Antriebselement/(Energie-) Wandler

Tragbare Intelligente Roboter

166 flashcardsby Leonie

Study these flashcardsFree · spaced repetition · iPhone, Android, Mac & web

All cards

Prothesen: Anforderungen an den Schaft

enorme Kräfte aufnehmen und verteilen
empfindliche Stellen schützen (Polsterung)
maximal leicht sein (3D-Druck Material)
Schweiß verhindern (Mikroluftkammern)
Hafteigenschaft: leichter Einstieg, guter Halt
antibakteriell (Lotuseffekt)
antiallergisch (DIN EN ISO 10993-5 geprüft)
passgenaue Einarbeitung der Elektroden/Akkus

Prothesen: Anforderungen an den Stumpf (Vermessung herkömmlich)

Vermessung durch Gips
Vermessung durch hydrostatischen Gips

Prothesen: Probleme von Gips-Vermessung:

Nur eine Haltung
unbelastet
unklar wo Weichteile, empfindliche Knochenteile

Prosthesen: Probleme Vermessung hydrostatischer Gips

Laut Studien nicht vergleichbar mit Verformungen beim Stehen und laufen
Kein Abdruck in Bewegung
Kein Vorteil zu "handmade" Abdrücken

Prothesen Vermessung (modern)

Roboter zur Vermessung (Fitsocket)
MRI Daten und finite-element-analysis (viele Messungen + anatomische Orientierungspunkte
Eigenbau von Geräten und Software zur Online-Vermessung von Gliedmaßen Bewegung

Prothesen: Anforderungen aus der Kinematik

entspricht der Kinematik der Körperteil (bei Sportprothesen)
parallelkinematik (Agonist-Antagonist) wird durch serielle Kinematiken vereinfacht

Exoskelette: Anbindung an den Menschen Herausforderungen

Mehrere Schnittstellen
Anbindung darf nicht verletzen, einschränken oder abschnüren

Exoskelette: Anbindung an den Menschen Hauptfunktionen

kinematische Kopplung (keine relativ Bewegung zwischen Mensch und Roboter)
Übertragung von Kräften

Exoskelette: Wirkprinzipien von Anbindungen

Formschluss: überträgt Bewegungen und Drehungen
Reibschluss: überträgt Bewegungen

Exoskelette: Anbindung nur am Endeffektor/Hand

Nur eine feste Anbindung
gesamte System wird von der Hand mitgezogen
eher für Teleoperation geeignet

Exoskelette: alternative Anbindung

Textile Anbindung
Feste Anbindung
Gliederarmband
Luftpolstermanschette
Hybride Anbindung

Exoskelette: Textile Anbindung

+Komfort
-eingeschränkter Formschluss

Exoskelette: Feste Anbindung

+guter Formschluss
-Einschätzung des Arms

Exoskelette: Anbindung Gliederarmband

+Relativbewegung eingeschränkt
+Kraftübertragung durch Formschluss
-Unbequem/keine Polsterung
-Dickes Material zwischen Arm und Torso

Exoskelette: Anbindung Luftpolstermanschette

+aktive Anpassung durch Luftdruck
-nicht praktikabel

Exoskelette: Hybride Anbindung

+Formschluss durch Ringsegmente
+Komfort durch Polsterung
+Elastizität durch Klettband
-eingeschränkte Verfügbarkeit, da Spezialanfertigung

Exoskelette: Problem Schulter und Rückenkinematik

Sehr komplex -> schwer von außen abbildbar

Exoskelette: Parallelkinematik zur Abbildung der Rückenbeweglichkeit

menschlicher Rücken ist sehr flexibel
Linearaktuatoren fangen Kräfte an, angeordnet in Parallelkinematik bildet es die Beweglichkeit des Rücken ab

Exoskelette: weitere Anbindung

elektrische Schnittstellen zu den Aktuatoren und zur Software für neuromuskuläre Schnittstellen

Muskeln: Aktive Eigenschaften

Krafterzeugung durch Aktin (bildet dünne Filamente) und Myosin (bildet dicke Filamente)
wandelt chemische in mechanische Energie um

