ANWENDUNGSAUFSATZ at 6/2002

Steuerungs- und Signalverarbeitungs-konzepte für eine multifunktionaleHandprotheseControl and Signal Processing Concepts for a Multifunctional Hand Prosthesis

Markus Reischl, Ralf Mikut, Christian Pylatiuk, Stefan Schulz, Sebastian Beck und Georg Bretthauer

Die Akzeptanz und der tägliche Gebrauch von Handprothesen hängt neben kosmetischenAspekten von der Funktionalität, dem Gewicht und der Benutzerfreundlichkeit ab. Nach einerkurzen Beschreibung des mechatronischen Systems wird zunächst das Gesamtkonzept derSteuerung einer neuartigen leichtgewichtigen Handprothese beschrieben. Danach wird einmodulares Konzept für eine individuelle Anpassung der Prothesensteuerung an unterschied-liche Prothesenträger vorgestellt, das die Auswahl komplexer Bewegungsabläufe ermöglicht.Anschließend wird ein Teststand für die dafür benötigte Kraft- und Positionssteuerung bzw.-regelung beschrieben. Den Abschluss bilden einige Schlussfolgerungen für die weiterenArbeiten.

Besides cosmetical aspects the acceptance of hand prostheses depends on functionality,weight and user-friendliness. Following a short introduction of the mechatronic system thecontrol concept of a new light-weight hand prosthesis is described. This concept allows anindividual adaptation to the users needs, realising movement possibilities of complex griptypes. A test rig is introduced to describe static and dynamic properties. Finally conclusionsfor further research are drawn.

1 Motivation

Im Jahr 1999 verzeichnete das Statistische Bundesamt26 666 in Deutschland registrierte Personen, die eine obereExtremität verloren haben. Der Verlust einer Hand oder ei-nes Armes bedeutet für den Betroffenen neben einer erheb-lichen psychischen Belastung auch eine starke funktionelleEinschränkung, die u. a. zur Aufgabe des zuvor ausgeübtenBerufes führen kann. Elektrische Prothesen können einenTeil der ursprünglichen Funktionalität und Kosmetik wie-der herstellen, internationale Untersuchungen haben jedochgezeigt, dass mindestens jede dritte Handprothese nicht re-gelmäßig getragen wird [1; 2]. Ausschlaggebend hierfür isteinerseits die eingeschränkte Funktionalität herkömmlicherProthesen, die dem Anwender oft nur eine Griffart (Zylin-dergriff) bieten, andererseits das oft als zu hoch empfun-dene Gewicht. Auf Grund konstruktiver Einschränkungenentspricht die Formgestaltung dieser Hände in erster Liniefunktionellen Kriterien, wodurch die Ästhetik dieser Pro-

thesen weit hinter den Bedürfnissen ihrer Träger zurückbleibt.

Für Anwendungen in der Robotik und in der Raumfahrtwurden zahlreiche anthropomorphe Greifsysteme mit einemhöheren Grad an Funktionalität entwickelt, die komplexeAufgaben wie das Manipulieren eines Gegenstandes zwi-schen den Fingerspitzen bewältigen können [3–5]. Diegrößere Anzahl an unabhängigen Freiheitsgraden in diesenGreifsystemen wird durch entsprechend viele Elektromo-toren realisiert. Dies führt zu einem Gesamtgewicht, dasbereits ohne Energieversorgung um ein Vielfaches überdem herkömmlicher Handprothesen liegt. Weiterhin ent-spricht das Erscheinungsbild nicht dem einer menschlichenHand.

Für einen prothetischen Einsatz hingegen werden folgendeAnforderungen gestellt:

• eine hohe Beweglichkeit der Handprothese,

• ein natürliches Erscheinungsbild,

at – Automatisierungstechnik 50 (2002) 6 Oldenbourg Verlag 279

at 6/2002 ANWENDUNGSAUFSATZ

• ein niedriges Prothesengewicht,• ausreichend hohe Greifkräfte und• eine patientenfreundliche Bedienung.

Eine neue Prothese, die viele dieser Anforderungen er-füllt, ist in [6] beschrieben. Die hier verwendete Antriebs-technik besteht aus miniaturisierten flexiblen Fluidakto-ren [7]. Diese ermöglichen eine höhere Funktionalität beigleichzeitiger Reduktion des Gewichts und einem ,,wei-chen“ Handgriff.

Zur Ansteuerung einer Handprothese werden Bewegungs-absichten über das Abgreifen von Muskelsignalen ermit-telt (Bild 1), da die zugehörigen myoelektrischen (EMG-)Sensoren nichtinvasiv und bereits in der Praxis erprobtsind. Die verwendeten EMG-Sensoren sind Oberflächen-sensoren und werden in den Prothesenschaft integriert.Dabei werden meist nur zwei Sensoren eingesetzt, umein bis zwei Griffarten zu erkennen. Zudem erfordert derEinsatz entsprechender EMG-Sensoren bislang ein Trai-ningsprogramm von mehreren Wochen und viele Pati-enten geben an, dass eine zufriedenstellende Steuerbar-keit der Prothese erst nach mehreren Monaten erreichtwird. Dies ist ein einschränkender Punkt für den Ein-satz und die Akzeptanz herkömmlicher elektrischer Pro-thesen [8].

