EP4142657A1 - Verfahren zur steuerung zumindest eines aktuators einer orthopädietechnischen einrichtung und orthopädietechnische einrichtung - Google Patents

Verfahren zur steuerung zumindest eines aktuators einer orthopädietechnischen einrichtung und orthopädietechnische einrichtung

Info

Publication number
EP4142657A1
EP4142657A1 EP21722417.9A EP21722417A EP4142657A1 EP 4142657 A1 EP4142657 A1 EP 4142657A1 EP 21722417 A EP21722417 A EP 21722417A EP 4142657 A1 EP4142657 A1 EP 4142657A1
Authority
EP
European Patent Office
Prior art keywords
classifier
state machine
state
sensor data
classification
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21722417.9A
Other languages
English (en)
French (fr)
Inventor
Dirk Seifert
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Otto Bock Healthcare Products GmbH
Original Assignee
Otto Bock Healthcare Products GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Otto Bock Healthcare Products GmbH filed Critical Otto Bock Healthcare Products GmbH
Publication of EP4142657A1 publication Critical patent/EP4142657A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/40—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mechanical, radiation or invasive therapies, e.g. surgery, laser therapy, dialysis or acupuncture
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F2/00—Filters implantable into blood vessels; Prostheses, i.e. artificial substitutes or replacements for parts of the body; Appliances for connecting them with the body; Devices providing patency to, or preventing collapsing of, tubular structures of the body, e.g. stents
    • A61F2/50—Prostheses not implantable in the body
    • A61F2/68—Operating or control means
    • A61F2/70—Operating or control means electrical
    • A61F2002/704—Operating or control means electrical computer-controlled, e.g. robotic control