Muskeln: Passive Eigenschaften

Muskel in Ruheposition: Myosin wird von Aktin gelöst -> Muskel wird länger

Muskeln: Übergänge isotonisch-isometrisch

Unterstützungszuckungen
Anschlagszuckungen

Muskeln: Unterstützungszuckungen

Kontraktion, die erst rein isometrisch und dann isotonisch ist

Muskeln: Anschlagszuckungen

Kontraktion, die erst rein isotonisch und dann isometrisch ist

Muskeln: Übergänge isotonisch-isometrisch Maxima

Kontraktionen an denen alle Fasern beteiligt sind
Voraussetzung: hohe Aktionspotentialfrequenz

Muskel-Mechanik Aspekte

Kraft-Längen-Relation
Länge-Spannungs-Eigenschaft
Verkürzungsgeschwindigkeit
Muskelkraft
Muskelleistung
Muskelviskosität
Steifigkeit
Drehmoment
Hill-Modell

Muskel-Mechanik: Kraft-Längen-Relation

verkürzter Muskel = kleine Kraft
gedehnt Muskel = große Kraft

Muskel-Mechanik: Länge-Spannungs-Eigenschaft

Maximalkraft bei Ruhelage
Darüber hinaus überlappen Filamente nicht mehr optimal

Muskel-Mechanik: Verkürzungsgeschwindigkeit

Bei minimaler Last = maximal
nimmt mit Belastung ab
Hill Hyperbel Geschwindigkeit in [m/s] vs. Kraft/Last in [N]
Ab bestimmter Belastung dehnt sich der Muskel

Muskel-Mechanik: Muskelkraft

Muskel-Mechanik: Muskelleistung

Etwa bei einem Drittel der max. Belastung

Muskel-Mechanik: Muskelviskosität

Muskel-Mechanik: Steifigkeit

Muskel-Mechanik: Drehmoment

Muskel-Mechanik: Hill-Modell

beschreibt Verhältnisse zwischen Kraft und Geschwindigkeit

Muskel-Mechanik: Hill-Modell Energie und Wärme Gleichungen

Muskel-Mechanik: Hill-Modell isometrische Exp.

Muskel-Mechanik: Hill-Modell kontraktile Muskelexp.

Motoneuronen: Funktion

Motoneuronen: Arten

α- Motoneurone
γ- Motoneurone

Motoneuronen: α- Motoneurone

senden Axon an extrafusale Muskelfasern
innerviert Skelettmuskel
erzeugt Bewegung
sendet "Kraft-Signal" (nur zu hohe oder zu niedrige Spannung)

Motoneuronen: γ- Motoneurone

senden Axon an intrafusale Muskelfasern
Muskelspindel bleibt angespannt -> kann sich dehnen
sendet "Steuerungs-Signal" ("Fühlen", ob α- Motoneurone richtig handeln)

Motoneuronen: Rate Code

Ausmaß der Kraft wird durch eine Rate der Motoneuronen signalisiert
steigt die Rate -> Kraft steigt

Motoneuronen: Größenprinzip

Bei großem Impuls auf Mmotoneurone werden mehr Motoneurone rekrutiert, die die Muskeln innervieren

Motoneuronen: Afferenzen

Golgi-Sehnenorgan
Muskelspindel(-afferenzen)

Motoneuronen: Golgi-Sehnenorgan

sind in Reihe mit dem Muskel geschalten
bekannt als 1b-Afferenzen
signalisieren Kraft auf den Muskel

Motoneuronen: Muskelspindel(-afferenzen)

primär Afferenzen: (Gruppe 1a) signalisieren Schnelligkeit und Muskellänge, reagieren schnell bei Dehnung, melden statische Länge
sekundär Afferenzen: (Gruppe 2) signalisieren Muskellänge, melden nur statische Länge

Muskeln als Aktuatoren

sind federn-> erzeugen langsam Kraft (ungewöhnlich)
Kraft abhängig von Muskellänge, Verwendung, Wachstum
nicht gleichmäßige Kraftfreisetzung
Umpolung bewirkt Aktivität des Antagonisten
Agonist und Antagonist sind nie gleichzeitig aktiv
Nerven leiten ca. mit SchallGeschwindigkeit, Sensoren mit Lichtgeschwindigkeit

