PhysioMio : jeu de données HD-sEMG bilatéral et longitudinal de 16 gestes de la main chez 48 patients victimes d’un AVC

Pourquoi cela compte pour la vie après un AVC

Après un AVC, des gestes simples comme boutonner une chemise ou tenir une tasse peuvent devenir des difficultés quotidiennes. Médecins et thérapeutes s’efforcent d’aider les patients à retrouver l’usage de la main et du bras, mais ils doivent souvent se fier à l’observation clinique et aux comptes rendus des patients. Le projet PhysioMio change la donne en fournissant un large jeu de données scientifique ouvert qui transforme l’activité musculaire invisible en informations précises et mesurables. Cela peut aider les chercheurs à concevoir des outils de rééducation plus intelligents, des aides techniques plus réactives et, au final, des plans de thérapie mieux personnalisés pour les personnes ayant subi un AVC.

Écouter les muscles à travers la peau

Tout mouvement volontaire commence par de petites signaux électriques dans les muscles. PhysioMio utilise une technique appelée électromyographie de surface, qui fonctionne comme un stéthoscope très sensible pour les muscles posé sur la peau. Plutôt que d’utiliser un ou deux capteurs, l’équipe a enroulé une bande de 64 petits contacts métalliques secs autour de l’avant-bras. Cette configuration à haute densité capture une carte détaillée de la façon dont les différents groupes musculaires s’activent lorsqu’une personne tente de bouger la main et les doigts. Parce que les capteurs sont placés sur la peau, la méthode est non invasive et peut être répétée en toute sécurité plusieurs fois pendant la récupération.

Un grand groupe de vrais patients victimes d’un AVC

Le jeu de données provient de 48 personnes ayant subi un AVC et suivies en rééducation. Elles présentaient une grande diversité d’âges, de morphologies et de délais depuis l’AVC, reflétant la variété observée en milieu clinique. Pour chaque patient, les chercheurs ont enregistré jusqu’à 16 gestes de la main et du poignet, incluant le repos, plusieurs types de préhension (comme la pince et la tenue d’une balle) et des flexions du poignet dans différentes directions. Fait important, ils ont enregistré à la fois le bras sain et le bras affecté, et ont suivi les patients sur plusieurs séances pendant leur séjour en rééducation. Ainsi, les données montrent non seulement à quel point le bras atteint diffère du bras sain, mais aussi comment l’activité musculaire peut évoluer au fil du temps pendant la récupération.

Comment les mesures ont été collectées

Lors de chaque séance, une bande d’électrodes flexible a été soigneusement positionnée autour de l’avant-bras à un emplacement fixe, désinfectée au préalable pour garantir un bon contact et l’hygiène. Les patients étaient assis confortablement pendant qu’un enquêteur formé montrait chaque geste et donnait des consignes claires. Une fois que le patient atteignait la meilleure position pour un geste, un interrupteur au pied marquait l’intervalle de temps d’intérêt, afin que l’ordinateur sache précisément quand le mouvement avait lieu. Chaque enregistrement durait environ 10 à 15 minutes et incluait les 16 gestes. Plus tard, les quatre secondes centrales de l’activité musculaire pour chaque geste ont été extraites et sauvegardées dans un format de fichier standard et efficace. Outre les signaux musculaires, le jeu de données contient des informations telles que l’âge, le sexe, quel bras était affecté et le nombre de jours écoulés depuis l’AVC, permettant aux chercheurs de relier les motifs musculaires à la trajectoire de récupération.

Garantir la fiabilité des signaux

Pour être utile, un tel jeu de données doit comporter des mesures propres et fiables. L’équipe a suivi des procédures strictes avant, pendant et après chaque enregistrement. Ils ont vérifié la qualité du signal avec des contractions tests, réduit les interférences électriques du réseau, et stocké toutes les données de manière sécurisée et anonyme. Ensuite, ils ont inspecté visuellement chaque enregistrement et supprimé les séances où de nombreux électrodes étaient défaillants ou le signal trop bruité. Ils ont ensuite appliqué des contrôles mathématiques pour confirmer la qualité, comme comparer l’amplitude de l’activité musculaire pendant le mouvement par rapport au repos et analyser la distribution et l’étalement des signaux à travers différentes fréquences. Enfin, ils ont entraîné un modèle informatique simple capable de distinguer, avec une grande précision, si un enregistrement provenait d’un bras sain ou d’un bras atteint, ce qui a confirmé que le jeu de données capture de vraies différences significatives de fonction musculaire.

Ce que cela ouvre pour les soins futurs

Concrètement, le jeu de données PhysioMio est un registre détaillé du comportement des muscles sains et endommagés lorsque des personnes tentent de bouger leurs mains après un AVC. Parce qu’il est public et bien documenté, des scientifiques et ingénieurs du monde entier peuvent l’utiliser pour concevoir de meilleurs détecteurs de mouvement, des robots de rééducation plus intelligents et des tests plus objectifs de la fonction de la main. Avec le temps, de tels outils pourraient aider les thérapeutes à repérer tôt des signes d’amélioration ou de complication, et à adapter les exercices à chaque individu. Pour les survivants d’un AVC, cela pourrait signifier une rééducation plus efficace, un meilleur soutien pour les activités quotidiennes et un cheminement plus clair du soin hospitalier vers la vie autonome.

Citation: 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

Mots-clés: rééducation après AVC, électromyographie, fonction de la main, récupération neuromusculaire, technologie d’assistance