tast­kör­per­chen der Hand, die sich in min­des­tens vier mechano­re­zep­ti­ve Neu­ro­nen­klas­sen unter­tei­len las­sen 39, bis heu­te weit­ge­hend unklar. Die­se Unkennt­nis wird auch nicht dadurch ver­rin­gert, dass mit­un­ter ver­sucht wird, bio­mime­ti­sche Mechano­re­zep­to­ren her­zu­stel­len 40. Selbst wenn dies irgend­wann mehr oder weni­ger gelän­ge, blie­be es wei­ter­hin unklar, mit wel­cher Kodie­rung an wel­cher Stel­le 41 eine mikro­chir­ur­gi­sche Kopp­lung an die ver­blie­be­ne Affe­renz erfol­gen müss­te, um eine wirk­lich­keits­na­he Tast­emp­fin­dung im soma­to­sen­so­ri­schen Kor­tex aus­zu­lö­sen. Aktu­el­le Bemü­hun­gen ein tak­ti­les oder hap­ti­sches Feed­back den­noch zu ermög­li­chen grei­fen des­halb das Kon­zept der sen­so­ri­schen Sub­sti­tu­ti­on auf 42. Dar­un­ter wird die Über­tra­gung von Infor­ma­tio­nen eines ver­lo­ren gegan­ge­nen Sin­nes­or­gans auf ein ande­res Sin­nes­or­gan ver­stan­den. Dem Ampu­tier­ten wird somit mit­tels tech­ni­scher Kom­po­nen­ten ermög­licht, den durch die Ampu­ta­ti­on unter­bro­che­nen Regel­kreis über eine Art „Work­around“ wie­der zu schlie­ßen. In der Mini­mal­form besteht ein sol­ches Sub­sti­tu­ti­ons­sys­tem aus drei Kom­po­nen­ten: einem tak­ti­len Sen­sor, einem Kopp­lungs­sys­tem und einem Sti­mu­la­tor (Abb. 2). Das beson­de­re Merk­mal für die Sys­tem­wirk­sam­keit ist sei­ne Inter­ak­ti­ons­schlei­fe. Sie gilt als geschlos­sen, wenn eine pos­tu­ra­le Pro­the­sen­kon­trol­le durch den Pati­en­ten erziel­bar ist (sie­he die gestri­chel­te Linie in Abb. 2).

Tak­ti­le Sensoren

Abs­tra­hiert man z. B. die Infor­ma­tio­nen, die für das Grei­fen und Mani­pu­lie­ren eines Objekts not­wen­dig sind, so sind in ers­ter Linie das Kon­tak­ter­eig­nis, die Ober­flä­chen- und Elas­ti­zi­täts­be­schaf­fen­heit des Objekts sowie die Greif­kräf­te von Bedeu­tung. Hier sind zuletzt diver­se Sen­so­ren ent­wi­ckelt und erforscht wor­den, mit denen ent­we­der eine oder meh­re­re Infor­ma­tio­nen gleich­zei­tig gelie­fert wer­den oder in Kom­bi­na­ti­on ange­wen­det wer­den kön­nen. So ist z. B. „Thim­ble­Sen­se“ ein von außen auf die Fin­ger auf­steck­ba­res oder auch in die Pro­the­sen­hand inte­grier­ba­res Sen­sor­sys­tem 43. Durch sei­nen Auf­bau kön­nen Nor­mal­kräf­te und der loka­le Druck­punkt erfasst wer­den, wodurch Infor­ma­tio­nen über resul­tie­ren­de Scher­kräf­te und Dreh­mo­men­te an den Fin­ger­kup­pen zur Ver­fü­gung ste­hen. Obwohl über­ein­stim­men­de Greif­kräf­te mit und ohne Sys­tem anhand von Pro­ban­den erfass­bar sind, ste­hen Ana­ly­sen mit Pro­the­sen­hän­den noch aus.

Ein wei­te­res Bei­spiel ist ein von der Raum­fahrt inspi­rier­tes Sys­tem in Ver­bin­dung mit einer Soft-Robo­ter-Hand, das aus instru­men­tier­ten Licht­wel­len­lei­tern mit LEDs besteht 44 (Abb. 3). Über die Ver­än­de­rung der Lumi­na der Licht­wel­len­lei­ter im elas­ti­schen Robo­ter­fin­ger kön­nen gleich­zei­tig dif­fe­ren­zier­te Signa­le über die Fin­ger­stre­ckung und ‑beu­gung (Pro­prio­zep­ti­on), über die Kräf­te an den Fin­ger­kup­pen und sogar über hap­ti­sche Objek­t­ei­gen­schaf­ten wie Form, Elas­ti­zi­tät und Tex­tur (Mecha­no­zep­ti­on) opto­elek­tro­nisch erzeugt wer­den. Ein ande­res Kon­zept wird beim Modell „Sof­t­Hand  Pro“ ver­folgt 45: Die Signal­ge­bung über die auf­ge­brach­te Greif­kraft wird dabei anhand des auf­ge­nom­me­nen Motor­stroms der Hand gene­riert. Kon­tak­ter­eig­nis­se und die Greif­kraft sind detek­tier­bar, weil der Strom bei Greif­be­we­gun­gen mit Objekt mess­bar grö­ßer aus­fällt als bei Greif­be­we­gun­gen bei denen kein Objekt im Spiel ist  46.

Sti­mu­la­to­ren für das Feedback

Vibrot­ak­ti­le, elek­trot­ak­ti­le und kraft­über­tra­gen­de Sti­mu­la­to­ren wer­den der­zeit expe­ri­men­tell am häu­figs­ten unter­sucht, weil sie den Vor­teil der Nicht­in­va­si­vi­tät bie­ten 47. Ein vibrot­ak­ti­les Sys­tem kann kos­ten­güns­tig z. B. durch klei­ne Vibra­ti­ons­mo­to­ren aus dem Con­su­mer-Bereich zusam­men­ge­stellt wer­den, die ein­zeln 48 oder als Array [39, 40, 41] mit­tels einer Ban­da­ge am Arm befes­tigt wer­den. Je nach­dem, ob dem Nut­zer die Hand­öff­nungs­wei­te 49, das Kon­tak­ter­eig­nis 50 51 und/oder ver­schie­de­ne Greif­kräf­te 52 53 54 signa­li­siert wer­den sol­len, kann mit unter­schied­li­chen Vibra­ti­ons­fre­quen­zen 55 oder mit einer Zuschal­tung der Motor­an­zahl auf der Haut je Greif­kraft­in­ter­vall 56 57 58 gear­bei­tet wer­den. Sie kön­nen zur Leis­tungs­stei­ge­rung bei Greif­auf­ga­ben sowohl bei Pro­the­sen­trä­gern 59 als auch bei gesun­den Pro­ban­den 60 61 beitragen.