Aktuatoren

Antriebselement/(Energie-) Wandler
elektrische Energie in mechanische Bewegung

Gleichstrommotoren Arten

Bürstenmotor
Bürstenlosermotor
Innenläufer
Außenläufer

Gleichstrommotor: Bürstenmotor

+günstig
-geringe Masse auf Welle
-Lebensdauer begrenzt

Gleichstrommotor: Bürstenlosermotor

+effizienter
+weniger Verschleiß
+mehr Leistung pro Gewicht
-erfordert Controller

Gleichstrommotor: Innenläufer (Magnet innen)

geringe Masse auf Welle
hohe Drehzahl/hohe Leistung

Gleichstrommotor: Außenläufer (Magnet außen)

hohe Masse auf Welle
konstanten Laufverhalten
hohes Drehmoment
Überlastpotential bei niedrigen Drehzahlen

Schrittmotoren Arten

bipol
unipolar
Reluktanzmotor
Lavet-Schrittmotor
Dauermagnet-Motor
Hybridmotor

Schrittmotoren: bipol

2 Spulen
4 Anschlüsse

Schrittmotoren: unipolar

mindestens 5 Anschlüsse
einfache Steuerung

Schrittmotoren: Reluktanzmotor

gezahnter Rotor mit Weicheisenstruktur
Kein Permament
Kein Magnetfeld nach Abschalten

Schrittmotoren: Lavet-Schrittmotor

einphasig, nur eine Drehrichtung
Rotor hat Permanentmagnet
Ruhemomentecwichtig für Funktionsprinzip, z.b. in Sekundenzeiger

Schrittmotoren: Dauermagnet-Motor

Magnet auf der Welle
Stator Weicheisen
Moment der Ruhe
geringe Auflösung

Schrittmotoren: Hybridmotor

Permanentmagnet und gezahlten Weicheisenkern auf der Welle

Servomotoren: Bus System

Zur Datenübertragung zwischen mehreren Teilnehmern (z.B RS232/RS485, CAN, Profifußball DP, INTERBUS, ...)

Quickschaft-Aktuator

Linearmotor: elektromagnetischer Antrieb, 10-27N Stellkraft

Aktuatoren: Motivation/Problem

Keine gute Kraftkontrolle, gefährlich für Mensch-Computer-Interaktion
größte Gefahr: große Aufprallbelastung -> Verletzung/Tod

Aktuatoren: Motivation/Problem Lösungsansätze:

serielle-elastische Aktuatoren
künstliche Muskeln (McKibben Aktuatoren)

Aktuatoren Lösungsansatz serielle-elastische Aktuatoren:

kombiniert statischen Antrieb und elastisches Element
Gute Kraftregelung, hohe Kraftgenauigkeit
geringe Impedanz, Reibungskräfte

Aktuatoren Lösungsansatz künstliche Muskeln (McKibben Aktuatoren):

+leicht: Kraft-Gewicht-Verhältnis 400%
+Umweltfreundlich
+einfache/direkte Integration
+nah am biologischen Vorbild
-nicht lineares Verhalten
-Kraft abhängig von Druck, Blasenzustand
-Verzögerung bei großen Muskelblasen
-Bedarf eines externen Luftkompressor

Zylinder: Arten

Hydraulik
Pneumatik

Hydraulik Zylinder:

Öldruck ~ 210-500 bar
Getriebetyp
überträgt Leistung, Energie, Kraft, Drehmoment
langsame Übertragung
+hohe Leistungsdichte
+gute Regelbarkeit, Energieübertragung, Schmierung und Abführen von Verlustwärme
+geringes Trägheitsmoment
+Schutz vor Überlast
-hoher Stromverbrauch
-Brandgefahr
-hohes Gewicht
-empfindlich gegen Schutz

Pneumatik Zylinder:

Luftdruck ~ 10 bar
benötigt Druckluftbehälter oder Kompressor
gleichmäßige Druckverteilung über Ausdehnungsgefäße, präzise Steuerung durch komprimieren der Luft
höhere Kolbengeschwindigkeit durch höhere Luftgeschwindigkeit
+F und v stufenlos einstellenbar
+ohne Beschädigungen überlastbar
+Luft ist kostenlos
+unempfindlich gegenüber magnetischen Impulsen
-genaue Positionen nur mit festen Anschlägen
-Entweichen komprimierter Luft macht Lärm
-Pneumatikbehälter müssen regelmäßig gewartet werden -> teuer

