Pat­tern Reco­gni­ti­on – Funk­ti­ons­ver­bes­se­rung bei der Ansteue­rung moder­ner Armprothesen

P. M. Göbel, J. Kalmar, H.-W. van Vliet
Multifunktionale Armprothesen bieten immer mehr Freiheitsgrade, wobei in der Regel der Prothesenanwender mit herkömmlicher Zweielektrodensteuerung gezwungen ist, zwischen den Gelenken durch z. B. Muskel-Kokontraktion sequenziell umzuschalten. In der täglichen Anwendung erfordert dies jedoch die Bewältigung stark "nichtlinearen“ Verhaltens zur Auswahl eines Gelenks, was sich weder als intuitiv noch als bequem für den Anwender darstellt. Er muss sich zudem das zuletzt verwendete Gelenk merken, um komplexere Aufgaben zügig durchführen zu können. Die Anwendung von Mustererkennung für die Prothesensteuerung hingegen macht ein Ansteuern von Prothesenfunktionen ohne lästiges Umschalten möglich. Der Prothesenanwender kann dabei auf verschiedene Kontraktionsmuster zurückgreifen, die ihm von der Steuerung parallel zur Verfügung gestellt werden. Gleichzeitig wird das Gehirn des Anwenders unterstützt, um sich leichter zu reorganisieren und durch die ihm innewohnende Plastizität das nun "lineare“ Verhalten – mittelfristig – in den Cortex zu integrieren. Nicht verschwiegen werden sollte dabei jedoch der zusätzlich benötigte Trainingsaufwand für den Anwender. Die Otto Bock Healthcare Products GmbH in Wien (OBHC) hat sich deshalb im Zuge eines EU-Forschungsprojekts unter anderem mit den Möglichkeiten auseinandergesetzt, wie der Trainingsaufwand durch gezielte Maßnahmen und mit Unterstützung durch geeignete Tools effektiv reduziert werden kann. Das Ergebnis dieser Entwicklung ist ein umfassendes Amputation-Care-Konzept, das auch den individuellen Anforderungen und Ausprägungen von Amputierten Rechnung trägt. In diesem Aufsatz wird gezeigt, wie eine Vielzahl individueller Anforderungen erfolgreich auf nur drei im Forschungsprojekt identifizierte Ausprägungen reduziert werden kann.

Ein­füh­rung

Mul­ti­funk­tio­na­le Pro­the­sen (wie z. B. das Sys­tem “Michelangelo®-Hand Advan­ced Prost­he­sis“ von Otto Bock Health­ca­re Pro­ducts GmbH, Deutsch­land, die ilimb Hand von Touch Bio­nics, Groß­bri­tan­ni­en, die be-bio­nics Hand von RSLS­tee­per, Groß­bri­tan­ni­en, oder die Vin­cent-Hand von der Vin­cent Sys­tems GmbH, Deutsch­land, um nur eini­ge kom­mer­zi­ell erhält­li­che zu nen­nen) bie­ten dem Pro­the­sen­an­wen­der immer mehr Funk­tio­na­li­tät, z. B. Hand­ge­lenks­ro­ta­ti­on, ‑fle­xi­on, diver­se Grif­fe, Griff­mus­ter, ein­zeln steu­er­ba­re Fin­ger usw.

Bei einer klas­si­schen Zwei­elek­tro­den­steue­rung muss der Anwen­der aller­dings zwi­schen Gelen­ken (z. B. mit Kokon­trak­ti­on) umschal­ten und sich so sequen­zi­ell von Gelenk zu Gelenk vor­tas­ten, um die­ses zu steu­ern 1. Um ein ande­res Gelenk als das gera­de akti­ve aus­zu­wäh­len, muss er sich an das zuletzt akti­ve Gelenk erin­nern und eine Rei­he von Gelenks­um­schal­tun­gen vor­neh­men, um die Kon­trol­le über das gewünsch­te Gelenk zu erlan­gen. Die­se Art von Bedie­nung erweist sich also als nicht sehr intui­tiv, kom­pli­ziert und auch umständlich.

Eine Mus­ter­er­ken­nung dage­gen ver­wen­det immer meh­re­re Elek­tro­den in Form einer Array-Anord­nung, die zir­ku­lar um einen Arm gelegt wird. Für acht aus­zu­füh­ren­de Funk­tio­nen sind acht Elek­tro­den sinn­voll – einer­seits aus mathe­ma­ti­scher Sicht, um ein gut defi­nier­tes linea­res Sys­tem zu bil­den, ande­rer­seits aus Sicht einer geo­me­trisch gut defi­nier­ten Abtas­tung. Die Abstän­de der Elek­tro­den sol­len näm­lich mit den Respon­se­funk­tio­nen der Mus­keln der­art har­mo­nie­ren, dass die­se Respon­se­funk­tio­nen noch über­lap­pend von benach­bar­ten Elek­tro­den erfasst wer­den kön­nen. Das stei­gert die Red­un­danz und damit die Betriebs­si­cher­heit der EMG-Auf­nah­men. Für ein Array in Ver­bin­dung mit Mus­ter­er­ken­nung gilt wie sonst auch, dass das Gan­ze nicht bloß die Sum­me der Kom­po­nen­ten ist.

