- 3D-databasesamling om kropsform
- Deltagere
- Udstyr
- 3dMD-scanner
- Tanita kropssammensætningsanalysator
- Procedure
- Scanbehandling
- Kropssammensætningens pålidelighed og gyldighed
- Validering af kropsfedtmålinger fra BIA
- BIA intra-individuel pålidelighed
- Mapping 3D body shape onto body composition
- Body shape
- Sammenligning af vores model med forudsigelser baseret på BMI
- Forudsigelse af individuelle ændringer
- Adfærdsopgave
- Adfærdsdataanalyse
3D-databasesamling om kropsform
Deltagere
Den etiske tilladelse blev givet af School of Psychology Research Ethics Committee (SOPREC) ved University of Lincoln (godkendelseskode PSY1718350). I alt 560 voksne i alderen 18-74 år blev rekrutteret fra ansatte og studerende ved University of Lincoln og fra den almindelige befolkning i og omkring Lincoln. Vi har kun medtaget data fra kaukasiske voksne i alderen 18-45 år i denne særlige analyse, da mønstret for fedtdeponering varierer i forskellige race- og aldersgrupper (Gallagher et al. 1996; Misra & Khurana, 2011; Wells, Cole, Brunner, & Treleaven, 2008). Den endelige prøve (n = 397) bestod af 176 mænd (Mage = 28,84, SD = 7,99) og 221 kvinder (Mage = 29,14, SD = 8,18). Der blev ikke foretaget nogen screening for spiseforstyrrelser, så det er muligt, at nogle deltagere havde en spiseforstyrrelse, men at ingen af dem identificerede sig selv som sådan. Tabel 1 opsummerer deltagernes antropometriske og kropssammensætningsmålinger, og tabel 2 opsummerer BMI-kategorifordelingen i stikprøven, separat for mænd og kvinder.
Udstyr
3dMD-scanner
Højopløsning, farve, 3D-kropsscanninger af hver deltager blev opnået ved hjælp af et 3dMD-antropometrisk overfladebilleddannelsessystem. 360°-skanneren for hele kroppen omfatter ni modulære kameraenheder, som er fordelt rundt om en cirkel med en diameter på ca. 4 m med lige store afstande mellem modulerne. Deltageren, der skal scannes, står i midten af denne cirkel. Hver enhed indeholder to monokromatiske kameraer og en speckleprojektor til registrering af kroppens geometri samt et farvekamera til registrering af kroppens tekstur. Speckle-kameraerne projicerede automatisk et standardlysmønster på kroppen, når monokameraerne optog et billede, mens lysemitterende diodepaneler blev tændt, når farvekameraet optog et billede. Scanneren var indstillet til at optage syv billeder i sekundet, og der skulle bruges i alt 20 sekunder til hver 3D-kropsscanning. Output fra 3dMD-systemet omfattede et 3D-polygonoverfladenetværk med X-, Y- og Z-koordinater for hele kroppen samt en kortlagt overfladetekstur. Den geometriske nøjagtighed for dette system er ca. 0,5 mm eller derunder (3dMD, 2019).
Tanita kropssammensætningsanalysator
Kropssammensætningsmålinger blev opnået ved hjælp af en Tanita MC-780MA multi-frekvens segmental kropssammensætningsanalysator med flere frekvenser. Dette apparat anvender bioelektrisk impedansanalyse (BIA) med otte elektroder til at sende en svag, ikke påviselig elektrisk strøm gennem kroppen for at estimere en persons kropssammensætning ved hjælp af en højfrekvent strøm (50 kHz, 90 μa). Vægten udsender målinger af kropsfedt, skeletmuskulatur, visceralt fedtindhold, vandindhold, knoglemasse, BMI og basal metabolisk hastighed. Der udgives også separate beregninger af kropsfedt og muskler (masse og procentdel) for de enkelte kropsdele, herunder den centrale del af kroppen, højre arm, højre ben, venstre arm og venstre ben. Apparatets output er kalibreret til den målte persons køn, alder og højde, idet disse oplysninger indtastes af operatøren. De resultater, der opnås med Tanita bioelektrisk impedansanalyse, har vist sig at ligge inden for ±5 % af undervandsvejning og dual-energy X-ray absorptiometry (DEXA), som er de “gyldne” standarder for analyse af kropssammensætning) (Völgyi et al. 2008; Sillanpää et al., 2014).