Definitions

  • the invention relates to a method for controlling at least one actuator of an orthopedic device with an electronic control device which is coupled to the actuator and at least one sensor and has an electronic processor for processing sensor data, at least one state machine being stored in the control device, in which the states of the orthopedic device and state transitions of the actuator are determined.
  • the invention also relates to an orthopedic device with an electronic control device which is coupled to an actuator and at least one sensor and has an electronic processor for processing sensor data, with at least one classification taking place in the control device on the basis of sensor data or data calculated therefrom.
  • prostheses and orthotics are regarded as orthopedic equipment, but in principle other equipment such as exoskeletons or the like are also viewed as orthopedic equipment.
  • Prostheses replace limbs that are no longer present or no longer present in terms of their function and possibly also in terms of their external appearance.
  • Prostheses are attached to remaining limbs, such as stumps. This can be done, for example, via prosthesis shafts that surround the corresponding stump and on which further prosthesis components are arranged.
  • Prostheses can also be fixed directly to a stump, for example via osseointegrated fastening devices. Orthoses are applied to existing limbs and can support the user in different ways. The execution of movements can be guided
  • Movements can be supported by drives or resistance devices can be braked. It is also possible that certain movements are prevented or that weaknesses within the musculoskeletal system are compensated for.
  • Orthopedic equipment often has joints or articulated components, the movement of which is influenced by actuators.
  • the actuators can be part of a passive resistance device, which can be designed as dampers, brakes or other resistance devices. To activate or deactivate them, actuators are provided with which the behavior of the resistance device can be changed, for example by adjusting valves in damper devices, by changing viscosities in magnetorheological fluids or increasing the contact pressure in mechanical brakes.
  • configurations are provided as active or semi-active components which have drives as actuators in order to execute, support or counteract movements. Actuators are activated and deactivated via control signals, with which, for example, motors are activated, magnetic fields are changed or slides are opened or closed.
  • State machines which are stored in control devices, are used to control the movement behavior, for example of prostheses of the lower extremities.
  • On the basis of received sensor data it is derived in which state the prosthesis is and how an actuator has to be activated or deactivated in order to generate a certain movement behavior.
  • valves are partially or completely closed via an electric motor in order to change or close fluidic connections with regard to the cross section, in order to influence or prevent pivoted movements of a joint.
  • the control works with so-called state machines, which have a network structure. Due to the Acceptance or knowledge of the current state, the options for setting or adjusting for adaptation to the next expected state or the next expected states are reduced.
  • a control for a prosthetic knee joint via a state machine is described, for example, in EP 549 855 B1.
  • Pattern recognition methods with which EMG signals are processed for control are used in particular in orthopedic equipment for the upper extremities.
  • the methods for pattern recognition often have stochastic features and can be adapted to the needs of the individual user.
  • pattern recognition a distinction is made between several different types of action, for example types of handles, with the controller being continuously supplied with EMG data. At each point in time, the probability that the user would like to perform a certain action or a certain type of grip is calculated. The most likely action is taken.
  • the problem here is the high computational effort and the fact that a different action cannot be initiated from every action that has just been carried out or from every state.
  • an orthopedic device for example a prosthesis
  • this state or this situation can exclude a large part of further, fundamental possibilities for changing this state or this movement situation.
  • a prosthetic hand is already in a position with a lateral grip in which the thumb is already in contact with the index finger, the only other useful commands that can be performed are closing the remaining fingers or opening the lateral grip, which significantly reduces the classification effort.
  • a variant of the invention provides that sensor signals are fed to the classifier as input parameters and then to the state machine as classified sensor data.
  • the sensor signals can be fed as input parameters to the state machine and from there as a state to the classifier.
  • the classifier calculates the probabilities of the associated classes from the sensor data or features and can feed them to a state machine. On the basis of this classified sensor data, the state machine can then more precisely infer the next state or supply signals.
  • sensor signals are initially fed to the state machine as input parameters, some states can be excluded as existing or future states so that they can be neglected in the classification.
  • the class boundaries can also be simplified, which increases the quality of the decision.
  • the classifier and state machine are then arranged one behind the other with regard to the processing of the sensor data and the processed sensor data, be it as classified sensor data or as a status, are then fed to the respective other module or the respective other device.
  • both the classifier and the state machine sensor data are supplied and these are processed in the respective device.
  • the state machine and the classifier are then combined with one another, so that in addition to the sensor data, the classifier is supplied with sensor data processed by the state machine in the form of one or more states, from which a corresponding control signal is then jointly generated.
  • classified sensor data from the classifier is fed to the state machine in order to jointly generate a corresponding control signal therefrom.
  • a further development of the invention provides that several classification methods are stored in the classifier and that the state machine feeds a determined state as an input variable to the classifier.
  • the output of the classifier can be fed back to the input of the classifier via the state machine, as a result of which classified sensor data based on sensor data with a state calculated or determined therefrom is fed back via the state machine.
  • sensor data can also be supplied so that the state machine feeds the current status back to the classifier and thus changes its parameters and structure or exchanges the classifier, i.e. selects one of the several classification methods stored in the classifier depending on the status.
  • control signals in such a data flow in which a classifier calculates the probabilities of the associated classes from the sensor data or features and feeds them to the state machine, which in turn carries out a feedback to the classifier, can take place via the classifier or the state machine, possibly also via both devices, i.e. both via the classifier and via the state machine.
  • different actuators can be activated or deactivated by the respective control signals.
  • the state machine can thus use the sensor data and the results of the classifier to generate a feedback signal that changes at least one parameter of the classifier, that selects a different classification method or that is fed to the classifier as the current state.
  • the control signal itself can be generated in the state machine and / or the classifier.
  • the choice of the respective classifier or its parameterization can be made depending on the current status. This includes, for example, the type of classifier, its structure or its parameterization.
  • the type of classifier can, for example, be the closest neighbor classification or be based on the hidden Markov model or other methods.
  • the structures of the classifier can also be changed, for example by feedback from the state machine, which feeds the current state back to the classifier and thereby changes its structure. Alternatively, the classifier can be exchanged through the feedback, i.e. another classifier can be selected in order to reduce the number of possible next steps.
  • the selection of the classification method or the parameterization of the classifier can take place as a function of the current state.
  • the change in the structure can, for example, affect the number of classes, the arrangement of the layers and / or the number of neurons.
  • a change in the number of classes takes place in a neural network, for example.
  • the parameterization of the classifier can, for example, have the change in weighting and / or the variances as an object.
  • the state machine makes discrete decisions, which is particularly advantageous when a decision only has to be made from a few alternatives.
  • the parameters that are used for the decision are preferably unambiguous, for example measured values and also outputs of a classifier that are compared with limit values. If a measured value reaches a limit value or if it exceeds the limit value, a discrete decision is made that a previously determined measure is taken. Once a limit value has been reached, the state machine can make a decision as to whether an actuator or drive is activated or deactivated, whether a specific control program is activated or whether the orthopedic device must be brought into a specific mode.
  • the state machine can make decisions based on meet fuzzy quantities, for example, if courses of several measured values are evaluated and the combination of the measured values are in a range to which a certain decision or a certain state of the control, the orthopedic device or the like is assigned.
  • a control signal can be designed as a continuous or piece-wise function of classifier results.
  • the output of a classifier can indicate the probability of a certain event or a certain state occurring. In relation to an EMG control, this could be the detection of a co-contraction, in which the value 0 indicates that a co-contraction is unlikely, while the value 1 represents a very high probability of a co-contraction. If two oppositely acting muscles are tensed at the same time beyond a minimum intensity value and it is detected at the same time that no movement is triggered by the muscle contractions, the probability of a cocontraction is very high and is used with 1. If only one of the two muscles is tensed and a movement around a joint axis is detected, the probability of an intended cocontraction is extremely low or 0. All values in between indicate the strength of the cocontraction.
  • the parameterization of the classifier or the classifiers can take place, for example, by removing at least one class. It can thereby be achieved that the measured values have to be assigned to a smaller number of classes or that certain measured values are so far outside the respective decision space that they no longer have to be taken into account.
  • the reduction of the classes can lead to a separation of the decision spaces, whereby the decision of the classifier can be made more clearly.
  • the result of the classifier it is possible for the result of the classifier to be fed to the state machine as an input variable.
  • the state machines Used to control orthopedic devices such as prostheses or orthotics, especially the lower extremity, it is possible with these algorithms to bring about certain behaviors. For example, dampers are activated or deactivated, valves are opened or closed, or drives are switched on or off.
  • the transition between the individual states usually takes place on the basis of comparisons of sensor values and / or calculated variables as well as their logical combination.
  • the sensor values or calculated variables are compared with limit values that are generated, for example, using fixed values, characteristic curves and characteristic surfaces.
  • Using the result of the classifier it is possible to provide the state machine with an input variable, on the basis of which a distinction is made.
  • sensor data are classified by at least one classification method and at least one parameter of the classifier can be changed as a function of at least one internal state and / or a physical state of the orthopedic device.
  • An internal state is, for example, a state machine that outputs a state as a result, software or an internal feedback loop.
  • a physical state of the orthopedic device is, for example, a geometric condition, for example an angle between two components, a positioning of components with respect to one another which, for example, identifies a certain type of handle or a certain type of handle of a prosthetic hand or existing forces.
  • electrical states such as voltage, current, resistance or the like are also to be regarded as physical states.
  • the invention also relates to an orthopedic device with an electronic control device which is coupled to an actuator and at least one sensor and has an electronic processor for processing sensor data, with at least one classification taking place in the control device on the basis of sensor data or data calculated therefrom Classification method depends on the condition of the orthopedic device.
  • the orthopedic device is designed in particular as a prosthesis or orthosis and in particular carries out the method described above.
  • the control device activates or deactivates the actuator on the basis of programs that are stored in a memory unit within the control device.
  • the electronic processor processes sensor data or data calculated therefrom. This can be, for example, temporal derivations or links between individual data or data records.
  • positions, speeds and other variables can be calculated from stored geometric data in connection with angles and / or accelerations, which serve as the basis for controlling the orthopedic equipment.
  • At least one classification takes place in the control device on the basis of the sensor data or the data calculated therefrom, the classification method depending on or being influenced by the state of the orthopedic device.
  • the classification method can be influenced or a corresponding classification method can be selected via the state of the orthopedic device, which is determined by the sensor data or data calculated therefrom. The selection is made from classification methods that are stored in the control device.
  • FIG. 1 - a first series connection of classifier and state machine
  • FIG. 2 - a variant of FIG. 1 with parallel application of sensor data to the state machine
  • FIG. 3 shows a parallel connection of classifier and state machine with classifier state input
  • FIG. 4 - an activation of the state machine and classifier
  • FIG. 5 shows the data flow with a feedback classifier
  • FIG. 7 - an example of the data flow of an extended state machine
  • FIG. 8 is a diagram of a classification problem with no state restriction
  • FIG. 9 is a diagram of a classification problem with state restriction
  • FIG. 10 shows a diagram of an extended state machine
  • FIG. 11 - a schematic representation of a prosthesis of an upper extremity
  • Figure 12 - a schematic representation of a prosthetic leg.
