En multimodal biomekanisk datamängd med synkroniserad kinematik och interna vävnadsrörelser under reaching

Varför den dolda rörelsen inne i musklerna spelar roll

Varje gång du sträcker dig efter en mugg eller räcker över ett föremål ser din arm ut att röra sig som en enda solid enhet. I verkligheten är den en lager-på-lager konfiguration av muskler, fett, hud och ben som glider och skiftar på komplexa sätt under ytan. Dessa dolda rörelser kan innehålla ledtrådar till varför vissa rör sig med lätt och precis kontroll, varför andra utvecklar smärta eller skador, och hur man kan utforma bättre behandlingar, idrottsträning och till och med robotar. Denna studie presenterar en rik publik datamängd som låter forskare, kliniker och ingenjörer titta under huden medan människor utför en enkel sträckrörelse, och kopplar samman vad armen gör utifrån med vad vävnaderna gör inuti.

Att titta under ytan vid en enkel sträckning

Forskarna fokuserade på en mycket grundläggande rörelse: långsamma, rytmiska framåträckningar utförda stående, där handen rör sig från höften till framför kroppen och tillbaka igen. Trettiosex friska vuxna deltog, fördelade över tre breda färdighetsnivåer: världsklassutövare och idrottare, regionnivå eller långvariga fritidsutövare, och personer utan formell rörelseträning. Genom att välja en enkel, mål-fri uppgift och styra takten med en visuell metronom minimerade teamet effekterna av reaktionstid, strategi och idrottsspecifika knep. Istället var utformningen avsedd att exponera mer generella egenskaper i hur människor faktiskt kontrollerar sina muskler och hanterar subtila skakningar när de rör sig långsamt — en situation som människor ofta finner oväntat svår.

Många sensorer som bevakar samma rörelse

För att fånga både den synliga armrörelsen och den dolda interna aktiviteten kombinerade studien flera typer av sensorer som registrerade samtidigt. Den externa rörelsen i skuldra, överarm, armbåge, underarm och hand följdes i 3D med reflexmarkörer och en ring av höghastighetskameror. Ett antal små trådlösa enheter på biceps, triceps och handflatan mätte muskelelektrisk aktivitet och små accelerationer, vilket är användbart för att upptäcka skakningar. Mest ovanligt var att en tunn ultraljudssond spändes runt överarmen för att avbilda ett tvärsnitt av triceps och brachialis, tillsammans med omgivande fett och humerusbenet. Detta skapade tiotusentals ”filmramar” av armens insida medan den rörde sig.

Omvandla råinspelningar till användbara signaler

Att samla alla dessa datakanaler är bara halva utmaningen; de måste också synkroniseras noggrant i tiden och rensas innan andra kan använda dem. Varje sensorsystem körs på sin egen klocka, så teamet använde elektroniska tidspulser och noggrann analys för att kalibrera hur klockorna drev i förhållande till varandra, och sedan matematiskt omskalade och försköt data så att till exempel ett utbrott av skakning i accelerometern ligger i linje med motsvarande svaj i ledrörelse och vävnadsrörelse. Rörelsefångstspår filtrerades och reducerades till en enda huvudsignal för ”armrörelse” som gjorde det lätt att upptäcka varje räckcykel. Muskelsignaler filtrerades och omvandlades till jämna enveloppar som visar hur starkt varje muskel var aktiv. Skakningar isolerades genom att fokusera på ett specifikt frekvensband i accelerometrarna, och automatiska algoritmer användes — och kontrollerades sedan visuellt — för att markera när skakningarna startade och slutade.

Följa individuella punkter inne i muskeln

Datamängdens mest framträdande egenskap är att den inte bara lagrar ultraljudsbilder; den innehåller också spårade banor för 11 specifika punkter i varje video, följda bildruta för bildruta över cirka 300 000 bilder. Några av dessa punkter sitter på humerusbenet och vid gränsen mellan två muskler, medan andra ligger inom olika zoner av triceps och brachialis. För att skapa dessa spår använde författarna ett semi-automatiserat arbetsflöde som börjar med att människor etiketterar ett måttligt antal ramar, tränar en djupinlärningsmodell för att följa samma punkter genom hela filmen, och slutligen tillämpar optisk flödes-verktyg och manuella korrigeringar där det behövs. Resultatet är en tät, kontinuerlig beskrivning av hur små vävnadsregioner glider, sträcks och deformeras relativt varandra under räckning — information som är nästan omöjlig att erhålla icke-invasivt med andra metoder.

En delad resurs för rörelse, hälsa och AI

Alla inspelningar, härledda mått och kod delas fritt i standardformat, tillsammans med handledningar för att ladda och visualisera data i vanliga vetenskapliga programvaror. Eftersom datamängden kopplar samman lednivå-rörelse, muskelaktivitet, skakningar och intern vävnadsrörelse över personer med olika färdighetsnivåer kan den användas för att utforska hur expertutövare skiljer sig från nybörjare, hur krafter fortplantas genom armen, eller hur subtil vävnadsdynamik kan relatera till smärta eller prestation. Samtidigt erbjuder bildruta-för-bildruta-spåren i ultraljudet en sällsynt träningsgrund för moderna djupinlärningssystem som syftar till att automatiskt följa strukturer i medicinska bilder. Kort sagt besvarar detta arbete inte en enda snäv fråga; istället erbjuder det en noggrant validerad grund som många framtida studier av mänsklig rörelse och medicinsk bildanalys kan bygga vidare på.

Citering: 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

Nyckelord: mänsklig rörelse, ultraljudsbildning, muskulär mekanik, biomekanisk datamängd, djupinlärningsspårning