ULTRA-MoCap : un ensemble de données multimodal IMU et sEMG pour l’analyse cinématique des articulations du membre supérieur

Pourquoi il est important de suivre les gestes quotidiens du bras

Chaque fois que vous atteignez une étagère, balancez les bras en marchant ou soulevez un sac, votre épaule, votre coude et votre poignet réalisent une danse précisément coordonnée. Comprendre ce mouvement en détail pourrait transformer la rééducation physique, l’entraînement sportif et la commande de robots d’assistance ou d’exosquelettes. Pourtant, la plupart des données existantes sur le mouvement du bras proviennent soit d’installations de caméras encombrantes dans des laboratoires spécialisés, soit de capteurs portables qui ne saisissent qu’une partie de ce que fait le corps. Cet article présente ULTRA-MoCap, un nouveau jeu de données ouvert qui réunit ces éléments en combinant des caméras de capture de mouvement, de petits capteurs de mouvement et des enregistrements d’activité musculaire pour offrir une image plus riche du mouvement du membre supérieur.

Rassembler plusieurs mondes de capteurs

La plupart des études sur le mouvement du bras s’appuient sur une seule fenêtre d’observation : soit la façon dont les articulations bougent, soit l’activité musculaire, soit l’accélération du membre dans l’espace. ULTRA-MoCap se distingue en enregistrant les trois simultanément. Il synchronise un système de capture de mouvement par caméra haut de gamme avec six petites unités de mesure inertielle (IMU) qui suivent le mouvement de la main, du poignet, de l’avant-bras et du bras supérieur, ainsi que des capteurs d’électromyographie de surface (sEMG) qui mesurent l’activité électrique dans des muscles clés tels que le biceps, le triceps et le deltoïde. Cette combinaison permet aux chercheurs d’observer comment l’activité musculaire, le mouvement du membre et les angles articulaires s’alignent dans le temps, offrant un portrait dynamique et détaillé du mouvement du haut du corps.

Comment les données ont été collectées sur des personnes réelles

Le jeu de données a été constitué à partir d’expériences impliquant treize adultes en bonne santé, chacun soigneusement sélectionné pour éviter des blessures préexistantes au bras ou à l’épaule. Les participants portaient soixante marqueurs réfléchissants pour la capture optique et six unités de capteurs sans fil sur leur bras droit. Ils ont réalisé cinq exercices courants du membre supérieur : balancer les deux bras, atteindre de l’autre côté du corps, fléchir et tendre répétitivement les coudes, faire des rotations d’épaule et lever les bras au-dessus de la tête à différentes hauteurs. Chaque essai durait trente secondes à des vitesses choisies librement, allant de lent à très rapide, avec des pauses pour éviter la fatigue qui pourrait altérer les signaux musculaires. Le résultat est une grande variété de mouvements qui conservent néanmoins des schémas clairs et répétables, proches des activités quotidiennes naturelles.

Des marqueurs bruts aux articulations virtuelles

Pour transformer des nuages de marqueurs caméra en angles articulaires significatifs, les auteurs ont utilisé un modèle informatique détaillé du haut du corps qui représente os et articulations comme un squelette virtuel. Ils ont d’abord « mis à l’échelle » ce modèle pour l’adapter aux dimensions de chaque personne à l’aide d’une pose d’étalonnage, puis ont appliqué un processus d’inverse cinématique qui détermine les positions et angles articulaires les plus cohérents avec les trajectoires observées des marqueurs à chaque instant. Des contrôles qualité rigoureux ont garanti que les marqueurs virtuels restaient à quelques centimètres des marqueurs réels, et que les mouvements calculés de l’épaule, du coude et du poignet semblaient anatomiquement plausibles sur des milliers d’images. Le jeu de données final comprend à la fois ces angles articulaires traités et les enregistrements originaux des capteurs et marqueurs, le tout organisé avec des noms de fichiers et des formats cohérents pour faciliter la réutilisation.

Évaluer la qualité des données avec l’apprentissage automatique

Pour montrer que les signaux sont non seulement propres mais aussi informatifs, les auteurs ont entraîné un modèle d’apprentissage profond pour reconnaître lequel des cinq exercices était exécuté, en se basant uniquement sur de courtes tranches de deux secondes de données capteurs. En utilisant seulement les données de mouvement IMU, le modèle a correctement identifié l’exercice plus de 94 % du temps, et les performances ont légèrement augmenté lorsque les signaux IMU et musculaires étaient combinés. Les données musculaires seules se sont révélées plus difficiles à généraliser entre différentes personnes, reflétant la variation naturelle dans la façon dont les individus recrutent leurs muscles, mais ont très bien fonctionné lorsque le modèle était personnalisé pour un seul sujet. Ces résultats suggèrent qu’ULTRA-MoCap convient aussi bien aux algorithmes généraux destinés à de nouveaux utilisateurs qu’aux systèmes personnalisés qui s’adaptent à un individu.

Ce que cette ressource signifie pour l’avenir

En termes concrets, ULTRA-MoCap ressemble à un enregistreur de bord richement instrumenté pour le bras, capturant comment os, muscles et capteurs portables se comportent ensemble lors de mouvements réalistes. Comme le jeu de données et le code d’accompagnement sont publiquement disponibles, les chercheurs peuvent s’en servir pour concevoir des exercices de rééducation plus intelligents, améliorer le contrôle d’exosquelettes robotiques, affiner les interactions en réalité virtuelle ou explorer comment faire plus avec moins de capteurs ou des capteurs plus simples. L’étude conclut que cette vue multi-couches du mouvement du membre supérieur comble une lacune importante dans les ressources existantes et devrait accélérer les progrès vers des technologies portables capables de comprendre et d’assister nos mouvements du bras de manière naturelle et intuitive.

Citation: 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

Mots-clés: mouvement du membre supérieur, capteurs portables, électromyographie, jeu de données capture de mouvement, technologie de rééducation