ULTRA-MoCap: um conjunto de dados multimodal de IMU e sEMG para análise da cinemática das articulações do membro superior

Por que acompanhar os movimentos cotidianos do braço importa

Cada vez que você alcança uma prateleira, balança os braços ao caminhar ou levanta uma bolsa, ombro, cotovelo e pulso realizam uma dança coordenada com precisão. Compreender esse movimento em detalhe pode transformar a reabilitação física, o treinamento esportivo e o controle de robôs assistivos ou exoesqueletos. Ainda assim, a maior parte dos dados existentes sobre o movimento do braço vem de sistemas de câmera volumosos em laboratórios especializados ou de dispositivos vestíveis que capturam apenas parte do que o corpo está fazendo. Este artigo apresenta o ULTRA-MoCap, um novo conjunto de dados aberto que reúne essas peças, combinando câmeras de captura de movimento, pequenos sensores de movimento e registros de atividade muscular para fornecer um quadro mais rico de como o membro superior se move.

Unindo múltiplos mundos de sensoriamento

A maioria dos estudos sobre o movimento do braço depende de apenas uma janela para o corpo: ou de como as articulações se movem, ou de como os músculos disparam, ou de como o membro acelera pelo espaço. O ULTRA-MoCap se destaca por registrar os três simultaneamente. Ele sincroniza um sistema de captura de movimento por câmera de alto nível com seis pequenas unidades de medição inercial (IMUs) que rastreiam o movimento na mão, pulso, antebraço e braço superior, além de sensores de eletromiografia de superfície (sEMG) que medem a atividade elétrica em músculos-chave, como bíceps, tríceps e deltóide. Essa combinação permite aos pesquisadores ver como a atividade muscular, o movimento do membro e os ângulos articulares se alinham no tempo, oferecendo um retrato dinâmico e detalhado do movimento do tronco superior.

Como os dados foram coletados em pessoas reais

O conjunto de dados foi construído a partir de experimentos envolvendo treze adultos saudáveis, cada um cuidadosamente selecionado para evitar lesões pré-existentes no braço ou no ombro. Os participantes usaram sessenta marcadores reflexivos para a captura de movimento e seis unidades de sensor sem fio em seu braço direito. Eles realizaram cinco exercícios comuns do membro superior: balançar ambos os braços, alcançar através do corpo, dobrar e estender os cotovelos repetidamente, rotacionar os ombros e levantar os braços acima da cabeça em diferentes alturas. Cada ensaio durou trinta segundos em velocidades escolhidas pelos participantes, variando de lento a muito rápido, com intervalos de descanso para evitar fadiga que poderia distorcer os sinais musculares. O resultado é uma grande variedade de movimentos que ainda seguem padrões claros e repetíveis, muito semelhantes às atividades naturais do dia a dia.

De marcadores brutos a articulações virtuais

Para transformar nuvens de marcadores de câmera em ângulos articulares significativos, os autores usaram um modelo computacional detalhado do membro superior que representa ossos e articulações como um esqueleto virtual. Primeiro eles “escalaram” esse modelo para se ajustar às dimensões corporais de cada pessoa usando uma pose de calibração, depois executaram um processo de cinemática inversa que encontra as posições e ângulos articulares mais consistentes com as trajetórias observadas dos marcadores em cada instante. Verificações de qualidade cuidadosas garantiram que os marcadores virtuais permanecessem a poucos centímetros dos reais e que os movimentos calculados do ombro, cotovelo e pulso parecessem anatomicamente plausíveis ao longo de milhares de quadros. O conjunto de dados final inclui tanto esses ângulos articulares processados quanto as gravações originais de sensores e marcadores, todos organizados com nomes e formatos de arquivo consistentes para que outros possam reutilizá-los facilmente.

Testando a qualidade dos dados com aprendizado de máquina

Para mostrar que os sinais não são apenas limpos, mas também informativos, os autores treinaram um modelo de aprendizado profundo para reconhecer qual dos cinco exercícios estava sendo executado, baseado unicamente em fatias curtas de dois segundos dos dados dos sensores. Usando apenas dados de movimento das IMUs, o modelo identificou corretamente o exercício em mais de 94% dos casos, e o desempenho aumentou ligeiramente quando sinais de IMU e muscular foram combinados. Os dados musculares isolados mostraram ser mais difíceis de generalizar entre diferentes pessoas, refletindo a variação natural em como os indivíduos recrutam seus músculos, mas funcionaram extremamente bem quando o modelo foi personalizado para um único sujeito. Esses resultados sugerem que o ULTRA-MoCap é bem adequado tanto para algoritmos de uso geral que precisam funcionar com novos usuários quanto para sistemas personalizados que se adaptam a um indivíduo.

O que esse recurso significa para o futuro

Em termos cotidianos, o ULTRA-MoCap é como ter um “gravador de caixa-preta” ricamente instrumentado para o braço, capturando como ossos, músculos e sensores vestíveis se comportam juntos durante movimentos realistas. Como o conjunto de dados e o código de apoio estão publicamente disponíveis, pesquisadores podem usá-los para projetar exercícios de reabilitação mais inteligentes, melhorar o controle de exoesqueletos robóticos, refinar interações em realidade virtual ou explorar como fazer mais com menos ou sensores mais simples. O estudo conclui que essa visão em múltiplas camadas do movimento do membro superior preenche uma lacuna-chave nos recursos existentes e deve acelerar o progresso rumo a tecnologias vestíveis que entendam e auxiliem nossos movimentos de braço de maneira natural e intuitiva.

Citação: 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

Palavras-chave: movimento do membro superior, sensores vestíveis, eletromiografia, conjunto de dados de captura de movimento, tecnologia de reabilitação