pte20250429007 in Forschung

Handprothese mit Zusatzsignal werkt präziser

University of California, Davis: Fortschritt durch Kombination von elektrischen und Kraftsignalen


Peyton Young trainiert mit Armmanschette und Handprothese (Foto: Greg Urquiaga, ucdavis.edu)
Peyton Young trainiert mit Armmanschette und Handprothese (Foto: Greg Urquiaga, ucdavis.edu)

Davis (pte007/29.04.2025/06:15)

Forscher der University of California, Davis setzen bei ihrer neuen Handprothese als zusätzliches Signal das Muskelspiel ein, das die nicht mehr vorhandene Hand bewegen würde. Neben der Elektromyografie (EMG) nutzen Jonathon Schofield und sein Doktorand Peyton Young die Kraftmyografie (FMG), also die Signale, die durch das An- und Abschwellen der Muskeln im Unterarm ausgelöst werden.

Sensoren und Maschinenlernen

"Mithilfe von Sensoren und maschinellem Lernen können wir erwünschte Bewegungen anhand der Muskelaktivität erkennen. EMG-basierte Steuerungen funktionieren gut im Labor, doch wenn Sie ihren Arm in eine andere Position bringen - beispielsweise auf Schulterhöhe oder über den Kopf - oder Gegenstände mit unterschiedlichem Gewicht greifen, ändern sich die Messwerte", so Schofield. Das gehe zulasten der Präzision der Bewegungen.

"In der realen Welt ändert sich die Messung jedes Mal, wenn sich die Hand bewegt und etwas greift. Die neutrale Position, in der die Hand passiv neben dem Körper schlenkert, unterscheidet sich stark von der bewegten Hand", ergänzt Young. Um dieses Problem zu lösen, haben die Forscher mit FMG, der Messung allein und in Kombination mit EMG, experimentiert.

Tests mit Unterarm-Manschetten

Young konstruierte eine Manschette, die um den Unterarm gelegt wird und sowohl EMG- als auch FMG-Sensoren enthält. Er hat dieses Gerät mit einer Reihe von gesunden Freiwilligen im Labor genutzt, die damit eine Reihe von Armbewegungen ausführten, während die Teilnehmer unterschiedliche Lasten mit verschiedenen Handgriffen hielten.

Die Daten haben die Forscher in einen maschinellen Lernalgorithmus eingespeist, um Bewegungen wie Kneifen, Greifen und Zusammenballen zu einer Faust zu klassifizieren. Den Algorithmus trainierten sie entweder mit EMG- oder FMG-Signalen allein oder mit einer Kombination aus beiden. Die Kombination aus EMG und FMG zeigte eine Präzision der Bewegungen von über 97 Prozent, verglichen mit 92 Prozent für FMG allein und 83 Prozent für EMG allein.

(Ende)
Aussender: pressetext.redaktion
Ansprechpartner: Wolfgang Kempkens
Tel.: +43-1-81140-300
E-Mail: kempkens@pressetext.com
Website: www.pressetext.com
|