一个多模态生物力学数据集：在到达动作中同步的运动学与内部组织运动

肌肉内部隐蔽运动为何重要

每次你伸手去拿杯子或把东西递给别人时，手臂看起来像一整块固体在移动。实际上，它是由多层可滑动的肌肉、脂肪、皮肤和骨骼组成的束带，在表面下复杂地相互移动。这些隐蔽运动可能揭示为什么有人动作轻松精准、有人会发展疼痛或受伤，以及如何设计更好的治疗、运动训练，甚至机器人。本研究介绍了一个丰富的公开数据集，让研究人员、临床医生和工程师在执行一个简单的到达任务时观察皮肤下的活动，将手臂外部的动作与内部组织的变化联系起来。

洞察简单到达动作的表面之下

研究者聚焦于一个非常基础的动作：站立时以缓慢、节律性的方式向前伸手，从臀侧移动到身体前方再返回。36 名健康成年人参与，覆盖三个大致的技能层级：世界级表演者与运动员、地区级或长期业余活动者，以及没有正规运动训练的人。通过选择一个简单、无明确目标的任务并用视觉节拍器来控制节奏，团队将反应时间、策略和运动专项技巧的影响降到最低。相反，这一设计旨在暴露人们在缓慢移动时实际如何控制肌肉并处理细微震颤的更一般性特征——这是人类通常感到意外困难的一种情形。

多种传感器同步监测同一动作

为同时捕捉可见的手臂运动和隐蔽的内部活动，研究将多种类型的传感器同步记录。肩、上臂、肘、前臂和手的外部运动通过反光标记和环形高速摄像机的 3D 跟踪获得。置于肱二头肌、肱三头肌和手掌的小型无线设备测量肌电活动和微小加速度，这对检测震颤很有用。最为独特的是，一根纤薄的超声探头被绑在上臂上，以成像肱三头肌和肱肌的横截面，以及周围的脂肪和肱骨。这产生了成千上万帧的“内部影像”，记录手臂移动时内部的变化。

将原始记录转为可用信号

采集这些数据流只是挑战的一半；它们还需要精确时序对齐和清理，才能便于他人使用。每个传感系统都有自己的时钟，团队使用电子定时脉冲和严谨分析来校准各时钟相对漂移，然后数学上重新缩放和平移数据，以便例如加速度计中的一阵震颤与关节运动和组织运动中相应的波动对齐。动作捕捉轨迹经过滤波并简化为单一的主要“手臂运动”信号，以便轻松检测每个到达周期。肌电信号被滤波并转换为平滑的包络，显示每块肌肉的激活强度。通过聚焦加速度计的特定频段来分离震颤，并使用自动算法——随后人工目视检查——标注震颤的开始与结束。

追踪肌肉内部的个别点

该数据集的突出特点在于它不仅保存超声图像；还包括每段视频中 11 个特定点的跟踪路径，逐帧跨约 30 万幅图像记录。一部分点位于肱骨和两块肌肉之间的边界上，其他点则位于肱三头肌和肱肌的不同区域内。为了创建这些轨迹，作者采用了半自动工作流：从人类标注少量帧开始，然后训练深度学习模型在整个视频中跟踪相同点，最后在必要时应用光流工具和人工修正。结果是对组织微小区域在到达过程中如何滑动、拉伸和变形的密集、连续描述——这些信息通过非侵入手段几乎无法获得。

为运动、健康与人工智能提供的共享资源

所有记录、派生测量和代码均以标准格式免费共享，并附有在常用科学软件中加载与可视化数据的教程。由于该数据集将关节层面的运动、肌肉活动、震颤与不同技能水平人群的内部组织运动联系起来，它可用于探索专家与新手的差异、力如何在手臂中传递、或者微妙的组织行为如何与疼痛或表现相关。同时，逐帧的超声点跟踪为现代深度学习系统自动跟踪医学影像中的结构提供了难得的训练场。简言之，这项工作并不是回答一个狭窄的问题；而是提供了一个经过精心验证的基础，供未来众多关于人体运动和医学影像分析的研究构建之用。

引用: 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

关键词: 人体运动, 超声成像, 肌肉力学, 生物力学数据集, 深度学习跟踪