Procedure
Deltagerne blev først scannet ved hjælp af 3dMD-kropsscanneren. I løbet af 20 s scanningen blev deltagerne bedt om at stå i midten af det rum, som kameraerne var fordelt omkring, med fødderne skulderbredt fra hinanden. For at optage en række armstillinger blev deltagerne bedt om langsomt at løfte armene op til skulderhøjde med hænderne i en knytnæve. Deltagerne blev forsynet med tætsiddende, gråt undertøj i forskellige størrelser for at sikre, at kropsformen ikke blev skjult af tøjet. Mænd blev bedt om at bære boxershorts, mens kvinder bar en sports-bh og shorts (se fig. 2). Dernæst blev ståhøjden målt (til nærmeste centimeter) ved hjælp af et stadiometer, efter at deltagerne var blevet instrueret om at stå oprejst og vende ansigtet fremad. Endelig blev der foretaget målinger af kropssammensætningen ved hjælp af en Tanita kropssammensætningsanalysator. Denne proces varede ca. 20 minutter.
Scanbehandling
Et passende billede fra hver 20-sekunders scanning blev udvalgt ved hjælp af 3dMD-software inden behandling af scanningerne. Denne ramme blev valgt til at afbilde personen stående med armene væk fra kroppen i en “A-stilling”. 3D-scanningerne blev derefter behandlet ved hjælp af Wrap3-software (version 3.3.17, Russian3DScanner, 2018) med henblik på at reparere eventuelle manglende segmenter og fjerne enhver ikke-manifold topologi eller irrelevante komponenter fra hver scanning. Et skabelonbasisnet blev viklet omkring de enkelte scanninger ved at matche 36 forudvalgte punkter (manuelt placeret) på tilsvarende landemærker i både 3D-scanningen og skabelonmodellen (se fig. 2). Dette resulterede i, at alle scanninger havde en standardiseret topologi, hvilket gjorde det muligt at foretage statistiske sammenligninger, samtidig med at den individuelle variation i kropsstørrelse og -form blev opretholdt. Der blev anvendt polygonvalg til at udelukke hænderne på hver scanning fra indpakning, da dette træk ikke var relevant for dataanalysen. Hver behandlet scanning bestod af 79 522 vertices.
Kropssammensætningens pålidelighed og gyldighed
Bioelektrisk impedansanalyse (BIA) er en relativt billig, brugervenlig og hurtig metode til at estimere kropssammensætningen, som er mindre udsat for tekniske fejl end andre metoder, hvilket gør den til et egnet redskab til undersøgelser i stor skala (Lee & Gallagher, 2008). Flere undersøgelser har fundet, at BIA er et gyldigt værktøj til at estimere kropsfedt hos voksne. Denne teknik viser god overensstemmelse sammenlignet med dual-energy X-ray absorptiometry (f.eks. Ling et al., 2011; Sun et al., 2005; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) og hudfoldkalibreringsmålinger (Kitano, Kitano, Inomoto, & Futatsuka, 2001). Desuden viser BIA en god pålidelighed i forhold til test- og hviletid (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014; Jackson, Pollock, Graves, & Mahar, 1988). Her rapporterer vi pålideligheds- og validitetsdata for de målinger af kropssammensætning, der blev foretaget i denne prøve.
