Un set di dati biomeccanici multimodale con cinematica sincronizzata e movimenti interni dei tessuti durante il raggiungimento

Perché il movimento nascosto all’interno dei muscoli è importante

Ogni volta che allunghi la mano per prendere una tazza o porgere un oggetto a qualcuno, il braccio sembra muoversi come un singolo blocco solido. In realtà è un fascio stratificato e scorrevole di muscoli, grasso, pelle e ossa, che si spostano in modi complessi sotto la superficie. Questi movimenti nascosti possono contenere indizi sul perché alcune persone si muovono con precisione apparentemente senza sforzo, perché altre sviluppano dolore o lesioni e come progettare terapie migliori, allenamenti sportivi e perfino robot. Questo studio presenta un ricco dataset pubblico che consente a ricercatori, clinici e ingegneri di guardare sotto la pelle mentre le persone eseguono un semplice compito di raggiungimento, collegando ciò che il braccio fa all’esterno a ciò che i tessuti fanno all’interno.

Guardare sotto la superficie di un semplice raggiungimento

I ricercatori si sono concentrati su un movimento molto basilare: raggiungimenti lenti e ritmici in avanti eseguiti in posizione eretta, con la mano che si muove dall’anca davanti al corpo e ritorno. Hanno partecipato trentasei adulti sani, rappresentativi di tre ampie categorie di esperienza: performer e atleti di livello mondiale, persone a livello regionale o praticanti ricreativi a lungo termine, e individui senza una formazione motoria formale. Scegliendo un compito semplice e senza obiettivi, e scandendolo con un metronomo visivo, il team ha ridotto al minimo gli effetti di tempo di reazione, strategie e trucchi specifici dello sport. L’intento del disegno sperimentale era invece mettere a luce caratteristiche più generali di come le persone controllano realmente i muscoli e gestiscono tremori sottili quando si muovono lentamente, una situazione che gli esseri umani trovano spesso sorprendentemente difficile.

Molti sensori che osservano lo stesso movimento

Per catturare sia il moto visibile del braccio sia l’attività interna nascosta, lo studio ha combinato diversi tipi di sensori registrati simultaneamente. Il movimento esterno di spalla, braccio superiore, gomito, avambraccio e mano è stato tracciato in 3D usando marker riflettenti e un anello di telecamere ad alta velocità. Un insieme di piccoli dispositivi wireless posizionati su bicipite, tricipite e palmo ha misurato l’attività elettrica muscolare e piccole accelerazioni, utili per rilevare i tremori. In modo particolarmente originale, una sottile sonda a ultrasuoni è stata fissata intorno alla parte superiore del braccio per ottenere sezioni trasversali dei muscoli tricipite e brachiale, insieme al grasso circostante e all’omero. Questo ha generato decine di migliaia di “fotogrammi” in movimento dell’interno del braccio durante il movimento.

Trasformare le registrazioni grezze in segnali utilizzabili

Raccogliere questi flussi di dati è solo metà della sfida; è inoltre necessario sincronizzarli esattamente nel tempo e ripulirli prima che altri possano usarli. Ogni sistema di sensori funziona con il proprio orologio, quindi il team ha utilizzato impulsi elettronici di temporizzazione e un’analisi accurata per calibrare come gli orologi si spostano l’uno rispetto all’altro, poi ha ridimensionato e traslato matematicamente i dati in modo che, per esempio, un’esplosione di tremore nell’accelerometro si allinei con l’oscillazione corrispondente nel movimento articolare e nel movimento dei tessuti. Le tracce di motion capture sono state filtrate e compresse in un unico segnale principale di “movimento del braccio” che facilita l’individuazione di ogni ciclo di raggiungimento. I segnali muscolari sono stati filtrati e convertiti in inviluppi lisci che mostrano l’intensità dell’attivazione di ciascun muscolo. I tremori sono stati isolati concentrandosi su una specifica banda di frequenza negli accelerometri, e sono stati usati algoritmi automatici — poi verificati visivamente — per marcare l’inizio e la fine dei tremori.

Seguire punti individuali all’interno del muscolo

La caratteristica distintiva di questo dataset è che non memorizza solo le immagini a ultrasuoni; include anche i percorsi tracciati di 11 punti specifici all’interno di ogni video, seguiti fotogramma per fotogramma attraverso circa 300.000 immagini. Alcuni di questi punti si trovano sull’omero e sul confine tra due muscoli, mentre altri giacciono in diverse zone del tricipite e del brachiale. Per creare queste traiettorie, gli autori hanno usato un flusso di lavoro semi‑automatico che parte dall’etichettatura manuale di un numero modesto di fotogrammi, poi addestra un modello di deep learning a seguire gli stessi punti lungo l’intero filmato, e infine applica strumenti di optical flow e correzioni manuali dove necessario. Il risultato è una descrizione densa e continua di come piccole regioni di tessuto scorrano, si allunghino e si deformino l’una rispetto all’altra durante il raggiungimento — informazioni quasi impossibili da ottenere in modo non invasivo con altri metodi.

Una risorsa condivisa per movimento, salute e IA

Tutte le registrazioni, le misure derivate e il codice sono condivisi liberamente in formati standard, insieme a tutorial per caricare e visualizzare i dati nei software scientifici più diffusi. Poiché il dataset collega il movimento a livello articolare, l’attività muscolare, i tremori e il movimento interno dei tessuti in persone con diversi livelli di abilità, può essere utilizzato per esplorare come i performer esperti differiscono dai principianti, come le forze si propagano attraverso il braccio o come il comportamento sottile dei tessuti possa essere correlato a dolore o prestazione. Allo stesso tempo, le traiettorie a livello di fotogramma dei punti a ultrasuoni forniscono un raro terreno di addestramento per i moderni sistemi di deep learning che mirano a seguire automaticamente strutture nelle immagini mediche. In breve, questo lavoro non risponde a una singola domanda ristretta; offre invece una base attentamente validata su cui costruire molti futuri studi sul movimento umano e sull’analisi delle immagini mediche.

Citazione: Pallarès-López, R., Folgado, D., Magana-Salgado, U. et al. A multimodal biomechanics dataset with synchronized kinematics and internal tissue motions during reaching. Sci Data 13, 709 (2026). https://doi.org/10.1038/s41597-026-07019-3

Parole chiave: movimento umano, imaging a ultrasuoni, meccanica muscolare, set di dati biomeccanici, tracciamento con deep learning