Daher versuchten verschiedene Forschergruppen in denletzten Jahren, die Anzahl der sicher unterscheidbarenGriffarten durch

• eine höhere Anzahl von EMG-Sensoren,

• aufwändigere Methoden der Signalvorverarbeitung(Korrelationsanalysen, Parameterschätzungen mit auto-regressiven Modellen, Wavelets) oder

• aufwändigere Klassifikatoren (Künstliche NeuronaleNetze, statistische Klassifikatoren)

zu erhöhen [9–13]. Beispielsweise benutzen Hudgins etal. [9] insgesamt zwei bipolare EMG-Sensoren auf demBiceps- und Triceps-Muskel des Oberarms. Ausgehend voneiner neutralen, entspannten Stellung des Arms werden vierverschiedene Bewegungen unterschieden (Fehlerrate von14,5%). Die schwedische Forschergruppe um Eriksson [10]benutzt acht bipolare EMG-Sensoren, um fünf verschie-dene Bewegungen zu unterscheiden. Nishikawa et al. [11;12] versuchen, vier Griffarten der Hand und zwei weiteredes Handgelenks zu unterscheiden (Fehlerrate von 8,5%).

Bild 1: MyoelektrischeElektrode auf dem Arm-stumpf eines Patienten.

Huang und Chiang [13] verwenden insgesamt drei bipolareEMG-Sensoren, die auf dem Unterarm positioniert wur-den, und erkennen fünf unterschiedliche Griffarten und eineBewegung des Handgelenks (Fehlerrate von 12,5%). Der-artige Methoden haben sich allerdings bislang in der Praxisnicht durchgesetzt.

In dieser Arbeit wird ein neues Steuerungskonzept füreine myoelektrische Handprothese vorgestellt, das mit zweiEMG-Sensoren auskommt. Es bietet dem Patienten dieMöglichkeit, eine Vielzahl verschiedener Handbewegungenauszuführen. Im Einzelnen wird auf

• den mechatronischen Aufbau der multifunktionalenHandprothese (Abschnitt 2),

• die Umsetzung der wesentlichen Funktionalität dermenschlichen Hand (Abschnitt 3),

• Forderungen an das Steuerungskonzept zur Umsetzungvon Muskelsignalen (Abschnitt 4),

• die zuverlässige Erkennung von Bewegungsabsichteneines Patienten (Griffart und -stärke, Ausführungsge-schwindigkeit, Abschnitt 5) sowie

• die Darstellung von Möglichkeiten zur Modellierungdes gesamten mechatronischen Systems (Abschnitt 6)

eingegangen.

2 Mechatronischer Aufbau

Der Aufbau der multifunktionalen Handprothese ist inBild 2 schematisch dargestellt.

Jeder Finger enthält zwei Fluidaktoren. Der Daumen ver-fügt über einen weiteren Fluidaktor zum Erreichen derOppositionsstellung, so dass insgesamt elf Fluidaktoren indie Gelenke der Finger integriert sind. Jeder Fluidaktorübernimmt dabei sowohl Beugung als auch Streckung desjeweiligen Gelenks. Die entsprechende Druckerzeugungs-einheit besteht aus einer Miniaturpumpe und sechs Minia-turventilen. Somit ergeben sich bei insgesamt elf Freiheits-graden sechs unabhängige Freiheitsgrade.

Bild 2: Schematischer Aufbau der multifunktionalen Handprothese.

280

M. Reischl u. a.: Steuerungs- und Signalverarbeitungskonzepte für eine multifunktionale Handprothese at 6/2002

Das Stützgerüst der Handprothese ist der Geometrie dermenschlichen Hand nachempfunden und modular aufge-baut. Die äußere Hülle der Handprothese besteht aus zweielastischen Kunststoffschichten: innen ein Weichschaumund außen ein kolorierter Silikonkautschuk. Die hohenReibungskoeffizienten und die Elastizität der multifunk-tionalen Handprothese vermindern die notwendigen Greif-kräfte [14].

Das Gewicht der in Europa am weitesten verbreitetenmyoelektrischen Handprothese wird vom Hersteller in derProduktbeschreibung mit 460 g angegeben [15]. Jedochkommen zum Prothesengesamtgewicht noch weitere Ein-gussteile, ein kosmetischer Schutzhandschuh aus PVC,Myoelektroden, je nach Prothesentyp ein NiCd oder Li-Ionen-Akku und der Prothesenschaft hinzu, so dass dieGesamtmasse etwa 900 g beträgt. Die Integration eineszweiten Freiheitsgrades (Rotation im Handgelenk) erhöhtdie Masse dieser Prothese um mindestens weitere 150 g.Hingegen beträgt das Gesamtgewicht der multifunktiona-len Handprothese mit insgesamt 11 Freiheitsgraden 900 g.Da viele Komponenten noch nicht gewichtsoptimiert sind,wird eine Reduktion der Gesamtmasse auf etwa 600 gangestrebt.

3 Mögliche Griffarten

Die Multifunktionalität der beschriebenen Prothese resul-tiert aus der Vielzahl der ausführbaren Griffarten. Die fünfwichtigsten Griffarten, die der Mensch im Alltag verwen-det [16], können in der Handprothese realisiert werden(Bild 3). Diese sind

• der Pinzettengriff – ein Präzisionsgriff zum Halten klei-ner Objekte,

• der Lateralgriff – zum Halten eines flachen Objekts, wieetwa eines Schlüssels oder einer Kreditkarte,

• der sphärische Griff, bei dem alle fünf Finger zum Grei-fen mit einbezogen sind,

Bild 3: Griffarten.