  • FIGS 1 to 4 different arrangements and sequences of classifiers K and state machines SM are shown, which are supplied with sensor data s or with classified sensor data k or with states z in order to send a signal to a processor or micro controller pC, via which the further control of the orthopedic device, which is not shown in more detail, is to be carried out.
  • the classifier K is arranged in series with the state machine SM.
  • the original sensor data s are first fed to the classifier K and processed therein.
  • the classifier K calculates the probabilities of the associated classes from the sensor data s or features and feeds the sensor data k classified in this way to the state machine SM.
  • the state machine SM then no longer processes the original sensor data s, but already processed sensor data, so that based on this processed sensor data or classified sensor data K, a distinction is made within the state machine SM with regard to the current state of the orthopedic device.
  • a control signal or a corresponding signal is then transmitted to the microcontroller PC, via which the corresponding actuators are then activated or deactivated.
  • FIG. 4 shows a reversal of the order in which the original sensor data s are processed in comparison with FIG.
  • the original sensor data s are first fed to the state machine SM.
  • the state machine SM it is possible to evaluate this sensor data and to predict the next possible state changes or to significantly reduce the number of possible next state changes. This works through the network structure of the state machines SM or the state machine and the associated and implemented knowledge of the current state of the orthopedic equipment.
  • These states z or this state is transmitted to the downstream classifier K, which transmits a signal therefrom to the microcontroller pC or processor in order to then carry out the further control measures.
  • the classifier K does not always have to classify all data or features, but only calculates the probabilities from the options that appear to be practicable that have been selected by the state machine SM. For example, if a prosthetic hand is in the “lateral grip” state, there are only two options for a further command, namely “close lateral grip” or “open lateral grip”.
  • the sensor data s are first fed to the classifier K, from which the classified sensor data k are then fed to the state machine SM.
  • the classified sensor data k are not the sole input variables of the state machine SM; rather, the original sensor data s are also transmitted to the state machine SM, so that the state machine SM, in addition to the classified sensor data k, is also based on raw sensor data or Otherwise processed sensor data is made available to the state machine SM to determine the respective state and the associated measure.
  • the state machine SM can thus make better decisions on the basis of additional information made available by the classifier K.
  • FIG. 3 A similar structure of the combination of a state machine SM and a classifier K is shown in FIG. 3, in which state data z from the state machine SM are transmitted to the classifier K in addition to the raw sensor data s. It is possible that the state machine SM does not just use the classifier K State data or states z influenced as further influencing variables, but also by changes in the classes within the classifier K.
  • FIG. 5 shows the data flow, a combination of a classifier K with a feedback state machine SM.
  • Characteristics or features F are derived for the specific classifier K from the sensor raw data s.
  • the raw sensor data s are sent directly to the state machine SM.
  • Probabilities P are calculated from the features F in the classifier K. These probabilities P are fed to the state machine SM as an input variable.
  • the state machine SM can use the probabilities P or classified sensor data z to generate an output signal y2, on the basis of which the orthopedic device, for example the prosthesis, can be controlled.
  • the state machine SM runs through different states Z on the basis of the history of the input signals and the results of the classifier K.
  • the state Z corresponds exactly to the class with the highest probability.
  • the current state Z can now be fed directly to the classifier K as an input.
  • the state machine SM influences the classifier K in that its parameters are modified or different classifiers K are selected.
  • the respective state z which was generated on the basis of the raw sensor data s and possibly the classified sensor data from the feedback with the classifier K, can be fed to the classifier K from the state machine SM.
  • the classified sensor data can then be passed through a microcontroller pC to control the orthopedic equipment.
  • the classifiers K make it possible to use the optimal and leaner classifier K in each case for different decisions.
  • the classifiers K can also be used to influence the control within a state. If, for example, the closing of a prosthetic hand is specified as the state, the type and The way in which the hand is closed can be influenced by a classifier K.
  • the classifier generates further control signals on the basis of the raw sensor data, which are used either via a microcontroller PC or directly to an actuator to influence the orthopedic equipment.
  • the respective classifier K is selected, for example, as a function of the current state, which is defined by a state machine SM.
  • the parameterization of the respective classifier K can also be selected or changed as a function of the current state of the control or of the orthopedic technical device.
  • the structure of the classifier can also be varied as a function of the respective state, for example the number of classes, number of neurons, arrangement of the layers and the like.
  • the data flow of an expanded state machine SM is shown in FIG.
  • the central component of the expansion of the state machine SM is a library of usually parameterizable classifiers that are coupled to the state machine SM.
  • the respective classifiers can be optimized for the respective specific task using feature engineering, feature extraction and machine learning.
  • the state machine SM or the respective state machine SM as well as the respective classifier K or also several classifiers K communicate with one another during the period of use and exert an interaction with one another during the running time, so that the two components are dynamic over the running time interact with each other.
  • the respective state machine SM selects those classifiers K as a function of the state or the respective parameter set which is best suited to optimally solving the currently pending decision.
  • the courses of the different sensor signals s are shown, for example forces, moments, myoelectric signals, angle courses or the like.
  • the features F derived therefrom are sent to the classifiers or the classifier K.
  • the calculated probabilities within the classifier K are fed to the state machine SM, the states Z are fed to the classifier K in order to change the parameters within the classifier K.
  • state machine SM for example, discrete decisions are made, that is to say that certain states Z exist; alternatively, decisions are made on the basis of probabilities or approximations, a so-called fuzzy control.
  • processed features it is also possible for the processed features to be used by the classifier K directly for control.
  • An example of a control is the movement control of a prosthetic hand, in which, for example, two types of grip A and B can be implemented.
  • both types of grip A or B can be performed from the open position of the prosthetic hand, while with a closed or partially closed prosthetic hand, only the opening of the prosthetic hand is possible.
  • the other grip type B can be neglected in the classification. The class boundaries are simplified accordingly.
  • the second type of grip B is only included in the decision-making process again after the prosthetic hand has been fully opened.
  • the second type of handle B could also be recognized during the closing and opening of the first type of handle A, as a result of which the closing or opening of the prosthetic hand would have to be interrupted.
  • the control method according to the invention provides, for example, that the current state, namely the type of grip currently present, is returned to the classifier K as a feature F, whereby the feature space is expanded by a unique feature.
  • the assumed state of the prosthesis namely the respective type of grip and the open state
  • FIG. 10 shows an expanded state machine SM which can be used to control a prosthetic knee joint or orthotic knee joint.
  • two classifiers are used to make local decisions a state machine SM to meet.
  • a Flidden Markov model (FIMM) is used to determine whether a transition to walking in level L or to walking down D is controlled.
  • a neural network NN is again used for the downward movement D, the output of which forms an argument in a control characteristic.
  • Both classifiers FIMM and NN are highly specialized and are used locally, depending on the current status - walking on the level or walking downwards - for a typical discrete decision.
  • the neural network NN is used for this purpose.
  • the outputs in the form of probabilities for descending the stairs or going downhill on a ramp are not used in this case for a further branching of the state machine, but as input parameters of a control surface that is derived from the probabilities and the knee angle Flexion resistance is calculated, which is necessary for the respective movement scenario.
  • classifiers K with state machines SM thus has advantages over the respectively isolated application of these components.
  • the tried and tested state machine control of the lower extremity can easily be supplemented with a classifier-based control component.
  • FIG. 11 shows a schematic representation of an embodiment of the orthopedic device 2 in the form of an actuatable prosthesis device of a lower extremity.
  • the prosthesis device 2 is partially shown along its longitudinal axis in the manner of an exploded view.
  • the prosthetic device 2 is designed as a prosthetic lower arm and has several actuators 4 in the form of electromotive drives, a sensor arrangement 6 with a plurality of electrode pairs 8 and a control device E in the form of an electronic data processing device.
  • the right drive 4 shown in Figure 11 is used to rotate a prosthetic hand 10 of the prosthetic device 2 relative to a forearm shaft 12 of the Prosthetic device 2 around the longitudinal axis of the forearm shaft 12.
  • the prosthetic hand 10 has a plurality of further drives or actuators 4 within the prosthetic hand 10, which are used to actuate the prosthetic fingers 14 of the prosthetic hand 10.
  • the sensor arrangement 6 has four pairs of electrodes 8. These are designed, for example, as individual pairs of electrodes 8, each of which can be attached to the skin of a prosthesis wearer. According to a further embodiment, the electrode pairs 8 are applied to a prosthesis liner (not shown), for example glued on or connected or formed integrally with a liner. According to a further embodiment, the electrode pairs 8 are arranged on an inner side of the forearm shaft 12.
  • the electrode pairs 8 are each connected to the control device E via sensor lines 16.
  • the signals detected by the electrodes are passed to the control device E via the sensor lines 16.
  • sensors 8 are arranged on the forearm that can be designed as inertial sensors, IMU, spatial position sensors, acceleration sensors, force sensors, angle sensors, temperature sensors or other sensors.
  • a plurality of sensors 8 can also be arranged on the orthopedic device, which sensors detect different measured variables or conditions.
  • sensors 8 can be arranged in the prosthetic hand, for example position sensors that detect the position of the prosthetic fingers.
  • only one of the schematically shown drive lines 18 is used for the actuator 4 shown.
  • the other drive lines 18 are passed through this or are connected to other lines and supply the other actuators in the form of the motor drives 4 in the prosthetic hand 10 for actuating the phalanges 14.
  • control device E is in wireless connection, for example via radio, with an input device 20. Signals received from the sensor arrangement 6, for example, can be visualized via this input device 20. In addition, it is preferably possible to change the programs, classifiers K or state machines SM stored in the control device E.
  • FIG. 12 A further embodiment of the orthopedic device 2 is shown in FIG. 12, in the present case in the form of a prosthetic leg for a thigh amputee patient.
  • the prosthesis device 2 has a sensor arrangement 6 with several, for example six pairs of electrodes 8, only four of which are visible in FIG.
  • the prosthetic device 2 has a prosthetic foot 22 and a lower leg part 24.
  • a damper as actuator 4 is assigned to the prosthetic knee joint 26. Drives or actuators for adjusting valves or for setting other manipulated variables can be arranged in the damper itself. Actuators are not limited to electric motors, but are generally used to influence and / or change properties or positions of components of the orthopedic device.
  • a prosthesis shaft is arranged on the joint upper part 28, which, however, is not shown in FIG. 12 for the sake of clarity. Instead, the underlying limb stump 32 of a prosthesis wearer is indicated.
  • the prosthetic knee joint 26 can also be assigned an active drive (not shown) as an actuator which actuates a flexion and / or extension movement of the prosthesis device 2. Control signals from the control device E are fed to this drive via drive lines 18, which are likewise not shown.
  • the sensor arrangement 6 has a flexible, in particular elastic belt 34 on which the electrode pairs 8 are arranged. This is arranged around the limb stump 32 so that the electrode pairs 8 rest against it and can detect signals accordingly.
  • the other sensors 8 mentioned in connection with FIG. 11 can also be arranged on the prosthetic leg and / or the stump and connected to the control device.
  • orthoses and exoskeletons in particular are also orthopedic devices within the meaning of the invention.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Urology & Nephrology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Epidemiology (AREA)
  • Surgery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Transplantation (AREA)
  • Animal Behavior & Ethology (AREA)
  • Cardiology (AREA)
  • Biomedical Technology (AREA)
  • Vascular Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Prostheses (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Steuerung zumindest eines Aktuators (4) einer orthopädietechnischen Einrichtung (2) mit einer elektronischen Steuerungseinrichtung (E), die mit dem Aktuator (4) und zumindest einem Sensor (8) gekoppelt ist und einen elektronischen Prozessor (µC) zum Verarbeiten von Sensordaten (s) aufweist, wobei in der Steuerungseinrichtung (E) zumindest eine State-Machine (SM) abgelegt ist, in der Zustände (z) der orthopädietechnischen Einrichtung (2) und Zustandsübergänge des Aktuators (4) bestimmt werden, wobei in der Steuerungseinrichtung (E) ein Klassifikator (K) abgelegt ist, in dem Sensordaten (s) und/oder Zustände (z) in einem Klassifikationsverfahren automatisch klassifiziert werden, wobei die State-Machine (SM) und das Klassifikationsverfahren kombiniert eingesetzt werden und anhand der Klassifikation und der Zustände (z) eine Entscheidung über die Art und Weise der Aktivierung oder Deaktivierung des Aktuators (4) als Steuerungssignal getroffen wird.