Künstliche Muskeln: Aufbau

1. aufblasbaren Gummi
2. Netzhülle
3. Sehnenartige Strukturen am Ende

Künstliche Muskeln: Funktionsprinzip

1. Luft dringt in aufblasbares Gummi
2. Netzhülle verhindert weiteres Ausdehnen des aufblasbaren Gummi
3. Netzhülle dehnt sich mit aus
4. Sehnenartige Strukturen am Ende ziehen sich zusammen
5. Aktuatoren verkürzen sich
6. Spannung entsteht

Künstliche Muskeln: Anwendung

1950 für Prothesen
1980 als Rubbertuator bekannt
aktuell in UK für Roboter Herstellung

Künstliche Muskeln: Beispiele

IFAM-Spinnenroboter
Fest-Fluider Muskel:
Aus Angelschnur und Nähgarn
Piezo-Aktuatoren
Squiggle-Motor

Künstliche Muskeln Fest-Fluider Muskel:

verwendet Membran-kontraktionssystem

Künstliche Muskeln Aus Angelschnur und Nähgarn:

können sich zu 49% zusammenziehen
hohe Belastbarkeit
Nutzung von Wärme für Kontraktion

Künstliche Muskeln Piezo-Aktuatoren:

erzeugt Ladung bei Verformung
geringe Wege - hohe Kräfte
Keine zusätzliche Energie um Position zu halten

Künstliche Muskeln Squiggle-Motor:

Mehrere Piezoelemente treiben eine Welle an

Aerogel

geringere Dichte unter Feststoffen
abgeleitet durch Gel mit Gasförmigen statt flüssigen Komponenten

Kohlenstoff-Nanoröhren

stärkstes und steifstes entdeckten Material

Intelligente Materialien:

Shape Memory Alloys
Elektro Active Polymere
Elektroaktive Keramik

Shape Memory Alloys

+große Kraft bei kleiner Fläche/Gewicht
-nicht lineares Verhalten
-hoher Stromverbrauch
-Lange Abkühlungszeit

Elektro Active Polymere

+Leichtes Gewicht
+ Nutzung als Sensor
+Leichte Verformbarkeit
-schwer zu modellieren und zu kontrollieren

Elektroaktive Keramik

+kurze Verfahrwege
+hohe Kräfte
-zusätzlicher Controller ist nötig

Was ist ein Roboter?

Maschiene -> führt Arbeit des Menschen aus
führt physische Arbeit aus -> Computerproramme sind keine Roboter
Mehrzweckhandhabungsgeräte -> an Aufgaben anpassbar
können ortsfest oder mobil sein

Welche Roboter gibt es

Roboter mit festem Ablauf (schweranpassbar ,z.B. Autoproduktion)
Roboter mit bestimmter Anzahl an Arbeiten in variabler Folge
Playback Roboter (speichert Bewegungsabläufe)
Numerisch gesteuerte Roboter
Intelligente Roboter

Intelligente Roboter

Wahrnehmung über Sensoren
Auswerten von Algorithmen und Modellen
lösen von Aufgaben, auch bei veränderter Umwelt
eigenständige Verhaltensweise

Künstliche Intelligenz

starke KI
schwache KI
symbolische KI
subsymbolische KI

Starke KI

umfasst eigene flexible Intelligenz
in der Lage selbstständig eigene Probleme zu lösen

Schwache KI

Erkennung von Bild, Text und Sprache
intelligente Werbung
Navigationssysteme

subsymbolische KIEntscheidu

Datengetrieben
Deep-Learning
Entscheidungsgrundlage nicht immer transparent

Deep-Learning

basiert auf steigender Rechenleistung
statisches Verfahren
leitet aus Daten oder Regeln Muster ab

symbolische KI

Regel-/Expertensysteme
Entscheidung erfolgt nach Regeln (transparent)

Maschinelles Lernen (ML)

Sammlung von Methoden der KI
keine systemathisch-mathematische Beschreibung
KI nur durch permanentes Wiederholen von Prozessen möglich
ist ein Teilgebiet der KI

