In diesem Modul sollen zwei verschiedene Versorgungsmöglichkeiten in der Prothetik für die obere Extremität vorgestellt werden. Zum einen die Versorgung auf Basis von Targeted Muscle Reinnervation (TMR) und zum anderen die Versorgung auf Basis von Pattern Recognition. TMR ist dabei wahrscheinlich die momentan bekanntere Versorgung. Bei dieser Versorgung spricht man oft auch von der „gedankengesteuerten“ Prothese. Bei der Versorgung mit Pattern Recognition nennt man die Prothese im Volksmund auch die „lernende“ Prothese. Was genau dahinter steht, soll in diesem Modul geklärt werden.

Abbildung 1: Die Freiheitsgrade im Arm

Unsere Technik von heute ist sehr fortgeschritten. Wir bauen Roboter, die sich nicht nur bewegen können, sondern auch sprechen können, auf Fragen antworten können und vieles mehr. Viele Arbeiten werden automatisiert und von Robotern ersetzt, da sie besser, genauer und zuverlässiger arbeiten. Man sollte also davon ausgehen, dass wenn wir eine Prothese benötigen, wir eine bessere, genauere und zuverlässigere Extremität bekommen, als wir vorher hatten. Dies ist allerdings überhaupt nicht der Fall. Ganz im Gegenteil haben Prothesenträger viele Schwierigkeiten mit ihren Prothesen. Dies liegt aber nicht daran, dass wir technisch keine gute Prothese erstellen könnten. Das Problem ist, dass wir die Prothese nicht ansteuern können. Wir haben in unserem Arm sehr viele Freiheitsgrade (FG) siehe Abbildung 1. Zusammen sind dies über 30 FG im gesamten Arm. Bei einer klassischen myoelektischen Versorgung wird mit 2 Elektroden gearbeitet, was bedeutet, dass 2 Signale verarbeitet werden können, womit man einen Freiheitsgrad abbilden kann (zum Beispiel Drehung der Hand). Um weitere Freiheitsgrade ansteuern zu können, muss man in andere Programme wechseln. Dies bedeutet, dass wir zu einem Zeitpunkt immer nur einen Freiheitsgrad ansteuern können. Dieses Problem soll nun mit TMR und Pattern Recognition gemindert werden. Bei TMR können mehr Muskeln angesteuert werden, wodurch mehr Signale verarbeitet werden können. Hat man statt 2 Elektroden, 4 Elektroden, so kann man schon 2 FG simultan ausführen. Bei der Methode mit Pattern Recognition können sogar noch mehr FG abgebildet werden, da es dort nicht auf die Anzahl von ansteuerbaren Muskeln ankommt, sondern auf „patterns“ (dt. Muster), sehr vereinfacht gesagt auf Kombinationen von Muskelsignalen.

Was zum Beispiel möglich ist, wenn man solche Methoden anwendet, könnt ihr euch in folgendem Video anschauen.

verfasst von D. Wedeking

Multifunktionale Prothesen brauchen ein neuronales Interface, das die motorischen Befehle für die fehlende Extremität aufnimmt, die gewollte Bewegungen decodiert und den Befehl an diese erteilt. Dieses Interface kann in zwei verschiedenen Orten hergestellt werden: dem Gehirn (Gehirn-Maschine/Gehirn-Computer-Interface) oder den peripheren Nerven (peripheres Nerven-Interface). Targeted Muscle Reinnervation (TMR) ist ein chirurgisches Verfahren, das Zugriff auf die Informationen über die Bewegungssteuerung der fehlenden Extremität bereitstellt. Münch(2010) definiert die TMR als eine zielgruppengeführte Wiederherstellung der nervalen Versorgung durch Nervenregeneration. Dieser Prozess ist möglich, weil nach einer Amputation Nervenstämmen funktionslos bleiben und keine Muskel mehr innervieren. Außerdem bilden sich aus diesen Nervenstämmen Neurome, die zu sehr starken Schmerzen führen können.