Validering af kropsfedtmålinger fra BIA
For at validere kropsfedtmålinger fra BIA i denne stikprøve blev hudfoldmålinger foretaget af en niveau 2-udøver fra International Society for the Advancement of Kinanthropometry (ISAK) for en delmængde af deltagerne (26 mænd og 22 kvinder) ved hjælp af standard ISAK-teknikker (Stewart, Marfell-Jones, Olds, & De Ridder, 2011). Hudfoldmålinger blev foretaget fra otte hudfoldsteder – tricep, bicep, subscapular, iliac crest, supraspinale, abdominal, medial calf og forreste lår – ved hjælp af hudfoldkalibre (Harpenden, HaB, UK). Gennemsnittet af to målinger blev anvendt, medmindre værdierne afveg med ≥ 5 %, hvorefter der blev foretaget en yderligere hudfoldsmåling, og medianværdien blev anvendt. Følgende hudfoldsligninger for fire steder (Jackson & Pollock, 1985) blev derefter anvendt til at estimere den procentvise kropsfedtprocent på grundlag af hudfolderne på mave, triceps, lårets forreste del og hoftekammen:
Overslag over den samlede fedtmasse blev også beregnet på grundlag af deltagernes samlede kropsvægt og deres anslåede procentvise kropsfedtprocent ud fra Jackson og Pollock (1985) ligninger.
Pearson’s korrelationer blev anvendt til at undersøge forholdet mellem fedtskøn taget fra callipermetoden (kropsfedtprocent og fedtmasse i kilogram) og BIA (kropsfedtprocent og kropsfedtmasse i kilogram), separat for mænd og kvinder. Resultaterne i tabel 3 viser, at de kropsfedtværdier, der blev udledt fra kalibreringsmetoden og BIA, var signifikant, positivt korreleret for begge prøver af mænd og kvinder.
Kropsfedtprocentestimaterne fra kalibreringsmetoden (Mwomen = 22.15, SD = 4,59; Mande = 14,55, SD = 5,04) og BIA (Mwomen = 23,42, SD = 5,03; Mande = 15,16, SD = 3,81) var ikke signifikant forskellige, både for mænd t(25) = -0,87, p = .395 og kvinder t(21) = -1,78, p = .090. Denne gode overensstemmelse illustreres af Altman-Bland-plotterne mellem BIA- og calliper-estimater i fig. 3 og er i overensstemmelse med tidligere undersøgelser (se f.eks. Kitano et al., 2001; Wattanapenpaiboon et al., 1998).
BIA intra-individuel pålidelighed
For at vurdere BIA’s pålidelighed blev der foretaget gentagne målinger fra en delmængde af deltagerne (9 kvinder; MBMI = 21,88, SD = 2,09) under de samme sessioner, som de deltog i. Der blev beregnet en Pearsons korrelation for at undersøge forholdet mellem variabler for kropssammensætning (fedtmasse, fedtprocent, muskelmasse og fedtfri masse) på de to tidspunkter. Alle værdier for kropssammensætning ved T1 og T2 var signifikant, positivt korreleret (r > .99, p < .001). Sammenligning mellem målingerne på de to tidspunkter viste fremragende overensstemmelse, idet intraclass korrelationskoefficienten (ICC) for hver variabel var større end .99 (p < .001).
Mapping 3D body shape onto body composition
Body shape
Ved hjælp af tilpasset MATLAB-software udelukkede vi de 3D-koordinater, der var knyttet til punkter, der henviste til hoved, hals, hænder og fødder i de behandlede scanninger. De resterende 26 665 koordinater beskrev ben, arme og torso. Den gennemsnitlige 3D-form for sættet blev derefter beregnet, og alle individuelle former blev efterfølgende tilpasset til dette gennemsnit ved hjælp af Procrustes-analyse for at minimere idiosynkratiske forskelle i kropspositionen. Det er vigtigt at bemærke, at kun translation og ortogonal rotation blev anvendt for at bevare de aspekter af formændringen, der er relateret til skalering (dvs. størrelse).