Description

Verfahren zur Steuerung zumindest eines Aktuators einer orthopädietechnischen Einrichtung und orthopädietechnische Einrichtung
Die Erfindung betrifft ein Verfahren zur Steuerung zumindest eines Aktuators einer orthopädietechnischen Einrichtung mit einer elektronischen Steuerungseinrichtung, die mit dem Aktuator und zumindest einem Sensor gekoppelt ist und einen elektronischen Prozessor zum Verarbeiten von Sensordaten aufweist, wobei in der Steuerungseinrichtung zumindest eine State-Machine abgelegt ist, in der Zustände der orthopädietechnischen Einrichtung und Zustandsübergänge des Aktuators bestimmt werden. Die Erfindung betrifft ebenfalls eine orthopädietechnische Einrichtung mit einer elektronischen Steuerungseinrichtung, die mit einem Aktuator und zumindest einem Sensor gekoppelt ist und einen elektronischen Prozessor zum Verarbeiten von Sensordaten aufweist, wobei in der Steuerungseinrichtung zumindest eine Klassifizierung aufgrund von Sensordaten oder daraus berechneter Daten erfolgt. Als orthopädietechnische Einrichtungen werden insbesondere Prothesen und Orthesen angesehen, grundsätzlich werden jedoch auch andere Einrichtungen wie Exoskelette oder dergleichen als orthopädietechnische Einrichtungen angesehen.
Prothesen ersetzen nicht vorhandene oder nicht mehr vorhandene Gliedmaßen hinsichtlich ihrer Funktion und gegebenenfalls auch hinsichtlich ihrer äußeren Erscheinung. Prothesen werden an verbliebenen Gliedmaßen, beispielsweise Stümpfen, befestigt. Dies kann beispielsweise über Prothesenschäfte erfolgen, die den entsprechenden Stumpf umgeben und an denen weitere Prothesenkomponenten angeordnet sind. Alternativ zu Prothesengeschäften können Prothesen auch unmittelbar an einem Stumpf festgelegt werden, beispielsweise über osseointegrierte Befestigungseinrichtungen. Orthesen werden an vorhandene Gliedmaßen angelegt und können den Nutzer in unterschiedlicher Art und Weise unterstützen. Die Ausführung von Bewegungen können geführt werden,
Bewegungen können durch Antriebe unterstützt oder Widerstandseinrichtungen gebremst werden. Ebenso ist es möglich, dass bestimmte Bewegungen verhindert werden oder dass Schwächen innerhalb des Bewegungsapparates ausgeglichen werden. Häufig weisen orthopädietechnische Einrichtungen Gelenke oder gelenkig gelagerte Komponenten auf, die in ihrer Bewegung durch Aktuatoren beeinflusst werden. Die Aktuatoren können Teil einer passiven Widerstandseinrichtung sein, die als Dämpfer, Bremsen oder andere Widerstandseinrichtungen ausgebildet sein können. Zu deren Aktivierung oder Deaktivierung sind Aktuatoren vorgesehen, mit denen das Verhalten der Widerstandseinrichtung geändert werden kann, beispielsweise durch das Verstellen von Ventilen in Dämpfereinrichtungen, durch das Verändern von Viskositäten bei magnetorheologischen Fluiden oder das Vergrößern eines Anpressdruckes bei mechanischen Bremsen. Alternativ sind Ausgestaltungen als aktive oder semiaktive Komponenten vorgesehen, die Antriebe als Aktuatoren aufweisen, um Bewegungen auszuführen, zu unterstützen oder entgegenzuwirken. Die Aktivierung und Deaktivierung von Aktuatoren erfolgt über Steuerungssignale, mit denen beispielsweise Motoren aktiviert werden, Magnetfelder verändert werden oder Schieber geöffnet oder geschlossen werden.
Zur Steuerung des Bewegungsverhaltens, beispielsweise von Prothesen der unteren Extremitäten, werden State-Machines eingesetzt, die in Steuerungseinrichtungen abgelegt sind. Auf der Basis von empfangenen Sensordaten wird abgeleitet, in welchem Zustand sich die Prothese befindet und wie ein Aktuator aktiviert oder deaktiviert werden muss, um ein bestimmtes Bewegungsverhalten zu erzeugen. Beispielsweise werden über einen Elektromotor Ventile teilweise oder vollständig geschlossen, um strömungstechnische Verbindungen hinsichtlich des Querschnittes zu verändern oder zu verschließen, um verschwenkt Bewegungen eines Gelenkes zu beeinflussen oder zu unterbinden. Die Steuerung arbeitet mit sogenannten Zustandsautomaten oder State-Machines, die eine Netzstruktur haben. Aufgrund der Annahme oder des Wissens über den aktuellen Zustand, verringern sich die Möglichkeiten der Einstellung oder Verstellung zur Anpassung an den nächsten, erwarteten Zustand oder die nächsten zu erwartenden Zustände. Eine Steuerung für ein Prothesenkniegelenk über eine State-Machine ist beispielsweise in der EP 549 855 B1 beschrieben.
Insbesondere bei orthopädietechnischen Einrichtungen der oberen Extremität werden Methoden der Mustererkennung angewandt, mit denen EMG-Signale zur Steuerung verarbeitet werden. Die Verfahren zur Mustererkennung weisen häufig stochastische Merkmale auf und lassen sich an die Bedürfnisse der einzelnen Anwender anpassen. Bei der Mustererkennung wird zwischen mehreren unterschiedlichen Aktionstypen, beispielsweise Griffarten unterschieden, wobei die Steuerung kontinuierlich mit EMG-Daten versorgt wird. Zu jedem Zeitpunkt wird die wahrscheinlich hat berechnet, dass der Anwender eine bestimmte Aktion oder einen bestimmten Grifftyp ausführen möchte. Die Aktion mit der höchsten Wahrscheinlichkeit wird ausgeführt. Problematisch hierbei sind der hohe Rechenaufwand und der Umstand, dass nicht von jeder gerade ausgeführten Aktion oder von jedem Zustand aus eine andere Aktion eingeleitet werden kann.
Aufgabe der vorliegenden Erfindung ist es, ein Verfahren zur Steuerung eines Aktuators einer orthopädietechnischen Einrichtung bereitzustellen, das robust ist und gleichzeitig eine verbesserte Steuerungsgenauigkeit aufweist.
Erfindungsgemäß wird diese Aufgabe durch ein Steuerungsverfahren mit den Merkmalen des Hauptanspruches gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung sind in den Unteransprüchen, der Beschreibung und den Figuren offenbart. Das erfindungsgemäße Verfahren zur Steuerung zumindest eines Aktuators eine orthopädietechnischen Einrichtung mit einer elektronischen Steuerungseinrichtung, die mit dem Aktuator und zumindest einem Sensor gekoppelt ist und einen elektronischen Prozessor zum Verarbeiten von Sensordaten aufweist, wobei in der Steuerungseinrichtung zumindest eine State-Machine abgelegt ist, der Zustände der orthopädietechnischen Einrichtung und Zustandsübergänge des Aktuators bestimmt werden und anhand derer eine Entscheidung über die Art und Weise der Aktivierung oder Deaktivierung des Aktuators als Steuerungssignal getroffen wird, sieht vor, dass in der Steuerungseinrichtung ein Klassifikation abgelegt ist, in dem Sensordaten und/oder Zustände in einem Klassifikationsverfahren automatisch klassifiziert werden, wobei die State-Machine und das Klassifikationsverfahren kombiniert eingesetzt werden und anhand der Zustände und Klassifikation eine Entscheidung über die Art und Weise der Aktivierung oder Deaktivierung des Aktuators als Steuerungssignal getroffen wird. Durch die Kombination der Steuerung eines Aktuators einer orthopädietechnischen Einrichtung über eine State-Machine mit einem Klassifikationsverfahren oder mit einem oder mehreren Klassifikatoren ist es möglich, die Anzahl der zu klassifizierende Möglichkeiten bereits im Vorfeld zu reduzieren und die Datenauswertung auf diejenigen Aspekte zu beschränken, die für die Auswahl zwischen zwei oder mehreren praktikablen Möglichkeiten relevant sind. Befindet sich eine orthopädietechnische Einrichtung, beispielsweise eine Prothese, bereits eindeutig in einem gewissen Zustand oder während einer bestimmten Bewegungssituation, kann dieser Zustand oder diese Situation einen Großteil von weiteren, grundsätzlichen Möglichkeiten zur Veränderung dieses Zustandes oder dieser Bewegungssituation ausschließen. Befindet sich beispielsweise eine Prothesenhand bereits in einer Stellung mit einem Lateralgriff, in der der Daumen bereits an dem Zeigefinger anliegt, können als weitere sinnvolle Befehle nur noch das Schließen der übrigen Finger oder das Öffnen des Lateralgriffs erfolgen, was den Klassifikationsaufwand wesentlich verringert. Darüber hinaus können die Entscheidungen, in welcher Art und Weise der Aktuator aktiviert oder deaktiviert wird oder die Aktuatoren aktiviert oder deaktiviert werden, mit einer höheren Genauigkeit und gegebenenfalls schneller getroffen werden, da eine Klassifikation im fertig entwickelten Zustand sehr einfach und sehr schnell durchgeführt werden kann. Eine Variante der Erfindung sieht vor, dass Sensorsignale als Eingangsparameter dem Klassifkator und als klassifizierte Sensordaten anschließend der State-Machine zugeführt werden. Alternativ können die Sensorsignale als Eingangsparameter der State-Machine und von dort als Zustand dem Klassifikator zugeführt werden. Der Klassifikator errechnet aus den Sensordaten oder Merkmalen die Wahrscheinlichkeiten der dazugehörigen Klassen und kann diese einer State- Machine zuführen. Auf der Grundlage dieser klassifizierten Sensordaten kann dann die State-Machine genauer auf den nächsten Zustand schließen bzw. Signalen versorgen. Werden zunächst Sensorsignale als Eingangsparameter der State- Machine zugeführt, können einige Zustände als vorhandene oder zukünftige Zustände ausgeschlossen werden, sodass diese in der Klassifikation vernachlässigt werden können. Ebenso können die Klassengrenzen vereinfacht werden, wodurch sich eine Erhöhung der Entscheidungsqualität erreichen lässt. Klassifikator und State-Machine sind hinsichtlich der Verarbeitung der Sensordaten dann hintereinander angeordnet und die aufbereiteten Sensordaten, sei es als klassifizierte Sensordaten oder als Zustand, werden dann dem jeweiligen anderen Modul oder der jeweiligen andere Einrichtung zugeführt.
Weiterhin ist es möglich, dass sowohl dem Klassifikator als auch der State-Machine Sensordaten zugeführt werden und diese in der jeweiligen Einrichtung verarbeitet werden. Die State-Machine und der Klassifikator sind dann miteinander kombiniert, sodass dem Klassifikator neben den Sensordaten durch die State-Machine aufbereitete Sensordaten in Gestalt eines oder mehrerer Zustände zugeführt werden, aus denen dann gemeinsam ein entsprechendes Steuerungssignal erzeugt wird. Alternativ wird der State-Machine neben den Sensordaten klassifizierte Sensordaten aus dem Klassifikator zugeführt, um daraus gemeinsam ein entsprechendes Steuerungssignal zu erzeugen. Eine Weiterbildung der Erfindung sieht vor, dass in dem Klassifikator mehrere Klassifikationsverfahren abgelegt sind und dass die State-Machine einen ermittelten Zustand als Eingangsgröße dem Klassifikator zuführt.
