Dekodierung neuronaler und myoelektrischer Schnittstellen (BCIs, intelligente Prothesen)

Menschen mit Gliedmaßenverlust, Rückenmarksverletzung, Schlaganfall oder ALS können ihre Absicht nicht über die normalen motorischen Kanäle ausdrücken. ML-Dekoder lesen die verbleibenden Signale (Muskel-EMG oder neuronale Ableitungen), schließen in Echtzeit auf die beabsichtigte Bewegung oder Sprache und steuern eine Prothese, ein Kommunikationssystem oder einen Stimulator. Die myoelektrische Mustererkennung ist bereits kommerziell; implantierte Gehirn-Computer-Schnittstellen (Brain-Computer-Interfaces, BCIs) befinden sich in klinischen Studien mit beeindruckenden, aber kleinen Kohorten.

Problem & Nutzen

• Heute: Herkömmliche myoelektrische Prothesen nutzen eine Schwellenwertsteuerung an zwei Stellen (ein Muskel öffnet, ein anderer schließt) und wechseln Modi durch Ko-Kontraktion, was langsam und ermüdend ist. Viele Nutzerinnen und Nutzer geben das Gerät auf. Menschen mit Locked-in-Syndrom sind auf Eye-Tracker oder Schalter angewiesen, die langsam und ermüdungsanfällig sind.
• KI-Nutzen: Klassifikatoren und Regressoren auf mehrkanaligem EMG erlauben es, zwischen mehreren Griffen zu wählen oder mehrere Freiheitsgrade ohne Moduswechsel zu steuern. Intrakortikale Dekoder übersetzen versuchte Sprache oder Handschrift in Text; durch BCI ausgelöste Rückenmarkstimulation hat bei einer Person mit chronischer Tetraplegie die Kontrolle über gehbezogene Bewegungen wiederhergestellt.
• Belege (Peer-Review, kleine Kohorten): Eine Sprachneuroprothese für einen Teilnehmer mit ALS meldete eine genaue, schnell kalibrierende Dekodierung versuchter Sprache [1]; eine zweite Studie dekodierte versuchte Sprache mit hohen Raten aus intrakortikalen Arrays [2]; eine drahtlose „Gehirn-Rückenmark-Schnittstelle“ verband kortikale Dekodierung mit epiduraler Rückenmarkstimulation bei einer Person mit Tetraplegie (CH/FR) [3]. Dies sind Machbarkeitsstudien, kein Beweis für einen breiten klinischen Nutzen. Übertragen Sie Genauigkeitswerte nicht auf die Allgemeinbevölkerung.

Varianten

• Myoelektrische Prothesen mit Mustererkennung (kommerziell): Armprothesen mit Mehrelektroden-EMG und Klassifikator (Coapt Complete Control, Ottobock Myo Plus) [4].
• Gezielte Muskelreinnervation (Targeted Muscle Reinnervation, TMR) + Dekodierung: das chirurgische Umleiten von Nerven liefert reichhaltigere EMG-Quellen für Dekoder.
• Implantierte BCIs für Sprache und Kommunikation: intrakortikale Arrays (BrainGate-Typ, Blackrock-Arrays), ECoG, endovaskuläre Stentrodes (Synchron).
• BCI-koordinierte Stimulation: die dekodierte Bewegungsabsicht löst Rückenmark- oder funktionelle Elektrostimulation aus (ONWARD ARC-BCI, NL/CH, EU-basiert).
• Exoskelett und Rehabilitationssteuerung: absichtsbasiertes Auslösen motorisierter Orthesen; EEG- oder EMG-gesteuerte Neurorehabilitation nach Schlaganfall.
• Nicht-invasive EEG-BCIs: geringere Bandbreite, genutzt für Rehabilitation und Forschung; Consumer-EMG-Armbänder für die Mensch-Computer-Interaktion sind eine verwandte, aber nicht medizinische Nutzung.
• Nicht abgedeckt: reine Überwachung von Biosignalen (HLTH-007, HLTH-013, HLTH-035).