Elek­trot­ak­ti­le Sys­te­me kön­nen z. B. mit zwei Ober­flä­chen­elek­tro­den und Fre­quen­zen zwi­schen 40 und 120 Hz den Ulnar- und den Medi­an­nerv sti­mu­lie­ren 62. Dabei kön­nen je nach Strom­stär­ke (2–13 mA) und Impuls­dau­er (1–10 μs) ver­schie­den star­ke Druck- und Krib­bel­emp­fin­dun­gen aus­ge­löst wer­den, die ein Feed­back über die Fin­ger­beu­gung bei Greif­be­we­gun­gen übermitteln.

Kraft­über­tra­gen­de Sti­mu­la­to­ren erzeu­gen zumeist Haut­deh­nun­gen, indem sie z. B. die Stirn­flä­chen zwei­er Pins mit vibra­ti­ons­frei­en Effek­to­ren am Ober­arm gegen­ein­an­der ver­dre­hen (Scher­kräf­te) 63. Somit wird bei Pro­ban­den ein pro­prio­zep­ti­ves Feed­back über die Arm­po­si­ti­on im Raum mög­lich. Ein umklam­mern­des Kraft­rück­kopp­lungs­sys­tem („Clen­ching Upper­limb For­ce Feed­back“, CUFF) hin­ge­gen besteht aus einer um den Ober­arm geleg­ten Man­schet­te, die durch Gleich­strom­mo­to­ren ent­we­der enger gezo­gen (Radi­al­kräf­te) oder gegen die Haut­ober­flä­che ver­dreht wird (Scher­kräf­te), wodurch Hand­öff­nungs­wei­te und Greif­kräf­te dif­fe­ren­ziert wer­den kön­nen 64.

Kopp­lung des Feedbacks

Die Art der abzu­bil­den­den Rück­kopp­lung (mecha­no- oder pro­prio­zep­tiv), die hier­aus ent­ste­hen­de Viel­falt der mess­tech­nisch für eine Kopp­lung nutz­ba­ren Ein­gangs­grö­ßen und der durch­ge­hend erkenn­ba­re, expe­ri­men­tel­le Cha­rak­ter der bis dato vor­ge­stell­ten Sti­mu­la­to­ren ver­deut­licht die Unsi­cher­heit dar­über, wie eine mög­lichst brauch­ba­re und sinn­vol­le „Über­set­zung“ von Moda­li­tät A zu Moda­li­tät B über­haupt erfol­gen soll. Das mag auch der Grund dafür sein, dass nur in den sel­tens­ten Fäl­len über das ein­ge­setz­te Kopp­lungs­sys­tem berich­tet wird. So konn­te z. B. für die Haut­deh­nung per Tor­si­on fest­ge­stellt wer­den, dass eine pro­prio­zep­ti­ve Rück­kopp­lung mit einer linea­ren Über­tra­gung des Dif­fe­renz­si­gnals aus dem Bizeps- und dem Tri­zeps-sEMG des Ober­ar­mes nicht zufrie­den­stel­lend funk­tio­nier­te 65. Erst eine poly­no­me Über­tra­gungs­funk­ti­on führ­te zum prin­zi­pi­el­len Gelin­gen, wenn­gleich auf eine mög­li­che Leis­tungs­ver­bes­se­rung durch ein sen­so­ri­sches Map­ping hin­ge­wie­sen wird 66. Das erstaunt inso­fern, als dass ein Map­ping schon seit Lan­gem als obli­gat vor­aus­ge­setzt wird, weil linea­re Über­tra­gungs­funk­tio­nen sich oft­mals als inef­fek­tiv her­aus­stel­len 67 und wodurch sich die Erfor­der­lich­keit von Kopp­lungs­sys­te­men eigent­lich schon von selbst erklärt.

Robo­tik

Auf dem wis­sen­schaft­li­chen Gebiet der Robo­tik beschäf­tigt man sich schon seit Jahr­zehn­ten mit der Erzeu­gung hand­ähn­li­cher Mani­pu­la­to­ren und dem höchst anspruchs­vol­len Pro­blem des Grei­fens und Mani­pu­lie­rens von Gegen­stän­den. Bereits jetzt besit­zen Robo­ter für die Mani­pu­la­ti­on ver­schie­de­ner, belie­big ori­en­tier­ter Objek­te die Fähig­keit die Posi­tio­nie­rung des Mani­pu­la­tors sowie die pas­sen­de Greif­kon­fi­gu­ra­ti­on auto­nom aus­zu­wäh­len und umzu­set­zen 68 69.

Intel­li­gen­tes Grei­fen durch Robotik?