Der Ausgang des Klassifikators kann über die State-Machine mit dem Eingang des Klassifikators rückgekoppelt werden, wodurch eine Rückkopplung klassifizierter Sensordaten basierend auf Sensordaten mit einem daraus errechneten oder ermittelten Zustand über die State-Machine erfolgt. Zur Zustandsermittlung können ebenfalls Sensordaten zugeführt werden, sodass die State-Machine den aktuellen Zustand dem Klassifikator rückführt und damit dessen Parameter und Struktur ändert oder aber den Klassifikator austauscht, also einen der mehreren in dem Klassifikator abgelegten Klassifikationsverfahren in Abhängigkeit von dem Zustand auswählt. Die Steuerungssignale in einem solchen Datenfluss, bei dem ein Klassifikator aus den Sensordaten oder Merkmalen die Wahrscheinlichkeiten der dazugehörigen Klassen ausrechnet und der State-Machine zuführt, die dann wiederum eine Rückkopplung zu dem Klassifikator ausführt, kann über den Klassifikator oder die State-Machine erfolgen, gegebenenfalls auch über beide Einrichtungen, also sowohl über den Klassifikator als auch über State-Machine. Beispielsweise können unterschiedliche Aktuatoren durch die jeweiligen Steuerungssignale aktiviert oder deaktiviert werden.
Die State-Machine kann somit aus den Sensordaten und den Ergebnissen des Klassifikators ein Rückkopplungssignal erzeugen, das zumindest einen Parameter des Klassifikators verändert, das ein anderes Klassifikationsverfahren auswählt oder das dem Klassifikator als aktueller Zustand zugeführt wird. Das Steuerungssignal selbst kann dabei in der State-Machine und/oder dem Klassifikator erzeugt werden.
In dem Klassifikator können mehrere Klassifikationsverfahren gleichzeitig ausgeführt werden, wobei jedes Klassifikationsverfahren unterschiedliche Ziele haben kann. Damit ist es möglich, mehrere Szenarien gleichzeitig zu analysieren und die jeweiligen Wahrscheinlichkeiten Die Wahl des jeweiligen Klassifikators oder dessen Parametrierung kann in Abhängigkeit des aktuellen Zustands erfolgen. Dies umfasst zum Beispiel die Art des Klassifikators, dessen Struktur oder dessen Parametrierung. Die Art des Klassifikators kann beispielsweise die Nächste-Nachbarn-Klassifikation sein oder nach dem Hidden-Markov-Model oder nach anderen Methoden erfolgen. Die Strukturen des Klassifikators können ebenfalls geändert werden, beispielsweise durch eine Rückkopplung der State-Machine, die den aktuellen Zustand dem Klassifikator rückführt und dadurch dessen Struktur ändert. Alternativ kann durch die Rückkopplung der Klassifikator ausgetauscht werden, also ein anderer Klassifikator gewählt werden, um die Anzahl der möglichen nächsten Schritte zu verringern. Die Auswahl des Klassifikationsverfahrens oder die Parametrisierung des Klassifikators kann in Abhängigkeit von dem aktuellen Zustand erfolgen. Die Veränderung der Struktur kann beispielsweise die Klassenanzahl, die Anordnung der Layer und oder die Anzahl der Neuronen betreffen. Eine Veränderung der Klassenanzahl findet beispielsweise in einem neuronalen Netzwerk statt. Die Parametrisierung des Klassifikators kann beispielsweise die Veränderung der Gewichtung und/oder die Varianzen zum Gegenstand haben.
Eine Weiterbildung der Erfindung sieht vor, dass die State-Machine diskrete Entscheidungen trifft, was insbesondere dann vorteilhaft ist, wenn eine Entscheidung nur aus wenigen Alternativen getroffen werden muss. Die Parameter, die für die Entscheidung herangezogen werden, sind dabei bevorzugt eindeutig, beispielsweise Messwerte und auch Ausgänge eines Klassifikators, die mit Grenzwerten verglichen werden. Erreicht ein Messwert einen Grenzwert oder überschreitet er den Grenzwert, wird eine diskrete Entscheidung darüber getroffen, dass eine vorab festgelegte Maßnahme ergriffen wird. Ab Erreichen eins Grenzwertes kann die State-Machine eine Entscheidung darüber treffen, ob ein Aktuator oder Antrieb aktiviert oder deaktiviert wird, ob ein bestimmtes Steuerungsprogramm aktiviert wird oder ob die orthopädietechnische Einrichtung in einen bestimmten Modus gebracht werden muss. Alternativ kann die State-Machine Entscheidungen auf der Grundlage von unscharfen Mengen treffen, beispielsweise wenn Verläufe mehrerer Messwerte ausgewertet werden und die Kombination der Messwerte in einem Bereich liegen, dem eine bestimmte Entscheidung oder ein bestimmter Zustand der Steuerung, der orthopädietechnischen Einrichtung oder dergleichen zugeordnet ist.
Ein Steuersignal kann als eine stetige oder stückweise Funktion von Klassifikator Ergebnissen ausgebildet sein. Der Ausgang eines Klassifikators kann die Wahrscheinlichkeit eines Eintrittes eines bestimmten Ereignisses oder eines bestimmten Zustandes angeben. Bezogen auf eine EMG-Steuerung könnte dies die Erfassung einer Kokontraktion sein, bei der der Wert 0 angibt, dass eine Kokontraktion unwahrscheinlich ist, während der Wert 1 eine sehr hohe Wahrscheinlichkeit für eine Kokontraktion darstellt. Werden zwei einander entgegengesetzt wirkende Muskeln über einen minimalen Intensitätswert hinaus gleichzeitig angespannt und wird gleichzeitig detektiert, dass durch die Muskelkontraktionen keine Bewegung ausgelöst wird, ist die Wahrscheinlichkeit einer Kokontraktion sehr hoch und wird mit 1 eingesetzt. Wird nur einer der beiden Muskeln angespannt und eine Bewegung um eine Gelenkachse detektiert, ist die Wahrscheinlichkeit einer beabsichtigten Kokontraktion außerordentlich gering oder 0. Alle Werte dazwischen geben die Stärke der Kokontraktion an.
Die Parametrisierung des Klassifikators oder der Klassifikatoren kann beispielsweise durch das Entfernen von zumindest einer Klasse erfolgen. Dadurch kann erreicht werden, dass die Messwerte einer geringeren Anzahl an Klassen zugeordnet werden müssen oder dass bestimmte Messwerte soweit außerhalb des jeweiligen Entscheidungsraumes liegen, dass sie nicht mehr berücksichtigt werden müssen.
Die Verringerung der Klassen kann zu einer Trennung der Entscheidungsräume führen, wodurch die Entscheidung des Klassifikators eindeutiger erfolgen kann.
In einer Variante der Erfindung ist es möglich, dass das Ergebnis des Klassifikators als Eingangsgröße der State-Machine zugeführt wird. Werden die State-Machines zur Steuerung von orthopädietechnischen Einrichtungen wie Prothesen oder Orthesen, insbesondere der unteren Extremität eingesetzt, ist es mit diesen Algorithmen möglich, bestimmte Verhaltensweisen zu bewirken. Beispielsweise werden Dämpfer aktiviert oder deaktiviert, Ventile geöffnet oder geschlossen oder Antriebe zugeschaltet oder abgeschaltet. Der Übergang zwischen den einzelnen Zuständen erfolgt in der Regel auf der Basis von Vergleichen von Sensorwerten und/oder berechneten Größen sowie deren logischer Verknüpfung. Die Sensorwerte oder berechneten Größen werden mit Grenzwerten verglichen, die beispielsweise über Fixwerte, Kennlinien und Kennflächen erzeugt werden. Über das Ergebnis des Klassifikators ist es möglich, die State-Machine mit einer Eingangsgröße zu versehen, auf deren Grundlage eine Unterscheidung getroffen wird.
Sobald zwei Zustände unterschieden werden, handelt es sich um eine State- Machine.
In einem Klassifikator werden Sensordaten von zumindest einem Klassifikationsverfahren klassifiziert und zumindest ein Parameter des Klassifikators kann in Abhängigkeit von zumindest einem internen Zustand und/oder eines physikalischen Zustandes der orthopädietechnischen Einrichtung verändert werden. Ein interner Zustand ist beispielsweise eine State-Machine, die als Ergebnis einen Zustand ausgibt, eine Software oder eine interne Rückkopplungsschleife. Ein physikalischer Zustand der orthopädietechnischen Einrichtung ist beispielsweise eine geometrische Gegebenheit, beispielsweise ein Winkel zwischen zwei Komponenten, eine Positionierung von Komponenten zueinander, die beispielsweise einen bestimmten Grifftyp oder eine bestimmte Griffart einer Prothesenhand identifiziert oder vorliegende Kräfte. Als physikalische Zustände sind beispielsweise auch elektrische Zustände wie Spannung, Strom, Widerstände oder dergleichen anzusehen. Die Erfindung betrifft ebenfalls eine orthopädietechnische Einrichtung mit einer elektronischen Steuerungseinrichtung, die mit einem Aktuator und zumindest einem Sensor gekoppelt ist und einen elektronischen Prozessor zum Verarbeiten von Sensordaten aufweist, wobei in der Steuerungseinrichtung zumindest eine Klassifizierung aufgrund von Sensordaten oder daraus berechneter Daten erfolgt, wobei das Klassifizierungsverfahren von dem Zustand der orthopädischen Einrichtung abhängt. Die orthopädietechnische Einrichtung ist insbesondere als eine Prothese oder Orthese ausgebildet und führt insbesondere das oben beschriebene Verfahren aus. Die Steuerungseinrichtung aktiviert oder deaktiviert den Aktuator auf der Grundlage von Programmen, die innerhalb der Steuerungseinrichtung in einer Speichereinheit abgelegt sind. Der elektronische Prozessor verarbeitet Sensordaten oder daraus berechnete Daten. Dies können beispielsweise zeitliche Ableitungen oder Verknüpfungen einzelner Daten oder Datensätze sein. So können beispielsweise aus hinterlegten geometrischen Daten in Verbindung mit Winkeln und/oder Beschleunigungen Positionen, Geschwindigkeiten und andere Größen berechnet werden, die als Grundlage für die Steuerung der orthopädietechnischen Einrichtung dienen. In der Steuerungseinrichtung findet zumindest eine Klassifizierung aufgrund der Sensordaten oder der daraus berechneten Daten statt, wobei das Klassifizierungsverfahren von dem Zustand der orthopädietechnischen Einrichtung abhängt oder davon beeinflusst wird. Über den Zustand der orthopädietechnischen Einrichtung, der durch die Sensordaten oder daraus berechneter Daten ermittelt wird, kann das Klassifizierungsverfahren beeinflusst oder ein entsprechendes Klassifizierungsverfahren ausgewählt werden. Die Auswahl erfolgt aus Klassifizierungsverfahren, die in der Steuerungseinrichtung abgelegt sind.
Nachfolgend werden Ausführungsbeispiele der Erfindung anhand der beigefügten Figuren näher erläutert. Es zeigen:
Figur 1 - eine erste Reihenschaltung von Klassifikator und State-Machine; Figur 2 - eine Variante der Figur 1 mit paralleler Beaufschlagung der State- Machine mit Sensordaten;
Figur 3 - eine Parallelschaltung von Klassifikator und State-Machine mit Zustandseingang Klassifikator;
Figur 4 - eine Einschaltung von State-Machine und Klassifikator;
Figur 5 - eine Darstellung des Datenflusses mit einem rückgekoppelten Klassifikator;
Figur 6 - unterschiedliche Klassifikatoren;
Figur 7 - ein Beispiel des Datenflusses einer erweiterten State-Machine;
Figur 8 - ein Schaubild eines Klassifikationsproblems ohne Zustands- Einschränkung;
Figur 9 - ein Schaubild eines Klassifikationsproblems mit Zustands- Einschränkung;
Figur 10 - ein Schaubild einer erweiterten State-Machine;
Figur 11 - eine schematische Darstellung einer Prothese einer oberen Extremität; sowie Figur 12 - eine schematische Darstellung eines Prothesenbeins.