• der Zylindergriff – ein Kraftgriff, mit dem ein Glas odereine Flasche gehalten werden und

• die isolierte Streckung des Zeigefingers – z. B. um eineTastatur zu bedienen.

Als Vorteil des geometrischen und funktionellen Aufbausder Prothese können menschliche Handbewegungen, diebeispielsweise durch einen Datenhandschuh aufgenommenwerden, problemlos in Prothesenbewegungen transformiertwerden.

4 Gesamtkonzept Steuerung

Ein anzustrebendes Steuerungsschema zur Umsetzung vonMuskelsignalen in Prothesenbewegungen stellt Bild 4 vor.Mittels der eingangs erwähnten myoelektrischen Sensorenwerden dabei Muskelkontraktionen im Armstumpf des Pa-tienten detektiert (Bild 1). Das entstehende Signal wirdeiner Auswerteeinheit zugeführt, die eine Bewegungsab-sicht (Griffart und -stärke) erkennt. Die Kraft- und Posi-tionssteuerung oder -regelung (bei Verfügbarkeit der ent-sprechenden Sensoren) überträgt das Stellsignal auf Ak-toren, die auf die Umgebung durch Kräfte und Momenteeinwirken.

Gelenkwinkel sowie Kräfte, die aus der Umgebung aufdie Prothese wirken, können über verschiedene Sensorenerfasst werden. Taktile Sensoren sind in die Greifflächeder Hand und kompakte Winkelsensoren in die Gelenkeder Finger integrierbar. Dabei erweisen sich Hallsensorendurch ihre hohen Standzeiten ohne Messwertdrift und durchdas reibungsfreie Wirkprinzip als besonders geeignet. DieseInformationen werden in der Kraft- und Positionssteue-rung (-regelung) und optional in einer Biofeedbacksteue-rung weiterverarbeitet. Bisher gibt es keine kommerzielleHandprothese, in der ein taktiles Biofeedback integriert ist,weswegen eine visuelle Kontrolle beim Greifvorgang not-wendig ist. Elektrische Biofeedbacksignale wurden vomProthesenträger stets abgelehnt, da sie als künstlich emp-funden werden und die Reizstärke stetig gesteigert werden

Bild 4: Steuerungsschema einer Handprothese.

281

at 6/2002 ANWENDUNGSAUFSATZ

muss. Mechanische oder vibrotaktile Biofeedbackaktorenkönnen jedoch die Greifpräzision erhöhen.

Gegenwärtig ist ein vereinfachtes Steuerungskonzept rea-lisiert, das aus den Signalen von zwei myoelektrischenSensoren Bewegungsabsichten für fünf Griffarten generiertund diese mit einer einfachen Positionssteuerung auf 11Fluidaktoren umsetzt.

5 Auswerten der Bewegungsabsicht

5.1 Prinzip

Myoelektrische Signale entstehen aus Überlagerungen derSignale verschiedener Muskelgruppen. Sie enthalten starkeStörsignalanteile und variieren aufgrund verschiedenerHautübergangswiderstände in ihrer Amplitude. WeitereVerminderungen der Signalqualität treten durch verküm-merte Muskeln im Armstumpf des Patienten auf. Der An-spruch an signalvorverarbeitende Methoden besteht darin,trotz der schlechten Signalqualität, repräsentative Signal-verläufe zu erzeugen.

Die Muskelsignale werden im Sensor elektronisch ver-stärkt (siehe Roh-EMG-Signalexi(t) mit i: Nummer desSensors, Bild 5), gleichgerichtet, mittels einer Hardware-Bandpassfilterung verarbeitet und durch einen Analog-Digital-Wandler am Eingang eines Mikrocontrollers abge-tastet.

Bild 5: Roh-EMG-Signal xi(t).

Die so erhaltenen Signalex f,i[k] (k: Abtastzeitpunkt) gebenAuskunft über die Intensität der Muskelkontraktion. DasSignal x f,i[k] setzt sich aus einem NutzsignalanteilNi [k]und einem erheblichen StörsignalanteilSi [k] zusammen:

x f,i[k] = Ni [k]+ Si[k] . (1)

Zur Erkennung der Bewegungsabsicht sind zunächst ver-schiedene Merkmale bereitzustellen, die eine Unterschei-dung zwischen Nutz- und Störsignalen ermöglichen. Diedazu notwendigen Filter werden im Abschnitt 5.2 vorge-stellt. Auf dieser Basis werden die Ereignisse beim beab-sichtigten Start und Stopp von Bewegungen erkannt (Ab-schnitt 5.3). Patientenindividuell können Alternativen ge-wählt und parametriert werden [17]. Die Merkmale undEreignisse dienen dann zur Klassifikation der Griffarten(Abschnitt 5.4).

