ULTRA-MoCap: Ein multimodales IMU- und sEMG-Datensatz für die Analyse der Gelenkkinematik des Oberkörpers

Warum das Verfolgen alltäglicher Armbewegungen wichtig ist

Jedes Mal, wenn Sie nach einem Regal greifen, beim Gehen die Arme schwingen oder eine Tasche heben, führen Schulter, Ellbogen und Handgelenk einen präzise koordinierten Tanz aus. Ein detailliertes Verständnis dieser Bewegung könnte die physikalische Rehabilitation, das Sporttraining und die Steuerung von Assistenzrobotern oder Exoskeletten grundlegend verändern. Die meisten vorhandenen Daten über Armbewegungen stammen jedoch entweder aus sperrigen Kamerasystemen in spezialisierten Laboren oder aus Wearables, die nur einen Teil dessen erfassen, was der Körper tut. Dieser Artikel stellt ULTRA-MoCap vor, einen neuen offenen Datensatz, der diese Aspekte zusammenführt: Er kombiniert Motion-Capture-Kameras, winzige Bewegungssensoren und Muskelaktivitätsaufzeichnungen, um ein umfassenderes Bild der Bewegung der oberen Extremität zu liefern.

Verschiedene Messwelten zusammenbringen

Die meisten Studien zur Armbewegung stützen sich nur auf ein Fenster in den Körper: entweder darauf, wie sich Gelenke bewegen, wie Muskeln feuern oder wie sich die Extremität durch den Raum beschleunigt. ULTRA-MoCap zeichnet sich dadurch aus, dass alle drei Aspekte gleichzeitig erfasst werden. Es synchronisiert ein hochwertiges kamerabasiertes Motion-Capture-System mit sechs kleinen Inertialsensoren (IMUs), die Bewegung an Hand, Handgelenk, Unterarm und Oberarm verfolgen, sowie mit Oberflächen-Elektromyographie-(sEMG)-Sensoren, die die elektrische Aktivität wichtiger Muskeln wie Bizeps, Trizeps und Deltamuskel messen. Diese Kombination ermöglicht es Forschern, zu sehen, wie Muskelaktivität, Extremitätenbewegung und Gelenkwinkel zeitlich zusammenfallen, und liefert ein detailliertes, dynamisches Porträt der Oberkörperbewegung.

Wie die Daten von realen Personen erhoben wurden

Der Datensatz basiert auf Experimenten mit dreizehn gesunden Erwachsenen, die jeweils sorgfältig auf bestehende Arm- oder Schulterverletzungen untersucht wurden. Die Teilnehmenden trugen sechzig reflektierende Marker für die Motion-Capture-Aufnahmen und sechs drahtlose Sensoreinheiten an ihrem rechten Arm. Sie führten fünf gängige Übungen für die obere Extremität aus: das Schwingen beider Arme, das Überkreuzreichen vor dem Körper, wiederholtes Beugen und Strecken der Ellbogen, das Rotieren der Schultern und das Anheben der Arme über den Kopf in unterschiedlichen Höhen. Jeder Versuch dauerte dreißig Sekunden bei selbstgewählten Geschwindigkeiten von langsam bis sehr schnell, mit Pausen zur Vermeidung von Ermüdung, die die Muskelsignale verfälschen könnte. Das Ergebnis ist eine große Vielfalt an Bewegungen, die dennoch klaren, wiederholbaren Mustern folgen – ähnlich natürlichen Alltagsaktivitäten.

Von Rohmarkern zu virtuellen Gelenken

Um Markerwolken der Kamera in aussagekräftige Gelenkwinkel zu überführen, verwendeten die Autorinnen und Autoren ein detailliertes Computermodell des Oberkörpers, das Knochen und Gelenke wie ein virtuelles Skelett darstellt. Zunächst wurde dieses Modell mithilfe einer Kalibrierpose auf die Körpermaße jeder Person „skaliert“, danach wurde ein Inverse-Kinematik-Verfahren ausgeführt, das für jeden Zeitpunkt die Gelenkpositionen und -winkel findet, die am besten mit den beobachteten Markerbahnen übereinstimmen. Sorgfältige Qualitätsprüfungen stellten sicher, dass die virtuellen Marker nur wenige Zentimeter von den realen entfernt blieben und dass die berechneten Bewegungen von Schulter, Ellbogen und Handgelenk über Tausende von Frames anatomisch plausibel aussahen. Der endgültige Datensatz enthält sowohl diese verarbeiteten Gelenkwinkel als auch die ursprünglichen Sensor- und Markeraufnahmen, alle mit konsistenten Dateinamen und Formaten organisiert, sodass andere sie leicht wiederverwenden können.

Die Datenqualität mit Maschinellem Lernen prüfen

Um zu zeigen, dass die Signale nicht nur sauber, sondern auch aussagekräftig sind, trainierten die Autoren ein Deep-Learning-Modell, das anhand kurzer, zweisekündiger Ausschnitte von Sensordaten erkennt, welche der fünf Übungen ausgeführt wurde. Mit nur IMU-Bewegungsdaten identifizierte das Modell die Übung in mehr als 94 Prozent der Fälle korrekt, und die Leistung stieg noch leicht, wenn IMU- und Muskelsignale kombiniert wurden. Muskel‑Daten allein erwiesen sich als schwieriger, über verschiedene Personen zu generalisieren, was die natürliche Variation widerspiegelt, wie Individuen ihre Muskeln rekrutieren. Sie funktionierten jedoch sehr gut, wenn das Modell auf eine einzelne Person personalisiert wurde. Diese Ergebnisse legen nahe, dass ULTRA-MoCap sowohl für allgemeine Algorithmen, die mit neuen Nutzern arbeiten müssen, als auch für personalisierte Systeme geeignet ist, die sich an eine einzelne Person anpassen.

Was diese Ressource für die Zukunft bedeutet

Alltagssprachlich ist ULTRA-MoCap wie ein reich instrumentierter „Black-Box-Rekorder“ für den Arm, der erfasst, wie Knochen, Muskeln und tragbare Sensoren während realistischer Bewegungen zusammenwirken. Da der Datensatz und der unterstützende Code öffentlich verfügbar sind, können Forschende ihn nutzen, um intelligentere Rehabilitationsübungen zu entwerfen, die Steuerung robotischer Exoskelette zu verbessern, Interaktionen in Virtual Reality zu verfeinern oder zu erforschen, wie mit weniger oder einfacheren Sensoren mehr erreicht werden kann. Die Studie kommt zu dem Schluss, dass dieser mehrschichtige Blick auf die Bewegung der oberen Extremität eine wichtige Lücke in den vorhandenen Ressourcen schließt und den Fortschritt hin zu tragbaren Technologien beschleunigen sollte, die unsere Armbewegungen auf natürliche, intuitive Weise verstehen und unterstützen.

Zitation: Fritsche, O., Camacho, S., Hossain, M.S.B. et al. ULTRA-MoCap: A Multimodal IMU and sEMG Dataset for Upper Body Joint Kinematics Analysis. Sci Data 13, 622 (2026). https://doi.org/10.1038/s41597-026-06687-5

Schlüsselwörter: Bewegung der oberen Extremität, tragbare Sensoren, Elektromyographie, Motion-Capture-Datensatz, Rehabilitationstechnologie