Maschinelles Lernen in der Medizin

-benötigt große Mengen an strukturierten und standardisierten Daten
-Ergebnis nur so gut, wie die Daten
-wem gehören die Daten
-schlechte Verfügbarkeit/Verwertbarkeit/Verknüpfbarkeit von Datensilos
-in Reha Anwendungen werden zusätzlich heterogene Daten benötigt

Datenebenen

Mikroebene (Individuell KI-basierter Heilplan)
Mesoebene (Vernetzung der Einrichtungen/KI-unterstütztes Case-Management)
Makroebene (politische Steuerung und digitaler Nachlass)

Vorteile KI-Roboter

Einsatz in unzugänglichen Gebieten
nötig bei Robotern mit komplexer Konstruktion (humanoide- /lauf- Roboter)
Selbstständiges Agieren erfordert Verständnis der Aufgabe(n), Kompetenzanalyse, Lernfähigkeit
Lernen aus Fehlern

Auslöser Robotik-Boom:

schnelle Hardware
hohe Funktionalität der KI-Algorithmen

Roboter gestützte Rehabilitation

Master-Slave System (Spiegeltherapie)
Teach-in (genaue Wiederholung)
EMG:kontrollierte Bewegungsauslösung
Gewichtskompensastion

100

Kann KI ohne Körper existieren?

viele KI sind nur statische Verfahren zur Datenanalyse

101

Risiken von KI:

Fehlerhafe Entscheidungen
Risiken für die Versorgungsqualität
Ethische Konflikte

102

Risiken von KI Fehlerhafe Entscheidungen

Risiko im Einsatz von ML-Methoden
Biase AI - Datenauswahl
Black Box AI-Algorithmus

103

Risiken von KI Risiken für die Versorgungsqualität

fehlende Kompetenz der Anwender
Reduziert des sozialen Kontakte (Pfleger, Angehörige)

104

Risiken von KI Ethische Konflikte

kann der Arzt sich über die KI hinweg setzen?
Wer trifft die Entscheidungen?
Wer ist verantwortlich?

105

Digitales Abbild

Biometrische Daten
zur individualisierung notwendig
digitales Bild = genauso Einzigartig wie der Mensch? (reicht eine Anonymisierung?)

106

Sicherheitsmechanismen

User (Two-Person-Rule, Dokumentation)
Hardware (Emergency-OFF, Mechanical Limits)
Low-Level (Torque-Limits, Joint-Limits, Communication Loss)
Mid-Level (Torque-Limits, System tuning)
High-Level (Monitoring, Visualisierung)

107

Akzeptanz von KI

bei vielen Potentiellen Anwendern nicht vorhanden -> Systeme werden nicht genutzt

108

Herausforderungen von Handprothesen:

abhängig von kosmetischen Aspekten
abhängig von der Funktionalität (nicht nur greifen)
abhängig von dem Gewicht
abhängig von der Benutzerfreundlichkeit
verwendet generell nur bipolare Elektrodenmodule mit integrierter Signalverarbeitung

109

Klassische Steurung von Handprothesen mittels EMG

2 Elektroden auf antagonistischen Muskeln
Geschwindigkeit/Greifkraft ~ Stärke des EMG
-Funktionen nur getrennt ansteuerbar (langsam)

110

Probleme der klassischen Steurung von Handprothesen mittels EMG

oft sind nicht genug unterscheidbare EMG-Signale vorhanden

111

Mustererkennungsverfahren EMG-Steuerung:

Close-Loop-Control
Datensegmentierung
Merkmalsgewinnung

112

Mustererkennungsverfahren EMG-Steuerung: Close-Loop-Control

Es wird immer neues Feedback gegeben, immer neue Daten führen zu immer wieder nachtrainierten Modelle

113

MustererkennungsverfahrenEMG-Steuerung: Datensegmentierung

Datenstrom wird in überappende Signalfenster unterteilt, um Features zu extrahieren
neu: Windowing-Technik: Fenster können angrenzen oder überlappen (beschleunigt, machts aber auch rechenintesiver)

114

Mustererkennungsverfahren EMG-Steuerung: Merkmalsgewinnung (Ansätze zur Merkmalsextraktion)

1. Zeitbereich (Amplitude
2.Frequenzbereich (Powerspektrum)
3. Zeitskalenbereich (wavelength)

115

Mustererkennungsverfahren EMG-Steuerung: Ansatz zur Merkmalsextraktion Zeitbereich