Aus neu­ro­mo­to­ri­scher Sicht bewirkt Umschal­ten ein stark nicht­li­nea­res Ver­hal­ten im Umgang mit der Pro­the­se, was eben­falls vom natür­li­chen Ver­hal­ten einer intak­ten Glied­ma­ße weit ent­fernt erscheint. Im Gegen­satz dazu zeigt die direk­te Ansteue­rung von Pro­the­sen­funk­tio­nen durch dezi­dier­te und selek­ti­ve Mus­kel­be­we­gun­gen ein linea­res Ver­hal­ten (d. h. ohne Umschal­ten), das – wenn es über län­ge­re Zeit nach­hal­tig ange­wen­det wird – leicht durch die Plas­ti­zi­tät des Anwen­der­ge­hirns zur Inte­gra­ti­on die­ser Ansteue­rungs­ak­tio­nen in den Motor-Sys­tem-Cor­tex füh­ren kann 2. Der Anwen­der muss dann nicht mehr an Kon­trak­tio­nen und Sequen­zen den­ken, um bestimm­te Bewe­gun­gen der Pro­the­se aus­zu­füh­ren, weil er sei­ne künst­li­chen Gelen­ke ein­fach so bewe­gen kann, als ob es sei­ne eige­nen wären 3. Erreicht wer­den kann dies durch spe­zi­fi­sches Mus­kel­trai­ning, das Phan­tom­be­we­gun­gen als Aus­gangs­punkt für die Gewin­nung von “Mus­tern“ aus den EMG-Signa­len des Elek­tro­denar­rays her­an­zieht. Dem­nach wer­den für jede ver­ein­bar­te Phan­tom­be­we­gung bestimm­te Mus­ter der Steue­rung gelernt, die dann im Betrieb der Pro­the­se vom Steue­rungs­sys­tem wie­der­erkannt wer­den 4.

Die Otto Bock Health­ca­re Pro­ducts GmbH in Wien (OBHC) hat sich des­halb in den letz­ten vier Jah­ren im Zuge eines EU-For­schungs­pro­jekts (AMYO – Advan­ced Myoelectric Con­trol of Prost­he­tic Sys­tems) unter ande­rem mit den Mög­lich­kei­ten aus­ein­an­der­ge­setzt, wie der Trai­nings­auf­wand durch geziel­te Maß­nah­men und mit Unter­stüt­zung durch geeig­ne­te Tools effek­tiv redu­ziert wer­den kann. Das Ergeb­nis die­ser Ent­wick­lung ist ein umfas­sen­des Ampu­ta­ti­on-Care-Kon­zept (Abb. 1), das auch den indi­vi­du­el­len Anfor­de­run­gen und Aus­prä­gun­gen von Ampu­tier­ten Rech­nung trägt. Das Kon­zept setzt sich mit dem gesam­ten Ampu­ta­ti­ons- bzw. Ver­sor­gungs­pro­zess aus­ein­an­der und besteht aus vier Pha­sen, wobei Pha­se III in zwei Unter­pha­sen auf­ge­teilt ist, da es sich als vor­teil­haft erwie­sen hat, zwi­schen Test-Trai­ning und Anwen­der-Trai­ning zu unter­schei­den. Begin­nend mit Pha­se I, der vor­chir­ur­gi­schen Pha­se, wer­den bereits vor der Behand­lung EMG-Daten und der erziel­ba­re Bewe­gungs­um­fang (engl. “ran­ge of moti­on“ = “ROM“) des Pati­en­ten mit Hil­fe einer Hybrid-Pro­the­se vom Ärz­te­team erho­ben und doku­men­tiert, natür­lich nur, sofern es sich nicht um einen akut-trau­ma­ti­schen Fall han­delt. Pha­se II wird in der Regel im Reha­bi­li­ta­ti­ons­zen­trum wahr­ge­nom­men und beschäf­tigt sich mit dem Auf­bau des Pati­en­ten, sowohl in phy­si­scher (d. h. Mus­kel­auf­bau, Bewe­gungs­ler­nen) als auch in psy­chi­scher Hin­sicht (d. h. Unter­stüt­zung, um mit der stark ver­än­der­ten Lebens­si­tua­ti­on fer­tig zu wer­den). Mit geziel­tem Mus­kel­trai­ning wird Mus­kel­mas­se auf­ge­baut. Bewe­gungs­trai­ning berei­tet auf die Steue­rung einer Pro­the­se vor. Pha­se IIIa stellt die moto­ri­schen Fähig­kei­ten des Pro­the­sen­an­wen­ders fest und gestat­tet die Aus­wahl der geeig­ne­ten Trai­nings­the­ra­pie. Pha­se IIIb ist dem eigent­li­chen Anwen­der­trai­ning gewid­met und hat zum Ziel, den Anwen­der wei­ter auf­zu­bau­en und sei­ne spe­zi­fi­schen Fähig­kei­ten zu opti­mie­ren. Die in die­sem Bei­trag beschrie­be­nen Metho­den sind prin­zi­pi­ell in allen Pha­sen anwend­bar, in die­ser Pha­se wer­den sie ver­stärkt ange­wandt und kom­bi­niert, um unter­scheid­ba­re und gut wie­der­hol­ba­re Phan­tom­be­we­gun­gen mit dem Pro­the­sen­an­wen­der zu ent­wi­ckeln. Pha­se IV ist dem Maschi­nen­ler­nen und dem eigent­li­chen Pro­the­sen­an­pas­sungs­pro­zess gewid­met; hier­bei wird ein wei­te­res Bewe­gungs­trai­ning mit dem Ziel absol­viert, alle Para­me­ter für einen ord­nungs­ge­mä­ßen Betrieb der Pro­the­se fest­zu­le­gen, damit die Ver­sor­gung durch­ge­führt wer­den kann. Es hat sich gezeigt, dass sich ein direk­ter Über­gang von Pha­se II zu Pha­se IV in den meis­ten Fäl­len als unzu­rei­chend erweist, da ohne spe­zi­fi­sches Auf­bau­trai­ning beim Pro­the­sen­an­wen­der Defi­zi­te bestehen blei­ben, was zu einer unbe­frie­di­gen­den Pro­the­sen­funk­ti­on führt.

