MMH: A multimodal dataset of whole-body kinematics, bilateral ground reaction forces, and lower-limb surface electromyography signals during load lifting and lowering

De MMH-dataset is een multimodale dataset met lichaamskinematica, grondreactiekrachten en spieractiviteit (sEMG) die is verzameld tijdens het tillen en zakken met gewichten, bedoeld voor onderzoek naar biomechanica, ergonomie en het risico op letsel.

De kern

De "Menselijke Bewegings-Receptuur": Hoe we begrijpen hoe je veilig tilt

Stel je voor dat je een chef-kok bent die een perfecte taart wil bakken. Om die taart perfect te krijgen, heb je niet alleen het recept nodig, maar ook de exacte temperatuur van de oven, de textuur van het meel en de kracht waarmee je de deegroller gebruikt. Als één van die dingen niet klopt, mislukt de taart.

Bij het tillen van zware spullen werkt het menselijk lichaam precies zo. Als je een doos optilt, is dat een complexe "dans" van botten, spieren en kracht. Als die dans niet perfect is uitgevoerd, kun je rugpijn of blessures krijgen.

Wat hebben de onderzoekers gedaan?
De onderzoekers hebben een soort "super-receptenboek" gemaakt voor het menselijk lichaam, genaamd de MMH-dataset. Ze hebben tien gezonde mannen gevraagd om een gewichtje (2 kg) op te tillen en weer neer te zetten. Maar ze deden dit niet zomaar; ze lieten ze dit doen op drie verschillende manieren:

1. De "Stoop" (buigen met rechte benen): Alsof je een appel van de grond raapt.
2. De "Semi-squat" (half door de knieën): Een tussenweg.
3. De "Full-squat" (volledig door de knieën): De klassieke, veilige manier.

De "Sensoren-orkest" (De data)
Om precies te zien wat er gebeurde, hebben ze het lichaam uitgerust met verschillende soorten "microfoons" en "camera's":

• De Bewegings-camera's (Kinematica): Deze kijken naar de hoeken van je gewrichten. Het is alsof je een film maakt van een danser om te zien hoe soepel de bewegingen zijn.
• De Voet-weegschalen (Grondreactiekrachten): Onder de voeten lagen speciale platen die tot op de millimeter nauwkeurig meten hoe de druk wordt verdeeld. Denk aan een weegschaal die niet alleen je gewicht meet, maar ook precies vertelt hoe je je gewicht van je hiel naar je teen verplaatst.
• De Spier-microfoons (sEMG): Op de benen plakten ze sensoren die de elektrische signalen van de spieren opvingen. Dit is alsof je de "elektriciteit" in de kabels van een machine meet om te zien hoe hard de motor moet werken.

Waarom is dit belangrijk?
Dit is geen onderzoek om mensen te laten sporten, maar om robots en computers slimmer te maken.

Met deze enorme berg aan gegevens kunnen wetenschappers:

1. Digitale Tweelingen maken: Ze kunnen een computerprogramma bouwen dat precies hetzelfde beweegt als een mens. Zo kun je in een computer simuleren: "Wat gebeurt er met de rug van een arbeider als hij dit pakketje op deze manier tilt?" zonder dat de persoon echt pijn krijgt.
2. Veiligheidstests doen: Ze kunnen ontdekken welke tiltechniek de minste "stress" geeft aan het lichaam.
3. Betere hulpmiddelen ontwerpen: Denk aan exoskeletten (draagbare robots) die werknemers ondersteunen. Als de robot precies weet hoe jouw spieren werken, kan hij je op het juiste moment een duwtje in de rug geven.

Kortom: De MMH-dataset is een digitale blauwdruk van menselijke beweging. Het helpt ons om de "taal van het lichaam" te leren spreken, zodat we in de toekomst minder blessures oplopen tijdens het werk.

Technische samenvatting

Technische Samenvatting: MMH-dataset

Titel: MMH: A multimodal dataset of whole-body kinematics, bilateral ground reaction forces, and lower-limb surface electromyography signals during load lifting and lowering.

1. Probleemstelling (Problem)

Binnen de biomechanica en ergonomie is het essentieel om de fysieke belasting tijdens het tillen en zakken van lasten nauwkeurig te kwantificeren om het risico op musculoskeletale aandoeningen te minimaliseren. Hoewel er veel onderzoek is naar menselijke beweging, is er een behoefte aan hoogwaardige, multimodale datasets die verschillende datastromen (kinematica, kinetica en neuromusculaire activiteit) combineren. Dergelijke datasets zijn cruciaal voor het valideren van complexe musculoskeletale modellen en het ontwikkelen van geavanceerde risicobeoordelingsinstrumenten.

2. Methodologie (Methodology)

De onderzoekers hebben de MMH-dataset samengesteld via een gecontroleerde laboratoriumstudie met de volgende parameters:

• Proefpersonen: Tien gezonde, jonge mannen met een normaal gewicht.
• Taken: De proefpersonen voerden in totaal 72 trials uit, bestaande uit het tillen en zakken van een last van 2 kg.
• Variabelen:
  • Technieken: Drie verschillende tiltechnieken werden getest: stoop (voorovergebogen), semi-squat (half door de knieën) en full-squat (volledige squat).
  • Handgebruik: Combinaties van één-handig en tweehandig tillen.
  • Locaties: Verschillende begin- en eindposities van de last.
• Data-acquisitie (Multimodaal):
  • Kinematica: Volledige lichaamsbeweging (whole-body kinematics).
  • Kinetica: Driedimensionale grondreactiekrachten (GRF) en tweedimensionale drukcentra (Center of Pressure, CoP) onder beide voeten.
  • Neuromusculaire signalen: Oppervlakte-elektromyografie (sEMG) van twaalf spieren in de onderste ledematen (zes spieren per been).

3. Belangrijkste Bijdragen (Key Contributions)

De belangrijkste bijdrage is de creatie van de MMH-dataset, een rijke, gesynchroniseerde bron van multimodale data. De dataset onderscheidt zich door:

• De integratie van zowel mechanische (kracht en beweging) als biologische (spieractiviteit) signalen.
• De variëteit in bewegingspatronen (drie technieken) en handgebruik, wat zorgt voor een brede dekking van tilscenario's.
• De beschikbaarheid van bilaterale data (beide voeten en beide benen), wat essentief is voor een volledig beeld van de lichaamsbalans en krachtsverdeling.

4. Resultaten (Results)

Hoewel de abstract de specifieke numerieke resultaten van de bewegingen zelf niet vermeldt, is het resultaat de voltooide MMH-dataset. Deze dataset bevat een uitgebreide set aan gesynchroniseerde metingen die de complexe interactie tussen lichaamsbeweging, grondreactiekrachten en spieractiviteit tijdens verschillende tilstrategieën vastlegt.

5. Betekenis en Toepassing (Significance)

De MMH-dataset is van grote waarde voor verschillende wetenschappelijke disciplines:

• Ergonomie: Het biedt input voor de ontwikkeling en verfijning van tools voor de beoordeling van ergonomische risico's.
• Biomechanica & Modellering: De data kunnen worden gebruikt voor optimalisatie-gebaseerde musculoskeletale modellen om de belasting op gewrichten en weefsels te kwantificeren.
• Neuromusculaire Controle: De sEMG-gegevens maken de ontwikkeling van EMG-ondersteunde modellen mogelijk en dienen als "ground truth" voor het valideren van voorspellingen uit computationele modellen.
• Menselijke Bewegingswetenschap: Het dient als een fundamentele bron voor onderzoek naar menselijke bewegingspatronen en de optimalisatie van fysieke taken.