Bei die­sen Auf­ga­ben wer­den Robo­ter zuneh­mend von inno­va­ti­ven Metho­den wie maschi­nel­lem Sehen und Ler­nen unter­stützt. Somit kön­nen sie unter Ver­wen­dung von Kame­ra­sys­te­men und Bild­ver­ar­bei­tungs­al­go­rith­men selbst nur zum Teil sicht­ba­re, beweg­te oder unbe­kann­te Objek­te grei­fen 70 71 72. Opti­mie­rungs­me­tho­den künst­li­cher neu­ro­na­ler Netz­wer­ke wie etwa „Deep Lear­ning“ ermög­li­chen inzwi­schen sogar kol­lek­tiv arbei­ten­den Robo­tern ohne jeg­li­ches Vor­wis­sen die Aneig­nung selbst­stän­di­ger Greifstra­te­gien 73 74. Ver­gleicht man der­art intel­li­gen­te Sys­te­me mit den aktu­ell auf dem Markt befind­li­chen Hand­pro­the­sen, so erschei­nen Letz­te­re mehr als rück­stän­dig. Die Grün­de dafür lie­gen in einer enorm ver­zö­ger­ten Über­füh­rung der Sta­te-of-the-Art-Tech­nik aus der Wis­sen­schaft in die all­täg­li­che, medi­zin­tech­ni­sche Anwen­dung. Als haupt­säch­li­che Hin­de­rungs­grün­de sind dabei die kos­ten­auf­wen­di­ge Her­stel­lung kom­ple­xer Robo­ter­sys­te­me – auf­grund der hohen Zahl tech­ni­scher Ein­zel­kom­po­nen­ten und ins­be­son­de­re wegen sicher­heits­tech­ni­scher Aspek­te – anzu­se­hen. Letz­te­res wird der­zeit dadurch gelöst, dass Robo­ter zuneh­mend leich­ter und fle­xi­bler gestal­tet (Sof­tro­bo­tik) und mit sicher­heits­re­le­van­ten Rege­lungs­al­go­rith­men aus­ge­stat­tet wer­den 75, um sie nicht nur mit Blick auf die Pro­the­tik für die Inter­ak­ti­on mit dem Men­schen zukunfts­fä­hig zu machen.

Ein­zug der Robo­tik in die Handprothetik

Im Gegen­satz zu den aktu­ell am Markt ver­füg­ba­ren, anthro­po­me­tri­schen und mul­ti­ar­ti­ku­lie­ren­den Hän­den stellt der nächs­te Ent­wick­lungs­schritt – ein anthro­po­me­tri­sches und zugleich mini­ma­les Design – eine nicht zu ver­ach­ten­de Her­aus­for­de­rung dar. Denn dazu ist ein tie­fes Ver­ständ­nis der mensch­li­chen Greif- und Mani­pu­la­ti­ons­kon­trol­le erfor­der­lich. Nach ers­ten Ver­su­chen mit mini­ma­lis­ti­schen Grund­kon­zep­ten – wor­un­ter die Erzie­lung einer hohen anfor­de­rungs­spe­zi­fi­schen Funk­tio­na­li­tät bei gleich­zei­tig ein­fach gehal­te­nem, mecha­ni­schem Auf­bau zu ver­ste­hen ist – hat man sich mit der Zeit wie­der mehr in Rich­tung eines an­thropo­metrischen Designs bewegt 76. Dabei wird die mensch­li­che Hand gestalt­lich so genau wie mög­lich nach­ge­bil­det. Die Schwie­rig­kei­ten an­thropometrischer Robo­ter­hän­de sind jedoch tech­ni­scher Natur und tre­ten oft­mals bezüg­lich der Genau­ig­keit, der Dimen­sio­nie­rung von Sen­so­rik und Moto­rik sowie der Leis­tungs- und Signal­über­tra­gung in Erschei­nung. Ein mini­ma­lis­ti­scher Ansatz dage­gen löst vie­le die­ser Pro­ble­me bereits mit den soge­nann­ten „Under­actuated Hands“, deren Haupt­merk­mal die Kon­trol­le meh­re­rer Frei­heits­gra­de durch eine Mini­mal­zahl von Moto­ren ist 77. Die­ses Kon­zept führt zugleich zu einer signi­fi­kan­ten Ver­ein­fa­chung der Steue­rungs­al­go­rith­men, was mit Blick in die Ver­gan­gen­heit einen beacht­li­chen Ent­wick­lungs­schub dar­stellt. Wird die­ser Ansatz mit den zuletzt auf­wen­dig erforsch­ten pos­tu­ra­len Syn­er­gien des mensch­li­chen Grei­fens kom­bi­niert 78, so ergibt sich durch die direk­te mecha­ni­sche Imple­men­tie­rung der Greif­in­tel­li­genz in die Hand­pro­the­se eine wei­te­re Dimen­si­ons­re­du­zie­rung. Die­ses Prin­zip wird durch aus­ge­klü­gel­te, mecha­ni­sche Sys­te­me aus Seil­zü­gen, Umlenk­rol­len und Dif­fe­ren­zi­al­ge­trie­ben bereits umge­setzt 79. Der Vor­teil sol­cher Pro­the­sen­hän­de besteht in der Fähig­keit zu Grob- und Fein­ma­ni­pu­la­tio­nen, in einer hohen Fle­xi­bi­li­tät der Fin­ger­glie­der und in der Anpas­sung der Fin­ger­glie­der an die Ober­flä­che des zu grei­fen­den Objekts 80. So benö­tigt z. B. die Robo­ter­hand des Mas­sa­chu­setts Insti­tu­te of Tech­no­lo­gy (Bos­ton, USA) ledig­lich zwei Gleich­strom­mo­to­ren, um 17 Frei­heits­gra­de anzu­trei­ben 81. Eine wei­te­re Ent­wick­lung die­ses Kon­zepts wird aktu­ell mit der Robo­ter­hand „Pisa/IIT Sof­t­Hand Pro“ (Cen­tro E. Pia­g­gio, Uni­ver­si­tät Pisa, Ita­li­en) ver­folgt (Abb. 4), die mit nur einem Motor 19 Frei­heits­gra­de beein­flus­sen kann 82. Sie kann des­halb auf der Basis nur einer adap­ti­ven Syn­er­gie kon­trol­liert wer­den, wodurch sie sich trotz ihrer enor­men „Fin­ger­fer­tig­keit“ intui­tiv nur durch zwei direk­te, myo­elek­tri­sche Steu­er­si­gna­le kon­trol­lie­ren lässt. Eine erwei­ter­te Ver­si­on mit einem zwei­ten Motor kann zeit­gleich zum ers­ten Motor eine wei­te­re Syn­er­gie berück­sich­ti­gen, wodurch zusätz­li­che Greif­mög­lich­kei­ten und Hand­ge­lenk­stel­lun­gen aus­ge­führt wer­den kön­nen. Bei­de Syn­er­gien erfor­dern jedoch wie­der­um eine simul­ta­ne Steue­rung 83.