5.2 Signalvorverarbeitung

Zur Schätzung des NutzsignalanteilsNi [k] kommen zweizeitdiskrete Tiefpässe erster Ordnung zum Einsatz, einer

mit einer niedrigen Eckfrequenz (langsames FilterxL,i[k]),ein anderer mit einer höheren Eckfrequenz (schnelles FilterxS,i[k]) mit den FilterkonstantenaL bzw. aS, aS < aL :

xL,i[k] = aL · xL,i[k −1]+ (1−aL) · xf,i[k] , (2)

xS,i[k] = aS · xS,i[k −1]+ (1−aS) · xf,i[k] . (3)

Die zeitliche Ableitung des NutzsignalsNi [k] wird durcheinen Trend

xD,i[k] = (1−aL)(1−aS)

Ta · (aL −aS)· (xS,i[k]− xL,i[k]) (4)

geschätzt [18], der Auskunft über die zeitliche Änderungder Kontraktionsintensität gibt. Bild 6 stellt die Zeitverläufevon xS,i[k], xL,i[k] und xD,i[k] sowie des vorgefilterten Sig-nalsx f,i[k] exemplarisch dar.

tiefp

assg

efilt

erte

s E

MG

inV

Bild 6: Vorgefiltertes Signal eines EMG-Sensors xf [k ] sowie Filterfunk-tionen xL[k ], xS[k ] und Trendkurve xD[k ] mit aL = 0,994, aS = 0,986,Ta = 1 ms.

Um Muskelkontraktionen von Störungen im Signal unter-scheiden zu können, wird eine Schätzung der Standardab-weichungσi für den StörsignalanteilSi [k] benötigt. Hierfüreignet sich [19]:

σ2i = 1

2(N −1)·

N−1∑k=1

(x f,i[k +1]− xf,i[k])2

(5)

Da das Signalx f,i[k] aber wegen des sich veränderndenNutzsignals nicht stationär ist, sind langsame Veränderun-gen des Nutzsignals mit Hilfe des TrendsxD,i[k] aus (4) zukompensieren.

Für das entsprechende Filter ergibt sich die folgende rekur-sive Berechnungsvorschrift (aF:Filterparameter,0<aF<1):

σ2F,i[k] = aF · σ2

F,i[k −1]+ 1

2· (1−aF)

· (x f,i[k]− xf,i[k −1]− xD,i[k] · Ta)2

. (6)

5.3 Start-Stopp-Erkennung von Bewegungen

Die eingeführten Größen definieren binäre EreignisseE1,i[k] (Aktivierung: Start einer Muskelkontraktion) undE2,i[k] (Deaktivierung: Ende einer Muskelkontraktion),die Auskunft über Änderungen des Kontraktionszustan-des eines Muskels geben. Die Festlegung erfolgt durchdas Überschreiten eines Aktivierungsschwellwertesxh,a,i[k]

282

M. Reischl u. a.: Steuerungs- und Signalverarbeitungskonzepte für eine multifunktionale Handprothese at 6/2002

bzw. das Unterschreiten eines Deaktivierungsschwellwer-tes xh,d,i[k], (xh,a,i[k] > xh,d,i[k]), die im einfachsten Fallstatisch zu wählen sind (xh,a,i[k] = xa,i; xh,d,i[k] = xd,i):

E1,i[k] ={

1 wennx f,i[k] ≥ xh,a,i[k]0 sonst

(7)

E2,i[k] ={

1 wennx f,i[k] < xh,d,i[k]0 sonst.

(8)

Bild 7: Erkennung einer Muskelkontraktion mit Hilfe von Aktivierungs-bzw. Deaktivierungsschwellwerten anhand des Signalverlaufs einesSensors.

Diese Ereignisse dienen zur Definition des binären Kon-traktionszustandesIi [k] eines Muskels, der vomi-ten Sen-sor erfasst wird (Bild 7):

Ii [k] =

1 wenn E1,i[k]∩ (Ii[k −1] = 0)

0 wenn E2,i[k]∩ (Ii[k −1] = 1)

Ii[k −1] sonst.

(9)

In der Praxis können Muskelkontraktionen allerdings soschnell aufeinander folgen, dass eine statische Festlegungvon Schwellwerten zur Auflösung der einzelnen Kontrak-tionsvorgänge nicht ausreicht. Für diesen Fall werden dieSchwellwerte xh,a,i[k] und xh,d,i[k] zeitvariant definiert(Bild 8):

xh,d,i[k] = xd,i +αi(x f,i,max[k]− xa,i

), αi ∈ [0, 1] , (10)

xh,a,i[k] ={

xa,i wennx f,i,min[k] < xd,i

x f,i,min[k]+ (xa,i − xd,i) sonst.(11)

Hierbei stellenx f,i,max[k] und x f,i,min[k] Maxima bzw. Mi-nima des gefilterten Signalsx f,i[k] im Bereich der aktu-ellen Aktivierung bzw. Deaktivierung dar. Der Parameter

Bild 8: Bewegungserkennung mit Hilfe zeitvarianter Aktivierungs- bzw.Deaktivierungsschwellwerte anhand des Signalverlaufs eines Sensors.

αi passt die Dynamik der Schwellwerte an. Die stati-schen Deaktivierungs- bzw. Aktivierungsschwellwertexd,i

und xa,i (xa,i > xd,i) sind somit Mindestgrößen zur Deakti-vierung bzw. Aktivierung.

