"Reach&Grasp：多模态上肢运动数据集——融合EMG、运动学与触觉信息解码生理与假肢控制新范式"

本研究针对上肢假肢控制中信号源单一、缺乏多模态融合数据的问题，开发了包含高/低密度表面肌电（HD-sEMG/bipolar EMG）、运动捕捉（Vicon）、触觉手套（58 taxels）的Reach&Grasp数据集。通过10名健康受试者执行16类动作（含简单运动与复杂抓握），首次实现上肢运动的多维度同步采集，为运动控制机制研究、假肢算法开发及传感器融合技术提供关键数据支撑，发表于《Scientific Data》。

　　

在神经工程与康复机器人领域，解码上肢运动意图始终是假肢控制的核心挑战。传统方法多依赖单一肌电信号（EMG），但实际运动中肌肉激活、关节运动与触觉反馈的协同机制尚未被系统解析。现有公开数据集如Atzori等（2014）仅包含基础EMG和运动数据，而Malesevic等（2021）的高密度肌电（HD-sEMG）数据集又缺乏触觉信息。这种数据割裂状态严重制约了多模态控制算法的开发，也阻碍了对生理性运动机制的深入理解。

意大利技术研究院（Istituto Italiano di Tecnologia）的Dario Di Domenico团队在《Scientific Data》发表的研究突破了这一瓶颈。他们构建的Reach&Grasp数据集首次同步采集了10名健康受试者执行16类动作时的多维度信息：包括覆盖前臂屈伸肌群的64通道HD-sEMG、10通道双极EMG（Cometa系统）、23标记点运动捕捉（Vicon系统）以及58个触觉传感器（Bielefeld大学开发的压阻手套）。通过标准化数据处理流程（BIDS格式）和严格验证，该数据集不仅揭示了抓握过程中肌肉-关节-触觉的协同规律，更为假肢控制算法开发提供了前所未有的多模态基准。

研究采用三项关键技术：1）多设备同步采集——通过硬件触发信号协调HD-sEMG（OT Bioelettronica）与运动捕捉系统，结合网络时间协议（NTP）同步触觉手套数据；2）生理信号验证——采用Welch法分析肌电功率谱（10-500Hz），确认信号质量符合生理特征；3）运动学分割——基于关节角速度自动识别动作起止点（图10）。实验设计涵盖从简单单关节运动（如手腕屈伸）到复杂任务（如"吃水果"动作链），每个任务重复10次以捕捉运动变异。

数据验证结果

• 肌电信号：HD-sEMG与双极EMG的功率谱（PSD）分析显示特征性肌电频带分布（图5），无50Hz工频干扰

• 运动学特征：Vicon系统捕捉到抓握类型特异性关节角度变化，如圆柱抓握（Cyl）与球形抓握（Sph）的指关节活动度差异达30°（图8A-B）

• 触觉模式：压阻手套成功区分不同抓握策略，如三指抓握（Trid）时拇指-食指-中指传感器激活强度比掌心区域高2.4倍（图9C）

关键发现

1. 复杂动作分解：通过"吃水果"任务（EatFruit）的运动学分析，揭示上肢多关节运动的时空协调模式（图8J）

2. 触觉-运动耦合：球形抓握中触觉传感器空间分布与接触力传递路径高度相关（图9B vs 9G）

3. 设备互补性：CyberGlove与Vicon系统测量的腕关节角度误差<5°，验证了柔性传感器在运动捕捉中的可靠性

这项研究的意义远超假肢控制领域。其首创的多模态数据架构为运动神经科学提供了全新研究范式——例如通过HD-sEMG空间模式（图5A）可解析肌肉协同机制，而触觉-运动学关联数据（图9）为闭环感觉反馈系统设计奠定基础。数据集严格遵循FAIR原则（可发现、可访问、可互操作、可重用），已应用于肌肉协同分析（Tanzarella等，2024）和假肢控制算法测试（Di Domenico等，2024）。未来，该框架可扩展至病理状态运动分析，或为脑机接口提供新的解码维度。正如作者所言，这种"从肌肉到触觉"的全链条数据捕获，正在重新定义我们对人类运动智能的理解。