ULTRA-MoCap: Üst Vücut Eklem Kinematiği Analizi için Çok Modlu IMU ve sEMG Veri Seti

Günlük Kol Hareketlerini İzlemenin Önemi

Rafa uzanırken, yürürken kollarınızı sallarken veya bir çanta kaldırırken omuz, dirsek ve bilekleriniz hassas bir koordinasyonla hareket eder. Bu hareketi ayrıntılı olarak anlamak fiziksel rehabilitasyonu, spor antrenmanını ve yardımcı robotlar ya da eksoskeletonların kontrolünü dönüştürebilir. Ancak mevcut kol hareketi verilerinin çoğu ya özel laboratuvarlardaki hacimli kamera düzeneklerinden geliyor ya da vücudun yalnızca bir kısmını yakalayan giyilebilir cihazlardan elde ediliyor. Bu makale, hareket yakalama kameralarını, küçük hareket sensörlerini ve kas aktivitesi kayıtlarını bir araya getirerek üst ekstremitenin hareketine daha zengin bir bakış sunan yeni açık veri seti ULTRA-MoCap’i tanıtıyor.

Farklı Algılama Dünyalarını Birleştirmek

Kol hareketi çalışmalarının çoğu vücuda tek bir pencereden bakıyor: ya eklemlerin nasıl hareket ettiği, ya kasların nasıl ateşlendiği, ya da uzvun uzayda nasıl ivmelendiği. ULTRA-MoCap üçünü aynı anda kaydederek öne çıkıyor. Yüksek kaliteli kamera tabanlı bir hareket yakalama sistemi, el, bilek, önkol ve üst kolda hareketi takip eden altı küçük ataletölçer ünitesi (IMU) ve biceps, triceps ve deltoid gibi temel kaslarda elektriksel aktiviteyi ölçen yüzey elektromiyografi (sEMG) sensörleri senkronize edildi. Bu kombinasyon, kas aktivitesi, uzuv hareketi ve eklem açılarını zamansal olarak nasıl örtüştürdüğünü görmeyi sağlayarak üst vücut hareketinin ayrıntılı, dinamik bir portresini sunuyor.

Veriler Gerçek İnsanlardan Nasıl Toplandı

Veri seti, kol veya omuz yaralanması olmayan şekilde titizlikle seçilmiş on üç sağlıklı yetişkinden elde edilen deneylerden oluşuyor. Katılımcılar hareket yakalama için altmış reflektif işaretçi ve sağ kollarına altı kablosuz sensör birimi takılı şekilde görevleri gerçekleştirdiler. Her biri iki kolu sallama, vücudun karşı tarafına uzanma, dirsekleri tekrar tekrar büküp düzleştirme, omuzları döndürme ve kolları farklı yüksekliklere kaldırma olmak üzere beş yaygın üst ekstremite egzersizini uyguladı. Her deneme otuz saniye sürdü ve katılımcılar yavaş ile çok hızlı arasında kendi seçtikleri hızlarda hareket etti; kas sinyallerini bozabilecek yorgunluğu önlemek için dinlenme molaları verildi. Sonuç, günlük aktiviteleri andıran açık, tekrarlanabilir desenleri takip eden geniş bir hareket çeşitliliği oldu.

Ham İşaretçilerden Sanal Eklemlere

Kamera işaretçisi bulutlarını anlamlı eklem açılarına dönüştürmek için yazarlar, kemikleri ve eklemleri sanal bir iskelet gibi temsil eden ayrıntılı bir üst vücut bilgisayar modeli kullandı. Önce bu modeli her kişinin vücut ölçülerine uyacak şekilde kalibrasyon pozu ile “ölçeklendirdiler”, sonra her anda gözlemlenen işaretçi yollarıyla en tutarlı eklem pozisyonlarını ve açılarını bulan ters kinematik bir işlem çalıştırdılar. Titiz kalite kontrolleri, sanal işaretçilerin gerçek işaretçilerin birkaç santimetresi içinde kalmasını ve hesaplanan omuz, dirsek ve bilek hareketlerinin binlerce kare boyunca anatomik olarak makul görünmesini sağladı. Nihai veri seti, bu işlenmiş eklem açılarını ve orijinal sensör ile işaretçi kayıtlarını içeriyor; tüm veriler tutarlı dosya adları ve formatlarla düzenlenmiş, böylece başkalarının kolayca yeniden kullanabilmesi hedeflenmiş.

Makine Öğrenmesi ile Veri Kalitesinin Test Edilmesi

Sinyallerin sadece temiz değil aynı zamanda bilgilendirici olduğunu göstermek için yazarlar, sadece kısa, iki saniyelik sensör verisi dilimleri temelinde hangi egzersizin yapıldığını tanımak üzere bir derin öğrenme modeli eğitti. Yalnızca IMU hareket verileri kullanıldığında model egzersizi %94’ün üzerinde doğrulukla tanımladı ve IMU ile kas sinyalleri birleştirildiğinde performans biraz daha yükseldi. Kas verileri tek başına farklı kişiler arasında genelleştirmeyi zorlaştırdı; bu, bireylerin kaslarını işe koşma biçimlerindeki doğal varyasyonu yansıtıyor, ancak model tek bir deneğe kişiselleştirildiğinde son derece iyi çalıştı. Bu sonuçlar, ULTRA-MoCap’in yeni kullanıcılar üzerinde çalışması gereken genel amaçlı algoritmalar ve tek bireye uyum sağlayan kişiselleştirilmiş sistemler için uygun olduğunu gösteriyor.

Bu Kaynağın Gelecek İçin Anlamı

Günlük dilde ULTRA-MoCap, kol için zengin biçimde enstrümente edilmiş bir “kara kutu kaydedici” gibi: kemiklerin, kasların ve giyilebilir sensörlerin gerçekçi hareketler sırasında birlikte nasıl davrandığını kaydediyor. Veri seti ve destekleyici kod kamuya açık olduğundan, araştırmacılar bunu daha akıllı rehabilitasyon egzersizleri tasarlamak, robotik eksoskeleton kontrolünü iyileştirmek, sanal gerçeklik etkileşimlerini rafine etmek veya daha az ya da daha basit sensörlerle daha fazlasını yapmanın yollarını araştırmak için kullanabilir. Çalışma, üst ekstremite hareketinin bu çok katmanlı görünümünün mevcut kaynaklardaki önemli bir boşluğu doldurduğunu ve kol hareketlerimizi doğal, sezgisel biçimde anlayan ve destekleyen giyilebilir teknolojilere doğru ilerlemeyi hızlandırması gerektiğini sonuç olarak belirtiyor.

Atıf: 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

Anahtar kelimeler: üst ekstremite hareketi, giyilebilir sensörler, elektromiyografi, hareket yakalama veri seti, rehabilitasyon teknolojisi