Die Nerven des Plexus Brachialis übertragen die Informationen um die Arme, die Hände und die Finger zu bewegen. Diese Signale sind nach einer Amputation nicht mehr zugänglich. Die TMR-Methode bietet durch die Reinnervation von Zielmuskel wieder Zugriff auf diese Informationen.

Zwei zugrunde liegende Merkmale der neuromuskulären Physiologie erklären das Konzept der TMR(Gordon T, 1986; Davis L A & Gordon T, 1978; Dhillon GS, 2004):
1. Studien an Tieren und Menschen haben gezeigt, dass auch nach der Amputation von Extremitäten das Gehirn Steuersignale durch die abgetrennten Nerven weiter überträgt.
2. Tierstudien haben gezeigt, dass die durchtrennten Nerven verschiedenen (nicht-native) Muskeln innervieren können, und dass diese Muskeln in Reaktion auf die Signale der „neuen“ Nerven kontrahieren.

Wichtig ist also, dass wir eine gute Reinnervation der Zielmuskeln erlangen. Dafür ist zum Beispiel wichtig, dass der Zielmuskel zunächst denerviert wird, damit der Muskel auch nur auf die „neuen“ Nerven reagiert. Ebenso wichtig für eine erfolgreiche TMR-Versorgung ist, dass ein starkes, unabhängiges EMG-Signal vom Patienten erzeugt werden kann. Dafür werden die Zielmuskeln physisch voneinander getrennt und Fettgewebe zwischen Muskel und Haut wird teilweise entfernt.

Die TMR Operation erfordert ein Verständnis über die Anatomie und Funktionen der vier großen infraklavikulären Zweige des Plexus Brachialis. Die in der TMR Operation beteiligte Nerven sind (Dumanian GA, 2009; Gregory A. Dumanian, 2016):

Abbildung 2: Mögliche Zielmuskeln und ihre Nerven, Quelle: Kuiken et al., 2007

• -N. Musculocutaneus → Beugung vom Ellenbogen;
• -N. Radialis→ Streckung vom Ellenbogen, Supination, Extension vom Handgelenk und Hand(öffnen);
• -N. Medianus → Bewegung der Hand, Flexion vom Handgelenk;
• -N. Ulnaris → Pronation und Flexion Handgelenk und Hand(schließen).

Durch TMR wird die Steuerung der Prothese intuitiver, weil die übertragenen Nerven Steuersignale zur fehlenden Extremität leiten: versucht der Patient die fehlende Extremität zu bewegen, erzeugen EMG-Signale entsprechende Bewegungen in der Prothese. TMR kann Neuromabildung verhindern oder verringern, indem ein denervierter Muskel Ziel für die durchtrennten Nerven darstellt – der Nerv kann in diesen Muskel hineinwachsen (Otto Bock HealthCare Deutschland GmbH, 2016). TMR ermöglicht, dass Axone sich regenerieren und in den Zielmuskel wachsen, anstatt dass ein Neurom gebildet wird. Mit anderen Worten, gibt TMR die Möglichkeit, dass abgetrennte Nerven wieder einen Platz finden und wieder eine Funktion bekommen. Die Patienten, die von der TMR-Methode profitieren können, müssen vor maximal 10 Jahren am Oberarm oder an der Schulter amputiert worden sein. Bei angeborenen oder degenerativen Krankheiten aber auch Paralyse kann die TMR-Methode nicht angewendet werden.

Die TMR-Operation erlaubt die Erzeugung von mindestens zwei weiteren Kontrollstellen im oberarmamputierte Patienten und bis zu vier Stellen für Patienten mit Schulterdisartikulation, abhängig von der Anzahl der Nervenübertragungen in neue Zielmuskeln. Die richtige Prothesenversorgung, inklusive Komponentenauswahl und Socket-Design, ist notwendig, damit Anwender alle möglichen Vorteile des TMR verwenden können. Die prothetische Versorgung von TMR Patienten stellt einige Herausforderungen (Kuiken TA, Li G, 2009; Miller A. Laura, 2016 ):

• -Ermittlung optimaler Standorte für zusätzliche Kontrollstellen;
• -Platzieren von zusätzlichen Elektroden;
• -Trennung und Stärkung der Signale der reinnervierten Muskeln.