In den Figuren 1 bis 4 sind unterschiedliche Anordnungen und Reihenfolgen von Klassifikatoren K und State-Machines SM dargestellt, die mit Sensordaten s bzw. mit klassifizierten Sensordaten k oder mit Zuständen z versorgt werden, um ein Signal an einen Prozessor oder Micro Controller pC zusenden, über den die weitere Steuerung der orthopädietechnischen Einrichtung, die nicht näher dargestellt ist, vorzunehmen.
In der Figur 1 ist der Klassifikator K in Reihe mit der State-Machine SM angeordnet. Die ursprünglichen Sensordaten s werden zunächst dem Klassifikator K zugeführt und darin bearbeitet. Der Klassifikator K errechnet aus den Sensordaten s oder Features die Wahrscheinlichkeiten der dazugehörigen Klassen und führt die so klassifizierten Sensordaten k der State-Machine SM zu. Die State-Machine SM verarbeitet in diesem Ausführungsbeispiel dann nicht mehr die originären Sensordaten s, sondern bereits aufbereitete Sensordaten, sodass anhand dieser aufbereiteten Sensordaten oder klassifizierten Sensordaten K innerhalb der State- Machine SM eine Unterscheidung hinsichtlich des gerade vorliegenden Zustandes der orthopädietechnischen Einrichtung erfolgt. Auf der Grundlage des festgelegten oder festgesetzten Zustandes wird dann ein Steuerungssignal oder ein entsprechendes Signal an den Mikrocontroller pC übermittelt, über den dann die Aktivierung oder Deaktivierung entsprechender Aktuatoren erfolgt.
In der Figur 4 ist eine Umkehrung der Reihenfolge der Bearbeitung der ursprünglichen Sensordaten s im Vergleich zu der Figur 1 gezeigt. Die ursprünglichen Sensordaten s werden zunächst der State-Machine SM zugeführt. In der State-Machine SM ist es möglich, diese Sensordaten auszuwerten und die möglichen nächsten Zustandsänderungen vorherzusagen oder die Anzahl der möglichen nächsten Zustandsänderungen wesentlich zu reduzieren. Dies gelingt durch die Netzstruktur der State-Machines SM oder des Zustandsautomaten und dem damit verbundenen und implementierten Wissen über den jeweiligen aktuellen Zustand der orthopädietechnischen Einrichtung. Diese Zustände z oder dieser Zustand wird dem nachgeschalteten Klassifikator K übermittelt, der daraus ein Signal an den Mikrocontroller pC oder Prozessor übermittelt, um dann die weiteren Steuerungsmaßnahmen durchzuführen. Bei einer solchen Ausgestaltung und Kombination eines Klassifikators K mit einer State-Machine SM muss der Klassifikator K nicht immer alle Daten oder Merkmale klassifizieren, sondern rechnet die Wahrscheinlichkeiten nur aus den praktikabel erscheinenden Möglichkeiten, die durch die State-Machine SM vor ausgewählt worden sind. Befindet sich eine Prothesenhand beispielsweise dem Zustand „Lateralgriff“, dann bestehen nur noch zwei Möglichkeiten für einen weiteren Befehl, nämlich „Lateralgriff schließen“ oder „Lateralgriff öffnen“.
In der Figur 2 werden die Sensordaten s analog zu dem Vorgehen in der Figur 1 , zunächst dem Klassifikator K zugeführt, aus dem dann die klassifizierten Sensordaten k der State-Machine SM zugeführt werden. Allerdings sind die klassifizierten Sensordaten k nicht die alleinigen Eingangsgrößen der State-Machine SM, vielmehr werden auch die ursprünglichen Sensordaten s der State-Machine SM übermittelt, sodass die State-Machine SM neben den klassifizierten Sensordaten k auch auf der Basis von Sensor-Rohdaten oder anderweitig aufbereitete Sensordaten der State-Machine SM zur Festlegung des jeweiligen Zustandes und der damit verbundenen Maßnahme zur Verfügung gestellt wird. Die State-Machine SM kann somit auf der Grundlage zusätzlicher Informationen, die von dem Klassifikator K zur Verfügung gestellt wird, bessere Entscheidungen treffen.
Ein ähnlicher Aufbau der Kombination einer State-Machine SM und eines Klassifikators K in der Figur 3 gezeigt, bei dem dem Klassifikator K zusätzlich zu den Sensor-Rohdaten s Zustandsdaten z aus der State-Machine SM übermittelt werden. Dabei ist es möglich, dass die State-Machine SM den Klassifikator K nicht nur durch Zustandsdaten oder Zustände z als weitere Einflussgrößen beeinflusst, sondern auch durch Änderungen der Klassen innerhalb des Klassifikators K.
In der Figur 5 ist der Datenfluss eine Kombination eines Klassifikators K mit einer rückgekoppelten State-Machine SM dargestellt. Aus den Sensor-Rohdaten s werden für den spezifischen Klassifikator K Merkmale oder Features F abgeleitet. Darüber hinaus werden die Sensor-Rohdaten s der State-Machine SM direkt zugeleitet. Aus den Features F werden in dem Klassifikator K Wahrscheinlichkeiten P errechnet. Diese Wahrscheinlichkeiten P werden als Eingangsgröße der State-Machine SM zugeführt. Die State-Machine SM kann aus den Wahrscheinlichkeiten P oder klassifizierten Sensordaten z ein Ausgangssignal y2 erzeugen, auf dessen Grundlage die orthopädietechnische Einrichtung, beispielsweise die Prothese, gesteuert werden kann. Die State-Machine SM durchläuft auf Basis der Historie der Eingangssignale und der Ergebnisse des Klassifikators K verschiedene Zustände Z. Im einfachsten Fall entspricht der Zustand Z genau jener Klasse mit der höchsten Wahrscheinlichkeit. Dem Klassifikator K kann nun direkt der aktuelle Zustand Z als Input zugeführt werden. Alternativ nimmt die State-Machine SM auf den Klassifikator K Einfluss, indem dessen Parameter modifiziert werden oder unterschiedliche Klassifikatoren K ausgewählt werden. Aus der State-Machine SM kann der jeweilige Zustand z, der auf der Basis der Sensor-Rohdaten s und gegebenenfalls der klassifizierten Sensordaten aus der Rückkopplung mit dem Klassifikator K erzeugt worden ist, dem Klassifikator K zugeführt werden. Die klassifizierten Sensordaten können dann über einen Mikrocontroller pC zur Steuerung der orthopädietechnischen Einrichtung geleitet werden.
Die Parametrisierung und die Auswahl unterschiedlicher Klassifikatoren K ermöglicht es, für unterschiedliche Entscheidungen den jeweils optimalen und schlankeren Klassifikator K zu verwenden. Neben der Beeinflussung von Zustandsübergängen in der State-Machine SM können die Klassifikator K auch eingesetzt werden, um innerhalb eines Zustandes die Steuerung zu beeinflussen. Wird als Zustand beispielsweise das Schließen einer Prothesenhand festgelegt, kann die Art und Weise, wie das Schließen der Hand erfolgt, über einen Klassifikator K beeinflusst werden. Der Klassifikator erzeugt auf Basis der Sensor-Rohdaten weitere Steuerungssignale, die entweder über einen MikrocontrollerpC oder direkt einem Aktuator zur Beeinflussung der orthopädietechnischen Einrichtung verwendet werden. Grundsätzlich ist es auch vorgesehen, dass mehrere Klassifikator K gleichzeitig ausgeführt werden, jeder Klassifikator K jedoch unterschiedliche Ziele aufweist. Wenn die Klassifikatoren K fertig entwickelt sind, arbeiten sie sehr einfach und schnell und können parallel ausgeführt werden, ohne den Rechenaufwand signifikant zu vergrößern.
In der Figur 6 sind spezifische Klassifikatoren K und deren Auswahl schematisch dargestellt. Die Wahl des jeweiligen Klassifikators K erfolgt beispielsweise in Abhängigkeit des aktuellen Zustands, der über eine State-Machine SM festgelegt ist. Ebenfalls kann die Parametrisierung des jeweiligen Klassifikators K in Abhängigkeit von dem aktuellen Zustand der Steuerung bzw. der orthopädietechnischen Einrichtung ausgewählt oder verändert werden. Ebenfalls kann die Struktur des Klassifikators in Abhängigkeit von dem jeweiligen Zustand variiert werden, also beispielsweise die Anzahl der Klassen, Anzahl der Neuronen, Anordnung der Layer und dergleichen mehr.
In der Figur 7 ist der Datenfluss einer erweiterten State-Machine SM dargestellt. Die zentrale Komponente der Erweiterung der State-Machine SM ist eine Bibliothek aus in der Regel parametrisierbaren Klassifikatoren, die mit der State-Machine SM gekoppelt sind. Die jeweiligen Klassifikatoren können durch Feature Engineering, Feature-Extraktion und Machine Learning für die jeweilige spezifische Aufgabenstellung optimiert werden. Grundsätzlich ist es auch möglich, dass eine Mehrzahl an State-Machines SM mit der Bibliothek von Klassifikatoren gekoppelt ist. Die State-Machine SM oder die jeweilige State-Machine SM sowie der jeweilige Klassifikator K oder auch mehrere Klassifikatoren K kommunizieren während der Nutzungsdauer miteinander und üben eine Wechselwirkung während der Laufzeit aufeinander aus, sodass die beiden Komponenten über die Laufzeit dynamisch miteinander interagieren. Die jeweilige State-Machine SM wählt jene Klassifikatoren K zustandsabhängig oder den jeweiligen Parametersatz, der am besten geeignet ist, um die aktuell anstehende Entscheidung optimal zu lösen. Links neben der Kombination aus Klassifikator und K und State-Machine SM sind die Verläufe der unterschiedlichen Sensorsignale s gezeigt, beispielsweise Kräfte, Momente, myoelektrische Signale, Winkelverläufe oder dergleichen. Die daraus abgeleiteten Features F werden den Klassifikatoren oder dem Klassifikator K zugeleitet. Die errechneten Wahrscheinlichkeiten innerhalb des Klassifikators K werden der State- Machine SM zugeleitet, die Zustände Z werden dem Klassifikator K zugeleitet, um die Parameter innerhalb des Klassifikators K zu verändern. In der State-Machine SM werden zum Beispiel diskrete Entscheidungen getroffen, also dass bestimmte Zustände Z vorliegen, alternativ werden Entscheidungen auf Grundlage von Wahrscheinlichkeiten oder Näherungen getroffen, eine sogenannte Fuzzy- Steuerung. Grundsätzlich ist es auch möglich, dass die verarbeiteten Features von dem Klassifikator K direkt zur Steuerung eingesetzt werden.
Ein Beispiel einer Steuerung ist die Bewegungsteuerung einer Prothesenhand, bei der beispielsweise zwei Griffarten A und B verwirklicht werden können. Aus der geöffneten Position der Prothesenhand können grundsätzlich beide Griffarten A oder B ausgeführt werden, während bei einer geschlossenen oder teilweise geschlossenen Prothesenhand nur das Öffnen der Prothesenhand möglich ist. Sobald die Prothesenhand aufgrund eines Klassifikationsergebnisses beginnt z.B. die eine Griffart A auszuführen und die Prothesenhand zu schließen, ist es für die weitere Steuerung nur noch notwendig, zwischen der Griffart A und dem Öffnen zu unterscheiden. Die andere Griffart B kann in der Klassifikation vernachlässigt werden. Dementsprechend werden die Klassengrenzen vereinfacht. Erst nach dem vollständigen Öffnen der Prothesenhand wird die zweite Griffart B wieder in den Entscheidungsprozess mit aufgenommen. Bei einer konventionellen Steuerung nur mit einem Klassifikator könnte während des Schließens und des Öffnens der ersten Griffart A auch die zweite Griffart B erkannt werden, wodurch das Schließen oder Öffnen der Prothesenhand unterbrochen hätte werden müssen. Um dies auszuschließen, ist bei dem erfindungsgemäßen Steuerungsverfahren beispielsweise vorgesehen, dass dem Klassifikator K der aktuelle Zustand, nämlich die gerade vorhandene Griffart, als Feature F zurückgeführt wird, wodurch der Feature-Raum um ein eindeutiges Merkmal erweitert wird. Dabei wird zwischen dem eingenommenen Zustand der Prothese, nämlich der jeweiligen Griffart und dem geöffneten Zustand, und der zuletzt erkannten Klasse unterschieden. Alternativ ist es möglich, die Parameter des Klassifikators K über die Laufzeit zu verändern, wenn ein bestimmter Zustand erkannt worden ist, beispielsweise durch das Entfernen einer Klasse aus dem Klassifikator K.
