Мультимодальный биомеханический набор данных с синхронизированной кинематикой и внутренними движениями тканей при достижениях

Почему важно скрытое движение внутри мышц

Каждый раз, когда вы тянетесь за кружкой или передаёте кому‑то предмет, ваша рука кажется движущейся как единое твердое целое. На самом деле это многослойный пучок мышц, жира, кожи и костей, которые скользят и смещаются сложными способами под поверхностью. Эти скрытые движения могут содержать подсказки о том, почему одни люди двигаются с лёгкой точностью, другие развивают боль или травмы, и как проектировать более эффективные терапии, спортивную подготовку или роботов. В этом исследовании представлен богатый публичный набор данных, который позволяет учёным, клиницистам и инженерам заглянуть под кожу во время простого задания на достижение, сопоставив внешние движения руки с внутренними движениями тканей.

Заглядывая под поверхность простого достижения

Исследователи сосредоточились на очень базовом движении: медленных ритмичных вперёд‑назад достижениях, выполняемых в положении стоя, когда рука двигается от бёдра перед корпус и обратно. В исследовании приняли участие 36 здоровых взрослых, охватывающих три широких уровня навыков: мирового класса и спортсмены, региональный уровень или долгосрочно занимающиеся в любительском режиме, а также люди без формальной двигательной подготовки. Выбирая простую задачу без цели и задавая темп визуальным метрономом, команда минимизировала влияние времени реакции, стратегий и спортивных трюков. Вместо этого дизайн был направлен на выявление более общих особенностей того, как люди реально контролируют мышцы и справляются с тонкими треморами при медленном движении, что для человека обычно оказывается удивительно сложным.

Множество сенсоров, наблюдающих одно движение

Чтобы захватить как видимое внешнее движение руки, так и скрытую внутреннюю активность, исследование объединило несколько типов сенсоров, записывавших данные одновременно. Внешнее движение плеча, плеча, локтя, предплечья и кисти отслеживалось в 3D с помощью отражающих маркеров и кольца высокоскоростных камер. Набор небольших беспроводных устройств на бицепсе, трицепсе и ладони измерял электрическую активность мышц и небольшие ускорения, полезные для обнаружения тремора. Наиболее необычно то, что тонкий ультразвуковой зонд был зафиксирован вокруг верхней части руки для получения поперечных срезов трицепса и брахиалиса вместе с окружающим жиром и плечевой костью. Это позволило получить десятки тысяч «кадров‑фильмов» внутренностей руки во время движения.

Преобразование сырых записей в пригодные сигналы

Сбор всех этих потоков данных — только полдела; их необходимо также точно выровнять по времени и очистить, прежде чем ими смогут воспользоваться другие. Каждая система сенсоров работает на собственном такте, поэтому команда использовала электронные временные импульсы и тщательный анализ для калибровки относительного дрейфа часов, затем математически пересчитала и сдвинула данные, чтобы, например, вспышка тремора в акселерометре совпадала с соответствующим колебанием в движении суставов и движении тканей. Треки захвата движения фильтровались и сводились к одному основному сигналу «движение руки», что облегчало обнаружение каждого цикла достижения. Сигналы мышц фильтровались и преобразовывались в сглаженные огибающие, показывающие степень активности каждой мышцы. Треморы выделяли, сосредотачиваясь на определённой полосе частот в акселерометрах, а автоматические алгоритмы использовали — затем проверяли визуально — для пометки начала и конца треморов.

Отслеживание отдельных точек внутри мышцы

Характерная черта этого набора данных в том, что он хранит не только ультразвуковые изображения; он также включает треки 11 конкретных точек внутри каждого видео, прослеженные покадрово примерно по 300 000 изображений. Некоторые из этих точек располагались на плечевой кости и на границе между двумя мышцами, другие — в различных зонах трицепса и брахиалиса. Для создания этих треков авторы использовали полуавтоматизированный рабочий процесс: люди размечали умеренное число кадров, затем тренировали модель глубокого обучения, чтобы следовать тем же точкам во всём видео, и, наконец, применяли оптический поток и вручную корректировали там, где это было необходимо. В результате получено плотное, непрерывное описание того, как мелкие области ткани скользят, растягиваются и деформируются относительно друг друга во время достижения — информация, которую почти невозможно получить неинвазивными методами иными способами.

Общий ресурс для исследований движения, здоровья и искусственного интеллекта

Все записи, полученные показатели и код предоставлены бесплатно в стандартных форматах, вместе с учебными материалами по загрузке и визуализации данных в распространённом научном ПО. Поскольку набор данных связывает движение на уровне суставов, мышечную активность, треморы и внутренние перемещения тканей у людей с разными уровнями навыков, он может служить для изучения того, как эксперты отличаются от новичков, как силы распространяются по руке или как тонкое поведение тканей может быть связано с болью или результативностью. Одновременно покадровые треки ультразвуковых точек дают редкую тренировочную базу для современных систем глубокого обучения, стремящихся автоматически отслеживать структуры на медицинских изображениях. Короче говоря, эта работа не отвечает на один узкий вопрос; она предлагает тщательно проверённую основу, на которой можно построить множество будущих исследований человеческого движения и анализа медицинских изображений.

Цитирование: 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

Ключевые слова: движение человека, ультразвуковая визуализация, механика мышц, набор данных по биомеханике, треккинг с глубоким обучением