Die Zusammenarbeit zwischen erfahrenen Orthopädie-Technikern und Ärzten ist sehr wichtig. Neben einer sorgfältigen Montage der Prothese vor und nach der TMR Operation, müssen auch die Veränderungen bei der Gerätesteuerung während des Reinnervationsprozesses berücksichtigt werden. Die endgültige Platzierung der Elektroden sollte frühestens sechs Monate nach der Operation stattfinden. Sobald die Reinnervation sich stabilisiert hat, kann ein Myotest durchgeführt werden, bei dem durch EMG-Messung, die am besten geeigneten Stellen für die Elektroden im Schaft ermittelt werden. Damit kann dann die prothetische Versorgung mit der Komponentenauswahl und dem Training beginnen (Kuiken TA, Li G, 2009).

Das Training ist ein sehr langer Prozess, der in den verschiedenen Phasen, unterschiedliche Ziele hat. Am Anfang fokusiert sich das Training auf die Stärkung der relevanten Muskel für die myoelektrischen Prothesensteuerung und auf die Vorstellungen bestimmter Bewegungen. Ab der 10. Woche nach der OP werden die unabhängigen und isolierten Bewegungen geübt, als Vorbereitung auf den Einbau der neuen Prothese. In der letzten Phase (ungefähr ab der 20. Woche nach der OP) wird die Steuerung der neuen Prothese trainiert (Stubblefield A. Kathy, 2016).

Dr. Todd A. Kuiken beschäftigte sich mehrere Jahre mit EMG-Signal und Studien an Tieren bevor er die TMR Methode entwickelte. Die erste Operation erfolgte im Jahr 2002 und seitdem wurden an dem „Rehabilitation Hospital“ in Chicago mehr als 100 Patienten nach dieser Methode operiert.
In Europa wurde die TMR-Methode zum ersten Mal 2010 in Wien durchgeführt. Der Patient war linksseitig oberarmamputiert und litt unter starken Schmerzen durch Neuroma, auch nach Entfernung dieser. Nach einer vierstündigen Operation wurden vier Muskelgruppen am linken Oberarmstumpf mit bisher funktionslosen Nervenstämmen neu innerviert.

Der Patient konnte nach der OP noch seine alte Prothese tragen und steuern. Nach drei Monaten war die Reinnervation in früheren und mittleren Stadion und die Muskelkontraktion gut isolierbar. Ab diesem Zeitpunkt wurden mehrere Testschäfte probiert, um alle sechs Bewegungen (die zwei alten und die vier neuen) anzusteuern. Dabei wurde die Trennung der Signale geübt, um diese Prothese simultan ansteuern zu können (z.B. Beugung Ellenbogen + Öffnung der Hand und Streckung Ellenbogen + Hand schließen). Allerdings ging auch ein Nachteil mit der Versorgung einher: Wegen dem Wachstum der Nerven in den Muskeln, klagte der Patient für ca. ein Jahr über stromschlagähnlichen Schmerzen (Münch Th, 2013).

verfasst von S. Di Benedetto

Die EMG-Mustererkennung basiert, wie auch TMR, auf der Messung elektrischer Spannung. Die Spannung, welche sich im Bereich von wenigen Millivolt bewegt, wird durch Muskelaktivität erzeugt und an der Hautoberfläche von Elektroden aufgenommen. Mehr zu EMG hier:mmb03

Diese Eigenschaft wird genutzt um mit Hilfe mehrerer Elektroden im Bereich der Amputation Signalmuster zu detektieren, welche intuitiv in eine Bewegung der Prothese umgesetzt werden können. Der folgenden Link zeigt eine mögliche Anordnung von mehreren Elektroden. Die Anzahl und Ausrichtung der Elektroden hängt von verschiedenen Faktoren ab, was hier aber nicht thematisiert werden soll.