Fazit

Auch wenn die Lücke zwi­schen For­schungs­er­geb­nis­sen und kom­mer­zi­ell erhält­li­chen Pro­duk­ten im Bereich der Hand- und Arm­pro­the­tik in den letz­ten Jah­ren aus tech­ni­schen und zulas­sungs­re­le­van­ten Grün­den immer grö­ßer gewor­den zu sein scheint, ste­hen aktu­el­le Begriff­lich­kei­ten wie die „gedan­ken­ge­steu­er­te Pro­the­se“ den­noch in ihrer Ent­wick­lung zumin­dest teil­wei­se vor einem Durch­bruch. Die­se Pro­gno­se lässt sich damit bele­gen, dass der­zei­ti­ge Bemü­hun­gen sich vor­nehm­lich auf eine mög­lichst intui­ti­ve, simul­ta­ne und repro­du­zier­ba­re Signal­ge­bung für die Pro­the­sen­steue­rung kon­zen­trie­ren. Mit den vor­ge­stell­ten Mus­ter­er­ken­nungs­al­go­rith­men sind hohe Klas­si­fi­zie­rungs­ge­nau­ig­kei­ten für ver­schie­de­ne Greif­ar­ten – wenn auch zur Zeit noch unter Labor­be­din­gun­gen – erreich­bar. Dem­ge­gen­über ist es beson­ders inter­es­sant zu beob­ach­ten, dass mit­tels mecha­ni­scher Imple­men­tie­rung von Kon­troll­in­stan­zen in die Pro­the­se ver­sucht wird der Pro­ble­ma­tik einer kom­ple­xen Pro­the­sen­steue­rung mit gro­ßen Schrit­ten ent­ge­gen­zu­kom­men 84 85. Ein zusätz­li­cher Ent­wick­lungs­schub ist zukünf­tig auch von den immer mehr zuta­ge tre­ten­den Über­schnei­dun­gen zwi­schen Robo­tik und Pro­the­tik zu erwar­ten. Der Ein­zug der Maschi­nen­in­tel­li­genz in die Pro­the­tik der obe­ren Extre­mi­tät scheint gleich­sam nur noch eine Fra­ge der Zeit zu sein.

Für eine dar­über hin­aus­ge­hen­de Ver­bes­se­rung der intui­ti­ven Pro­the­sen­steue­rung wird man nicht umhin­kön­nen zukünf­tig Feed­back­sys­te­me in Pro­the­sen zu inte­grie­ren, womit dem Pati­en­ten dann wie­der eine geschlos­se­ne Rück­kopp­lungs­schlei­fe zur Ver­fü­gung steht (Abb. 5). Aktu­el­le Feed­back­sys­te­me basie­ren aller­dings stets auf der sen­so­ri­schen Sub­sti­tu­ti­on und sind somit weit von einer wirk­lich­keits­na­hen Rück­kopp­lungs­kon­trol­le ent­fernt. Jeder Gedan­ke an eine tech­ni­sche Nach­ah­mung des soma­to­sen­so­ri­schen Sys­tems der Hand – und sei es auch nur in Tei­len – ist auf­grund ihrer für die­sen Zweck wei­test­ge­hend uner­forsch­ten Phy­sio­lo­gie als voll­kom­men abwe­gig zu betrach­ten. Zudem wird der bei der Sub­sti­tu­ti­on not­wen­di­gen Kopp­lung zwi­schen Sen­so­rik und Sti­mu­la­ti­on bis heu­te zu wenig Beach­tung geschenkt, sodass auch hier weit mehr als der heu­ti­ge Ent­wick­lungs­stand not­wen­dig wäre, um von „füh­len­den Pro­the­sen­hän­den“ spre­chen zu können.

Für die Autoren:
Dr. sc. hum. Dipl.-Ing (FH) Eike Jakubowitz
Labor für Bio­me­cha­nik und Biomaterialien
Ortho­pä­di­sche Kli­nik der Medizinischen
Hoch­schu­le Hannover
Anna-von-Bor­ries-Stra­ße 1–7
30625 Han­no­ver
Jakubowitz.Eike@mh-hannover.de