So funktioniert es

1. electrodes (EMG / ECoG / intracortical)
2. amplification, filtering, artefact rejection
3. feature extraction (RMS, spectral power, spike-band power, threshold crossings)
4. decoder (LDA/SVM classifier | Kalman filter | RNN / transformer)
5. intent estimate
6. language prior for speech (n-gram + LLM rescoring)
7. device command (grip, cursor, stimulation, voice output)
8. closed-loop feedback to the user
9. online recalibration (human-in-the-loop)

• Dekoder: klassische Mustererkennung (LDA, SVM) ist robust und auf eingebetteter Hardware günstig; BCIs für Sprache und Handschrift nutzen rekurrente oder Transformer-Netze, trainiert auf Tagen bis Wochen angeleiteter Sitzungen, gefolgt von einer Neubewertung der Phonemfolgen durch LLM oder N-Gramm [1][2].
• Nichtstationarität: Verschiebung der Elektroden, Schweiß, Änderungen am Schaft und neuronale Drift verschlechtern die Dekoder. Neukalibrierung, unüberwachte Adaption und Transferlernen über Tage hinweg sind das zentrale Forschungsthema.
• Latenzbudget: Der geschlossene Regelkreis muss Ende zu Ende bei etwa wenigen hundert Millisekunden bleiben, daher läuft die Inferenz auf dem Gerät oder einer Einheit am Bett, nicht in der Cloud.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ärztliches Personal und Orthopädietechnikerinnen bzw. -techniker richten den Dekoder ein und validieren ihn; die Nutzerin oder der Nutzer kann jederzeit übersteuern; Sicherheitsgrenzen für Aktorkraft und Stimulationsamplitude sind fest codiert, außerhalb der ML-Komponente.

Datenaufbereitung

• Daten und Ablageort: EMG-, EEG- oder intrakortikale Ableitungen aus Labor-Erfassungssystemen und Geräteprotokollen, Kalibriersitzungen mit angeleiteten Bewegungen oder Sprache, IMU-Daten, klinische Outcome-Scores und Stimmaufnahmen aus der Zeit vor der Verletzung. In der Praxis liegen diese auf Forschungsarbeitsplätzen, in Herstellerclouds der Geräte oder auf Krankenhausservern, selten in ERP oder DMS.
• Typische Lücken: sehr kleine Kohorten, Unterschiede je Person und Sitzung, Elektrodendrift, uneinheitliche Dateiformate und Abtastraten, fehlende Metadaten zur Elektrodenplatzierung und zu den Sitzungsbedingungen, Artefakte und ein unklarer Umfang der Einwilligung für Zweitnutzung.
• Aufbereitungsschritte: ein Schema für Sitzungen und Metadaten festlegen (PREP-019); Herstellerformate in offene Standards wie BIDS oder LSL-Streams überführen (PREP-007); Kalibrier-Cues und verworfene Artefaktsegmente labeln (PREP-020, PREP-018); Sitzungen späterer Tage als Testdatensatz zurückhalten; wo möglich Merkmale statt Rohsignale speichern und Teilnehmende pseudonymisieren (PREP-022); Einwilligung und Zweck dokumentieren (PREP-025).
• Werkzeuge: BrainFlow, MNE-Python, Lab Streaming Layer, MOABB-Datensätze.
• Aufwandsanteil: etwa 50 Prozent, vor allem konsistente, gut annotierte Kalibrierdaten und die für die MDR erforderliche Dokumentation der Datenherkunft. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Enterprise: Weg C. Gerätehersteller und Forschungsgruppen bauen Dekoder auf offenen Erfassungs- und ML-Werkzeugen mit einer eingebetteten Laufzeitumgebung; ein eigenes Training (Weg D) kommt je Nutzerin oder Nutzer hinzu, und der klinische Einsatz erfordert die volle MDR-Konformität.
• Developer: Weg C. BrainFlow, MNE-Python, MOABB und PyTorch decken das Prototyping mit gesunden Freiwilligen ab.
• Öffentlicher Sektor: Weg A. Öffentliche Kliniken, Rehabilitationszentren und Kostenträger sollten zertifizierte, angepasste Prothesen kaufen; implantierte BCIs sind nur über Studien zugänglich.