Das Konzept dahinter verlangt ein System welches die Informationen des EMG-Signals in reproduzierbare Informationen verarbeitet und diese einer Bewegung der Prothese zuordnet. Diese Zuordnungen werden in einer Trainingsphase dem System angelernt. Im Alltag sollen dann die Muster erkannt werden und die Prothese entsprechend steuern. Der Zuordnung unterliegt ein Signalverarbeitungsalgorithmus (Abbildung 3). (Platzner, Boschmann, & Kaufmann, 2012)

Allgemein wird der Algorithmus in vergleichbarer Weise beschrieben (vgl. (Platzner, Boschmann, & Kaufmann, 2012) und (Scheme & Englehart, 2011)). Die Abbildung 3 (a) zeigt den Verlauf des EMG-Signals von vier Elektroden (unterschiedliche Farben). Auf der Abszisse ist die Zeit in Sekunden aufgetragen, auf der Ordinate die Amplitude des Signals in Volt. Der erste Schritt von (a) nach (b) teilt das Signal in einzelne Zeitbereiche von 100 Millisekunden auf, welche im Folgenden betrachtet werden. Im zweiten Schritt, (b) zu $(c)$, werden die Rohdaten des EMG-Signals behandelt, das heißt es werden unerwünschte Frequenzen, wie z.B. die 50 Hz unseres Stromnetzes (Achtung: 50 Hz liegen im EMG-Frequenzbereich → spezielle Signalverarbeitung notwendig) und Artefakte durch Elektrodenbewegung gefiltert, gerichtet und geglättet. Das Ergebnis ist ein gut identifizierbarer Verlauf für jedes einzelne EMG-Signal. Aus jedem Signal werden fünf Mittelwerte gebildet und einer Logarithmustransformation unterzogen (d). Für jeden Kanal erhalten wir so fünf Werte. Alle Kanäle zusammen bilden einen charakteristischen Vektor (20 Werte), welcher eine gezielte Bewegung der Prothese abbildet. (Platzner, Boschmann, & Kaufmann, 2012)

Abbildung 3: Verarbeitungsschema der EMG-Signale (Boschmann, Kaufmann, Platzner, & Winkler, 2009)

Die Klassifikation beschreibt den Prozess des erlernen und wiedergeben einer Bewegung. „Bei Klassifikatoren handelt es sich um Algorithmen bzw. Programme, die Merkmale in einem Merkmalsraum auf eine Menge von Klassen, in diesem Fall Bewegungen abbilden“ (Platzner, Boschmann, & Kaufmann, 2012).

Es gibt eine ganze Reihe von verschiedenen Klassifikatoren, auf welche hier aber nicht weiter eingegangen wird. Ziel der Klassifikatoren ist, mit geringem Verbrauch von Ressourcen eine präzise und schnelle Generalisierung zu ermöglichen. Zur Evaluierung der Klassifikationsleistung muss jeder Proband ein Schema durchlaufen, welche aus zwei Teilen besteht:

• Trainingsphase

In der Trainingsphase müssen die Probanden eine vorab eingeübte Bewegung, mehrfach wiederholen. Ein PC erstellt aus den extrahierten Signalen der Bewegung ein Klassifikationsmodell. Der Klassifikator wird trainiert. Um ein stabiles Modell zu erstellen ist es notwendig die Bewegung, abhängig vom Amputationsgrad, in vielen variablen Positionen zu trainieren.

Abbildung 3: Trainingsphase zur Erstellung eines Klassifikationsmodells (eigene Abbildung)

• Erkennungsphase

In der Erkennungsphase werden nach Ausführung einer Bewegung wieder charakteristische Merkmale extrahiert und auf das in der Trainingsphase erstellt Klassifikationsmodell angewendet. War das Training erfolgreich führt die mit dem PC verbundene Prothese die vom Probanden angestrebte Bewegung aus.