Eine alternative Definition des zeitvarianten Aktivierungs-schwellwertes basiert auf dem Wert des langsamen Filters(2) und der geschätzten Streuung (6) (βi : Parameter zurAnpassung des Schwellwertes):

xh,a,i[k] = xL,i[k]+βi · σF,i[k], βi = 3 . . .10. (12)

Diese Variante eignet sich besonders gut, um zuverläs-sig Aktivierungen bei hohen Grundpotentialen und starkenStörungen zu erkennen. Allerdings verursacht sie teilweiseProbleme bei kurz hintereinander folgenden Aktivierungen.

5.4 Bewegungsartenerkennung

Aus dem zeitlichen Verlauf der EMG-Signale (xL,i[k],xS,i[k], xD,i[k], σ2

F,i[k]) und den im vorhergehenden Ab-schnitt eingeführten EreignissenE1,i[k], E2,i[k] müssennun Griffart, Bewegungsrichtung (Öffnen/Schließen) undGeschwindigkeit der Bewegung ermittelt werden. Entspre-chend den unterschiedlichen anatomischen Gegebenheitenist es das Ziel, dem Anwender ein individuell angepass-tes und modular aufgebautes Steuerungskonzept zu bieten.Hierbei lassen sich grundsätzlich zwei Steuerungsstrategienunterscheiden:

• Künstliche Ansteuerung: Vom Patienten werden vorAusführung der Bewegung eindeutige Muskelkontrak-tionen vorgegeben, die zur Auswahl der Griffart die-nen. Nach Bild 9 und Bild 10 kann ein definiertesSchaltsignal dazu dienen, einen Bewegungszustand zuaktivieren. Dabei können sowohl alle Charakteristika

Bild 9: Myoelekt-risches Signal beiUmsetzung künst-licher Bewegungs-muster unter Ver-wendung von zweiSensoren.

Bild 10: Automatengraph einer künstlichen Ansteuerung zur Erken-nung von n Griffarten unter Verwendung von zwei EMG-Sensoren.

283

at 6/2002 ANWENDUNGSAUFSATZ

(Amplitude, Dauer, Trendwechsel etc.) als auch meh-rere Aktivierungen zur Ansteuerung herangezogen wer-den. Während der Bewegung werden dann nur nochBewegungsrichtung und -geschwindigkeit ermittelt, inAbhängigkeit von kontrahierter Muskelgruppe sowieStärke der Muskelkontraktion.

• Natürliche Ansteuerung: Alle Informationen über Griff-art, Bewegungsrichtung und -geschwindigkeit müssenwährend der Bewegung verzögerungsfrei erkannt wer-den.

Bei Verwendung dieser Systematisierung können die in Ab-schnitt 1 angeführten Verfahren als natürliche Ansteuerungeingestuft werden [9–13]. Bei den meisten Arbeiten handeltes sich um Vorversuche in Laborumgebungen, wobei sichdie Untersuchungen hauptsächlich auf gesunde (nichtampu-tierte) Probanden beziehen. Die Elektroden werden dabeiüber den Leitmuskeln für die entsprechende Handbewegungpositioniert. Bei Amputierten fehlen in der Regel einigeLeitmuskeln, andere sind nur noch teilweise vorhanden.Deshalb muss hier mit einer erheblich höheren Fehlerrategerechnet werden bzw. es lassen sich gar keine Signale ab-leiten. Die vergleichsweise niedrigen Erkennungsraten auchbei aufwändigen Verfahren unter relativ einfachen Randbe-dingungen resultieren aus den stark störanfälligen, zeitvari-anten (z. B. durch Muskelermüdungen) und individuell un-terschiedlichen Signalen der EMG-Sensoren. Zudem führteine Erhöhung der Anzahl der EMG-Sensoren inklusive derdafür benötigten miniaturisierten Filter und Vorverstärkerzu deutlich höheren Kosten für das Gesamtsystem.

Im Vergleich hierzu verzögert die künstliche Ansteuerungzwar die Ausführung der Bewegungen und erhöht denLernaufwand für den Patienten, allerdings kann eine ro-buste Steuerung mit einer niedrigen Fehleranfälligkeit ent-worfen werden. Daher wird in der vorliegenden Arbeithauptsächlich auf diese Ansteuerungsart eingegangen.

Ein Konzept zur Umsetzung derkünstlichen Ansteuerungist die Nutzung von Signalen, die durch die Kombinationder Kontraktionen zweier antagonistischer Muskelgruppengenerierbar sind, Bild 10 stellt einen entsprechenden Auto-matengraphen dar:

Nach Übergang in einen Bewegungszustand steuern Ereig-nisse am ersten SensorE1,1[k] (Start) das Schließen derBewegung für die jeweilige Griffart. Dabei wird der Druckin den zur Griffart gehörigen Fluidaktoren erhöht. DasEnde der Kontraktion wird durchE2,1[k] (Stopp) angezeigt,was die Rückkehr in den Ausgangszustand der Griffartbewirkt. Dort bleibt der Druck in den zugehörigen Fluidak-toren konstant. Analog bewirken die Ereignisse des zweitenSensorsE1,2[k], E2,2[k] das Öffnen und ein Reduzierendes Druckes in den zugehörigen Fluidaktoren. So könnenbeispielsweise die durch den ersten Sensor erfassten Ten-soren im Armstumpf zum Schließen und die Extensoren(zweiter Sensor) zum Öffnen einer Bewegung verwendetwerden. Die Ausführungsgeschwindigkeit der Bewegungwird dabei der Amplitude des Signals angepasst. Durch die

Kokontraktion (gleichzeitiges Anspannen) beider Muskel-gruppen kann immer der neutrale Zustand erreicht werden,die Handprothese geht dabei in den Ausgangszustand –eine entspannte, neutrale Stellung – über. Dem Erkenneneines Schaltsignals im neutralen Zustand folgt wiederumein Wechsel in den Zustand der jeweiligen Griffart. Aller-dings treten beim Wechsel der Griffart Zeitverzögerungendurch die Kokontraktion und das Schaltsignal auf.

