Uzanma sırasında senkronize kinematikler ve iç doku hareketleri içeren çok modlu bir biyomekanik veri seti

Kasların içindeki gizli hareket neden önemli

Bir kupaya uzandığınızda ya da bir kişiye bir nesne verdiğinizde kolunuz tek bir sağlam parça gibi hareket ediyor gibi görünür. Oysa gerçekte deri altı, kas, yağ ve kemiğin katmanlı, birbirinin üzerinde kayan bir demeti vardır ve yüzeyin altında karmaşık biçimlerde kayarlar. Bu gizli hareketler bazı insanların neden zahmetsiz bir doğrulukla hareket ettiğine, bazılarının neden ağrı veya yaralanma geliştirdiğine ve daha iyi tedaviler, spor antrenmanları ya da robotların nasıl tasarlanacağına dair ipuçları taşıyor olabilir. Bu çalışma, araştırmacıların, klinisyenlerin ve mühendislerin insanların basit bir uzanma görevi yaparken derinin altına bakmasını sağlayan zengin, herkese açık bir veri seti sunar; dışarıda kolun yaptığı ile iç dokuların yaptığı arasında bağlantı kurar.

Basit bir uzanmanın yüzeyinin altına bakmak

Araştırmacılar çok temel bir harekete odaklandı: ayakta dururken yapılan, elin kalçadan vücudun önüne ve geri doğru yavaş, ritmik öne uzanmaları. Otuz altı sağlıklı yetişkin katıldı ve bunlar üç geniş yetenek düzeyini kapsıyordu: dünya çapında performans sergileyenler ve sporcular, bölgesel düzeyde veya uzun süreli rekreasyonel hareket yapanlar ve resmi hareket eğitimi almamış kişiler. Basit, hedeften bağımsız bir görev seçip görsel bir metronomla tempoyu tutturmak suretiyle ekip tepki süresi, strateji ve spora özgü hilelerin etkisini en aza indirdi. Tasarımın amacı bunun yerine, insanların kaslarını nasıl kontrol ettiklerine ve yavaş hareket ederken ortaya çıkan ince titremeleri nasıl yönettiklerine dair daha genel özellikleri ortaya koymaktı; bu durum insanların genellikle şaşırtıcı derecede zor bulduğu bir durumdur.

Aynı hareketi izleyen çok sayıda sensör

Hem görünür kol hareketini hem de gizli iç etkinliği yakalamak için çalışma, aynı anda kaydeden birden fazla sensör türünü birleştirdi. Omuz, üst kol, dirsek, ön kol ve elin dış hareketi 3B olarak yansıtıcı işaretçiler ve yüksek hızlı kameralar halkası kullanılarak izlendi. Biseps, triseps ve avuç içinde bulunan küçük kablosuz aygıtlar kas elektriksel aktivitesini ve küçük ivmelenmeleri ölçtü; bunlar titremeyi saptamak için kullanışlıdır. En sıra dışı olan ise, üst kola sarılan ince bir ultrason probunun triseps ve brakialis kaslarının kesitini, çevresindeki yağı ve humerus kemiğini görüntülemesiydi. Bu, kol hareket ederken içini gösteren on binlerce “film karesi” oluşturdu.

Ham kayıtları kullanılabilir sinyallere dönüştürmek

Tüm bu veri akışlarını toplamak zorlukların yalnızca yarısıdır; verilerin başkalarının kullanabilmesi için zaman içinde tam olarak hizalanması ve temizlenmesi de gerekir. Her sensör sistemi kendi saatinde çalışır, bu yüzden ekip elektronik zaman işaretleri ve dikkatli analiz kullanarak saatlerin birbirine göre nasıl sürüklendiğini kalibre etti, sonra örneğin bir ivmeölçerdeki titreme patlamasının eklem hareketindeki ve doku hareketindeki eşleşen dalgalanmayla hizalanmasını sağlamak için verileri matematiksel olarak yeniden ölçeklendirdi ve kaydırdı. Hareket yakalama izleri filtrelendi ve her uzanma çevrimini tespit etmeyi kolaylaştıran tek bir ana “kol hareketi” sinyaline indirildi. Kas sinyalleri filtrelendi ve her kasın ne kadar güçlü aktif olduğunu gösteren düzgün zarf sinyallerine dönüştürüldü. Titremeler ivmeölçerlerde belirli bir frekans bandına odaklanılarak izole edildi ve otomatik algoritmalar—daha sonra gözle kontrol edilerek—titremelerin ne zaman başladığını ve durduğunu işaretlemek için kullanıldı.

Kasın içindeki bireysel noktaları izlemek

Bu veri setinin öne çıkan özelliği yalnızca ultrason görüntülerini depolamaması; aynı zamanda her videodaki 11 belirli noktanın izlenmiş yollarını da içermesidir; bunlar yaklaşık 300.000 görüntü karesi boyunca kare kare takip edilmiştir. Bu noktalardan bazıları humerus kemiği ve iki kas arasındaki sınır üzerinde yer alırken, diğerleri triseps ve brakialis içindeki farklı bölgelerde bulunur. Bu izleri oluşturmak için yazarlar, insanlar tarafından makul sayıda kare etiketlenmesiyle başlayan yarı otomatik bir iş akışı kullandı; ardından derin öğrenme modeli aynı noktaları tüm film boyunca takip etmek üzere eğitildi ve sonunda optik akış araçları ile gerektiğinde manuel düzeltmeler uygulandı. Ortaya çıkan, uzanma sırasında küçük doku bölgelerinin birbirlerine göre nasıl kaydığı, gerildiği ve deforme olduğu hakkında yoğun, sürekli bir tanımlamadır—bu tür bilgiler başka yollarla non-invaziv olarak elde edilmesi neredeyse imkânsız olan bilgiler sunar.

Hareket, sağlık ve yapay zeka için paylaşılan bir kaynak

Tüm kayıtlar, türetilmiş ölçüler ve kod standart formatlarda ve verileri yaygın bilimsel yazılımlarda yüklemek ve görselleştirmek için eğitim materyalleriyle birlikte ücretsiz olarak paylaşılıyor. Veri seti eklem düzeyindeki hareketi, kas aktivitesini, titremeleri ve farklı yetenek düzeylerine sahip kişilerdeki iç doku hareketini birbirine bağladığı için, uzman hareket edenlerin acemilerden nasıl farklılaştığını, kuvvetlerin kol boyunca nasıl aktığını veya ince doku davranışının ağrı veya performansla nasıl ilişkili olabileceğini araştırmak için kullanılabilir. Aynı zamanda, kare kare ultrason içi nokta izleri, tıbbi görüntülerdeki yapıların otomatik olarak takip edilmesini amaçlayan modern derin öğrenme sistemleri için nadir bir eğitim alanı sağlar. Kısacası, bu çalışma tek bir dar soruya cevap vermiyor; bunun yerine insan hareketi ve tıbbi görüntü analizi üzerine yapılacak birçok gelecekteki çalışmanın inşa edebileceği dikkatle doğrulanmış bir temel sunuyor.

Atıf: 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

Anahtar kelimeler: insan hareketi, ultrason görüntüleme, kas mekaniği, biyomekanik veri seti, derin öğrenme izleme