Dernæst blev hver enkelt form konverteret til en vektor af 79 995 tal (26 665 punkter × 3 koordinater), og disse vektorer blev indtastet i en hovedkomponentanalyse (PCA). Det resulterende underrum bestod af c – 1 dimensioner, hvor c er antallet af identiteter. For hver dimension i underrummet for sig foretog vi en lineær regression. Alle identiteternes målinger af fedtmasse (FATM) og skeletmuskelmasse (SMM) fra BIA blev anvendt til at forudsige deres placering langs den pågældende dimension, idet værdierne af de to koefficienter og konstanten efterfølgende gav os mulighed for at modellere formændringer. Det var ikke vigtigt at overveje, om disse regressioner var statistisk signifikante, da de hver især blot beskrev forholdet mellem de to kropsmål og formen for en given underrumsdimension – hvis der ikke eksisterede noget forhold, ville koefficienterne være små, og deres virkning på formændringen i modellen ville afspejle dette. Ved hjælp af resultaterne af disse regressioner var vi derfor i stand til at forudsige placeringerne langs alle underrumsdimensioner for ethvert givet par af FATM- og SMM-værdier. For den specifikke placering, der blev identificeret i det flerdimensionale rum, kunne 3D-formen derefter rekonstrueres og visualiseres (se fig. 4).
Da vores model for formændring blev afledt af en specifik database af 3D-scanninger (der repræsenterer typiske befolkningsværdier for både FATM og SMM), valgte vi kun at overveje og diskutere vores forudsigelsesmodel inden for grænserne af de faktiske værdier i vores prøve. Med andre ord undersøgte vi ikke, hvordan kropsformen kunne variere uden for de laveste og højeste værdier, der blev målt i vores identiteter (se fig. 5).
Sammenligning af vores model med forudsigelser baseret på BMI
For kroppe i vores prøve undersøgte vi, hvor godt modellen var i stand til at forudsige kropsform i sammenligning med BMI. For at gøre dette anvendte vi en “leave-one-out”-strategi for at afgøre, hvor nye testformer der kunne forudsiges ud fra en prøve af træningsformer. Vi cyklede gennem hver identitet, fjernede deres 3D-scanning fra prøven og brugte de resterende identiteternes scanninger i den ovenfor beskrevne “PCA + regressioner”-model for formændring. Ud over vores FATM/SMM-model modellerede vi separat formændringen ved hjælp af BMI-værdierne for vores identiteter. (Som ovenfor blev træningsidentiteternes BMI-målinger anvendt til at forudsige deres placering langs hver PCA-dimension, idet værdierne af koefficienten og konstanten gjorde det muligt for os at modellere formændringen.)
Den udelukkede identitets scanning blev derefter sammenlignet med den forudsagte 3D-form for den pågældende identitet baseret på deres FATM- og SMM-målinger og separat den forudsagte 3D-form baseret på deres BMI-måling. For at kvantificere fejl ved sammenligning af disse forudsagte former med de originale scanninger beregnede vi den “lige linjeafstand” i 3D-rummet mellem hvert originalt punkt og dets forudsagte placering, hvorefter vi beregnede gennemsnittet af disse afstande på tværs af alle punkter. Her tog vi kun hensyn til de 12 697 punkter, der repræsenterer torsoen, hvilket gjorde det muligt at fjerne forudsigelsesfejl, der er indbygget i armene og benene som følge af deres placering. (Mens der blev givet standardinstruktioner til deltagerne under scanningen, blev der ikke lagt nogen begrænsninger på fødders og hænders placering i de resulterende scanninger.)
For hver identitet beregnede vi derfor dette fejlmål ved forudsigelse af 3D-form (udelukket fra den prøve, der blev brugt til at udlede modellerne) fra FATM og SMM og separat fra BMI. For vores mandlige prøve bekræftede en t-test med parrede prøver, der sammenlignede disse to fejlmålinger, at vores FATM/SMM-model (M = 1,71, SD = 0,49) klarede sig bedre end BMI-modellen (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, Cohen’s d = 0,44. Dette resultat blev også fundet for vores kvindelige stikprøve (FATM/SMM-model – M = 1,59, SD = 0,51; BMI-model – M = 1,71, SD = 0,57), t(220) = 5,18, p < .001, Cohen’s d = 0,35. Med andre ord var vi for både mænd og kvinder bedre i stand til at forudsige 3D-formen ved hjælp af en model, der inkorporerer FATM og SMM, sammenlignet med en model baseret på BMI.