Die Schaltsignale für die Übergänge in die fünf Griff-arten sind festgelegt und werden vom Patienten trainiert.Die einfachste bisher erprobte Variante verwendet bei-spielsweise die Anzahl von relativ kurz hintereinander fol-genden EreignissenE1,1 als Schaltsignal (Schaltsignal 1:ein Impuls, Schaltsignal 5: fünf Impulse usw.). Mit ei-nem Trainings- und Diagnoseprogramm werden die Zuord-nung der Schaltsignale, Aktivierungs- und Deaktivierungs-schwellwerte nach den Wünschen des Patienten individuelleingestellt und die Steuerung trainiert. Mit diesem Kon-zept wird eine gute Klassifikation der Griffarten (< 2,5%mit zwei EMG-Sensoren bei einem amputierten Patienten)erreicht. Systematische Untersuchungen im Alltagsbetriebstehen aber noch aus.

Eine zukünftige Möglichkeit besteht in einer Ausführungbeliebiger Schaltsignale durch den Patienten und derenAuswertung durch datenbasierte Klassifikationsverfahren,wie z. B. Fuzzy-Regelbasen. Diese Regelbasen könnendurch die Beurteilung von Merkmalen (Originalsignale,Filter, Trends, Ereignisse) als Online-Klassifikatoren ein-gesetzt werden. Um hierbei verschiedene Griffarten zuerkennen, muss eine entsprechende Regelbasis für jedenPatienten offline entwickelt werden. Hierfür steht ein Algo-rithmus zur automatisierten Erstellung von Fuzzy-Systemenzur Verfügung [17; 20]. Somit können sich für die Patien-ten bequemere Schaltsignale bei geringerem Lernaufwandergeben. Ähnliche Konzepte sind auch bei dernatürlichenAnsteuerung möglich.

6 Identifikation vonSystemeigenschaften

Bislang basiert die Kraft- und Positionssteuerung einzelnerFingergelenke auf einer pulsweitenmodulierten Druckver-sorgung in Kombination mit dem Öffnen der für eineBewegung notwendigen Aktorventile.

Um eine präzisere Steuerung bzw. Regelung zu realisie-ren, haben Vorarbeiten in Bereich der Modellierung dereingesetzten Bauteile begonnen. Es wurde ein Teststandentwickelt (Bild 11), der neben der Aufnahme von Kenn-linien der Fluidaktoren (Drehmoment in Abhängigkeit vonGelenkwinkel und Fluiddruck) und der Winkelsensoren(Signal des Sensors in Abhängigkeit vom Gelenkwinkel)auch für die Erprobung von Regelungs- und Steuerungs-konzepten und die Aufnahme von Dauertests der genanntenBauteile eingesetzt wird [21].

Für die Drehmomentmessung wird der zu testende Aktorsamt Gelenk in die Positioniereinrichtung des Teststandes

284

M. Reischl u. a.: Steuerungs- und Signalverarbeitungskonzepte für eine multifunktionale Handprothese at 6/2002

Bild 11: Teststand.

Bild 12: Beispielhafter Kurvenverlauf des Drehmomentes über demGelenkwinkel bei unterschiedlichen Drücken.

eingespannt. Über einen Schrittmotor kann diese Posi-tioniereinrichtung Winkel, die im Bereich der möglichenGelenkwinkel der menschlichen Finger liegen, absolut an-fahren. Der Fluiddruck im Aktor wird über eine Regelungkonstant gehalten und das Drehmoment aus den Signaleneines DMS-Sensors berechnet (Bild 12).

Für eine Prothese, die selbstständig über den Status einesGreifvorganges entscheiden und die vom Patienten ge-wählte Griffart entsprechend modifizieren kann (entsprichtreflexartigem Greifen beim Menschen), sind untergeord-nete Regelungen der Gelenke notwendig. Diese erfordernwiederum Sensoren in den Gelenken, die den aktuellenWinkel aufnehmen. Der Teststand als Referenz gibt hierdie Möglichkeit, die entwickelten Halleffekt-Sensoren zukalibrieren.

Die Messergebnisse des Teststandes dienen hauptsächlichzur Modellierung, insbesondere bezüglich Drehmomentund Wirkungsgrad der Aktoren. Ein höheres Drehmomentbewirkt eine höhere Greifkraft. Ein gesteigerter Wirkungs-grad verlängert entweder die Laufzeit der Energieversor-gung oder macht den Einsatz einer kleineren und leichterenEnergieversorgung möglich.