Abbildung 4: Erkennungsphase zum Überprüfen des Klassifikationsmodells (eigene Abbildung)

Eine einfache Abschätzung der Klassifikationsgüte kann über das Verhältnis von korrekter Klassifikationen und der Gesamtanzahl der Klassifikationen bestimmt werden. Mit Hilfe eines regelmäßigen Trainings lässt sich die Klassifikationsgüte verbessern (Platzner, Boschmann, & Kaufmann, 2012). Zudem zeigt sich, dass ein neues Trainieren der Prothese in bestimmten Intervallen ebenfalls zu Verbesserungen führt (Boschmann, 2008; Kaufmann, Englehart, & Platzner, 2010).

Bei all der angewandten Technik, muss ein Fakt gegeben sein, die Zeit zwischen Muskelkontraktion und Ausführung der Bewegung der Prothese sollte 150 Millisekunden nicht überschreiten. Bis zu dieser Grenzen wird die Bewegung vom Probanden noch als flüssig wahrgenommen. Hierzu bedarf es kleiner, Leistungsstarker Hard- und Software, welche in den künstlichen Arm/ Hand integriert werden kann.

verfasst von M. Kurz

Die beiden Methoden TMR und Pattern Recognition stellen eine Art der Versorgung dar, die das intuitive Steuern von Prothesen ermöglichen soll. Prothesenträger verfügen somit über mehr Freiheitsgrade, die sie ansteuern können, was gerade bei hohen Amputationsleveln von Bedeutung ist. Die Systeme zeigen natürlich auch Grenzen; TMR kann weiterhin nur eine limitierte Anzahl von Elektroden ansteuern, abhängig davon, wie viele Nerven und Muskeln für die Reinnervation bereitstehen und den Prozess der Reinnervation erfolgreich beenden. Bei Pattern Recognition kann die Klassifizierung zwar immer wieder neu erlernt werden und durch Wiederholungen gestärkt werden, aber mit der Komplexität der natürlichen Ansteuerung kann es nicht konkurrieren.
Bei den beiden Methoden werden die Signale über Oberflächen-EMG gemessen, was wiederrum Grenzen aufzeigt. EMG-Signale können an unterschiedlichen Tagen unterschiedlich gut sein. Durch zum Beispiel Schwitzen oder geänderten Anpressdruck durch Stumpfschwankungen können die Signale variieren. Dort setzen dann weitere Methoden an, die erforscht werden. Dort geht es dann darum, direkt am Nerven die Signale zu messen und dann an die Prothese weiterzugeben.
Festzuhalten ist, dass das Problem nicht die technische Erstellung einer Prothese ist, sondern die Ansteuerung der Prothese durch Muskelsignale, die Mensch-Maschinen-Schnittstelle. Dort setzten die Ansätze von TMR und Pattern Recognition an, die schon einen großen Fortschritt für den Prothesenträger bringen.

Noch einmal eine illustrierter Variante könnt ihr euch in folgendem Video anschauen. Todd Kuiken berichtet dort auf TED Talk über TMR und Pattern Recognition. Das Video ist recht lang und bietet keine neuen Informationen, sondern stellt das Thema einfach noch mal vom Experten dar.

verfasst von D. Wedeking

<spoiler | 1. Was macht die Prothesensteuerung bei TMR Versorgung intuitiver als bei einer klassische myoelektrischen Versorgung?> Bei der TMR-Versorgung stehen mehr Muskeln zur Ansteuerung der Prothese zur Verfügung. Somit können mehrere Freiheitsgrade simultan angesteuert werden. </spoiler> <spoiler | 2. Was ist das Prinzip von Pattern Recognition? > Beim Pattern Recognition wird durch einen bestimmten Alghorithmus erkannt, was für ein Aktivitätsmuster in den Muskeln bei einer Bewegung vorliegt. Dieses Muster wird in einer Trainingsphase erkannt und abgespeichert. Wird dieses Muster später wieder generiert, so erkennt der Alghorithmus dieses und wandelt es wieder in die entsprechende Bewegung um. </spoiler>