Weg A — Kaufen (richtig für Patientinnen, Patienten und Kliniken)

• Kommerzielle Prothesen: Coapt Complete Control (USA) und Ottobock Myo Plus (DE, EU), dazu weitere bionische Handprothesen aus EU/UK (z. B. Össur, Touch Bionics/Produkte der PSYONIC-Klasse). Angepasst von zertifizierten Orthopädietechnikerinnen und -technikern; die Kostenerstattung unterscheidet sich je Land.
• Implantierte BCIs: nur über klinische Studien (BrainGate, Synchron, Neuralink, Precision Neuroscience, ONWARD ARC-BCI). Es gibt 2026 in der EU kein allgemein verfügbares Marktprodukt für Sprach-BCIs.
• A wählen, wenn: das Ziel die Patientenversorgung ist. Dekodierung auf Forschungsniveau ist keine käufliche Dienstleistung.

Weg B — Auf Cloud-KI-Diensten aufbauen

Begrenzte Rolle. Die Cloud ist für den Regelkreis ungeeignet (Latenz, Sicherheit). Nutzen Sie Cloud-/EU-Region-Dienste für das Offline-Training von Modellen, Flottenanalysen sowie eine Stufe zur LLM-Neubewertung oder Sprachsynthese (TTS, personalisierte Stimme aus Aufnahmen vor der Verletzung), wo eine kurze Verzögerung akzeptabel ist. Patientendaten müssen unter einem AVV in EU-Regionen bleiben.

Weg C — Selbst betreiben (Open Source)

• Erfassung und Werkzeuge: BrainFlow, MNE-Python, Lab Streaming Layer, OpenBCI-Hardware für nicht-invasive Arbeit; MOABB für EEG-Benchmarks [5]; Datensätze der Neural Latents Benchmark für die Forschung zur intrakortikalen Dekodierung.
• Modelle: PyTorch-Dekoder (GRU/Transformer), kleine Open-Weight-LLMs oder N-Gramm-Werkzeuge (KenLM) für Sprachvorwissen, ONNX/TensorRT/TFLite für die eingebettete Laufzeitumgebung.
• Hardware: HW1 (eingebettete CPU/NPU oder Jetson-Klasse) für den Echtzeit-Regelkreis; eine Workstation-GPU für das Training.
• Einsatz: Forschung, Prototyping, Geräteentwicklung; der klinische Einsatz erfordert die volle MDR-Konformität.

Weg D — Eigenes Training

Dies ist der Kern des Feldes. Jede Nutzerin und jeder Nutzer braucht persönliche Trainingsdaten (angeleitete versuchte Bewegungen oder Sprache, Stunden bis Wochen). Hersteller ergänzen ein gemeinsames Vortraining über mehrere Nutzende, um die Kalibrierung zu verkürzen. Erfordert eine Ethikvotum, von IRB/Ethikkommission geprüfte Protokolle, GCP-konforme Studien (ISO 14155 für Geräte) und langfristige Nachbeobachtung.

Stand der Technik (2026)

• Sprachneuroprothesen dekodieren versuchte Sprache aus Arrays im motorischen Kortex in Text und synthetisierte Stimme, mit großem Vokabular und kurzer Kalibrierung; die Ergebnisse stammen von einer Handvoll Teilnehmender [1][2].
• Gehirn-Rückenmark-Schnittstellen koppeln kortikale Dekodierung mit Rückenmarkstimulation, mit drahtlosen Implantaten [3].
• Myoelektrische Steuerung bewegt sich von der Klassifikation zur kontinuierlichen Regression mehrerer Freiheitsgrade, mit sensorischem Feedback (vibrotaktil, neuronal) in der Forschung.
• Ideen aus Foundation-Modellen: Vortraining neuronaler Dekoder über Sitzungen und Personen hinweg, um die Kalibrierung zu verringern; die Belege sind noch überwiegend akademisch.
• Grenzen und Fehlerbilder: Signaldrift, Elektrodendegradation und Infektionsrisiko bei Implantaten, kleine Kohorten, laborgebundene Aufbauten, Belastung der Pflegepersonen durch die Kalibrierung, Dekoder, die bei veränderten Signalen unbemerkt versagen, und die Lücke zwischen Laborgenauigkeit und Alltagstauglichkeit. Die Aufgabe myoelektrischer Prothesen bleibt ein reales Problem.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Zeitreihen + Streaming + Edge-Laufzeit): HLTH-007 (Wearable-Analytik), HLTH-013 (EKG-Signale), HLTH-035 (EEG- und Schlafanalyse) teilen sich Filterung, Artefaktunterdrückung und Streaming-Code.
• Nachgelagert und angrenzend: HLTH-034 (geschlossene Insulinabgabe) teilt das Muster aus Regulierung und Sicherheitsnachweis für KI im Regelkreis; HLTH-037 (Robotik in der Chirurgie) für absichtsgesteuerte Aktuierung; VIS-024 (Pose und Gesten) für kamerabasierte Rehabilitationsbewertung.
• Nachsorge aus der Ferne: Dashboards im Stil von HLTH-004 für das klinische Personal mit Nutzungsprotokollen und Drift-Warnungen.