Das Trai­ning

Wie schon in Goe­bel et al. 5 beschrie­ben, wird für das Trai­ning visu­el­les Feed­back ein­ge­setzt, was dem Pro­the­sen­an­wen­der feh­len­de Rück­mel­dung der Pro­prio­zep­ti­on durch eine geeig­ne­te visu­el­le Anzei­ge (natür­lich nur teil­wei­se) ersetzt. Die feh­len­de Rück­mel­dung ist auf die meist ange­wand­te Ope­ra­ti­ons­tech­nik “Myo­dese“ zurück­zu­füh­ren (d. h., freie Mus­kel­en­den wer­den am Kno­chen befes­tigt, wodurch kei­ne Län­gen­än­de­run­gen mehr erfol­gen, die sonst über die Mus­kel-Spin­del rück­ge­mel­det wer­den würden).

Metho­de

Für jede gewünsch­te Pro­the­sen­be­we­gung wird also ein “Mus­ter“ gelernt. Das Ler­nen von Mus­tern erfolgt in zwei Etap­pen nach dem Best-Prac­ti­ce­Prin­zip: 1) “Human Lear­ning“ oder “Human­ler­nen“ – der Pro­the­sen­an­wen­der muss ler­nen, sei­ne Mus­ter mit mög­lichst hoher Prä­zi­si­on wie­der­hol­bar aus­zu­füh­ren und Ähn­lich­kei­ten zwi­schen Mus­tern ver­schie­de­ner Bewe­gun­gen zu mini­mie­ren; 2) “Machi­ne Lear­ning“ oder “Maschi­nen­ler­nen“ – EMG-Signa­le, die reprä­sen­ta­tiv für alle abzu­de­cken­den Betriebs­fäl­le der Pro­the­se gel­ten kön­nen, müs­sen wäh­rend eines spe­zi­el­len Pro­the­sen­an­wen­der­trai­nings auf­ge­zeich­net wer­den, um für das Maschi­nen­trai­ning der Mus­ter­er­ken­nungs­al­go­rith­men als Daten zur Ver­fü­gung zu ste­hen. Die­se Daten wer­den in ein soge­nann­tes Trai­nings­set und in ein Test­set auf­ge­teilt, wobei Ers­te­res für die Para­me­trie­rung der Mus­ter­er­ken­nung Ver­wen­dung fin­det und Letz­te­res zur Veri­fi­ka­ti­on der Para­me­trie­rung her­an­ge­zo­gen wird.

Mus­ter­er­ken­nung kann ver­ein­facht als das “Eti­ket­tie­ren einer Men­ge von Daten auf­grund von sta­tis­ti­schen Merk­ma­len“ beschrie­ben wer­den. Mus­ter­er­ken­nung kann durch Klas­si­fi­ka­ti­on, also durch eine Metho­de zur Eti­ket­tie­rung von EMG-Signal­mus­tern in Bewe­gungs­ka­te­go­rien, oder durch die Bil­dung eines Regres­si­ons­mo­del­les, das den Zusam­men­hang zwi­schen EMG-Signal­mus­tern und Bewe­gungs­ka­te­go­rien abbil­det, rea­li­siert wer­den. Auf Klas­si­fi­ka­ti­on beru­hen­de Lösun­gen sind tech­nisch zwar ein­fa­cher zu rea­li­sie­ren, bie­ten jedoch prak­tisch kei­ne Mög­lich­keit, auch nur zwei Gelen­ke simul­tan zu bewe­gen, da das dahin­ter­ste­hen­de impli­zi­te Modell rein aus Trai­nings­da­ten gebil­det wer­den müss­te. Das wie­der­um wür­de bedeu­ten, dass auch die kom­bi­nier­ten Bewe­gun­gen vom Anwen­der trai­niert wer­den müss­ten, was den Trai­nings­auf­wand dras­tisch in die Höhe schrau­ben wür­de. Lösun­gen auf Regres­si­ons­ba­sis bedie­nen sich eines expli­zi­ten Modells, das schon von Haus aus weni­ger Trai­nings­da­ten benö­tigt, um die glei­chen Eigen­schaf­ten zu errei­chen, die eine klas­si­fi­zie­rer­ba­sier­te Lösung bie­ten wür­de. Es sind hier weit­aus robus­te­re und viel­fäl­ti­ge­re Alter­na­ti­ven mög­lich, doch sind der­zeit erst Pro­to­ty­pen mit Erfolg im aka­de­mi­schen Umfeld rea­li­siert wor­den, sie­he etwa Amsuess et al. 6.

