Nieuwe technologie zorgt voor natuurlijk gebruik prothese arm
ArrayIn een onlangs gepubliceerd artikel in the Journal of Neural Engineering hebben onderzoekers van de Universiteit Twente (NL), in samenwerking met het Imperial College London (UK) en de Universiteit van Aalborg (DK), een volledig nieuwe aanpak gepresenteerd. Deze nieuwe aanpak zorgt ervoor dat het aansturen van een prothese meer natuurlijk aanvoelt voor de gebruikers. De technologie is gebaseerd op spier-skelet-modellen en biedt een alternatief voor het gebruikelijke machine learning.
Prothese arm
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 methodologieën 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
In een recent paper (M. Sartori et al, Universiteit Twente) stelde een internationaal team van wetenschappers een alternatieve oplossing voor machine learning voor.
Het idee bestond uit het creëren van een gedetailleerd digitaal model van de geamputeerde arm (de fantoomarm), inclusief de organische weefsels. Een dergelijk digitaal model omvatte de nauwkeurige beschrijving van de verloren spieren, pezen en gewrichtsverbindingen. De onderzoekers registreerden de EMG-signalen van de resterende onderarm na amputatie. Deze signalen werden vervolgens gebruikt om te bepalen hoe de virtuele spieren in het model zouden worden geactiveerd en welke beweging door de virtuele fantoomarm zou worden geproduceerd. Deze voorspelde beweging, werd vervolgens in realtime doorgegeven aan de robotprothese. Dit zorgde ervoor dat de prothetische arm als een natuurlijk verlengstuk van het eigen lichaam gebruikt kon worden.
EMG-patroon
Met behulp van deze nieuwe technologie 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.
Deze prestatie kan aanzienlijke klinische voordelen hebben, omdat het in het dagelijks leven van de gebruiker bijdraagt aan een groter gevoel van eigenaarschap over- en acceptatie van- geavanceerde robotprothesen als vervangend lichaamsdeel.
Transradiaal geamputeerd
Het experiment werd 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.
De volledige studie is gepubliceerd op Journal of Neural Engineering:
- Massimo Sartori, Guillaume Durandau, Strahinja Dosen, Dario Farina. “Robust simultaneous myoelectric control of multiple degrees of freedom in wrist-hand prostheses by real-time neuromusculoskeletal modeling”. Journal of Neural Engineering. 2018.
- Web: http://iopscience.iop.org/article/10.1088/1741-2552/aae26b/meta
Bron: Universiteit Twente