7 Zusammenfassung

Dieser Artikel beschreibt die Entwicklung der Steuerungfür eine multifunktionale Handprothese. Der neuartige me-chatronische Aufbau erlaubt eine Vielzahl von Freiheits-graden, die zur Ausführung verschiedener Griffarten ver-wendet werden. Zur Auswahl dieser Griffarten durch den

Prothesenträger werden nur zwei EMG-Sensoren verwen-det. Basierend auf diesen Voraussetzungen wurde ein neuesSteuerungskonzept vorgestellt, um die Vielzahl an Frei-heitsgraden bedienen und damit verschiedene Griffartenausführen zu können.

Signalvorverarbeitende Verfahren und eine daraus abgelei-tete Festlegung von Ereignissen führen zu einer robustenErkennung von Muskelkontraktionen. Darauf baut eine ab-lauforientierte Steuerung zur Erkennung von Griffarten auf.Die daraus resultierende, fehlerunanfällige Umsetzung vonbis zu fünf Griffarten, die geschwindigkeitsvariabel vomPatienten geöffnet oder geschlossen werden können, stellteine Erweiterung herkömmlicher Steuerungskonzepte fürProthesen dar.

Weitere Optimierungen (z. B. zur Einführung von reflexar-tigen Greifmustern) erfordern die Steuerung bzw. Regelungvon Gelenkwinkeln und Aktormomenten. Hierfür wurde einTeststand entwickelt, um das statische und dynamische Ver-halten zu modellieren.

Einen limitierenden Faktor für die Weiterentwicklung stelltder geringe Informationsgehalt sowie die schlechte Sig-nalqualität der Oberflächen-EMG-Sensoren dar. Zukünf-tige Alternativen sind beispielsweise die Abtastung vonNerven- oder Hirnströmen [22–25], um trotz verkümmerterStumpfmuskulatur die Bewegungsmöglichkeiten der gesun-den menschlichen Hand realitätsgetreu nachzubilden.

Danksagung

Die Autoren danken an dieser Stelle Herrn Dr. Gröll und Herrn Mar-tin vom Forschungszentrum Karlsruhe für Anregungen im Bereich derSignalauswertung und Modellbildung, den Herren Prof. Gerner, Rupp,Frühauf, Dr. Döderlein und Dr. Fuchs von der Orthopädischen Uni-versitätsklinik Heidelberg für die klinische Unterstützung sowie denGutachtern für wertvolle Anregungen und Hinweise.

Literatur

[1] Silcox, D. H. and Rooks, M. D. and et al.: Myoelectric Pros-theses. The Journal of Joint and Bone Surgery, 75A (12),S. 1781–1791, 1993.

[2] Atkins, D. J.; Heard, D. C. Y.; Donovan, W. H.: Epidemiolo-gic overview of individuals with upper-limb loss and theirreported research priorities. Journal of Prosthetics and Or-thotics, 8(1), S. 2–11, 1996.

[3] Butterfass, J.; Grebenstein, M.; Liu, H.; Hirzinger, G.: DLR-Hand II: Next generation of a dextrous robot hand. In: In-ternational Conference on Robotics and Automation, Seoul,Korea, 2001.

[4] Lovchik, C. S.; Diftler, M. A.: The Robonaut Hand: A dex-terous robot hand for space. In: Proceedings of the IEEEICRA, S. 907–913, Detroit, 1999.

[5] Gazeau, J. P.; Arsicault, M.; Lallemand, J. P.: The L. M. S.mechanical hand. Paris, 1998.

[6] Schulz, S.; Pylatiuk, C.; Bretthauer, G.: A new ultralight an-thropomorphic hand. In: International Conference on Robo-tics and Automation, Seoul, Korea, 2001.

[7] Schulz, S.; Pylatiuk, C.; Bretthauer, G.: A new class of flexi-ble fluidic actors and their applications in medical enginee-ring. Automatisierungstechnik, 47, S. 390–395, 1999.

285

at 6/2002 ANWENDUNGSAUFSATZ

[8] Baumgartner, R.; Botta, P.: Amputation und Prothesenversor-gung der oberen Extremitat, S. 161 ff. F. Enke Verlag, 1997.

[9] Hudgins, B.; Parker, P.; Scott, R.: A new strategy for multi-function myoelectric control. IEEE Transactions on Biome-dical Engineering, 40, S. 82–94, 1993.

[10] Eriksson, L.; Sebelius, F.; Balkenius, C.: Neural control of avirtual prosthesis. In: Proc. ICANN 98, S. 905–910, Sprin-ger Verlag, 1998.

[11] Nishikawa, D.; Yu, W.; Yokoi, H.; Kakazu, Y.: EMG Prosthe-tic hand controller using real-time learning method. In:The 1999 IEEE Systems, Man and Cybernetics Conference(SMC ’99), Tokyo, 1999.

[12] Nishikawa, D.; Yu, W.; Yokoi, H.; Kakazu, Y.: Analyzing anddiscriminating EMG signals using wavelet transforms andreal-time learning method. In:C. H. Dagli, e. A., (Hg.)ASME Press, S. 281–286, 1999.

[13] Huang, H.; Chiang, C.: DSP-based controller for a multi-degree prosthetic hand. In: IEEE International Conferenceon Robotics and Automation, S. 1378–1383, San Francisco,2000.

[14] Cutkosky, M. R.; Bourdain, J. M.; Wright, P. K.: Skin materi-als for robotic fingers. Int. J. of Robotics Research, 5 (4),S. 20–37, 1986.