Varia­bi­li­tät

Bei vie­len Pro­the­sen­an­wen­dern und spe­zi­ell bei frisch Ampu­tier­ten ist die Sta­bi­li­tät die­ser wei­ter oben erwähn­ten Merk­ma­le oft nicht beson­ders gut aus­ge­prägt; am häu­figs­ten kann der Ampu­tier­te die Mus­ter nicht prä­zi­se genug wie­der­ho­len, oder die ver­schie­de­nen Bewe­gun­gen sind nicht ein­deu­tig trenn­bar (d. h. Über­lap­pen der Muster).

Es kann auch sein, dass neu auf­ge­nom­me­ne Daten mit bereits trai­nier­ten Mus­tern vom sel­ben Tag der Auf­nah­me aus­ge­zeich­net erkenn­bar sind, dass jedoch zwei Tage oder eine Woche spä­ter ein­zel­ne oder auch meh­re­re Bewe­gun­gen nicht mehr hin­rei­chend erkannt wer­den. Grund dafür ist das soge­nann­te Data­set-Shift-Pro­blem, das Vido­vic et al. 7 jüngst in einer Stu­die ana­ly­siert haben, bei dem die sta­tis­ti­schen Ver­tei­lun­gen der zum Maschi­nen­ler­nen ver­wen­de­ten Daten und die gera­de eben auf­ge­nom­me­nen Daten zu unter­schied­lich wer­den. Dies kann durch einen klei­nen Elek­tro­den­ver­satz, der beim Able­gen und neu­er­li­chem Anle­gen der Pro­the­se ent­steht, durch Schweiß­bil­dung auf der Haut­ober­flä­che, das Heben schwe­rer Las­ten und auch durch ver­schie­de­ne Arm­po­si­tio­nen, die nicht expli­zit trai­niert wur­den, pas­sie­ren. Die Aus­wahl der zum Maschi­nen­ler­nen ver­wen­de­ten Daten ist dafür aus­schlag­ge­bend. Wer­den alle Ein­fluss­fak­to­ren bei der Zusam­men­stel­lung des Trai­nings­sets inklu­diert, ist man auf der siche­ren Sei­te, da die sta­tis­ti­sche Ver­tei­lung rela­tiv breit aus­fällt. In Abbil­dung 2 sind drei Bei­spie­le von Ver­tei­lun­gen ver­schie­de­nen Daten­um­fangs dar­ge­stellt – eine (zu) schma­le Ver­tei­lung, eine (zu) brei­te Ver­tei­lung und eine opti­ma­le Ver­tei­lung. Die schma­le (engl. “small“) Ver­tei­lung (in Rot), also mit­tels sehr kur­zen Trai­nings gebil­det, erweist sich bereits bei einer gerin­gen Ver­schie­bung des Test­da­ten­sets (in Magenta­rot) als unzu­rei­chend, um eine ein­wand­freie Funk­ti­on der Steue­rung zu gewähr­leis­ten. Die brei­te (engl. “huge“) Ver­tei­lung (in Schwarz) über­deckt zwar groß­zü­gig die Ver­schie­bung, ist jedoch rela­tiv auf­wen­dig in der Gene­rie­rung, weil die­se Daten ja vom Anwen­der trai­niert wer­den müss­ten. Das hin­rei­chen­de (engl. “suf­fi­ci­ent“) Trai­nings­set (in Blau) bil­det einen gesun­den Kom­pro­miss zwi­schen Auf­wand und Nut­zen und über­deckt die Ver­schie­bung gera­de so, dass die­se nur wenig Ein­fluss auf die Mus­ter­er­ken­nung neh­men kann, was aber von den durch sorg­sa­me Trai­nings­aus­wahl auf­ge­bau­ten Red­un­dan­zen leicht, also ohne Fehl­funk­ti­on für die Pro­the­se, ver­kraf­tet wer­den kann.

Prak­ti­sche Durchführung

Zur bes­se­ren Ana­ly­se und Defi­nie­rung von Stan­dard-Ope­ra­ti­ons­pro­ze­du­ren (SOP) wer­den Pro­the­sen­an­wen­der nach ihren Bewe­gungs­mög­lich­kei­ten durch ein Test­trai­ning ein­ge­stuft. Ent­spre­chend dem Wunsch des Anwen­ders nach der Anzahl der zu errei­chen­den Steue­rungs­funk­tio­nen wird anhand eines Test­trai­nings ein Trai­nings­plan auf­ge­stellt und beschrit­ten. Unter­su­chun­gen an einer Grup­pe von zwölf Pro­the­sen­an­wen­dern erga­ben grob drei zu unter­schei­den­de Aus­prä­gun­gen der Steu­er­fä­hig­kei­ten der Anwen­der, die unter­schied­li­che Vor­gangs­wei­sen erfordern:

  1. “unch­an­ged“, wenn kei­ne wei­te­ren Maß­nah­men zu tref­fen sind, um Kon­trak­tio­nen und erzeug­te Mus­ter des Pro­the­sen­an­wen­ders zu verbessern;
  2. “adap­ti­ve“, wenn klei­ne Ergän­zun­gen zu Phan­tom­be­we­gun­gen aus­rei­chend sind (z. B. wei­te­re Fin­ger­be­we­gung ergän­zen), um Mus­ter­über­lap­pun­gen zu vermeiden;
  3. “alter­na­ti­ve“, wenn alle Phan­tom­be­we­gun­gen am bes­ten von Grund auf neu auf­ge­baut wer­den müs­sen (d. h. Anwen­dung von Mus­ter-Design) – wird auch als “Re-Edu­ca­ti­on“ von Phan­tom­be­we­gun­gen bezeichnet.

