Digitaal spier-skelet-model zorgt voor natuurlijk gebruik prothese arm (video)

Onderzoekers van de UT, het Imperial College London en de Universiteit van Aalborg kunnen het aansturen van een prothese meer natuurlijk laten aanvoelen voor de gebruikers. De technologie is gebaseerd op spier-skelet-modellen en biedt een alternatief voor het gebruikelijke machine learning.

Wereldwijd zijn er miljoenen mensen die een deel van hun lichaam niet kunnen gebruiken als gevolg van een amputatie. Geavanceerde robotische oplossingen zorgen in deze situaties voor een onmiddellijk herstel van de motorische vaardigheden. Ondanks de vooruitgang op vele gebieden, bieden de huidige prothesen slechts beperkte functionaliteit aan hun gebruikers.

Menselijke bewegingen ontstaan doordat elektrische impulsen vanuit de hersenen naar spieren worden gestuurd. Een surrogaat van deze hersensignalen kan worden geregistreerd, in de vorm van elektromyogrammen (EMG’s), door gebruik van electroden die op de huid worden geplaatst.

Beschikbare oplossingen

Bij mensen met een geamputeerde arm kunnen EMG-signalen gemeten worden vanuit de overgebleven spieren na de amputatie. Deze signalen worden gebruikt om de prothese in realtime aan te sturen. Gevestigde methodes zijn afhankelijk van machine learning, waarbij algoritmen patronen detecteren in EMG-signalen die kenmerkend zijn voor een bepaalde beweging. Deze algoritmen leren het verband te leggen tussen bepaalde EMG-signalen en een specifieke beweging. Zodra een EMG-patroon wordt gedetecteerd, kan dit worden geassocieerd met een beweging van de prothese.
Ondanks wijdverspreid gebruik, zijn algoritmen voor machine learning echter gevoelig voor veranderingen in EMG-eigenschappen als gevolg van ruis, plaatsing van elektroden en spiervermoeidheid. Om het gebruik van de prothese te beheersen moet de gebruiker leren om systematisch zeer verschillende EMG-patronen te produceren; iets dat niet altijd mogelijk is. Dit type technologie biedt daardoor vaak een beperkte betrouwbaarheid en wordt om deze reden minder gebruikt door mensen met een armamputatie.

Alternatieve oplossing

Het nu gepresenteerde alternatief bestaat uit een gedetailleerd digitaal model van de geamputeerde arm (de fantoomarm), inclusief de organische weefsels. Het model omvat de nauwkeurige beschrijving van de verloren spieren, pezen en gewrichtsverbindingen. De onderzoekers registreren de EMG-signalen van de resterende onderarm na amputatie en gebruiken deze signalen om te bepalen hoe de virtuele spieren in het model moeten worden geactiveerd en welke beweging door de virtuele fantoomarm moet worden geproduceerd. Deze voorspelde beweging wordt vervolgens realtime doorgegeven aan de robotprothese, wat ervoor zorgt dat de prothetische arm als een natuurlijk verlengstuk van het eigen lichaam gebruikt kan worden.

In de tests hoefde de proefpersoon geen specifiek vooraf gedefinieerd EMG-patroon te reproduceren, zoals vereist bij het gebruik van de machine learning technologie. In plaats daarvan moest de persoon zich eenvoudigweg voorstellen, de eigen fantoomarm te bewegen waarna en een dergelijke beweging nauwkeurig werd vastgelegd en uitgevoerd door de prothese.

Het experiment is uitgevoerd op drie (intacte) proefpersonen en één transradiaal geamputeerde proefpersoon, die het vermogen toonden een groot bewegingsrepertoire uit te voeren dat een uitdaging vormt voor de modernste methoden. Na deze eerste experimenten zijn de auteurs van plan om een klinisch onderzoek met een groot aantal patiënten uit te voeren.