ULTRA-MoCap: Un dataset multimodale di IMU e sEMG per l'analisi della cinematica delle articolazioni dell'arto superiore

Perché è importante monitorare i movimenti quotidiani del braccio

Ogni volta che allunghi una mano per prendere qualcosa da uno scaffale, muovi le braccia camminando o sollevi una borsa, spalla, gomito e polso eseguono una danza coordinata con precisione. Comprendere questi movimenti nei dettagli potrebbe trasformare la riabilitazione fisica, l'allenamento sportivo e il controllo di robot assistivi o esoscheletri. Tuttavia, la maggior parte dei dati esistenti sul movimento del braccio proviene da ingombranti sistemi di telecamere in laboratori specializzati o da dispositivi indossabili che catturano solo una parte di quello che il corpo fa. Questo articolo presenta ULTRA-MoCap, un nuovo dataset open che unisce questi elementi, combinando sistemi di motion-capture a telecamere, piccoli sensori di movimento e registrazioni dell'attività muscolare per offrire un quadro più ricco di come si muove l'arto superiore.

Unendo più mondi sensoriali

La maggior parte degli studi sul movimento del braccio si basa su una sola finestra sul corpo: o su come si muovono le articolazioni, o su come si attivano i muscoli, o su come l'arto accelera nello spazio. ULTRA-MoCap si distingue perché registra tutti e tre contemporaneamente. Sincronizza un sistema di motion-capture basato su telecamere di fascia alta con sei piccole unità di misura inerziali (IMU) che tracciano il movimento sulla mano, sul polso, sull'avambraccio e sul braccio superiore, oltre a sensori di elettromiografia di superficie (sEMG) che misurano l'attività elettrica in muscoli chiave come bicipite, tricipite e deltoide. Questa combinazione permette ai ricercatori di vedere come l'attività muscolare, il moto dell'arto e gli angoli articolari si allineano nel tempo, offrendo un ritratto dinamico e dettagliato del movimento della parte superiore del corpo.

Come sono stati raccolti i dati da persone reali

Il dataset è costruito su esperimenti condotti su tredici adulti sani, attentamente selezionati per escludere lesioni preesistenti a braccio o spalla. I partecipanti indossavano sessanta marker riflettenti per il motion capture e sei unità di sensori wireless sul braccio destro. Hanno eseguito cinque esercizi comuni per l'arto superiore: oscillare entrambe le braccia, raggiungere attraverso il corpo, flettere ed estendere ripetutamente i gomiti, ruotare le spalle e sollevare le braccia sopra la testa a diverse altezze. Ogni prova è durata trenta secondi a velocità autoselezionate variabili da lenta a molto veloce, con pause di riposo per evitare affaticamento che potesse distorcere i segnali muscolari. Il risultato è una ampia varietà di movimenti che tuttavia seguono schemi chiari e ripetibili, simili alle attività naturali quotidiane.

Dai marker grezzi alle articolazioni virtuali

Per trasformare le nuvole di marker delle telecamere in angoli articolari significativi, gli autori hanno utilizzato un modello computazionale dettagliato del tronco e dell'arto superiore che rappresenta ossa e giunture come uno scheletro virtuale. Hanno prima «scalato» questo modello per adattarlo alle dimensioni del corpo di ciascuna persona usando una posa di calibrazione, quindi eseguito un processo di cinematica inversa che trova le posizioni e gli angoli articolari più coerenti con i percorsi dei marker osservati in ogni istante. Controlli di qualità accurati hanno assicurato che i marker virtuali rimanessero entro pochi centimetri da quelli reali e che i movimenti di spalla, gomito e polso calcolati risultassero anatomically plausibili su migliaia di fotogrammi. Il dataset finale include sia questi angoli articolari processati sia le registrazioni originali di sensori e marker, il tutto organizzato con nomi di file e formati coerenti così che altri possano riutilizzarlo facilmente.

Verifica della qualità dei dati con l'apprendimento automatico

Per dimostrare che i segnali non sono solo puliti ma anche informativi, gli autori hanno addestrato un modello di deep learning per riconoscere quale dei cinque esercizi veniva eseguito, basandosi esclusivamente su brevi porzioni di dati dei sensori di due secondi. Utilizzando solo i dati di movimento delle IMU, il modello ha identificato correttamente l'esercizio oltre il 94% delle volte, e le prestazioni sono salite leggermente quando i dati IMU e muscolari sono stati combinati. I dati muscolari da soli si sono rivelati più difficili da generalizzare tra persone diverse, riflettendo la variazione naturale nel modo in cui gli individui reclutano i muscoli, ma hanno funzionato estremamente bene quando il modello è stato personalizzato per un singolo soggetto. Questi risultati suggeriscono che ULTRA-MoCap è adatto sia ad algoritmi di uso generale che devono funzionare su nuovi utenti sia a sistemi personalizzati che si adattano a un individuo.

Cosa significa questa risorsa per il futuro

In termini pratici, ULTRA-MoCap è come avere un «registratore di volo» riccamente strumentato per il braccio, che cattura come si comportano ossa, muscoli e sensori indossabili insieme durante movimenti realistici. Poiché il dataset e il codice di supporto sono disponibili pubblicamente, i ricercatori possono usarlo per progettare esercizi di riabilitazione più intelligenti, migliorare il controllo di esoscheletri robotici, perfezionare le interazioni in realtà virtuale o esplorare come ottenere di più con meno o con sensori più semplici. Lo studio conclude che questa visione multilivello del movimento dell'arto superiore colma una lacuna chiave nelle risorse esistenti e dovrebbe accelerare i progressi verso tecnologie indossabili che comprendono e assistono i movimenti del braccio in modi naturali e intuitivi.

Citazione: 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

Parole chiave: movimento degli arti superiori, sensori indossabili, elettromiografia, dataset di motion capture, tecnologie per la riabilitazione