Tragbares Optomyographie ermöglicht kontinuierliche neuroprothetische Steuerung

Muskelsignale in nahtlose Steuerung verwandeln

Stellen Sie sich vor, Sie lenken einen Computerzeiger oder ein Videospiel allein durch subtile Bewegungen des Handgelenks — ohne Maus, Joystick oder sogar Finger. Für Menschen, die eine Hand verloren haben oder Schwierigkeiten mit feinmotorischer Kontrolle, könnte ein solches Werkzeug alltägliche Fähigkeiten wie Zeigen, Klicken und Spielen wiederherstellen. Diese Studie stellt ein neues Armband vor, das Muskeln mit Licht statt mit Drähten „liest“ und so den Weg zu stabilerer, komfortablerer und präziserer Steuerung von Computern und Prothesen öffnet.

Warum aktuelle muskelgesteuerte Geräte unzureichend sind

Die meisten heutigen muskelbasierten Steuerungen beruhen auf Oberflächen‑Elektromyographie, bei der Elektroden auf der Haut winzige elektrische Signale während Muskelkontraktionen erfassen. Diese Systeme haben robotische Prothesenhände und freihändige Computersteuerung ermöglicht, bringen aber erhebliche Nachteile mit sich. Die Signale sind schwach und leicht durch elektromagnetisches Rauschen oder Sensorbewegungen beeinflussbar. Nachbarende Muskeln können sich gegenseitig stören, und tiefere Muskeln sind schwer zu erfassen. Für viele Amputierte fühlen sich diese Systeme anstrengend, unzuverlässig und ermüdend an, was dazu beiträgt, dass Menschen fortschrittliche Prothesen aufgeben.

Muskeln mit Licht statt Drähten lesen

Die Forschenden untersuchten eine Alternative namens Optomyographie, die nahes Infrarotlicht nutzt, um zu verfolgen, wie sich Muskeln verändern, wenn Blutvolumen und Gewebeeigenschaften sich bei Kontraktion verschieben. Ein flexibles Armband enthält Leuchtdioden, die harmlose Strahlung in den Unterarm senden, und kleine Detektoren, die das gestreute Licht unter der Haut messen. Da biologisches Gewebe in diesem Wellenlängenbereich relativ transparent ist, sind die Signale tendenziell sauberer und weniger empfindlich gegenüber elektrischen Störungen als herkömmliche elektrodenbasierte Messungen. Das Armband des Teams zeichnet 50 Datenkanäle rund ums Handgelenk auf und sendet sie in Echtzeit an einen Computer.

Dem Armband beibringen, wie eine Maus zu funktionieren

Um rohe Lichtsignale in Steuerbefehle umzuwandeln, trainierten die Autoren ein kompaktes neuronales Netzwerk — im Grunde ein kleines, effizientes Mustererkennungsprogramm. Teilnehmende trugen das Armband und führten eine „center‑out“ Aufgabe aus: Ein Punkt erschien in der Bildschirmmitte und sprang dann zu einer von 12 Positionen, angeordnet wie die Stunden auf einer Uhr. Für jede Richtung nutzten die Personen eine konsistente Hand‑ oder Handgelenksgeste, plus zwei zusätzliche Gesten für eine neutrale Haltung und ein Faustschluss‑Klicken. Das Netzwerk lernte, jeden Datenschnappschuss des Armbands in zwei Werte für Bewegungsrichtung und einen dritten Wert für die Wahrscheinlichkeit eines „Klicks“ zu übersetzen. Entscheidend ist, dass es für jede neue Probe Ausgabe lieferte, wodurch kontinuierliche, flüssige Cursorbewegungen statt ruckartiger, schrittweiser Sprünge ermöglicht wurden.

Zeigen, klicken und sogar Tetris spielen lernen

Acht junge Erwachsene ohne motorische Einschränkungen und eine Person, die alle Finger beider Hände verloren hatte, testeten das System. Nach kurzer Kalibrierung und wenigen Minuten Training bewegten sie mit Gesten einen Cursor von der Bildschirmmitte zu zufällig platzierten Zielen und „erfassten“ diese anschließend mit einem Faustschluss‑Klick. Über mehrere Sitzungen verbesserten sich die meisten Teilnehmenden bei Kennzahlen wie der Übereinstimmung des Cursors mit einer ideal geraden Bahn, der Zeit zum Erreichen der Ziele und dem zusätzlichen Bewegungsaufwand nahe dem Ziel. Die Leistungssteigerungen zeigten sich am deutlichsten in der ersten Hälfte der Sitzungen, mit teils späterem Abfall — wahrscheinlich durch Ermüdung oder Verrutschen des Armbands. In einem separaten Test nutzten ein nicht‑beeinträchtigter Teilnehmer und die Amputierte dieselbe Steuerung, um Tetris zu spielen, wobei sie fallende Blöcke nur mit Handgelenks‑ und Handbewegungen erfolgreich platzierten und drehten.

Wie sich dieser neue Ansatz einordnet

Das Team verglich seine Ergebnisse mit Standardleistungsmodellen und früheren Arbeiten mit elektrodenbasierten Systemen. Mithilfe eines bekannten Rahmens, dem Fitts’schen Gesetz, das Aufgabenschwierigkeit mit Bewegungszeit verknüpft, zeigten sie, dass viele Teilnehmende — einschließlich der Amputierten — Leistungsniveaus erzielten, die denen elektrischer Muskelsensoren ähneln. Ihre Durchsatzrate (wie effizient sie Zeigaufgaben erledigen konnten) und Pfadeffizienz (wie gerade ihre Bewegungen waren) näherten sich etablierten Technologien an, trotz der anspruchsvolleren kontinuierlichen Steuerung und der zusätzlichen Herausforderung, Klickgesten zu erzeugen. Die Forschenden argumentieren, dass die Kombination lichtbasierter und elektrischer Messungen in künftigen Geräten die Genauigkeit und Robustheit weiter verbessern könnte.

Was das im Alltag bedeuten könnte

Für Laien ist die Kernbotschaft: Dieses lichtbasierte Armband kann natürliche Handgelenks‑ und Unterarmbewegungen in flüssige, Echtzeitsteuerung eines Computerzeigers und einfacher Spiele verwandeln — sogar für jemanden ohne Hand. Obwohl die Studie nur eine Amputierte und eine kleine Gruppe gesunder Freiwilliger umfasste, demonstriert sie, dass Optomyographie kontinuierliche, intuitive Steuerung bieten kann, die mit aktuellen elektrischen Ansätzen konkurriert und einige ihrer Schwächen umgeht. Mit weiterer Arbeit an Komfort, Sensorplatzierung und Langzeitstabilität könnten solche Systeme schließlich reaktionsschnellere Prothesenhände, Rehabilitationswerkzeuge und tragbare Steuerungen antreiben, die sich weniger wie medizinische Geräte und mehr wie alltägliche Accessoires anfühlen.

Zitation: Khalikov, R., Soghoyan, G., Sintsov, M. et al. Wearable optomyography enables continuous neuroprosthetic control. Sci Rep 16, 9604 (2026). https://doi.org/10.1038/s41598-025-32646-y

Schlüsselwörter: tragbare Neuroprothetik, Muskeln‑Computer‑Schnittstelle, optische Muskelsensorik, gestenbasierte Steuerung, Prothesenrehabilitation