Figur 6 og 7 illustrerer dette resultat ved at vise fejlene i formforudsigelsen for to specifikke identiteter (henholdsvis en kvinde og en mand) ved at sammenligne de forudsagte 3D-former for de to modeller ved siden af hinanden. For at generere disse visninger fandt vi den maksimale fejl for alle punkter på tværs af begge modeller for den pågældende identitet og konverterede derefter forudsigelsesfejlene for hvert punkt til at være en andel af dette maksimum. (På tværs af alle identiteter: gennemsnitlig maksimal fejl for kvinder, M = 4,36 cm, SD = 2,76 cm; gennemsnitlig maksimal fejl for mænd, M = 4,29 cm, SD = 1,11 cm). Som sådan repræsenterer stadig varmere farvede punkter i figurerne større fejl på den samme skala. For de eksempler, der er illustreret i figur 6 og 7, synes de større fejl for BMI-modellen (vist i højre side i begge figurer) for størstedelen at være koncentreret i den øverste del af torsoen. Som det fremgår, er fejlene for BMI-modellen større for det mandlige eksempel, hvilket afspejler den større variation i fedt og muskler hos mænd, som den endimensionelle BMI-model ikke kan indfange præcist.
Forudsigelse af individuelle ændringer
Ovenfor beskrev vi vores model for formændring baseret på FATM og SMM, og hvordan denne var i stand til at forudsige kropsformen for et givet par værdier. Denne modelleringsproces kan imidlertid også bruges til at forudsige, hvordan et givet individs kropsform ville ændre sig med en stigning eller et fald i fedt- og muskelværdierne. Vi genererer simpelthen den ovenfor beskrevne model for FATM/SMM (PCA + regressioner) og anvender derefter de forudsagte ændringer i formen, der er forbundet med en ændring i disse to mål. I stedet for at visualisere disse forskydninger langs de forskellige hovedkomponenter i form af den gennemsnitlige kropsform (ovenfor), er vores udgangspunkt i det flerdimensionelle rum selve individets form. Som sådan anvendes forudsagte formændringer på en specifik person, hvilket muliggør datadrevne forudsigelser om, hvordan et individ kan variere (se figur 8 og 9).
Adfærdsopgave
For at få vurderinger af kropsstørrelse/form fra deltagerne vil vi anvende justeringsmetoden. Opgaven vil blive udformet således, at fedt- og muskelmassen af en CGI-modelstimulus, der præsenteres på en pc-skærm, kan manipuleres jævnt og i realtid. Ved hjælp af to sæt pileknapper på skærmen vil deltagerne systematisk kunne ændre stimulusens fedt- og muskelmasse. Ved hvert forsøg i opgaven vil CGI-modellen få tildelt en vilkårlig kombination af fedt- og muskelmasse som startpunkt. Deltagerens opgave er at ændre CGI-modellen, så den bedst muligt afspejler den kropsstørrelse/form, som de mener, at de selv har, hvis de foretager selvvurderinger af deres kropsstørrelse, eller som de gerne ville have, hvis de foretager skøn over den ideelle kropsstørrelse/form. Når deltageren er tilfreds med sit valg af kropssammensætning i hvert forsøg, trykker han/hun på en svarknap, hvorved kombinationen af muskel- og fedtmasse for det pågældende forsøg registreres, og et nyt forsøg påbegyndes.