Wie kann nun rasch ent­schie­den wer­den, wel­che Steu­er­fä­hig­kei­ten ein ange­hen­der Pro­the­sen­an­wen­der mit­bringt und wel­cher Trai­nings­plan indi­vi­du­ell die bes­ten Resul­ta­te erbringt? Dazu wur­de im For­schungs­pro­jekt bei OBHC eine Tool­box erstellt, die Unter­stüt­zung für das Trai­ning, sowohl fürs Maschi­nen­ler­nen als auch fürs Human­ler­nen, bie­ten soll.

Tool­box

In der Tool­box sind meh­re­re Visua­li­sie­rungs­tools ent­hal­ten, die auf­ein­an­der auf­bau­en bzw. sich in ihrer Aus­sa­ge ergänzen:

    1. Elek­tro­den-Sche­ren­git­ter 8, ein selbst­jus­tie­ren­der Elek­tro­den­trä­ger, der für sehr frü­hes Trai­ning oder Trai­ning gedacht ist, wenn noch kein Pro­the­sen­schaft zur Ver­fü­gung steht oder die Hei­lung noch nicht so weit fort­ge­schrit­ten ist, dass ein Schaft ange­legt wer­den kann. Im spä­te­ren Trai­nings­ver­lauf ist die Ver­wen­dung eines defi­ni­ti­ven Innen­schafts von Vor­teil, da damit die Posi­tio­nie­rung immer in glei­cher Wei­se gege­ben ist.
    2. Online-Polar­plot-Visua­li­sie­rung von EMG-Signal­mus­tern (Abb. 3). Ein Polar­plot zeigt sinn­ge­mäß einen dista­len (d. h. in Rich­tung zur Hand) Schnitt durch den Arm, mit dem Elek­tro­denar­ray am Außen­kreis. Es kann ein MRI-Bild über­la­gert wer­den, um die Posi­tio­nen der ein­zel­nen Mus­keln (Tab. 1) zu visua­li­sie­ren. In Abbil­dung 3 sind zusätz­lich nied­rig­di­men­sio­na­le EMG-Mus­ter eines Anwen­ders dar­ge­stellt, wobei die Far­ben mit der Legen­de rechts oben im Bild kor­re­spon­die­ren. Damit wird es dem The­ra­peu­ten ermög­licht, auch nicht­stan­dar­di­sier­te Phan­tom­be­we­gun­gen mit dem Pro­the­sen­an­wen­der gemein­sam zu ent­wi­ckeln und so die erzeug­ten Mus­ter zu opti­mie­ren. Im Polar­plot kön­nen Über­lap­pun­gen zwi­schen Bewe­gungs­klas­sen leicht abge­le­sen wer­den. In Abbil­dung 4 wur­den z. B. alle Bewe­gun­gen für “Oppo­si­ti­ons­griff“ eines Trai­nings über­ein­an­der geplot­tet (in Blau). Der dar­aus ermit­tel­te Mit­tel­wert ist in Grün dar­ge­stellt, die Vari­anz in Rot bzw. Magenta­rot. Der blaue Bereich visua­li­siert somit die “Aus­rei­ßer“, die aus dem insta­bi­len Ver­hal­ten des Pro­the­sen­an­wen­ders her­rüh­ren. Für das Maschi­nen­ler­nen sind die Mit­tel­wer­te aus­schlag­ge­bend, wäh­rend die Aus­rei­ßer durch das Human­ler­nen ver­rin­gert wer­den soll­ten. Für den Fall von Typ-II-Anwen­dern kön­nen adap­tier­te Phan­tom­be­we­gun­gen ent­wi­ckelt wer­den, indem zunächst eine von zwei sich über­lap­pen­den Bewe­gun­gen durch Hin­zu­nah­me einer wei­te­ren Phan­tom­be­we­gung (z. B. Wrist Exten­si­on “nach links oben“) der­art ver­än­dert wird, dass hin­rei­chen­de Unter­schie­de zwi­schen den Mus­tern ent­ste­hen. Es darf dabei natür­lich zu kei­nen neu­en Über­lap­pun­gen kom­men. Um mit einem Typ-III-Anwen­der neue Bewe­gungs­mus­ter zu kon­stru­ie­ren, wer­den alle bis dato ver­wen­de­ten Phan­tom­be­we­gun­gen am bes­ten ver­ges­sen, und der Anwen­der bekommt die Auf­ga­be, jede der acht Elek­tro­den­po­si­tio­nen am Ska­len­kreis außen nach und nach anzu­steu­ern. Dazu erhält er vom The­ra­peu­ten Phan­tom­be­we­gungs­vor­schlä­ge für jede Posi­ti­on, die er dann selbst­stän­dig umzu­set­zen ver­sucht. Der The­ra­peut beob­ach­tet die Bemü­hun­gen des Anwen­ders lau­fend und kann wei­te­re Hin­wei­se geben, um die Mus­ter zu ver­än­dern. Hat der Anwen­der eine gute Steu­er­mög­lich­keit für die aktu­el­le Elek­tro­den­po­si­ti­on gefun­den, wird an die­ser Posi­ti­on