Begut­ach­te­ter Beitrag/reviewed paper

Zita­ti­on
Jaku­bo­witz E, Ket­ten­bach A, Flei­scher-Lück B. Aktu­el­le Ent­wick­lun­gen in der Hand­pro­the­tik – wie nah sind wir wirk­lich an Sen­si­bi­li­tät und Intel­li­genz? Ortho­pä­die Tech­nik, 2018; 69 (7): 30–38
  1. Lake C. The Evo­lu­ti­on of Upper Limb Prost­he­tic Socket Design. J Prost­het Orthot, 2008; 20 (3): 85–92
  2. Schle­sin­ger G. Der mecha­ni­sche Auf­bau der künst­li­chen Glie­der. In: Bor­chardt M, Hart­mann K, Ley­mann, Radi­ke R, Schle­sin­ger G, Schwiening H (Hrsg.). Ersatz­glie­der und Arbeits­hil­fen für Kriegs­be­schä­dig­te und Unfall­ver­letz­te. Ber­lin, Hei­del­berg: Sprin­ger-Ver­lag, 1919: 321–661
  3. Alder­son SW. The electric arm. In: Klop­steg PE, Wil­son PD (eds). Human lim­bs and their sub­sti­tu­tes. New York: McGra­wHill, 1954: 359–410
  4. Wil­son AB. Extern­al­ly powe­red upper-limb prosthe­ses. Prost­he­tic and Ortho­tic Cli­nic News­let­ter, 1978; 2 (1): 1–4
  5. Fin­kel­stein G. Mecha­ni­cal neu­ro­sci­ence: Emil du BoisReymond’s inno­va­tions in theo­ry and prac­ti­ce. Front Syst Neu­ro­sci, 2015; 30 (9): 133
  6. Wil­son AB. Extern­al­ly powe­red upper-limb prosthe­ses. Prost­he­tic and Ortho­tic Cli­nic News­let­ter, 1978; 2 (1): 1–4
  7. Ison M, Artemia­dis P. The role of mus­cle syn­er­gies in myoelectric con­trol: trends and chal­len­ges for simul­ta­ne­ous mul­ti­func­tion con­trol. J Neural Eng, 2014; 11 (5): 051001
  8. Biddiss E, Chau TT. Upper limb prost­he­sis use and aban­don­ment: a sur­vey of the last 25 years. Prost­het Orthot Int, 2007; 31 (3): 236–257
  9. Res­nik L, Huang H, Winslow A, Crouch DL, Zhang F, Wolk N. Eva­lua­ti­on of EMG pat­tern reco­gni­ti­on for upper limb prost­he­sis con­trol: a case stu­dy in com­pa­ri­son with direct myoelectric con­trol. J Neu­ro­eng Reha­bil, 2018; 15 (1): 23
  10. Save­s­cu A, Che­ze L, Wang X, Beu­ri­er G, Ver­riest JP. A 25 degrees of free­dom hand geo­metri­cal model for bet­ter hand atti­tu­de simu­la­ti­on. SAE Tech­ni­cal Paper, 2004: 2196
  11. Li S, He J, Sheng X, Liu H, Zhu X. Syn­er­gy-dri­ven myoelectric con­trol for EMG-based prost­he­tic mani­pu­la­ti­on: A case stu­dy. Int J Human Robot, 2014; 11 (2): 1450013–1–14
  12. Tresch MC, Sal­ti­el P, d’Avella A, Biz­zi E. Coor­di­na­ti­on and loca­liz­a­ti­on in spi­nal motor sys­tems. Brain Res Brain Res Rev, 2002; 40 (1–3): 66–79
  13. Vujakli­ja I, Shal­chy­an V, Kama­vua­ko N, Jiang N, Marateb HR, Fari­na D. Online map­ping of EMG signals into kine­ma­tics by auto­en­co­ding. J Neu­ro­eng Reha­bil, 2018; 15 (1): 21–30
  14. Sche­me E, Eng­le­hart K. Elec­tro­myo­gram pat­tern reco­gni­ti­on for con­trol of powe­red upper-limb prosthe­ses: Sta­te of the art and chal­len­ges for cli­ni­cal use. J Reha­bil Res Dev, 2011; 48 (6): 643–659
  15. Res­nik L, Huang H, Winslow A, Crouch DL, Zhang F, Wolk N. Eva­lua­ti­on of EMG pat­tern reco­gni­ti­on for upper limb prost­he­sis con­trol: a case stu­dy in com­pa­ri­son with direct myoelectric con­trol. J Neu­ro­eng Reha­bil, 2018; 15 (1): 23
  16. Ison M, Artemia­dis P. The role of mus­cle syn­er­gies in myoelectric con­trol: trends and chal­len­ges for simul­ta­ne­ous mul­ti­func­tion con­trol. J Neural Eng, 2014; 11 (5): 051001
  17. Cian­cio AL, Cor­del­la F, Baro­ne R, Romeo RA, Bel­lin­geg­ni AD, Sac­chet­ti R, Daval­li A, Di Pino G, Ranie­ri F, Di Laz­z­a­ro V, Gugliel­mel­li E, Zol­lo L. Con­trol of prost­he­tic hands via the peri­pheral ner­vous sys­tem. Front Neu­ro­sci, 2016; 10: 116
  18. Ison M, Artemia­dis P. The role of mus­cle syn­er­gies in myoelectric con­trol: trends and chal­len­ges for simul­ta­ne­ous mul­ti­func­tion con­trol. J Neural Eng, 2014; 11 (5): 051001
  19. Sche­me E, Eng­le­hart K. Elec­tro­myo­gram pat­tern reco­gni­ti­on for con­trol of powe­red upper-limb prosthe­ses: Sta­te of the art and chal­len­ges for cli­ni­cal use. J Reha­bil Res Dev, 2011; 48 (6): 643–659
  20. Cian­cio AL, Cor­del­la F, Baro­ne R, Romeo RA, Bel­lin­geg­ni AD, Sac­chet­ti R, Daval­li A, Di Pino G, Ranie­ri F, Di Laz­z­a­ro V, Gugliel­mel­li E, Zol­lo L. Con­trol of prost­he­tic hands via the peri­pheral ner­vous sys­tem. Front Neu­ro­sci, 2016; 10: 116
  21. Coapt, LLC (Chi­ca­go, Illi­nois, USA). Coapt Com­ple­te Con­trol. https://www.coaptengineering.com (Zugriff am 20.04.2018)
  22. Kui­ken TA, Bar­low AK, Har­gro­ve L, Duma­ni­an GA. Tar­ge­ted mus­cle rein­ner­va­ti­on for the upper and lower extre­mi­ty. Tech Orthop, 2017; 32 (2): 109–116
