Generatieve spierstimulatie: hoe kunstmatige intelligentie beweging teruggeeft
Stel je iemand voor die na een dwarslaesie of beroerte een been niet meer kan optillen. Vroeger kreeg zo iemand hooguit een apparaatje dat op vaste momenten een stroomstootje naar de spier stuurde, in een star, vooraf geprogrammeerd ritme — ongeveer zoals een metronoom die altijd hetzelfde tempo tikt, ongeacht wat de muziek nodig heeft. Generatieve spierstimulatie werkt anders: een kunstmatig-intelligent systeem 'leest' voortdurend wat het lichaam probeert te doen en genereert op basis daarvan, moment voor moment, een op maat gemaakt stimulatiepatroon. Niet de metronoom, maar een meespelende begeleider die zich aanpast aan elke beweging.
De term combineert twee dingen: spierstimulatie, het opwekken van een spiercontractie met een elektrisch signaal via de huid of een implantaat, en generatief, een begrip uit de AI-wereld voor systemen die zelf nieuwe output produceren in plaats van een vaste lijst regels af te werken. Samen vormen ze technologie die geparalyseerde of verzwakte spieren weer laat bewegen op een manier die dichter bij natuurlijke beweging komt dan de stimulatietechnieken van de afgelopen decennia.
Wat is het precies?
Het uitgangspunt is niet nieuw: functionele elektrostimulatie (FES) bestaat al sinds de jaren zestig en zet spieren aan tot samentrekken via elektroden op de huid, in een mouw, of via een geïmplanteerde elektrode. De spier reageert op het elektrische signaal alsof het een zenuwimpuls van de hersenen is.
Het nieuwe zit in hoe dat signaal tot stand komt. Een generatief systeem verzamelt eerst gegevens: bewegingssensoren, spieractiviteit gemeten via EMG (elektromyografie, het meten van de kleine elektrische signalen die een spier zelf al afgeeft), of in geavanceerde gevallen signalen direct uit de hersenen of het ruggenmerg via een brain-computer interface (BCI, een technologie die hersenactiviteit vertaalt naar besturingssignalen).
Een machine-learning-model — getraind op duizenden voorbeelden van hoe spieren normaal samenwerken tijdens lopen, grijpen of staan — vertaalt die binnenkomende signalen in real time naar een stimulatiepatroon: welke elektrode, met welke sterkte, op welk moment. Dat gebeurt in een gesloten lus (closed loop): het systeem meet, genereert een stimulus, meet opnieuw hoe het lichaam reageert, en stelt bij. Bij de meest geavanceerde varianten, zoals bij ruggenmergstimulatie voor verlamming, wordt dit patroon dus niet vooraf vastgelegd door een arts, maar continu opnieuw berekend door het model, afgestemd op de intentie en de actuele lichaamshouding van de gebruiker.
Wat wil men ermee bereiken?
Het primaire doel is revalidatie en functieherstel: mensen na een dwarslaesie, beroerte, of met een aandoening als multiple sclerose of cerebrale parese helpen om weer te staan, lopen, grijpen of ademen. Klassieke FES kan dat ook, maar vaak met een onnatuurlijk, schokkerig bewegingspatroon en snelle spiervermoeidheid, omdat alle vezels van een spier tegelijk worden geactiveerd in plaats van geleidelijk zoals het lichaam dat zelf doet.
Een tweede doel is personalisatie. Geen twee lichamen of laesies zijn identiek, dus een systeem dat leert van de individuele signalen van één gebruiker kan nauwkeuriger en zuiniger stimuleren dan een vast protocol.
Verder hoopt men op bredere toepassingen: exoskeletten die spieren ondersteunen bij zware arbeid, sportrevalidatie, en op termijn misschien zelfs communicatie tussen hersenen en verlamde ledematen die bijna transparant aanvoelt voor de gebruiker. Onderliggend is de belofte dat AI de kloof dicht tussen het relatief trage, grofmazige signaal van elektrostimulatie en de razendsnelle, fijnmazige aansturing van een gezond zenuwstelsel.