Aufwand, Kosten & Kennzahlen

• Weg A: Die Kosten der Prothesenanpassung liegen im Bereich der Anschaffung eines Medizinprodukts plus Therapie und Training; die Erstattung durch Krankenkassen ist länderspezifisch.
• Weg C: Monate für einen Forschungsprototyp mit Standardhardware.
• Weg D: Jahre und Budgets in Millionenhöhe (Euro) für ein implantiertes System (Gerät, GMP-Herstellung, Studien, Prüfung durch die Benannte Stelle). Planen Sie nicht unterhalb dieser Größenordnung.
• Kennzahlen: Online-Dekodiergenauigkeit und Wortfehlerrate (Sprache), Informationsübertragungsrate (Bit/min), Aufgabendauer (z. B. Box-and-Block-Test, SHAP-Test für Hände), Latenz, tägliche Nutzungsstunden, Häufigkeit der Neukalibrierung, Abbruchquote bei der Gerätenutzung, unerwünschte Ereignisse, von den Nutzenden berichtete Lebensqualität.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung, die klinische und die technische Leitung, Orthopädietechnikerinnen und Therapeuten, die das System anpassen und einstellen, Sicherheit und Recht/Compliance (MDR, AI Act, Cybersicherheit), die(den) Datenschutzbeauftragte(n), Ethikkommission und Benannte Stelle. Die wichtigsten Beteiligten sind die Nutzerinnen und Nutzer, die Patientinnen und Patienten und ihre Pflegepersonen; beziehen Sie sie von Anfang an in Design und Kalibrierung ein.
• Betriebsrat: nein, im Allgemeinen. Das System wird von Patientinnen und Patienten genutzt, nicht zur Überwachung von Beschäftigten (§87 Abs. 1 Nr. 6 BetrVG greift nicht); informieren Sie den Betriebsrat nur, wenn Nutzungsdaten des klinischen oder technischen Personals auf Personenebene ausgewertet werden, und beachten Sie §90 Abs. 1 Nr. 3 für KI-gestützte Arbeitsprozesse (GUIDE-004).
• Datenschutz: neuronale und EMG-Aufzeichnungen sind Gesundheitsdaten und potenziell biometrische Daten (Art. 9); erforderlich sind die(der) Datenschutzbeauftragte, eine ausdrückliche Einwilligung, eine Datenschutz-Folgenabschätzung (DSFA, Art. 35) und ein AVV mit jedem Auftragsverarbeiter (GUIDE-005). Die informierte Einwilligung bei Menschen mit Kommunikationsbeeinträchtigungen erfordert besondere Sorgfalt.
• KI-Kompetenz: ergreifen Sie Maßnahmen zur KI-Kompetenz (Art. 4) von ärztlichem Personal und Orthopädietechnikern: Drift, Neukalibrierung und Grenzen der Laborgenauigkeit (GUIDE-006).
• Pilot und Kommunikation: beginnen Sie mit gesunden Freiwilligen mit EMG, dann folgen beaufsichtigte klinische Studien (GUIDE-009). Typische Sorgen sind Zuverlässigkeit, Aufgabe des Geräts, Cyberangriffe auf Implantate und langfristige Unterstützung durch den Hersteller; begegnen Sie ihnen mit fest codierten Sicherheitsgrenzen, einem von der Nutzerin oder dem Nutzer steuerbaren Stopp, ehrlicher Kommunikation der Grenzen kleiner Kohorten und Zusagen zur Langzeitunterstützung (GUIDE-008, GUIDE-013).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Hochrisiko. Ein Dekoder, der Sicherheitsbauteil eines Medizinprodukts nach MDR ist oder selbst eines ist (Klasse IIb/III für aktive Implantate und viele Stimulatoren), fällt unter Art. 6 Abs. 1 mit Anhang I, sodass die Pflichten aus Kapitel III gelten (Risikomanagement, Daten-Governance, Protokollierung, menschliche Aufsicht, Genauigkeit und Robustheit), integriert in die MDR-Konformitätsbewertung durch eine Benannte Stelle. Berücksichtigen Sie den Übergangsfahrplan und etwaige Änderungen (Digital Omnibus) bei der Planung. Art. 5 verdient Beachtung: Nutzen Sie keine neuronalen oder Biosignaldaten, um Emotionen von Beschäftigten oder Lernenden abzuleiten (verboten, außer aus medizinischen oder Sicherheitsgründen), und vermeiden Sie Nutzungen im Stil von Neuromarketing.
• MDR (EU) 2017/745: implantierbare und aktive Produkte gehören zu den strengsten Klassen; klinische Prüfung nach Art. 62 ff., ISO 14155, ISO 14971, IEC 62304, IEC 60601, Cybersicherheit (MDCG 2019-16) und Überwachung nach dem Inverkehrbringen [6].
• DSGVO: neuronale und EMG-Aufzeichnungen sind Gesundheitsdaten und potenziell biometrische Daten (Art. 9); ausdrückliche Einwilligung, DSFA, strenge Zweckbindung; neuronale Daten können mehr offenbaren als beabsichtigt (Debatte um mentale Privatsphäre, z. B. Neurorechte-Gesetzgebung außerhalb der EU). Datenminimierung: speichern Sie, wo möglich, Merkmale statt Rohsignale.
• Weitere Risiken: Cybersicherheit von Implantaten (ein Angriff aus der Ferne könnte der Nutzerin oder dem Nutzer schaden), Herstellerbindung oder Insolvenz des Unternehmens, sodass Menschen mit Implantat ohne Unterstützung bleiben, informierte Einwilligung bei Menschen mit Kommunikationsbeeinträchtigungen, Gerechtigkeit beim Zugang.
• Gegenmaßnahmen: fest codierte Sicherheitsgrenzen unabhängig von ML, ausfallsicheres Standardverhalten, protokollierte Konfidenz des Dekoders, von der Nutzerin oder dem Nutzer steuerbarer Stopp, Zusagen zur Langzeitunterstützung.