  23. Har­gro­ve LJ, Mil­ler LA, Tur­ner K, Kui­ken TA. Myoelectric pat­tern reco­gni­ti­on out­per­forms direct con­trol for trans­hu­me­ral ampu­tees with tar­ge­ted mus­cle rein­ner­va­ti­on: A ran­do­mi­zed cli­ni­cal tri­al. Sci­en­ti­fic Reports, 2017; 7 (1): 13840
  24. Jiang N, Muce­li S, Grai­mann B, Fari­na D. Effect of arm posi­ti­on on the pre­dic­tion of kine­ma­tics from EMG in ampu­tees. Med Biol Eng Com­put, 2013; 51 (1–2): 143–151
  25. Kra­soulis A, Kyra­nou I, Erden MS, Nazar­pour K, Vija­y­a­ku­mar S. Impro­ved prost­he­tic hand con­trol with con­cur­rent use of myoelectric and iner­ti­al mea­su­re­ments. J Neu­ro­eng Reha­bil, 2017; 14 (1): 71
  26. Li X, Samu­el OW, Zhang X, Wang H, Fang P, Li, G. A moti­on-clas­si­fi­ca­ti­on stra­te­gy based on sEMG-EEG signal com­bi­na­ti­on for upper-limb ampu­tees. J Neu­ro­eng Reha­bil, 2017; 14 (1): 2
  27. Leo A, Handja­ras G, Bian­chi M, Mari­no H, Gabic­ci­ni M, Gui­di A, Sci­lin­go EP, Pie­t­ri­ni P, Bic­chi A, San­tel­lo M, Ric­ci­ar­di  E. A syn­er­gy-based hand con­trol is encoded in human motor cor­ti­cal are­as. eLli­fe, 2016; 5: e13420 22.
  28. Sik­dar S, Rang­wa­la H, East­la­ke EB, Hunt IA, Nel­son AJ, Deva­nathan J, Shin A, Pan­cra­zio JJ. Novel method for pre­dic­ting indi­vi­du­al fin­ger move­ments by ima­ging mus­cle acti­vi­ty using a weara­ble ultra­so­nic sys­tem. IEEE Trans Neural Syst Reha­bil Eng, 2014; 22 (1): 69–76
  29. Orten­zi V, Taran­ti­no S, Cas­tel­li­ni C, Cipria­ni, C. Ultra­sound ima­ging for hand prost­he­sis con­trol: A com­pa­ra­ti­ve stu­dy of fea­tures and clas­si­fi­ca­ti­on methods. IEEE Inter­na­tio­nal Con­fe­rence Reha­bi­li­ta­ti­on Robo­tics (ICORR), 2015: 1–6
  30. DeGol J, Akhtar A, Man­ja B, Bretl T. Auto­ma­tic grasp selec­tion using a came­ra in a hand prost­he­sis. Conf Proc IEEE Eng Med Biol Soc, 2016: 431–434
  31. Zhao H, O’Brien K, Li S, She­pherd RF. Optoelec­tro­ni­cal­ly inner­va­ted soft prost­he­tic hand via stret­cha­ble opti­cal wave­gui­des. Sci Robot, 2016; 1: eaai7529
  32. DeGol J, Akhtar A, Man­ja B, Bretl T. Auto­ma­tic grasp selec­tion using a came­ra in a hand prost­he­sis. Conf Proc IEEE Eng Med Biol Soc, 2016: 431–434
  33. Pas­qui­na PF, Evan­ge­lis­ta M, Car­val­ho AJ, Lock­hart J, Grif­fin S, Nanos G, McK­ay P, Han­sen M, Ipsen D, Van­der­sea J, But­kus J, Mil­ler M, Mur­phy I, Hankin D. First in-man demons­tra­ti­on of a ful­ly implan­ted myoelectric sen­sors sys­tem to con­trol an advan­ced elec­tro­me­cha­ni­cal prost­he­tic hand. J Neu­ro­sci Methods, 2015; 244: 85–93
  34. Hah­ne JM, Fari­na D, Jiang N, Lie­be­tanz D. A novel per­cu­ta­ne­ous elec­tro­de implant for impro­ving robust­ness in advan­ced myoelectric con­trol. Front Neu­ro­sci, 2016; 10: 114
  35. Ros­si­ni PM, Mic­e­ra S, Ben­ven­uto A, Car­pa­ne­to J, Caval­lo G, Citi L, Cipria­ni C, Den­a­ro L, Den­a­ro V, Di Pino G, Fer­re­ri F, Gugliel­mel­li E, Hoff­mann KP, Ras­po­po­vic S, Rigo­sa J, Ros­si­ni L, Tom­bi­ni M, Dario P. Dou­ble ner­ve intra­neural inter­face implant on a human ampu­tee for robo­tic hand con­trol. Clin Neu­ro­phy­si­ol, 2010; 121 (5): 777–783
  36. Hoch­berg LR, Bacher D, Jaro­s­ie­wicz B, Mas­se NY, Sime­ral JD, Vogel J, Had­da­din S, Liu J, Cash SS, van der Smagt P, Dono­ghue JP. Reach and grasp by peop­le with tetra­ple­gia using a neu­tral­ly con­trol­led robo­tic arm. Natu­re, 2012; 485 (7398): 372–375
  37. Fifer MS, Acha­rya S, Benz HL, Mol­la­za­deh M, Cro­ne NE, Tha­kor NV. Toward elec­tro­cor­ti­co­gra­phic con­trol of a dex­te­rous upper limb prost­he­sis: buil­ding brain-machi­ne inter­faces. IEEE Pul­se, 2012; 3 (1): 38–42
  38. McG­lo­ne F, Wess­berg J, Olaus­son H. Discri­mi­na­ti­ve and affec­ti­ve touch: sen­sing and fee­ling. Neu­ron, 2014; 82 (4): 737–755
  39. John­son KO. The roles and func­tions of cuta­ne­ous mechano­re­cep­tors. Curr Opin Neu­ro­bi­ol, 2001; 11 (4): 455–461
  40. Tee BC, Chor­tos A, Berndt A, Nguy­en AK, Tom A, ­McGui­re A, Lin ZC, Tien K, Bae WG, Wang H, Mei P, Chou HH, Cui B, Deis­s­eroth K, Ng TN, Bao Z. A skin-inspi­red orga­nic digi­tal mechano­re­cep­tor. Sci­ence, 2015; 350 (6258): 313–316
  41. Yau JM, Kim SS, Tha­kur PH, Bens­ma­ia SJ. Fee­ling form: the neural basis of hap­tic shape per­cep­ti­on. J Neu­ro­phy­si­ol, 2016; 115 (2): 631–642
  42. Visell Y. Tac­ti­le sen­so­ry sub­sti­tu­ti­on: models for enac­tion in HCI. Inter­act Com­put, 2009; 21 (1–2): 38–53
  43. Bat­ta­glia E, Bian­chi M, Alt­o­bel­li A, Grio­li G, ­Cata­la­no M, Serio A, San­tel­lo M, Bic­chi A. Thim­ble­Sen­se: a fin­ger­tip­weara­ble tac­ti­le sen­sor for grasp ana­ly­sis. IEEE Trans Hap­tics, 2016; 9 (1): 121–133