EMG-Amplitudenschätzerauch bei geringer Samplingrate gut
am einfachsten und am weitesten verbreitet
root-mean-square [RMS] (funktioniert besser bei starken Kontraktionen, nach Gaußschem Modell)
mean-absolute-value [MAV] (funktioniert besser bei schwachen Kontrakionen, nach Laplace Modell)

116

Mustererkennungsverfahren EMG-Steuerung: Ansatz zur Merkmalsextraktion Maschinelles Lernen

Regression
Klassifikation

117

Mustererkennungsverfahren Regression

findet anhand einer variablen eine andere heraus
kein vorheriges festlegen der Klassen notwendig
lässt gleichzeitge Kontrollen der DoFs unabhängig voneinander zu
Auswahl der Merkmale wichtig
regelt meist Position oder Geschwindigkeit
adaptiver autoregressiver Filter Algorithmus kombiniert beide Kontrollen
3 Modalitäten: US, FMG, EIT

118

Mustererkennungsverfahren Klassifikation

Beobachtung in vordefinierte Kategorien einsortieren
lineare und nicht lineare Ansätze
Merkmalsreduzierung: oft vor Training nötig (Principal Component Analysis)

119

Datenanalyse von EMG-gesteuerten Hand-Prothesen

Einfache Ridge Regression [RR] (nutzt verschiedene Methoden zur Merkmalsauswahl -> kombinierte Bewegung ohne Training möglich)
US-Daten (zu groß für RR, reduziert auf Region of Interest Gradient, Matrize wird in kleinerer Größe neuskaliert)

120

Arten von Feedback von EMG-gesteuerten Hand-Prothesen

bilaterles Spiegeltraining
virtuelles/visuelles Feedback
Mechanisches Feedback
Invasive Stimulation
Prothesentraining bei "Gesunden"

121

bilaterles Spiegeltraining als Feedback von EMG-gesteuerten Hand-Prothesen

Nutzer macht die Bewegung mit dem gesunden Arm -> Prothese spiegelt diese

122

virtuelles/visuelles Feedback von EMG-gesteuerten Hand-Prothesen

System entwickelt visuelle Darstellung der Bewegung

123

Mechanisches Feedback von EMG-gesteuerten Hand-Prothesen

vibroaktile Stimulation (zur besseren Einschätzung der Kraft)

124

Invasive Stimulation als Feedback von EMG-gesteuerten Hand-Prothesen

von Nerven durch invasive Elektroden übertragen

125

Ansteuerung von Prothesen mittels EMG: Mensch als lernendes System

Benutzer Adaption verbessert Anwendbarkeit
ermöglicht Echt-Zeit-Feedback
Training ermöglicht es Skills zu automatisieren

126

Ansteuerung von Prothesen mittels EMG: Zwei-Lerner-Problem

Co-Adaption geht nur online
beide konvergierenn zu gemeinsamer Lösung
Mensch gleicht Schwächen der Maschiene aus

127

Ansteuerung von Prothesen mittels EMG: Mensch als lernendes System Herausforderungen

Transfer in Anwendung ist zögerlich
Nicht-Stationarität der EMG-Signale bildet Probleme (Rekalibrierung und Nachtraining muss alltagstauglich sein)
Langzeituntersuchung notwendig (>8h pro Tag)
Tests unter realen Bedingungen müssen mehr Beachtung finden

128

Querschnittskähmung Definition und Ursachen

Unterbrechung der Nervenleitung im Rückenmark
Ursachen: Verletzung des Rückenmark, Tumor, Erkrankungen wie Multiple Sklerose

129

Arten von Reflexen und zentralen Verhaltens-Mustergeneratoren

Monosymnaptischer Reflex (Patella-Sehnen-Reflex)
Polysynaptischer Reflex (weg-zieh-Reflex)
Reflexantwort bei passiver Dehnung
Beuge-Rückzieh-Reflex
Katzreflex
Spinal generierte rythmische motorische Muster (gehen)
Half-Center-Modell: Reziproke Hemmung (Hemmung des Antagonisten bei Aktivität des Agonisten

130

Verhaltens-Mustergeneratoren in Tieren

Erforschung, wie das Säugetier an Land kam
Modellierung verschiedener Lauftypen: Kreuzgang, Passgang

131

Verhaltens-Mustergeneratoren bei Robotern

Muster für jedes Gelenk
Bewegung ds Endpunktes
Gangarten
Richtungen etc.

