iSi-Care – Intelligente Elektromyographie zur verbesserten Diagnostik von Gelenkverletzungen

Verletzungen der Muskulatur und der Gelenke gehören sowohl im Freizeit- als auch im Leistungssport zu den häufigsten gesundheitlichen Problemen. Besonders komplex sind Verletzungen im Bereich großer Gelenke wie Knie, Schulter oder Hüfte, da hier zahlreiche Muskeln, Sehnen und Bänder zusammenwirken. Eine präzise Diagnostik ist entscheidend, um Folgeschäden zu vermeiden und eine gezielte Therapie einzuleiten.

Während strukturelle Schäden wie Knochenbrüche oder Sehnenrisse heute zuverlässig mittels bildgebender Verfahren wie Röntgen, Ultraschall oder Magnetresonanztomographie (MRT) erkannt werden können, ist die Diagnostik funktioneller Schäden deutlich schwieriger. Muskelzerrungen oder funktionelle Einschränkungen der Muskulatur lassen sich mit bildgebenden Verfahren nur eingeschränkt erfassen. Darüber hinaus ist die Verfügbarkeit von MRTs meist eingeschränkt und teuer in der Abrechnung. In der Praxis erfolgt die Beurteilung häufig anhand von Beweglichkeits- und Krafttests, deren Ergebnisse jedoch stark von der subjektiven Einschätzung der behandelnden Ärztinnen und Ärzte sowie von der Mitarbeit der Patientinnen und Patienten abhängen.

Eine bislang wenig genutzte, aber sehr aussagekräftige Methode zur Analyse der Muskelaktivität ist die Elektromyographie (EMG). Dabei werden elektrische Signale der Muskulatur gemessen, um Aktivierung und Funktionszustand einzelner Muskeln zu beurteilen. Die Anwendung in der klinischen Routine ist jedoch bisher aufwendig und zeitintensiv, da Elektroden für jeden Muskel einzeln und sehr präzise positioniert werden müssen.

Ziel des Projekts

Das Forschungsvorhaben iSi-Care verfolgt das Ziel, ein neuartiges diagnostisches System auf Basis der hochauflösenden Elektromyographie zu entwickeln, das eine schnelle und einfache funktionelle Muskeldiagnose ermöglicht. Insbesondere nach traumatischen Knieverletzungen, nach operativen Eingriffen oder zum Verlaufsmonitoring und zur gezielten Belastungssteuerung in der Rehabilitation soll Ärztinnen und Ärzten ein Werkzeug zur Verfügung stehen, mit dem die muskuläre Funktion unmittelbar beurteilt werden kann. 

Kern des Lösungsansatzes ist ein flexibles Elektrodenarray, das in eine elastische Polymermatrix aus Silikon integriert ist. Diese Elektrodenmanschette kann mit einem einzigen Handgriff am Gelenk angebracht werden und erfasst gleichzeitig die Aktivität vieler Muskeln. Dadurch entfällt die zeitaufwendige Platzierung einzelner Elektroden.

Ergänzend wird eine künstliche Intelligenz entwickelt, die die Vielzahl der gemessenen EMG-Signale automatisch auswertet, den einzelnen Muskeln zuordnet und eine erste Interpretation der Daten liefert.

Lösungsweg und Ergebnisse

Im Projekt konnten Demonstratoren eines Elektrodenarrays mit bis zu 128 Elektroden entwickelt werden. Die Elektroden sowie die zugehörigen Leiterbahnen wurden mithilfe eines Digitaldruckverfahrens direkt auf eine flexible Silikonmatrix aufgebracht. Dafür mussten zunächst geeignete silikonbasierte leitfähige Tinten entwickelt und qualifiziert werden.

Die Elektroden basieren auf Formulierungen aus Silikon und Carbon-Nanotubes (CNTs). Dadurch konnten sehr niedrige Kontaktimpedanzen zur Haut von unter 10 kΩ erreicht werden. Gleichzeitig bleibt die elektrische Funktion auch bei mechanischer Dehnung weitgehend erhalten: Selbst bei einer Dehnung der Matrix um bis zu 50 % steigt die Impedanz nur moderat an.

Für die Leiterbahnen wurden silikonbasierte Formulierungen mit mikropartikulärem Silber eingesetzt. Durch eine mäandrierende Struktur der Leiterbahnen konnte die Flexibilität des Systems deutlich erhöht werden. Dehnungen von bis zu 30 % führen dabei nur zu einem geringen Anstieg des elektrischen Widerstands.

Zur Validierung des Systems wurde zudem eine experimentelle Messapparatur entwickelt, die die Eigenschaften menschlicher Haut simuliert. Sie ermöglicht sowohl die Überprüfung der elektrischen Eigenschaften des Elektrodenarrays als auch die Einspeisung von Messsignalen zum Training der künstlichen Intelligenz. Als Datengrundlage dienten sowohl reale EMG-Messungen aus klinischen Kooperationen als auch simulierte Datensätze aus biomechanischen Modellierungen.