  44. Zhao H, O’Brien K, Li S, She­pherd RF. Optoelec­tro­ni­cal­ly inner­va­ted soft prost­he­tic hand via stret­cha­ble opti­cal wave­gui­des. Sci Robot, 2016; 1: eaai7529
  45. Cata­la­no MG, Grio­li G, Far­nio­li E, Serio A, Piaz­za C, Bic­chi A. Adap­ti­ve syn­er­gies for the design and con­trol of the Pisa/IIT Sof­t­Hand. Int J Robo­tics Res, 2014; 33 (5): 768–782
  46. God­frey S, Bian­chi M, Bic­chi A, San­tel­lo M. Influ­ence of for­ce feed­back on grasp for­ce modu­la­ti­on in prost­he­tic app­li­ca­ti­ons: A preli­mi­na­ry stu­dy. Conf Proc IEEE Eng Med Biol Soc, 2016: 5439–5442
  47. Visell Y. Tac­ti­le sen­so­ry sub­sti­tu­ti­on: models for enac­tion in HCI. Inter­act Com­put, 2009; 21 (1–2): 38–53
  48. Wit­te­ve­en HJ, Riet­man HS, Vel­tink PH. Vibrot­ac­ti­le grasping for­ce and hand aper­tu­re feed­back for myoelectric fore­arm prost­he­sis users. Prost­het Orthot Int, 2015; 39 (3): 204–212
  49. Wit­te­ve­en HJ, Riet­man HS, Vel­tink PH. Vibrot­ac­ti­le grasping for­ce and hand aper­tu­re feed­back for myoelectric fore­arm prost­he­sis users. Prost­het Orthot Int, 2015; 39 (3): 204–212
  50. Wit­te­ve­en HJ, de Rond L, Riet­man JS, Vel­tink PH. Hando­pe­ning feed­back for myoelectric fore­arm prosthe­ses: Per­for­mance in vir­tu­al grasping tasks influ­en­ced by dif­fe­rent levels of dis­trac­tion. J Reha­bil Res Dev, 2012; 49 (10): 1517–1526
  51. Raveh E, Port­noy S, Fried­man J. Adding vibrot­ac­ti­le feed­back to a myoelectric-con­trol­led hand impro­ves per­for­mance when online visu­al feed­back is dis­tur­bed. Hum Mov Sci, 2018; 58: 32–40
  52. Wit­te­ve­en HJ, Riet­man HS, Vel­tink PH. Vibrot­ac­ti­le grasping for­ce and hand aper­tu­re feed­back for myoelectric fore­arm prost­he­sis users. Prost­het Orthot Int, 2015; 39 (3): 204–212
  53. Wit­te­ve­en HJ, de Rond L, Riet­man JS, Vel­tink PH. Hando­pe­ning feed­back for myoelectric fore­arm prosthe­ses: Per­for­mance in vir­tu­al grasping tasks influ­en­ced by dif­fe­rent levels of dis­trac­tion. J Reha­bil Res Dev, 2012; 49 (10): 1517–1526
  54. Raveh E, Port­noy S, Fried­man J. Adding vibrot­ac­ti­le feed­back to a myoelectric-con­trol­led hand impro­ves per­for­mance when online visu­al feed­back is dis­tur­bed. Hum Mov Sci, 2018; 58: 32–40
  55. Wit­te­ve­en HJ, Riet­man HS, Vel­tink PH. Vibrot­ac­ti­le grasping for­ce and hand aper­tu­re feed­back for myoelectric fore­arm prost­he­sis users. Prost­het Orthot Int, 2015; 39 (3): 204–212
  56. Wit­te­ve­en HJ, Riet­man HS, Vel­tink PH. Vibrot­ac­ti­le grasping for­ce and hand aper­tu­re feed­back for myoelectric fore­arm prost­he­sis users. Prost­het Orthot Int, 2015; 39 (3): 204–212
  57. Wit­te­ve­en HJ, de Rond L, Riet­man JS, Vel­tink PH. Hando­pe­ning feed­back for myoelectric fore­arm prosthe­ses: Per­for­mance in vir­tu­al grasping tasks influ­en­ced by dif­fe­rent levels of dis­trac­tion. J Reha­bil Res Dev, 2012; 49 (10): 1517–1526
  58. Raveh E, Port­noy S, Fried­man J. Adding vibrot­ac­ti­le feed­back to a myoelectric-con­trol­led hand impro­ves per­for­mance when online visu­al feed­back is dis­tur­bed. Hum Mov Sci, 2018; 58: 32–40
  59. Wit­te­ve­en HJ, Riet­man HS, Vel­tink PH. Vibrot­ac­ti­le grasping for­ce and hand aper­tu­re feed­back for myoelectric fore­arm prost­he­sis users. Prost­het Orthot Int, 2015; 39 (3): 204–212
  60. Wit­te­ve­en HJ, de Rond L, Riet­man JS, Vel­tink PH. Hando­pe­ning feed­back for myoelectric fore­arm prosthe­ses: Per­for­mance in vir­tu­al grasping tasks influ­en­ced by dif­fe­rent levels of dis­trac­tion. J Reha­bil Res Dev, 2012; 49 (10): 1517–1526
  61. Raveh E, Port­noy S, Fried­man J. Adding vibrot­ac­ti­le feed­back to a myoelectric-con­trol­led hand impro­ves per­for­mance when online visu­al feed­back is dis­tur­bed. Hum Mov Sci, 2018; 58: 32–40
  62. Ger­ma­ny EI, Pino EJ, Aque­ve­que PE. Myoelectric intui­ti­ve con­trol and trans­cu­ta­ne­ous electri­cal sti­mu­la­ti­on of the fore­arm for vibrot­ac­ti­le sen­sa­ti­on feed­back app­lied to a 3D prin­ted prost­he­tic hand. Conf Proc IEEE Eng Med Biol Soc, 2016: 5046–5050
  63. Whee­ler J, Bark K, Savall J, Cut­kos­ky M. Inves­ti­ga­ti­on of rota­tio­nal skin stretch for pro­prio­cep­ti­ve feed­back with app­li­ca­ti­on to myoelectric sys­tems. IEEE Trans Neural Syst Reha­bil Eng, 2010; 18 (1): 58–66
  64. God­frey S, Bian­chi M, Bic­chi A, San­tel­lo M. Influ­ence of for­ce feed­back on grasp for­ce modu­la­ti­on in prost­he­tic app­li­ca­ti­ons: A preli­mi­na­ry stu­dy. Conf Proc IEEE Eng Med Biol Soc, 2016: 5439–5442