132

Ebenen der Hüftrotation beim Menschen

Flexion-Extension (54°)
Abduktion-Adduktion (24°)
Innen-/Außenrotation (16°)

133

Ebenen der Knierotation beim Menschen

Flexion-Extension
Bewegungsumfang 67°

134

Ebenen der Knöchelrotation beim Menschen

Inversion-Eversion (27°)
Dorsiflexion-Plantarflexion (34°)

135

Gelenksdrehmomente beim Menschen

Hüfte ~ 1,7 [Nm/kg]
Knie ~ 1,7 [Nm/kg]
Knöchel ~ 1,7 [Nm/kg]

136

Biomechanische Analyse des menschlichen Ganges

Koordiniert durch untere Gliedmaßen (rechtes, linkes Bein) und Becken
Anzahl an DoFs für den gesamten Gang zu hoch -> muss auf einige beschränkt werden zur Modellierung

137

DoFs zur Modellierung des menschlichen Ganges

jeweils 3 für Nacken, Schulter, Rücken und Hüfte
jeweils 2 pro Ellenbogen, Handgelenk und Fußgelenk
jeweils 1 pro Hand, Knie und Zeh
6 für die Position im Raum

138

Design Kriterien für Exoskelette/Roboter Aktuatoren

Quasi Direktantrieb (QDD) zur Gangunterstützung
Spezifikation 45Nm, 3,4kg Gewicht

139

Probleme: Exoskelette für untere Extremitäten

schwer zu bauen und zu regeln
meist werden Krücken und Restfähigkeiten des Patienten zum balancieren benötigt

140

Weiterführende Aspekte der Regelungen für Exoskelette und Prothesen der unteren Extremitäten

muss sich dem Menschen anpassen
Impedanzkontrolle ermöglicht "assist-as-needed"
verschiedene Gangmuster müssen eingegeben oder erkannt werden
Umgebungsfrüherkennung wichtig
EMG-Daten zur Erkennung von Ermüdung
komplexe Gangmuster werden erforscht (z.B. Rumba tanzen)

141

Schlaganfall: Ursache und Symptome

Unterbrechung der Blutzirkulation -> Schäden der grauen Substanz
Symptome: Sprachverlust, Bewusstseinsverlust, kognitive Einschränkungen, Lähmung

142

Transfer von Reha-Therapien für Schlaganfälle auf Exoskelette

herkömmliche Therapeutische Ansätze werden übertragen und für die Exoskelette optimiert (sind ausschlaggebend für Weiterentwicklung)

143

Vorteile Schlaganfall Rehabilitation mit Exoskeletten

verschiedene Therapie-Modi: Spiegeltherapie, Einlernen für Wdh., EEG- und EMG- gesteuerte Bewegungsabläufe, Armgewichtskompensation
einfache HTML-Bedienung

144

Recupera Reha nach Schlaganfall aktueller Stand

kann 2 Wochen nach dem Schlaganfall beginnen
Spiegeltherapie, Repetitive Therapie, Intentionsgesteuerte Bewegung

145

Recupera Reha nach Schlaganfall Forschungsstand

passt sich an Aufmerksamkeitszustand (durch Online-EEG-Analyse und HRI-zeitliche Optimierung) und subjektive Bedürfnisse an
kontinuierliches LernenAutomatisierte Kennzeichnung von Trainingsdaten
Classifier-Transfer-Ansätze
Erkennung von Interaktionsfehlern (stellt fest, ob Roboter-Verhalten als subjektiv richtig wahrgenommen wird, automatisches lernen des erwarteten verhalten)

146

Feedback bei Reha mit Exoskeletten für Schlaganfallspatienten

Verhalten des Menschen lernen
Kraft ahnhand von Muskelaktivität vorhersagen und bestimmen (optimale Anpassung von Kraft-Gegenkraft)

