Prosthetics play a crucial role in supporting individuals with physical impairments resulting from functional loss or limb amputation. A significant number of people live with severe disabilities, often due to general illnesses. Active prostheses, which possess their own drives and complex functions, require precise signals for movement control. Traditional classification methods are often inefficient and can only reliably distinguish a limited number of gestures. This dissertation develops a new method for classifying EMG signals to improve the control of active hand prostheses. The goal is to accelerate prosthesis response and enable natural handling by significantly increasing the number of distinguishable activation gestures and maintaining classification accuracy over extended periods. This is achieved through improved preprocessing of activation signals, allowing the use of the temporal course of a signal. To this end, EMG signals from five subjects were recorded over a period of six days, distributed over at least three weeks. Using 25 different classifiers, an F1-score of up to 99% was achieved for nine different gestures, with a feedforward neural network and a convolutional neural network particularly standing out. This improvement in classification accuracy has the potential to significantly enhance the control of active hand prostheses and, thereby, the quality of life for people with severe disabilities. Prothesen spielen eine wichtige Rolle bei der Unterstützung von Personen mit körperlichen Einschränkungen, wie sie durch Funktionsverlust oder den Verlust einer Gliedmaße entstehen können. Eine erhebliche Zahl von Menschen lebt mit schweren Behinderungen, die häufig auf allgemeine Erkrankungen zurückzuführen sind. Aktive Prothesen, die über eigene Antriebe und komplexe Funktionen verfügen, benötigen präzise Signale zur Bewegungssteuerung. Traditionelle Klassifikationsmethoden sind oft ineffizient und können nur eine begrenzte Anzahl von Gesten sicher unterscheiden. Diese Dissertation entwickelt eine neue Methode zur Klassifikation von EMG-Signalen, um die Ansteuerung aktiver Handprothesen zu verbessern. Ziel ist es, die Prothesenreaktion zu beschleunigen und eine natürliche Handhabung zu ermöglichen, indem die Anzahl der unterscheidbaren Aktivierungsgesten deutlich erhöht und die Klassifikationsergebnisse über längere Zeiträume stabil gehalten werden. Dies wird durch eine verbesserte Vorverarbeitung der Aktivierungssignale erreicht, die es erlaubt, den zeitlichen Verlauf eines Signals zu nutzen. Zu diesem Zweck wurden EMG-Signale von fünf Probanden über einen Zeitraum von sechs Tagen, verteilt über mindestens drei Wochen aufgezeichnet. Unter Verwendung von 25 unterschiedlichen Klassifikatoren konnte für neun unterschiedliche Gesten ein F1-Score von bis zu 99% erzielt werden, wobei insbesondere ein vorwärtsgerichtetes neuronales Netz und ein Convolutional Neural Network herausragen. Diese Verbesserung der Klassifikationsgenauigkeit hat das Potenzial die Steuerung aktiver Handprothesen und damit die Lebensqualität von Menschen mit schweren Behinderungen signifikant zu erhöhen.    «

Prosthetics play a crucial role in supporting individuals with physical impairments resulting from functional loss or limb amputation. A significant number of people live with severe disabilities, often due to general illnesses. Active prostheses, which possess their own drives and complex functions, require precise signals for movement control. Traditional classification methods are often inefficient and can only reliably distinguish a limited number of gestures. This dissertation develops a ne...    »