Dieses Beispiel wird anhand der Figur 8 und der Figur 9 näher erläutert. In der Figur 8 findet in der State-Machine SM keine Einschränkung eines Zustandes statt. Daher muss zu jedem Zeitpunkt zwischen allen vorhandenen Klassen, nämlich Prothesenhand Offen, Griff A und Griff B unterschieden werden. Aufgrund der fehlenden scharfen Trennung zwischen den beiden Griffarten A und B im Feature- Raum x1-x2 kann es zu Fehl-Klassifikationen kommen. Über den zeitlichen Verlauf des Feature-Vektors kann die Klassifikation Offen -> Griff B -> Griff A -> Griff B -> Offen ausgegeben werden. Bei einer Kombination eines Klassifikators K mit einer Zustandseinschränkung über die State-Machine SM, wie sie in der Figur 9 dargestellt ist, muss die Unterscheidung zwischen der Griffart A oder Griffart B nur anfänglich, also initial erfolgen. Während der Ausführung von Griffart B muss nur zwischen dem Greifen und dem Öffnen unterschieden werden. Die Klasse für die Griffart kann vernachlässigt werden. Durch die Reduktion der Klassen ergibt sich ein wesentlich einfacheres Klassifikationsproblem. Der eingezeichnete zeitliche Verlauf des Feature-Vektors kann nur zu der korrekten Klassifikation Offen -> Griff B -> Offen führen.
In der Figur 10 ist eine erweiterte State-Machine SM dargestellt, die zur Steuerung eines Prothesenkniegelenkes oder Orthesenkniegelenkes eingesetzt werden kann. Hierbei werden zunächst zwei Klassifikatoren eingesetzt, um lokale Entscheidungen einer State-Machine SM zu treffen. Nach Beendigung einer Schwungphase sw wird mit dem Fersenauftritt oder Fleel Strike FIS ein Flidden-Markov-Modell (FIMM) herangezogen, um über dessen Ergebnis festzulegen, ob ein Übergang zum Gehen in der Ebene L oder zum abwärts Gehen D gesteuert wird. Für das abwärts Gehen D wird wiederum ein neuronales Netz NN verwendet, dessen Ausgang ein Argument in einer Steuerkennfläche bildet. Beide Klassifikatoren FIMM und NN sind hochspezialisiert und werden lokal, im Sinne der Abhängigkeit des aktuellen Zustandes -Gehen in der Ebene oder abwärts Gehen - für eine typische diskrete Entscheidung eingesetzt.
Beim Gehen in der Ebene, beim abwärts Gehen auf einer Schräge oder beim Treppe abwärts Steigen mit einem künstlichen Kniegelenk müssen unterschiedliche Flexionswiderstände angefahren werden. Dies wird durch eine Kombination einer Zustandsmaschine SM mit einer Zuordnung der Gangphasen in Kombination mit Klassifikatoren K gelöst. Zunächst wird in der Schwungphase die Trajektorie des Fußes erfasst und bei einem Fersenauftritt FIS einem Flidden Markov Modell zugeführt, gegebenenfalls in vereinfachter mathematischer Repräsentation. Das Flidden-Markov-Modell kann anhand der Trajektorie unterscheiden, ob es sich um einen ebenen Schritt oder einen Schritt abwärts handelt. Die Ausgangswahrscheinlichkeiten des Flidden Markov Modells sind die Grundlage für die Verzweigung in zwei unterschiedliche Zweige der State-Machine. Der erste Zweig ist für das Gehen in der Ebene, der zweite für abwärtsgerichtete Schritte vorgesehen. Ist eine Entscheidung für das abwärts Gehen gefallen, ist eine Unterscheidung zwischen dem Gehen auf einer Rampe oder dem Fierabsteigen einer Treppe notwendig. Flierfürwird das neuronale Netz NN herangezogen. Als Eingangsgröße s dienen beispielsweise die Verläufe der Segmentwinkel der Prothese oder Orthese sowie die Belastungen nach dem Fleel Strike FIS. Die Ausgänge in Gestalt von Wahrscheinlichkeiten für das Fierabsteigen der Treppe oder das Gehen bergab auf einer Rampe werden in diesem Fall nicht für eine weitere Verzweigung der State-Machine verwendet, sondern als Eingangsparameter einer Steuerkennfläche, die aus den Wahrscheinlichkeiten und dem Kniewinkel den Flexionswiderstand berechnet, der für das jeweilige Bewegungsszenario notwendig ist.
Die Kombination oder Verschränkung von Klassifikatoren K mit State-Machines SM hat somit Vorteile gegenüber der jeweils isolierten Anwendung dieser Komponenten. Insbesondere bei der Mustererkennung von elektromyografischen Signalen oder anderen neuronalen Signalen der oberen Extremität ist eine Ergänzung der Steuerung einer Prothese um eine State-Machine vorteilhaft. Ebenso kann die bewährte State-Machine-Steuerung der unteren Extremität einfach um eine Klassifikator-basierte Steuerungskomponente ergänzt werden.
Für alle Ausführungsbeispiele und für alle geschilderten Steuerungen und Varianten ist vorgesehen, dass die Klassifikatoren selbstlernend ausgebildet sind oder selbstlernend ausgebildet sein können. Selbstlernende Klassifikatoren können beispielsweise mittels einer Clusteranalyse für eine nicht klassifizierte Menge von Merkmalsvektoren selbstständig eine Klassenbildung durchführen oder bewerten und berücksichtigen dabei die eigenen Klassifikationsergebnisse.
Figur 11 zeigt eine schematische Darstellung einer Ausführungsform der orthopädietechnischen Einrichtung 2 in Gestalt einer aktuierbaren Protheseneinrichtung einer unteren Extremität. Entlang ihrer Längsachse ist die Protheseneinrichtung 2 teilweise nach Art einer Explosionsdarstellung dargestellt.
Die Protheseneinrichtung 2 ist als Prothesenunterarm ausgebildet und weist mehrere Aktuatoren 4 in Gestalt elektromotorischer Antriebe, eine Sensoranordnung 6 mit einer Mehrzahl von Elektrodenpaaren 8 sowie eine Steuerungseinrichtung E in Gestalt einer elektronische Datenverarbeitungseinrichtung auf.
Der in Figur 11 dargestellte rechte Antrieb 4 dient der Rotation einer Prothesenhand 10 der Protheseneinrichtung 2 relativ zu einem Unterarm schaft 12 der Protheseneinrichtung 2 um die Längsachse des Unterarm Schaftes 12. Zusätzlich weist die Prothesenhand 10 eine Mehrzahl weiterer Antriebe oder Aktuatoren 4 innerhalb der Prothesenhand 10 auf, die der Aktuierung der Prothesenfinger 14 der Prothesenhand 10 dienen.
Die Sensoranordnung 6 weist vier Elektrodenpaare 8 auf. Diese sind beispielsweise als einzelne Elektrodenpaare 8 ausgebildet, die jeweils auf der Haut eines Prothesenträgers befestigt werden können. Gemäß einerweiteren Ausführungsform sind die Elektrodenpaare 8 auf einem nicht dargestellten Prothesenliner aufgebracht, beispielsweise aufgeklebt oder integral mit einem Liner verbunden oder ausgebildet. Gemäß einerweiteren Ausführungsform sind die Elektrodenpaare 8 auf einer Innenseite des Unterarm Schafts 12 angeordnet.
Die Elektrodenpaare 8 sind jeweils über Sensorleitungen 16 mit der Steuerungseinrichtung E verbunden. Über die Sensorleitungen 16 werden die von den Elektroden erfassten Signale an die Steuerungseinrichtung E geleitet.
Die Signale werden in der Steuerungseinrichtung E ausgewertet. Neben den dargestellten Elektrodenpaaren 8 als Sensoren zur Erfassung myoelektrischer Signale sind andere Sensoren 8 an dem Unterarm schaff angeordnet, die als Inertialsensoren, IMU, Raumlagesensoren, Beschleunigungssensoren, Kraftsensoren, Winkelsensoren, Temperatursensoren oder andere Sensoren ausgebildet sein können. Es können auch mehrere Sensoren 8 an der orthopädietechnischen Einrichtung angeordnet sein, die unterschiedliche Messgrößen oder Bedingungen erfassen. Ebenso können Sensoren 8 in der Prothesenhand angeordnet sein, beispielsweise Positionssensoren, die die Stellung der Prothesenfinger erfassen. In der in Figur 11 dargestellten Ausführungsform dient lediglich eine der schematisch dargestellten Antriebsleitungen 18 für den dargestellten Aktuator 4. Die anderen Antriebleitungen 18 werden durch diesen hindurchgeführt oder sind an weitere Leitungen angeschlossen und versorgen die anderen Aktuatoren in Gestalt der motorischen Antriebe 4 in der Prothesenhand 10 zum Aktuieren der Fingerglieder 14.
Die Steuerungseinrichtung E steht vorliegend in drahtloser Verbindung, beispielsweise über Funk, mit einem Eingabegerät 20. Über dieses Eingabegerät 20 können beispielsweise erhaltene Signale der Sensoranordnung 6 visualisiert werden. Zudem ist es bevorzugt möglich, die in der Steuerungseinrichtung E hinterlegten Programme, Klassifikatoren K oder State-Machines SM zu verändern.
In Figur 12 ist eine weitere Ausführungsform der orthopädietechnischen Einrichtung 2 gezeigt, vorliegend in Form eines Prothesenbeines für einen oberschenkelamputierten Patienten. Die Protheseneinrichtung 2 weist eine Sensoranordnung 6 mit mehreren, z.B. sechs Elektrodenpaaren 8, von denen nur vier in Figur 12 sichtbar sind, auf.
Die Protheseneinrichtung 2 weist einen Prothesenfuß 22 und ein Unterschenkelteil 24 auf. An dem Unterschenkelteil 24 ist ein Prothesenkniegelenk 26 angeordnet, welches ein Gelenkoberteil 28 aufweist. Dem Prothesenkniegelenk 26 ist ein Dämpfer als Aktuator 4 zugeordnet. In dem Dämpfer selbst können Antriebe oder Aktuatoren zum Verstellen von Ventilen oder zu Einstellung anderer Stellgrößen angeordnet sein. Aktuatoren sind nicht auf elektrische Motoren beschränkt, sondern dienen allgemein der Beeinflussung und/oder Veränderung von Eigenschaften oder Positionen von Komponenten der orthopädietechnischen Einrichtung. An dem Gelenkoberteil 28 ist ein Prothesenschaft angeordnet, der der Übersichtlichkeit halber jedoch in Figur 12 nicht dargestellt ist. Stattdessen ist der darunterliegende Gliedmaßenstumpf 32 eines Prothesenträgers angedeutet. Dem Prothesenkniegelenk 26 kann zudem ein nicht dargestellter aktiver Antrieb als Aktuator zugeordnet sein, der eine Flexions- und/oder Extensionsbewegung der Protheseneinrichtung 2 aktuiert. Diesem Antrieb werden über ebenfalls nicht dargestellte Antriebsleitungen 18 Steuersignale von der Steuerungseinrichtung E zugeleitet.
Die Sensoranordnung 6 weist einen flexiblen, insbesondere elastischen Gurt 34 auf, an dem die Elektrodenpaare 8 angeordnet sind. Dieser ist um den Gliedmaßenstumpf 32 herum angeordnet, sodass die Elektrodenpaare 8 an diesem anliegen und entsprechend Signale erfassen können. Die in dem Zusammenhang mit der Figur 11 erwähnten anderen Sensoren 8 können ebenfalls an dem Prothesenbein und/oder dem Stumpf angeordnet und mit der Steuerungseinrichtung verbunden sein. Neben Prothesen sind insbesondere Orthesen und Exoskelette ebenfalls orthopädietechnische Einrichtungen im Sinne der Erfindung.