  65. Whee­ler J, Bark K, Savall J, Cut­kos­ky M. Inves­ti­ga­ti­on of rota­tio­nal skin stretch for pro­prio­cep­ti­ve feed­back with app­li­ca­ti­on to myoelectric sys­tems. IEEE Trans Neural Syst Reha­bil Eng, 2010; 18 (1): 58–66
  66. Whee­ler J, Bark K, Savall J, Cut­kos­ky M. Inves­ti­ga­ti­on of rota­tio­nal skin stretch for pro­prio­cep­ti­ve feed­back with app­li­ca­ti­on to myoelectric sys­tems. IEEE Trans Neural Syst Reha­bil Eng, 2010; 18 (1): 58–66
  67. Visell Y. Tac­ti­le sen­so­ry sub­sti­tu­ti­on: models for enac­tion in HCI. Inter­act Com­put, 2009; 21 (1–2): 38–53
  68. Espi­au B, Chau­met­te F and Rives P. A new approach to visu­al ser­voing in robo­tics. IEEE Tran­sac­tions on Robo­tics and Auto­ma­ti­on, 1992; 8 (3): 313–326
  69. León B, Mora­les A, San­cho-Bru J. Robot grasping foun­da­ti­ons. In: León B, Mora­les A, San­cho-Bru J (eds). From robot to human grasping simu­la­ti­on. Cham: Sprin­ger-Ver­lag, 2014: 15–31
  70. Bohg J, John­son-Rober­son M, Leon B, Felip J,Gratal X, Berg­strom N, Kra­gic D, Mora­les A. Mind the gap – robo­tic grasping under incom­ple­te obser­va­ti­on. 2011 IEEE Inter­na­tio­nal Con­fe­rence on Robo­tics and Auto­ma­ti­on, 2011: 686–693
  71. Nami­ki A, Imai Y, Ishi­ka­wa M, Kaneko M. Deve­lo­p­ment of a high-speed mul­ti­fin­ge­red hand sys­tem and its app­li­ca­ti­on to catching. Pro­cee­dings of the 2003 IEEE/RSJ Inter­na­tio­nal Con­fe­rence on Intel­li­gent Robots and Sys­tems, 2003; 3: 2666–2671
  72. Saxe­na A, Drie­mey­er J, Ng AY. Robo­tic grasping of novel objects using visi­on. Int J Robo­tics Res, 2008; 27 (2): 157–173
  73. Pin­to L, Gupta A. Super­si­zing self-super­vi­si­on: Lear­ning to grasp from 50K tri­es and 700 robot hours. IEEE Inter­na­tio­nal Con­fe­rence on Robo­tics and Auto­ma­ti­on, 2016: 3406–3413
  74. Levi­ne S, Pas­tor P, Kriz­hevs­ky A, Ibarz J, Quil­len D. Lear­ning hand-eye coor­di­na­ti­on for robo­tic grasping with deep lear­ning and lar­ge-sca­le data collec­tion. Int J Robo­tics Res, 2017: arXiv:1603.02199
  75. Had­da­din S, Had­da­din S, Khou­ry A, Rokahr T, Paru­sel S, Burg­kart R, Bic­chi A, Albu-Schäf­fer A. On making robots under­stand safe­ty: Embed­ding inju­ry know­ledge into con­trol. Int J Robo­tics Res, 2012; 31 (13): 1578–1602
  76. Bic­chi A. Hands for dex­te­rous mani­pu­la­ti­on and robust grasping: A dif­fi­cult road towards sim­pli­ci­ty. IEEE Tran­sac­tions on Robo­tics and Auto­ma­ti­on, 2000; 16 (6): 652–662
  77. Bir­g­len L, Gos­se­lin C, Lali­ber­té T. Under­ac­tua­ted Robo­tic Hands. Machi­ne Intel­li­gence & Robo­tic Con­trol, 2002: 4 (3): 1–11
  78. Cio­car­lie M, Gold­fe­der C, Allen P. Dex­te­rous grasping via eigen­grasps: A low-dimen­sio­nal approach to a high-com­ple­xi­ty pro­blem. Pro­cee­dings of the robo­tics: sci­ence and sys­tems 2007 mani­pu­la­ting work­shop – Sen­sing and adap­ting to the real world, 2007: 3270–3275
  79. Cata­la­no MG, Grio­li G, Far­nio­li E, Serio A, Piaz­za C, Bic­chi A. Adap­ti­ve syn­er­gies for the design and con­trol of the Pisa/IIT Sof­t­Hand. Int J Robo­tics Res, 2014; 33 (5): 768–782
  80. Bic­chi A, Gabic­ci­ni M, San­tel­lo M. Model­ling natu­ral and arti­fi­cial hands with syn­er­gies. Phi­los Trans R Soc Lond B Biol Sci, 2011; 366 (1581): 3153–3161
  81. Brown CY, Asa­da HH. Inter-fin­ger coor­di­na­ti­on and pos­tu­ral syn­er­gies in robot hands via mecha­ni­cal imple­men­ta­ti­on of princi­pal com­pon­ents ana­ly­sis. Pro­cee­dings of the 2003 IEEE/RSJ Inter­na­tio­nal Con­fe­rence on Intel­li­gent Robots and Sys­tems, 2007: 2877–2882
  82. Cata­la­no MG, Grio­li G, Far­nio­li E, Serio A, Piaz­za C, Bic­chi A. Adap­ti­ve syn­er­gies for the design and con­trol of the Pisa/IIT Sof­t­Hand. Int J Robo­tics Res, 2014; 33 (5): 768–782
  83. Ros­si M, Del­la San­ti­na C, Piaz­za C, Grio­li G, Cata­la­no M, Bic­chi A. Preli­mi­na­ry results toward a natu­ral­ly con­trol­led mult­do­ne_­Breie­ri-syn­er­gistic prost­he­tic hand. IEEE Int Conf Reha­bil Robot, 2017: 1356–1363
  84. Cata­la­no MG, Grio­li G, Far­nio­li E, Serio A, Piaz­za C, Bic­chi A. Adap­ti­ve syn­er­gies for the design and con­trol of the Pisa/IIT Sof­t­Hand. Int J Robo­tics Res, 2014; 33 (5): 768–782
  85. Ros­si M, Del­la San­ti­na C, Piaz­za C, Grio­li G, Cata­la­no M, Bic­chi A. Preli­mi­na­ry results toward a natu­ral­ly con­trol­led mul­ti-syn­er­gistic prost­he­tic hand. IEEE Int Conf Reha­bil Robot, 2017: 1356–1363
Tei­len Sie die­sen Inhalt
Anzeige