[15] Otto Bock Sensorhand, http://www.healthcare.ottobock.de/info_download/pdf/646s1=12d.pdf

[16] Sollermann, C.: The use of eight main hand grips in activi-ties of daily living, Kap. Handens greppfunktion. Goteborg,1980.

[17] Reischl, M.; Mikut, R.; Pylatiuk, C.; Schulz, S.: Erkennungvon Bewegungsabsichten fur myoelektrisch angesteuerteHandprothesen. In:Mikut, R.; Reischl, M., (Hg.) Proceedings11. Workshop Fuzzy Control Des GMA-FA 5.22, S. 106–119, Forschungszentrum Karlsruhe, FZKA 6660, Karlsruhe,2001.

[18] Mikut, R.: Modellgestutzte on-line Stabilitatsuberwachungkomplexer Systeme auf der Basis unscharfer Ljapunov-Funktionen. Fortschritt-Berichte VDI, Reihe 8, Nr. 757.Dusseldorf: VDI-Verlag, 1999.

[19] Elliot, D. F.: Handbook of digital signal processing. Acade-mic Press, London, 1987.

[20] Mikut, R.; Peter, N.; Malberg, H.; Jakel, J.; Groll, L.; Brett-hauer, G.; Abel, R.; Doderlein, L.; Rupp, R.; Schablowski, M.;Gerner, H.: Diagnoseunterstutzung fur die instrumentelleGanganalyse. Bericht des Forschungszentrums Karls-ruhe, FZKA 6613, http://bibliothek.fzk.de/zb/berichte/FZKA6613.pdf, 2001.

[21] Beck, S.: Entwicklung, Aufbau und Erprobung einer Testum-gebung fur die Evaluierung flexibler Fluidaktoren. Diplom-arbeit, Universitat Karlsruhe, 2001.

[22] Stieglitz, T.: Flexible biomedical microdevices with double-sided electrode arrangements for neural applications. Sen-sors and Actuators, A 90, S. 203–211, 2001.

[23] Bogdan, M.: Signalverarbeitung biologischer Nervensignalezur Steuerung einer Prothese mit Hilfe kunstlicher neuro-naler Netze. Dissertation der Fakultat fur Informatik derEberhard-Karls-Universitat zu Tubingen, Tubingen, 1998.

[24] Pfurtscheller, G.; Guger, C.; Muller, G.; Krausz, G.; Neu-per, C.: Brain oscillations control hand orthosis in a tetraple-gic. Neurosci. Lett., 292, S. 211–214, 2000.

[25] Wessberg, J. et al.: Real-time prediction of hand trajectoryby ensembles of cortical neurons in primates. Nature, 408,S. 361 ff., 2000.

Manuskripteingang: 8. Februar 2002.

Dipl.-Ing. Markus Reischl ist wissenschaftlicher Mitarbeiter am Insti-tut für Angewandte Informatik (IAI) im Forschungszentrum Karlsruhe.Hauptarbeitsgebiete: Medizintechnik, Zeitreihenanalyse.

Adresse: Forschungszentrum Karlsruhe GmbH, Institut für AngewandteInformatik, PF 3640, D-76021 Karlsruhe, Tel. 07247/825749, Fax 07247/825786, E-Mail: Markus.Reischl@iai.fzk.de

Dr.-Ing. Ralf Mikut ist Projektleiter am Institut für Angewandte In-formatik (IAI) im Forschungszentrum Karlsruhe. Hauptarbeitsgebiete:Medizintechnik, Computational Intelligence, Regelungstechnik, Robotik.

Adresse: s. o., Tel. 07247/825731, Fax 07247/825702,E-Mail: mikut@iai.fzk.de

Dr.-med. Christian Pylatiuk ist wissenschaftlicher Mitarbeiter am Insti-tut für Angewandte Informatik (IAI) im Forschungszentrum Karlsruhe.Hauptarbeitsgebiete: Medizintechnik, Rehatechnik.

Adresse: s. o., Tel. 07247/822430, Fax 07247/825786,E-Mail: Christian.Pylatiuk@iai.fzk.de

Dipl.-Ing. Stefan Schulz ist Projektleiter der Prothesenentwicklung amInstitut für Angewandte Informatik (IAI) im Forschungszentrum Karls-ruhe. Hauptarbeitsgebiete: Medizintechnik, Robotik.

Adresse: s. o., Tel. 07247/825760, Fax 07247/825786,E-Mail: schulz@iai.fzk.de

Dipl.-Ing. Sebastian Beck ist wissenschaftlicher Mitarbeiter am Insti-tut für Angewandte Informatik (IAI) im Forschungszentrum Karlsruhe.Hauptarbeitsgebiete: Medizintechnik, Entscheidungstheorie.

Adresse: s. o., Tel. 07247/825749, Fax 07247/825786,E-Mail: Sebastian.Beck@iai.fzk.de

Prof. Dr.-Ing. habil. Georg Bretthauer ist Leiter des Instituts für An-gewandte Informatik (IAI) im Forschungszentrum Karlsruhe und desInstituts für Angewandte Informatik/Automatisierungstechnik (AIA) derUniversität Karlsruhe. Hauptarbeitsgebiete: Computational Intelligence,Wissensbasierte Systeme, Automatisierungstechnik.

Adresse: s. o., Tel. 07247/825700, Fax 07247/825702,E-Mail: bretthauer@iai.fzk.de

286