147

Assist-as-needed bei Reha mit Exoskeletten für Schlaganfallspatienten

beigebrachte Bewegung wird bei ausreichen Drehmoment ausgeführt

148

nächste Schritte des Assist-as-needed in der SchlaganfallsReha-Therapie

Trajektoren als Orientierungshilfe
hoher Drehmoment -> breiter Durchmesser des Krafttunnel
geringen Drehmoment -> schmaler Durchmesser des Krafttunnel

149

Zukunftsziel des Assist-as-needed in der SchlaganfallsReha-Therapie

selbstbestimmte Bewegung durch Adaption, Kontinuität

150

Recupera-Modell

3 Kraft-rehmomentssensorik
anpassbare Segmente/Segmentlänge

151

Nutzung von Biosignalen in der Schlaganfallsreha mit Exoskeletten

Muskelaktivität
Gehirnaktivität
Augenbewegung

152

Implizite Daten von Biosignalen in der Schlaganfallsreha mit Exoskeletten

erkennen Intention, Zustände, Zustimmung und Widerspruch

153

Explizite Daten von Biosignalen in der Schlaganfallsreha mit Exoskeletten

kommunzieren Intention, Zustände, Zustimmung oder Widerspruch

154

Nutzung von EEG Daten als Biosignale in der Schlaganfallsreha mit Exoskeletten PRO

nicht invasiv
hohe zeitliche Auflösung
preiwerte Geräte

155

Nutzung von EEG Daten als Biosignale in der Schlaganfallsreha mit Exoskeletten CONTRA

geringe räumliche Auflösung
empfindlich gegen Rauschen
stark überlagerte Aktivität

156

Nutzung einer Kombination aus Daten als Biosignale in der Schlaganfallsreha mit Exoskeletten PRO

Kombiniert EEG- und EMG- Daten oder Daten von Augenbewegungen

157

Erweiterung von Interaktionsmöglichkeiten in der Schlaganfallsreha mit Exoskeletten

gemeinsame Analyse von menschlichen, multimodalen Daten
automatisches Labeln und Training

158

Schwerkraft-Kompensation durch assist-as-needed in der Schlaganfallstherapie

Trainingsprogramme basieren auf erlernten Modellen und erkennen Trainingserfolge (z.B. gezieltes Training von Muskelgruppen im All)
Simulation normaler Schwerkraft
Imitation von Schwerelosigkeit zu Trainingszwecken

159

"serious Gaming" als spielerische Methode zur Rehatherapie

Erkennung von Bewegung (Unterscheidet ob Hand öffnet/schließt, Schulter-ellenbogen Bewegung)
Training im Spiel (hohe Motivation, Eye Tracker, Exoskelett korrigiert)

160

Cloudbasierte Analyse von EEG-Daten im Bereich der Reha mit Exoskeletten

ermöglicht "just-in-time-support"
Echtzeit Bewertung von Belastungszuständen

161

Sensomotorische Teletherapie für Schlaganfallspatienten

Ein Exoskelett steuert das andere an
Arzt kann Patient bewegen
Arzt spürt durch Force-Feedback Schwierigkeiten des Patienten

162

Arm-Gewichts-Kompensation in der Rehatherapie

Masse und Massenzentrum werden geschätzt
körperliche Anstrengung wird um 26% reduziert

163

Arm-Gewichts-Kompensation in der Rehatherapie Methode 1 (Durchschnitt)

Masse und Massenzentrum werden geschätzt
Massenzentrum wird auf Rotationsachsen der Armsegmente gelegt

164

Arm-Gewichts-Kompensation in der Rehatherapie Methode 2 (vollständig)

Masse und Massenzentrum werden geschätzt durch Sensordaten und Drehmoment
Kalibrierung mit 2 prädefinierten Posen
Massenzentrum komplett geschätzt

165

Arm-Gewichts-Kompensation in der Rehatherapie Methode 3 (Gleichgewicht/Equilibrum)

Gleichgewicht entgegen der Schwerkraft an Manschetten erzeugt
Berücksichtigung passiver Gelenk-Drehmomente
Stützkraft Parameter werden berechnet
Massezentrum auf Rotationsachsen der Armsegmente

166

Arm-Gewichts-Kompensation in der Rehatherapie experimenteller Ansatz

Kraftsensor im Gelenk
Massezentrum nicht geschätzt
nur für Roboter, nicht Menschen (Mesch kann mit einbezogen werden)

Study all 166 cards for free