Erste Schritte

1. Zielgruppe und Steuerungsaufgabe festlegen (Griffauswahl vs. Sprache vs. Stimulationsauslöser); das bestimmt die regulatorische Klasse.
2. Für die Forschung: einen offenen Datensatz beschaffen (MOABB-EEG-Sätze, Neural Latents Benchmark) und einen Baseline-Dekoder offline nachbauen.
3. Einen Echtzeit-Regelkreis mit BrainFlow oder LSL und Latenzmessung aufbauen, dann mit gesunden Freiwilligen über EMG testen.
4. Frühzeitig eine Beratung mit der Benannten Stelle, klinische Partner und eine Ethikkommission einbinden; den Verwendungszweck nach MDR und die Risikoakte vor dem Bau entwerfen.
5. Den Ablauf der Neukalibrierung und das Betreuungsmodell für Nutzende als Teil des Produkts planen.

Quellen

1. Card N. et al., "An Accurate and Rapidly Calibrating Speech Neuroprosthesis", NEJM 2024 — https://www.nejm.org/doi/full/10.1056/NEJMoa2314132
2. Willett F. et al., "A high-performance speech neuroprosthesis", Nature 2023 — https://www.nature.com/articles/s41586-023-06377-x
3. Lorach H. et al., "Walking naturally after spinal cord injury using a brain-spine interface", Nature 2023 — https://www.nature.com/articles/s41586-023-06094-5
4. Coapt Engineering — Complete Control pattern recognition — https://coaptengineering.com
5. MOABB (Mother of All BCI Benchmarks) — https://github.com/NeuroTechX/moabb
6. Regulation (EU) 2017/745 (MDR) — https://eur-lex.europa.eu/eli/reg/2017/745/oj
7. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
8. BrainFlow — https://github.com/brainflow-dev/brainflow