Weitere Wikis zu Prothesen findet ihr unter folgenden Links:

WPG1606 Prothesen bei den Paralympics

WP1313 Prothetik Materialeigenschaften

WP1312 Prothetik Grundlagen

WP1212 Beinprothesen

WP1314 Sprint mit Beinprothese

• Boschmann A.,(2008). „Aufbau und experimentelle Bewertung eines Systems zur Langzeitklassifikation vom EMG-Signalen,“ Studienarbeit, Universität Paderborn.
• Boschmann A., Kaufmann P., Platzner M. und Winkler M.,(2009) „Towards Multi-movment Hand Prostheses: Combining Adaptive Classification with High Precision Sockets,“.
• Davis LA, G. T. (1978). Compound action potentials recorded from mammalian peripheral nerves following ligation or resuturing. The Journal of physiology(285), 543-559.
• Dhillon GS, L. S. (2004). Residual function in peripheral nerve stumps of amputees: implications for neural control of artificial limbs. The Journal of hand surgery(29), 605-615.
• Dumanian GA, K. J. (2009). Targeted reinnervation for transhumeral amputees: current surgical technique and update on results. Plastic and reconstructive surgery(124), 863-869.
• Gordon T, S. R. (1986). Innervation and function of hind-limb muscles in the cat after cross-unin of the tibial and peroneal nerves. The jurnal of physiology(374), 429-441.
• Gregory A. Dumanian, J. M. (2016). Surgical Techniques for Targeted Muscle Reinnervation. Tratto il giorno 06 10, 2016 da http://www.ric.org/research/research-centers--programs/bionic-medicine/tmr-book-supplement/chapter-3/#Shoulder-Disarticulation
• Kaufmann P., Englehart K. und Platzner M., „Fluctuating EMG Signals: Investigating Long-Term Effects of Pattern Matching Algorithms,“ in s In 32nd Annua lInternational Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2010.
• Kathy A. Stubblefield, T. A. (2016). Occupational Therapy for the Targeted Muscle Reinnervation Patient. Tratto il giorno 06 08, 2016 da http://www.ric.org/research/research-centers--programs/bionic-medicine/tmr-book-supplement/chapter-7/#Authors
• Kuiken TA, L. G. (2009). Targeted muscle reinnervation for real-time myoelectric control of multifunction artificial arms. JAMA(301), 619-628.
• Kuiken, T. A., Marasco, P. D., Lock, B. A., Harden, N. R., & Dewald, J. P. (11. Dec 2007). Redirection of cutaneous sensation from the hand. Proceedings of the National Academy of Sciences Online, S. 20061–20066. Von www.pnas.org abgerufen
• Miller A. Laura, R. D. (2016). Prosthetic Fitting before and after Targeted Muscle Reinnervation. Tratto il giorno 06 07, 2016 da http://www.ric.org/research/research-centers--programs/bionic-medicine/tmr-book-supplement/chapter-6/#Prosthetic-Fitting%20[9]
• Münch Th, R. M. (2013). TMR Methode verbessert die Nutzung einer myoelektrischen Prothese. Orthopädie-Technik, 64, 22.
• Otto Bock HealthCare Deutschland GmbH. (2016). Informationsmaterial - TMR - Information fuer Anwender.pdf. Tratto il giorno 06 2016, 10 da http://www.tmr-rehabilitation.de/de/downloads-infomaterial/
• Platzner M., Boschmann A. und Kaufmann P.(2012). „Wieder natürlich gehen und greifen,“ Forschungsforum Paderborn, Nr. 15, pp. 6-11.
• Scheme E. und Englehart F.(2011). „Electromygram pattern recognition for control of powered upper-limb protheses: State of the art and challenges for clinical use,“ Journal of Rehabilitaion Research & Development, Nr. Volume 48, Number 6, pp. 643-660.

indexmenu_n_5