PhysioMio: bilateraler und longitudinaler HD-sEMG-Datensatz mit 16 Handgesten von 48 Schlaganfallpatienten

Warum das für das Leben nach einem Schlaganfall wichtig ist

Nach einem Schlaganfall können einfache Tätigkeiten wie das Knöpfen eines Hemdes oder das Halten einer Tasse zu täglichen Herausforderungen werden. Ärztinnen, Ärzte und Therapeutinnen arbeiten daran, die Funktion von Hand und Arm wiederherzustellen, müssen sich aber oft auf das Sichtbare und die Angaben der Patientinnen und Patienten stützen. Das PhysioMio-Projekt ändert das, indem es einen großen, offenen wissenschaftlichen Datensatz bereitstellt, der unsichtbare Muskelaktivität in präzise, messbare Informationen verwandelt. Das kann Forschenden helfen, intelligentere Rehabilitationswerkzeuge, reaktionsfähigere Assistenzgeräte und letztlich individuellere Therapiepläne für Schlaganfallüberlebende zu entwickeln.

Den Muskeln durch die Haut zuhören

Jede willkürliche Bewegung beginnt mit winzigen elektrischen Signalen in unseren Muskeln. PhysioMio nutzt eine Technik namens Oberflächen-Elektromyographie, die wie ein sehr empfindliches Stethoskop für Muskeln auf der Haut wirkt. Anstatt nur ein oder zwei Sensoren legte das Team einen Band mit 64 kleinen, trockenen Metallkontakten um den Unterarm. Dieses hochdichte Setup erfasst eine detaillierte Karte, wie verschiedene Muskelgruppen feuern, wenn eine Person versucht, Hand und Finger zu bewegen. Da die Sensoren auf der Haut sitzen, ist die Methode nicht-invasiv und kann sicher mehrfach während der Rehabilitation wiederholt werden.

Eine große Gruppe echter Schlaganfallpatienten

Der Datensatz stammt von 48 Personen, die einen Schlaganfall erlitten und sich in Rehabilitation befanden. Sie unterschieden sich stark in Alter, Körpergröße und Zeit seit dem Schlaganfall, was die Vielfalt realer klinischer Fälle widerspiegelt. Bei jeder Patientin und jedem Patienten zeichneten die Forschenden bis zu 16 Hand- und Handgelenksgesten auf, darunter Ruhe, mehrere Arten des Greifens (etwa Zangen- oder Ballgriff) und Beugungen des Handgelenks in verschiedene Richtungen. Wichtig ist, dass sowohl der gesunde Arm als auch der betroffene Arm aufgenommen wurden und die Teilnehmenden über mehrere Sitzungen während ihres Rehabilitationsaufenthalts verfolgt wurden. Das bedeutet, die Daten zeigen nicht nur, wie unterschiedlich der beeinträchtigte Arm im Vergleich zum gesunden ist, sondern auch, wie sich die Muskelaktivität im Laufe der Zeit mit der Erholung verändern kann.

Wie die Messungen erhoben wurden

Während jeder Sitzung wurde ein flexibler Elektrodenband an einer festen Position um den Unterarm gelegt und zuvor desinfiziert, um guten Kontakt und Hygiene zu gewährleisten. Die Patientinnen und Patienten saßen bequem, während eine geschulte Person jede Geste demonstrierte und klare Anweisungen gab. Sobald die Person die bestmögliche Position für eine Geste erreicht hatte, markierte ein fußbetätigter Schalter das Zeitintervall von Interesse, sodass der Computer genau wusste, wann die Bewegung stattfand. Jede Aufnahme dauerte etwa 10 bis 15 Minuten und enthielt alle 16 Gesten. Später wurden die zentralen vier Sekunden der Muskelaktivität für jede Geste herausgeschnitten und in einem standardisierten, effizienten Dateiformat gespeichert. Neben den Muskel-signalen enthält der Datensatz Informationen wie Alter, Geschlecht, welcher Arm betroffen war und wie viele Tage seit dem Schlaganfall vergangen waren, sodass Forschende Muskelmuster mit dem Verlauf der Erholung verknüpfen können.

Sicherstellen, dass die Signale vertrauenswürdig sind

Damit ein solcher Datensatz nützlich ist, müssen die Messungen sauber und zuverlässig sein. Das Team befolgte strenge Verfahren vor, während und nach jeder Aufnahme. Sie prüften die Signalqualität mit Testkontraktionen, reduzierten elektrische Störungen aus dem Stromnetz und speicherten alle Daten sicher und anonym. Anschließend inspizierten sie jede Aufnahme visuell und entfernten Sitzungen, in denen viele Elektroden ausgefallen waren oder das Signal zu verrauscht war. Sie führten dann mathematische Prüfungen zur Qualitätsbestätigung durch, etwa durch den Vergleich der Stärke der Muskelaktivität während der Bewegung mit der Ruhe und durch die Analyse, wie sich die Signale über verschiedene Frequenzen verteilten und ausbreiteten. Schließlich trainierten sie ein einfaches Computermodell, das mit hoher Genauigkeit unterscheiden konnte, ob eine Aufnahme vom gesunden oder vom beeinträchtigten Arm stammte, was zusätzlich bestätigte, dass der Datensatz reale, bedeutsame Unterschiede in der Muskelfunktion erfasst.

Was das für die zukünftige Versorgung öffnet

Alltäglich gesprochen ist der PhysioMio-Datensatz ein detailliertes Logbuch darüber, wie geschädigte und gesunde Muskeln reagieren, wenn Menschen nach einem Schlaganfall versuchen, ihre Hände zu bewegen. Da er öffentlich zugänglich und gut dokumentiert ist, können Wissenschaftlerinnen, Wissenschaftler und Ingenieurinnen und Ingenieure weltweit ihn nutzen, um bessere Bewegungserkennungssysteme, intelligentere Rehabilitationsroboter und objektivere Tests der Handfunktion zu entwickeln. Im Laufe der Zeit könnten solche Werkzeuge Therapeutinnen und Therapeuten helfen, frühe Anzeichen von Verbesserung oder Problemen zu erkennen und Übungen individuell anzupassen. Für Schlaganfallüberlebende könnte das effizientere Therapien, bessere Unterstützung im Alltag und einen klareren Weg von der stationären Versorgung zurück in ein selbstständiges Leben bedeuten.

Zitation: Ilg, J., Oldemeier, A.C.R., Fieweger, M. et al. PhysioMio: bilateral and longitudinal HD-sEMG dataset of 16 hand gestures from 48 stroke patients. Sci Data 13, 19 (2026). https://doi.org/10.1038/s41597-026-06557-0

Schlüsselwörter: Schlaganfallrehabilitation, Elektromyographie, Handfunktion, neuromuskuläre Erholung, Assistenztechnologie