wei­ter geübt, bis etwa 100 Kon­trak­tio­nen erreicht wer­den. Die Art, wie der Anwen­der die­se Kon­trak­tio­nen erreicht hat, wird mit sei­nen Wor­ten mög­lichst aus­führ­lich nie­der­ge­schrie­ben und das so erreich­te Mus­ter abge­spei­chert. Dann geht man zur nächs­ten Elek­tro­de über und beginnt mit der Metho­de von vorn. Nach einem Umlauf wird wie­der bei der ers­ten Elek­tro­den­po­si­ti­on begon­nen, die nie­der­ge­schrie­be­nen Maß­nah­men zu wie­der­ho­len, und mit dem zuvor gespei­cher­ten Mus­ter über­la­gert. Typi­scher­wei­se wer­den klei­ne­re Kor­rek­tu­ren durch den The­ra­peu­ten not­wen­dig sein, um die Mus­ter zu repro­du­zie­ren. Die­ser Ablauf wird dann wei­ter wie­der­holt, bis der Anwen­der begin­nen­de Ermü­dungs­er­schei­nun­gen zeigt oder nicht mehr wei­ter­ma­chen will. Idea­ler­wei­se wird die Pro­ze­dur pro Woche min­des­tens drei Mal wie­der­holt und jeder Tag doku­men­tiert. Es soll­te typi­scher­wei­se dem Anwen­der immer leich­ter fal­len, die pas­sen­den Bewe­gun­gen selbst­stän­dig anzu­wen­den, und die Kon­trak­ti­ons­stär­ken soll­ten auto­ma­tisch, also ohne expli­zi­te Anwei­sung vom The­ra­peu­ten, grö­ßer werden.
    3. Die Visua­li­sie­rung des hoch­di­men­sio­na­len Merk­mals­raums (Abb. 5) mit der Dimen­si­on = Elek­tro­den­an­zahl * sta­tis­ti­sche Merk­ma­le (typisch 8 * 4 = 32) wird durch eine Pro­jek­ti­on auf drei Dimen­sio­nen her­ab ermög­licht. So erhält man einen Ein­druck, was im Merk­mals­raum pas­siert. Bei noch nicht gut trai­nier­ten Anwen­dern sieht der Merk­mals­raum eher chao­tisch aus (im Bild oben), wäh­rend bei gut trai­nier­ten Anwen­dern (im Bild unten) die trai­nier­ten Bewe­gun­gen sich als kom­pak­te, lang­ge­zo­ge­ne Punkt­wol­ken ent­wi­ckeln 9. Im Merk­mals­raum ent­spricht jeder Far­be eine Bewe­gungs­art (WS = Rot; WP = Vio­lett; WE = Grün; WF = Gelb; HO = Pink; KG = Grau; FP = Braun, sie­he auch Tabel­le 1). Man sieht deut­lich, dass im Bild unten (nach dem Trai­ning) die Punkt­wol­ken wesent­lich kom­pak­ter aus­ge­bil­det und prak­tisch kei­ne Über­lap­pun­gen mehr vor­han­den sind.
    4. Der Item Respon­se Model Score 10 (Abb. 6) ist ein psy­cho­me­tri­scher Test, der im Wesent­li­chen die Pro­por­tio­nal­steu­er­fä­hig­kei­ten des Anwen­ders im Ver­gleich mit Nicht­am­pu­tier­ten fest­stellt und damit die Fra­ge objek­ti­vie­ren kann, wie gut ein Anwen­der bereits steu­ern kann. Im Bild zu sehen ist links oben die Test­grup­pe von Nicht­am­pu­tier­ten, die alle dem Visu­al-Feed­back-Para­dig­ma 11 folg­ten und deren Fehl­be­we­gun­gen in die Sta­tis­tik über die Schwie­rig­keit von Bewe­gungs­vor­ga­ben (Item-Dif­fi­cul­ty) über­nom­men wur­den. Wenn ein Pro­the­sen­an­wen­der nun die glei­che Men­ge von Bewe­gungs­vor­ga­ben absol­viert, kann aus der Dif­fe­renz der Fehl­be­we­gun­gen zur Popu­la­ti­ons­sta­tis­tik ein rela­ti­ver Score für ihn berech­net wer­den, der in fünf Klas­sen (1 = aus­ge­zeich­net; 2 = gut; 3 = mit­tel­mä­ßig; 4 = schlecht; 5 = nicht geeig­net) sei­ne Pro­por­tio­nal­steu­er­fä­hig­keit wider­spie­gelt. Ab einem Score von 2 gilt der Anwen­der als hin­rei­chend fähig, eine Pro­the­se zu steu­ern, ein Score von 3 zeigt ein Defi­zit, das durch wei­te­res Trai­ning aber aus­ge­gli­chen wer­den kann. Eben­so kann mit einem Score von 4 und 5 ver­fah­ren wer­den; wenn sich aber kei­ne Ver­bes­se­run­gen erge­ben, soll­te über­prüft wer­den, ob nicht eine kon­ven­tio­nel­le Pro­the­se bes­ser für den Anwen­der geeig­net ist.