Voorbeelden uit de praktijk
Enkele projecten laten zien waar de technologie vandaag staat:
- NeuroRestore, Lausanne (Zwitserland) — Het onderzoekscentrum van de EPFL en het universitair ziekenhuis CHUV, onder leiding van neurowetenschapper Grégoire Courtine en neurochirurg Jocelyne Bloch, publiceerde in 2018 de STIMO-studie in Nature: dwarslaesiepatiënten konden dankzij epidurale ruggenmergstimulatie (elektroden op het ruggenmerg) weer enkele stappen zetten. In 2023 volgde een 'brain-spine interface': bij patiënt Gert-Jan Oskam decodeert een AI-systeem signalen uit de hersenschors en genereert daarmee in real time stimulatiepatronen voor het ruggenmerg, zodat hersenintentie direct wordt omgezet in beenbeweging.
- Onward Medical — Dit Nederlands-Zwitserse bedrijf (kantoren in Eindhoven en Lausanne), voortgekomen uit onderzoek van diezelfde EPFL-groep, ontwikkelt de systemen ARC-EX (uitwendige stimulatie via de rug) en ARC-IM (implanteerbaar) om die onderzoekstechnologie geschikt te maken voor breder klinisch gebruik bij dwarslaesie.
- Cionic Neural Sleeve (Verenigde Staten) — Het bedrijf Cionic uit San Francisco brengt een draagbare beenmouw op de markt die met sensoren het looppatroon meet en met machine learning per stap een gepersonaliseerd stimulatiesignaal genereert, bedoeld voor mensen met bijvoorbeeld cerebrale parese, MS of restverlammingen na een beroerte.
- NeuroLife, Battelle en Ohio State University (Verenigde Staten) — Al in 2014 kon proefpersoon Ian Burkhart, verlamd vanaf de borst, dankzij een hersenimplantaat gecombineerd met een elektrodenmouw om zijn onderarm weer voorwerpen vastpakken: gedecodeerde hersensignalen werden vertaald naar stimulatiepatronen voor de onderarmspieren. De resultaten verschenen in 2016 in Nature en golden lange tijd als een mijlpaal voor het combineren van neurale decodering met spierstimulatie.
Hoe ver is de techniek?
De technologie beweegt zich grotendeels nog tussen laboratorium en vroege klinische toepassing. De meest indrukwekkende resultaten, zoals de brain-spine interface uit Lausanne, zijn tot nu toe gedemonstreerd bij een klein aantal proefpersonen onder intensieve begeleiding van onderzoeksteams, niet bij duizenden patiënten in een ziekenhuis om de hoek.
Producten die al buiten het lab te krijgen zijn, zoals de Cionic Neural Sleeve of de ARC-EX van Onward Medical, zijn eenvoudiger dan de volledige hersen-tot-spier-systemen: ze gebruiken vooral sensordata van het lichaam zelf (beweging, spieractiviteit) in plaats van directe hersenimplantaten, wat de drempel voor gebruik en goedkeuring verlaagt.
Belangrijke obstakels blijven: de duurzaamheid en veiligheid van geïmplanteerde elektroden over jaren, de rekenkracht en energie die nodig zijn om AI-modellen razendsnel en betrouwbaar op een draagbaar apparaat te laten draaien, en de vraag hoe goed zo'n model generaliseert naar het dagelijks leven buiten de gecontroleerde testomgeving. Ook is regelgeving voor dit soort medische AI-systemen nog volop in ontwikkeling, wat commerciële goedkeuring vertraagt. Onafhankelijke, grootschalige langetermijnstudies naar effectiviteit zijn nog schaars, dus voorzichtigheid bij het interpreteren van individuele succesverhalen is op zijn plaats.
Wie werken eraan?
Toonaangevend onderzoek komt van de EPFL (Ecole Polytechnique Fédérale de Lausanne) en het universitair ziekenhuis CHUV in Zwitserland, met het spin-offbedrijf Onward Medical dat mede vanuit Nederland (Eindhoven) opereert. In de Verenigde Staten zijn Battelle Memorial Institute en Ohio State University Wexner Medical Center pioniers op het gebied van neurale bypass-systemen, terwijl bedrijven als Cionic zich richten op minder invasieve, sensorgestuurde varianten voor de consumentenmarkt in revalidatiezorg. Universiteiten als Northwestern University en Case Western Reserve University (met het gevestigde Cleveland FES Center) bouwen voort op decennia ervaring met klassieke elektrostimulatie en verrijken die met machine learning. Financiering komt vaak van nationale onderzoeksprogramma's zoals het Amerikaanse BRAIN Initiative van de National Institutes of Health (NIH), naast investeringen van medische-technologiebedrijven en universitaire spin-offs in Europa en de VS.