Claims

Patentansprüche:
1. Verfahren zur Steuerung zumindest eines Aktuators (4) einer orthopädietechnischen Einrichtung (2) mit einer elektronischen Steuerungseinrichtung (E), die mit dem Aktuator (4) und zumindest einem Sensor (8) gekoppelt ist und einen elektronischen Prozessor (pC) zum Verarbeiten von Sensordaten (s) aufweist, wobei in der Steuerungseinrichtung (E) zumindest eine State-Machine (SM) abgelegt ist, in der Zustände (z) der orthopädietechnischen Einrichtung (2) und Zustandsübergänge des Aktuators (4) bestimmt werden, dadurch gekennzeichnet, dass in der Steuerungseinrichtung (E) ein Klassifikator (K) abgelegt ist, in dem Sensordaten (s) und/oder Zustände (z) in einem Klassifikationsverfahren automatisch klassifiziert werden, wobei die State-Machine (SM) und das Klassifikationsverfahren kombiniert eingesetzt werden und anhand der Klassifikation und der Zustände (z) eine Entscheidung über die Art und Weise der Aktivierung oder Deaktivierung des Aktuators (4) als Steuerungssignal getroffen wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass Sensorsignale als Eingangsparameter dem Klassifikator (K) und als klassifizierte Sensordaten (k) der State-Machine (SM) oder als Eingangsparameter der State-Machine (SM) und als Zustand (z) dem Klassifikator (K) zugeführt werden.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der State- Machine (SM) und dem Klassifikator (K) ebenfalls die Sensordaten (s) als Eingangsparameter zugeführt werden.
4. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass mehrere Klassifikationsverfahren in dem Klassifikator (K) abgelegt sind und die State-Machine (SM) einen ermittelten Zustand (z) als Eingangsgröße dem Klassifikator (K) zuführt.
5. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass der Ausgang des Klassifikators (K) über die State- Machine (SM) mit dem Eingang des Klassifikators (K) rückgekoppelt wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass in der State Machine aus den Sensordaten (s) und den Ergebnissen des Klassifikators (K) ein Rückkopplungssignal erzeugt wird, das zumindest einen Parameter des Klassifikators (K) verändert, das ein anderes Klassifikationsverfahren auswählt oder das dem Klassifikator (K) als aktueller Zustand (z) zugeführt wird.
7. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Steuerungssignal in der State-Machine (SM) und/oder in dem Klassifikator (K) erzeugt wird.
8. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass mehrere Klassifikationsverfahren gleichzeitig ausgeführt werden, wobei jedes Klassifikationsverfahren unterschiedliche Ziele haben kann.
9. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass eine Auswahl des Klassifikationsverfahrens oder eine Parametrisierung des Klassifikators (K) in Abhängigkeit von dem aktuellen Zustand (z), der durch die State-Machine (SM) ermittelt wird, erfolgt.
10. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die State-Machine (SM) diskrete Entscheidungen trifft oder auf Grundlage einer Fuzzylogik oder von Fuzzy Sets.
11. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass eine Parametrisierung des Klassifikators (K) durch Entfernen einer oder mehrerer Klassen erfolgt.
12. Verfahren nach einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Ergebnis des Klassifikators (K) als Eingangsgröße der State-Machine (SM) zugeführt wird.
13. Orthopädietechnische Einrichtung mit einer elektronischen
Steuerungseinrichtung (E), die mit einem Aktuator (4) und zumindest einem Sensor (8) gekoppelt ist und einen elektronischen Prozessor (pC) zum Verarbeiten von Sensordaten (s) aufweist, wobei in der Steuerungseinrichtung (E) zumindest eine Klassifizierung aufgrund von Sensordaten (s) oder daraus berechneter Daten erfolgt, dadurch gekennzeichnet, dass das
Klassifizierungsverfahren von dem Zustand (z) der orthopädischen Einrichtung (2) abhängt.
EP21722417.9A 2020-04-28 2021-04-27 Verfahren zur steuerung zumindest eines aktuators einer orthopädietechnischen einrichtung und orthopädietechnische einrichtung Pending EP4142657A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020111535.0A DE102020111535A1 (de) 2020-04-28 2020-04-28 Verfahren zur Steuerung zumindest eines Aktuators einer orthopädietechnischen Einrichtung und orthopädietechnische Einrichtung
PCT/EP2021/060922 WO2021219596A1 (de) 2020-04-28 2021-04-27 Verfahren zur steuerung zumindest eines aktuators einer orthopädietechnischen einrichtung und orthopädietechnische einrichtung

Publications (1)

Publication Number Publication Date
EP4142657A1 true EP4142657A1 (de) 2023-03-08

Family

ID=75746612

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21722417.9A Pending EP4142657A1 (de) 2020-04-28 2021-04-27 Verfahren zur steuerung zumindest eines aktuators einer orthopädietechnischen einrichtung und orthopädietechnische einrichtung

Country Status (4)

Country Link
US (1) US20230197242A1 (de)
EP (1) EP4142657A1 (de)
DE (1) DE102020111535A1 (de)
WO (1) WO2021219596A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220346981A1 (en) * 2021-05-03 2022-11-03 Northwestern University Method and system to activate limb movement in amputees
DE102022134381A1 (de) 2022-12-21 2024-06-27 Otto Bock Healthcare Products Gmbh Verfahren zur Steuerung eines Bewegungsverhaltens eines künstlichen Gelenkes
WO2024137961A1 (en) * 2022-12-22 2024-06-27 Phantom Neuro Inc. Methods and systems for prosthesis control

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2057108C (en) 1991-12-05 1996-12-31 Kelvin B. James System for controlling artificial knee joint action in an above knee prosthesis
WO2002087696A1 (en) * 2001-04-30 2002-11-07 Medtronic,Inc. Transcutaneous monitor and method of use, using therapeutic output from an implanted medical device
US8828093B1 (en) * 2008-04-15 2014-09-09 Rehabilitation Institute Of Chicago Identification and implementation of locomotion modes using surface electromyography
DE102009056466A1 (de) 2009-12-01 2011-06-09 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. Adaptives Steuerungs- und Regelungssystem für Prothesen mit willkürlicher Steuerung
WO2011091399A2 (en) * 2010-01-25 2011-07-28 The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations Systems and methods for providing a neural-machine interface for artificial legs
DE102012107117A1 (de) * 2012-08-02 2014-02-06 Georg-August-Universität Göttingen Stiftung Öffentlichen Rechts Orthesensteuerung
US10543111B2 (en) 2012-11-08 2020-01-28 The University Of Akron Biomimetic controller for increased dexterity prosthesis
US9443203B2 (en) * 2013-06-24 2016-09-13 Rehabilitation Institute Of Chicago Ambulation prediction controller for lower limb assistive device
US10335294B2 (en) * 2015-10-28 2019-07-02 North Carolina State University Systems and methods for automatically tuning powered prosthesis impedance control parameters
DE102018133078A1 (de) * 2018-12-20 2020-06-25 Otto Bock Healthcare Products Gmbh Verfahren zur Auswertung von Nutzungsdaten

Also Published As

Publication number Publication date
WO2021219596A1 (de) 2021-11-04
US20230197242A1 (en) 2023-06-22
DE102020111535A1 (de) 2021-10-28

Similar Documents

Publication Publication Date Title
EP4142657A1 (de) Verfahren zur steuerung zumindest eines aktuators einer orthopädietechnischen einrichtung und orthopädietechnische einrichtung
US11890208B2 (en) Multi-modal upper limb prosthetic device control using myoelectric signals
DE69918273T2 (de) Beinprothese und steuerung dafür
DE102013202749B4 (de) Steuerung einer auf einem Handschuh beruhenden Greifhilfevorrichtung
EP2879622B1 (de) Orthesensteuerung
DE102014019582B4 (de) Haptik-Vorrichtungen und -Verfahren
EP2506807B1 (de) Adaptives steuerungs- und regelungssystem für prothesen mit willkürlicher steuerung
EP2445456A1 (de) Verfahren zum einrichten einer steuerung und orthopädietechnische einrichtung
DE102019101143B4 (de) Verfahren zur Steuerung einer orthetischen oder prothetischen Einrichtung und orthetische oder prothetische Einrichtung
WO2019197189A1 (de) Orthesen- oder prothesen-system und verfahren zur orthesen- oder prothesensteuerung oder -regelung
DE102019118399A1 (de) Verfahren und Systeme zum Steuern aktiver Prothesen
DE102016107743A1 (de) Verfahren zur Steuerung einer Antriebs- und/oder Bremseinrichtung eines orthetischen oder prothetischen, künstlichen Gelenks
EP3448321B1 (de) Prothese
EP4216879A1 (de) Verfahren zum einrichten einer steuerung und orthopädietechnische einrichtung sowie computerprogrammprodukt
Lenzi et al. User-adaptive control of robotic lower limb prostheses
WO2021204690A1 (de) Aktuierbare protheseneinrichtung, elektronische datenverarbeitungseinrichtung und verfahren zum aktuieren einer protheseneinrichtung
WO2024133649A1 (de) Verfahren zur steuerung eines bewegungsverhaltens eines künstlichen gelenkes
WO2023138784A1 (de) System und verfahren zur konfiguration eines roboters
DE102021133616A1 (de) Verfahren zur Steuerung eines prothetischen und/oder orthetischen Systems und ein solches System
DE102018126788A1 (de) Verfahren zum Einrichten einer Steuerung einer orthopädietechnischen Einrichtung sowie System zur Durchführung des Verfahrens
Sangeetha et al. Intelligent Control of Exoskeletons for Human Limbs using Knowledge-Based Fuzzy Inference System
WO2024126590A1 (de) Orthopädietechnische einrichtung und verfahren zu deren steuerung
Montaleza et al. Development of a Control System for a Biomechanical Prosthetic
Denizdurduran Reverse engineering the motor control system
Reischl et al. Robust Training and Control Strategies for the Grasp Type Selection of Hand Prostheses

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20221108

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)