Ergeb­nis­se

Da im For­schungs­pro­jekt die Daten von zwölf Ampu­tier­ten zur Ver­fü­gung stan­den, konn­te das hier­in vor­ge­stell­te Trai­nings­ver­fah­ren anhand die­ser Daten erprobt wer­den. Im Fol­gen­den wer­den End­re­sul­ta­te dar­aus prä­sen­tiert – von je einem beson­ders mar­kan­ten Ampu­tier­ten nach Typ I und II, detail­lier­ter für den kom­ple­xes­ten Typ III.

      • Der nach Typ I bewer­te­te Anwen­der — I) unch­an­ged – erreich­te nach fünf­ma­li­gem Trai­ning eine Stei­ge­rung sei­ner Pro­por­tio­nal­steue­rungs­fä­hig­kei­ten und eine mitt­le­re Klas­si­fi­ka­ti­ons­ra­te von 97.3 % mit einem Total Score von 2.06 (gut) 12.
      • Der nach Typ II bewer­te­te Anwen­der — II) adap­ti­ve – benö­tig­te 6 Trai­nings und stei­ger­te sei­ne mitt­le­re Klas­si­fi­ka­ti­ons­ra­te von 86.8 auf 97.9 % und sei­nen Total Score von 2.38 auf 2.21 (gut).
      • Der nach Typ III bewer­te­te Anwen­der — III) alter­na­ti­ve (sie­he Abb. 5 und 7) – erreich­te zu Anfang eine mitt­le­re Klas­si­fi­ka­ti­ons­ra­te von 86.5 % und einen IRT-Score von 3.81, der sich pri­mär aus feh­len­dem Pro­por­tio­na­li­täts­trai­ning erklärt, sein Total Score lag bei 4.22. Nach dem Mus­ter-Design erfolg­te eine Beschrän­kung auf die Aus­bil­dung von fünf Bewe­gun­gen; damit wur­de eine mitt­le­re Klas­si­fi­ka­ti­ons­ra­te von 99.1 %, ein IRT-Score von 3.53 und ein Total Score von 3.55 erreicht, der nun mit wei­te­rem Pro­por­tio­na­li­täts­trai­ning ver­bes­sert wird. Im Bild (sie­he Abb. 7) obe­re Rei­he: Situa­ti­on des Anwen­ders vor dem “Alternate“-Training. Man sieht deut­lich, dass prak­tisch alle Mus­ter der ver­schie­de­nen Bewe­gun­gen gerin­gen Mus­ter­ab­stand von­ein­an­der haben, ja es über­lap­pen sich beson­ders die mit Krei­sen mar­kier­ten Mus­ter. Des­halb wur­de der Anwen­der als Typ III ein­ge­stuft. Unte­re Rei­he: Ergeb­nis des “Alternate“-Trainings – nun tre­ten die Mus­ter deut­lich ver­schie­den auf, und die Streu­ung inner­halb einer Bewe­gungs­klas­se ist auch deut­lich redu­ziert wor­den. Mit die­sem Ergeb­nis konn­te der Anwen­der nun eine Michelangelo®-Hand mit Axon­Ro­ta­ti­on erfolg­reich und ohne Umschal­ten steuern.

Kon­klu­si­on

Ziel der Arbeit von OBHC ist es, intui­ti­ve Steue­run­gen für neue bio­ni­sche Kör­per­tei­le zu ent­wi­ckeln. For­schun­gen bei OBHC haben erge­ben, dass die Trenn­bar­keit der Mus­ter ein wesent­li­cher Fak­tor für den robus­ten Betrieb einer Pro­the­se ist und dies sehr stark von den moto­ri­schen Mög­lich­kei­ten des Pro­the­sen­an­wen­ders abhängt. Wenn die­se unter eine gewis­se Gren­ze fällt, kann kei­ne auch noch so intel­li­gen­te Maschi­nen­lern­me­tho­de Abhil­fe schaf­fen, weil Ampu­tier­te oft die­sel­ben Mus­keln bei unter­schied­li­chen Bewe­gun­gen mit­be­we­gen. Ein wei­te­rer Punkt ist eine man­geln­de Wie­der­hol­bar­keit der Mus­ter. Bei­des kann damit erklärt wer­den, dass das kor­ti­ka­le inne­re Bewe­gungs­mo­dell an die neue Situa­ti­on “ampu­tiert“ nicht ange­passt ist und somit gespei­cher­te neu­ro­na­le Para­me­ter, die vor der Ampu­ta­ti­on rich­tig waren, bedingt durch das Trau­ma oder auch erfolg­te Ope­ra­tio­nen (z. B. TMR, Mus­kel­trans­plan­ta­ti­on, neu­ro­lo­gi­sche Schä­den usw.) nun ein­fach falsch sind. Um eine Pro­the­se zu steu­ern, müs­sen Ampu­tier­te ler­nen, gut trenn­ba­re Mus­ter mit hin­rei­chen­der Wie­der­hol­gü­te aus­zu­füh­ren. Das kann durch aus­führ­li­ches Mus­kel­trai­ning und Anpas­sung von Phan­tom­be­we­gun­gen für jede ange­streb­te Pro­the­sen­be­we­gung mit visu­el­lem Feed­back trai­niert wer­den. OBHC wird die­se Metho­de in der Fol­ge kon­se­quent wei­ter­ent­wi­ckeln, um best­mög­li­che Ver­sor­gungs­un­ter­stüt­zung für Ortho­pä­die-Tech­ni­ker und Anwen­der auch in Zukunft anbie­ten zu können.

