PhysioMio: bilateral och longitudinellt HD-sEMG-dataset av 16 handgester från 48 strokepatienter

Varför det här spelar roll för livet efter stroke

Efter en stroke kan enkla handlingar som att knäppa en skjorta eller hålla en kopp bli dagliga utmaningar. Läkare och terapeuter arbetar hårt för att hjälpa människor återfå hand- och armfunktion, men de måste ofta förlita sig på vad de ser och vad patienterna rapporterar. PhysioMio-projektet förändrar detta genom att erbjuda ett stort, öppet vetenskapligt dataset som omvandlar osynlig muskelaktivitet till exakt, mätbar information. Detta kan hjälpa forskare att utveckla smartare rehabiliteringsverktyg, mer responsiva hjälpmedel och i slutändan mer personliga terapiplaner för strokepatienter.

Lyssna på musklerna genom huden

Varje viljemässig rörelse börjar med små elektriska signaler i våra muskler. PhysioMio använder en teknik som kallas ytelektromyografi, som fungerar som ett mycket känsligt stetoskop för muskler placerat på huden. Istället för bara en eller två sensorer satte teamet ett band med 64 små, torra metallkontakter runt underarmen. Denna högupplösta uppsättning fångar en detaljerad karta över hur olika muskelgrupper aktiveras när en person försöker röra sin hand och sina fingrar. Eftersom sensorerna sitter på huden är metoden icke-invasiv och säker att upprepa många gånger under rehabiliteringen.

En stor grupp verkliga strokepatienter

Datasetet kommer från 48 personer som haft en stroke och genomgick rehabilitering. De varierade mycket i ålder, kroppsstorlek och tid sedan stroken, vilket speglar den mångfald som ses i verkliga kliniker. För varje patient registrerade forskarna upp till 16 hand- och handledsgester, inklusive vila, flera typer av grepp (såsom nypning och att hålla en boll) och handledsböjningar i olika riktningar. Viktigt är att de registrerade både den friska armen och den påverkade armen, och att de följde patienterna över flera sessioner under deras rehabiliteringsperiod. Det betyder att data inte bara visar hur avvikande den påverkade armen är jämfört med den friska, utan också hur muskelaktiviteten kan förändras över tid när människor återhämtar sig.

Hur mätningarna samlades in

Under varje session placerades ett flexibelt elektrod band noggrant runt underarmen på en fast position, desinficerat i förväg för att säkerställa god kontakt och hygien. Patienterna satt bekvämt medan en utbildad undersökare demonstrerade varje gest och gav tydliga instruktioner. När patienten nådde bästa möjliga position för en gest markerade en fotmanövrerad strömbrytare tidsintervallet av intresse så att datorn visste exakt när rörelsen ägde rum. Varje inspelning varade cirka 10 till 15 minuter och inkluderade alla 16 gester. I efterhand klipptes och sparades de centrala fyra sekunderna av muskelaktivitet för varje gest i ett standardiserat, effektivt filformat. Vid sidan av muskelsignalerna innehåller datasetet information såsom ålder, kön, vilken arm som var påverkad och hur många dagar som förflutit sedan stroken, vilket gör det möjligt för forskare att koppla muskelmönster till återhämtningsförloppet.

Säkerställa att signalerna är tillförlitliga

För att vara användbart måste ett sådant dataset ha rena, pålitliga mätningar. Teamet följde strikta rutiner före, under och efter varje inspelning. De kontrollerade signalens kvalitet med testkontraktioner, minskade elektriska störningar från elnätet och lagrade all data säkert och anonymiserat. Därefter inspekterade de visuellt varje inspelning och tog bort sessioner där många elektroder fallerat eller där signalen var för brusig. De använde sedan matematiska kontroller för att bekräfta kvaliteten, såsom att jämföra styrkan i muskelaktiviteten under rörelse med vila och analysera hur signalerna fördelades och spreds över olika frekvenser. Slutligen tränade de en enkel datorberäkningsmodell som med hög noggrannhet kunde avgöra om en inspelning kom från en frisk eller en påverkad arm, vilket ytterligare bekräftade att datasetet fångar verkliga, meningsfulla skillnader i muskelfunktion.

Vad detta öppnar upp för framtida vård

I vardagliga termer är PhysioMio-datasetet en detaljerad loggbok över hur skadade och friska muskler beter sig när människor försöker röra sina händer efter en stroke. Eftersom det är offentligt tillgängligt och väl dokumenterat kan forskare och ingenjörer runt om i världen använda det för att utforma bättre rörelsedetektorer, smartare rehabiliteringsrobotar och mer objektiva tester av handfunktion. Med tiden kan sådana verktyg hjälpa terapeuter att tidigt upptäcka tecken på förbättring eller problem och anpassa övningar till varje individ. För strokepatienter kan det innebära effektivare terapi, bättre stöd i vardagen och en tydligare väg från sjukhusvård tillbaka till ett självständigt liv.

Citering: Ilg, J., Oldemeier, A.C.R., Fieweger, M. et al. PhysioMio: bilateral and longitudinal HD-sEMG dataset of 16 hand gestures from 48 stroke patients. Sci Data 13, 19 (2026). https://doi.org/10.1038/s41597-026-06557-0

Nyckelord: stroke-rehabilitering, elektromyografi, handfunktion, neuromuskulär återhämtning, hjälpteknik