Für die Autoren:
Peter Micha­el Goebel
Otto Bock Health­ca­re Pro­ducts GmbH
Kai­ser­stra­ße 39
A‑1070 Wien
Öster­reich
peter.goebel@ottobock.com

Begut­ach­te­ter Beitrag/reviewed paper

Zita­ti­on
Göbel PM, Kal­mar J, van Vliet HW. Pat­tern Reco­gni­ti­on – Funk­ti­ons­ver­bes­se­rung bei der Ansteue­rung moder­ner Arm­pro­the­sen. Ortho­pä­die Tech­nik, 2015; 66 (6): 52–59

 

  1. Goe­bel P, et al. Visu­el­les Bio­feed­back für anwen­der­ori­en­tier­tes Trai­ning und Steue­rung von mul­ti­funk­tio­na­len Ober­flä­chen-EMG Pro­the­sen. Ortho­pä­die Tech­nik, 2013; 64 (2): 38–44
  2. Rama­chand­ran VS, et al. The per­cep­ti­on of phan­tom lim­bs: The D. O. Hebb lec­tu­re. Brain, 1998; 121 (9): 1605–1630
  3. Mose­ley GL, et al. Inter­de­pen­dence of move­ment and ana­to­my per­sist when ampu­tees learn a phy­sio­lo­gi­cal­ly impos­si­ble move­ment of their phan­tom limb. PNAS, 2009; 106 (44): 18798–18802
  4. Goe­bel P, et al. Visu­el­les Bio­feed­back für anwen­der­ori­en­tier­tes Trai­ning und Steue­rung von mul­ti­funk­tio­na­len Ober­flä­chen-EMG Pro­the­sen. Ortho­pä­die Tech­nik, 2013; 64 (2): 38–44
  5. Goe­bel P, et al. Visu­el­les Bio­feed­back für anwen­der­ori­en­tier­tes Trai­ning und Steue­rung von mul­ti­funk­tio­na­len Ober­flä­chen-EMG Pro­the­sen. Ortho­pä­die Tech­nik, 2013; 64 (2): 38–44
  6. Amsuess S, Gobel P, Grai­mann B, Fari­na D. A Mul­ti-Class Pro­por­tio­nal Myo­con­trol Algo­rithm for Upper Limb Prost­he­sis Con­trol: Vali­da­ti­on in Real-Life Sce­n­a­ri­os on Ampu­tees. IEEE Trans Neural Syst Reha­bil Eng, 2014 Oct 3 [Epub ahead of print] 
  7. Vido­vic M, et al. Cova­ria­te Shift Adap­t­ati­on in EMG Pat­tern Reco­gni­ti­on for Prost­he­tic Device Con­trol. Engi­nee­ring in Medi­ci­ne and Bio­lo­gy Socie­ty (EMBC), 36th Annu­al Inter­na­tio­nal Con­fe­rence of the IEEE, 26–30 Aug. 2014. Con­fe­rence pro­cee­dings, 2014: 4370, 4373
  8. Goe­bel P, et al. Visu­el­les Bio­feed­back für anwen­der­ori­en­tier­tes Trai­ning und Steue­rung von mul­ti­funk­tio­na­len Ober­flä­chen-EMG Pro­the­sen. Ortho­pä­die Tech­nik, 2013; 64 (2): 38–44
  9. Goe­bel P, et al. Visu­el­les Bio­feed­back für anwen­der­ori­en­tier­tes Trai­ning und Steue­rung von mul­ti­funk­tio­na­len Ober­flä­chen-EMG Pro­the­sen. Ortho­pä­die Tech­nik, 2013; 64 (2): 38–44
  10. Ge N, et al. Eva­lua­ting Upper-Limb EMG-Prost­he­sis User Per­for­mance by Com­bi­ning Psy­cho­metric Mea­su­res and Clas­si­fi­ca­ti­on-Rates. Pro­cee­dings of the 6th IEEE EMBS Con­fe­rence on Neural Engi­nee­ring, San Die­go, CA, 2013: 359–362
  11. Goe­bel P, et al. Visu­el­les Bio­feed­back für anwen­der­ori­en­tier­tes Trai­ning und Steue­rung von mul­ti­funk­tio­na­len Ober­flä­chen-EMG Pro­the­sen. Ortho­pä­die Tech­nik, 2013; 64 (2): 38–44
  12. Ge N, et al. Eva­lua­ting Upper-Limb EMG-Prost­he­sis User Per­for­mance by Com­bi­ning Psy­cho­metric Mea­su­res and Clas­si­fi­ca­ti­on-Rates. Pro­cee­dings of the 6th IEEE EMBS Con­fe­rence on Neural Engi­nee­ring, San Die­go, CA, 2013: 359–362
Tei­len Sie die­sen Inhalt
Anzeige