I henhold til klassisk psykofysik (Gescheider, 1997) repræsenterer gennemsnittet af henholdsvis muskel- og fedtmasseværdierne et skøn over det subjektive lighedspunkt (PSE) for den kropssammensætning, som deltageren mener, at han/hun har, eller gerne vil have (afhængigt af opgaveinstruktionen). Desuden repræsenterer standardafvigelserne af disse middelværdier forskelsgrænsen (DL), et mål for opgavens følsomhed eller præcision. Figur 10 viser en Monte Carlo-simulering for at estimere variabiliteten i DL-estimaterne som en funktion af antallet af forsøg i justeringsmetodeopgaven. Simuleringen blev udført for DL-målværdier på 0,5, 1,0 og 2,0. Disse skulle estimeres ud fra opgaver med 5, 10, 20, 20, 30, 30, 40, 50, 50, 60, 70, 80 og 90 forsøg. Hvert datapunkt i fig. 10 er udledt af 10 000 genprøver. Det viser et albueregion omkring 20-60 forsøg pr. deltager, hvilket tyder på, at omkring dette antal skulle være tilstrækkeligt til at opnå stabile estimater af DL.
Adfærdsdataanalyse
Pearsonkorrelationerne mellem målt fedtmasse og muskelmasse hos de mænd og kvinder, som indvilligede i at blive 3D-kropsscannet, var r = 0.45, p < .001, og r = 0,38, p < .001, henholdsvis. Dette betyder, at de værdier for fedt- og muskelmasse, der er opnået fra estimaterne af kropssammensætningen i justeringsopgaven, også med stor sandsynlighed vil være korreleret. Hvis de ikke var korreleret, kunne vi modellere fedt- og muskelkomponenterne i deltagernes svar ved hjælp af separate multiple regressionsmodeller. Her antager vi, at det er usandsynligt, at dette ikke er tilfældet. For at kortlægge sammenhængen mellem den kropssammensætning, som deltagerne faktisk har, og den kropssammensætning, som de tror, de har (eller gerne ville have), skal vi derfor anvende multivariat regression.
Den multivariate lineære standardmodel kan skrives som Y = XB + E. Y er en n × r matrix af r responsvariabler målt på n forsøgspersoner; X er en n × p matrix af forklarende variabler; B er en p × r matrix af regressionskoefficienter; og E er en n × r “fejl”-matrix, hvis rækker er uafhængige og identisk normalfordelte med middelværdi 0 og kovariansmatrix Σ. Nedenfor følger et simpelt eksempel med to svar og en forklarende variabel (ud over en interceptterm) målt på tre forsøgspersoner.
Her brugte vi PROC MIXED i SAS (v9.4) til at implementere to multivariate regressioner af legetøjsdatasæt, der er beregnet til at repræsentere de typer svar, som vi kan forvente fra estimater af kropssammensætningen ved hjælp af 2D-metoden for justeringsopgaven (se også Wright, 1998). I begge tilfælde har vi som forklarende variabler: (i) deltagernes målte fedtmasse, (ii) deltagernes målte skeletmuskelmasse og (iii) en psykometrisk covariat relateret til deltagernes holdninger og adfærd vedrørende muskuløsitet. For at simulere de to udfaldsvariabler fra tilpasningsmetodeopgaven hos mænd, dvs. estimeret muskelmasse og estimeret fedtmasse, antager vi en kovarians mellem deltagernes to målte muskel- og fedtmasser på 0,45 og kovarianser mellem den psykometriske kovariat og målte fedt- og muskelmasser på henholdsvis 0 og 0.
Det første scenarie er et scenarie, hvor mandlige deltagere blev bedt om at estimere deres egen kropssammensætning. I denne simulering antog vi, at de overvurderede både deres fedt- og muskelmasse med i gennemsnit 1 enhed (se tabel 4 for en oversigt over parameterværdier). Vi tillod også et yderligere, statistisk uafhængigt bidrag til muskelmasseskønnet fra den psykometriske opgave: højere score på denne opgave var forbundet med højere skøn af muskelmassen. I det andet scenarie blev mandlige deltagere bedt om at estimere deres ideelle kropssammensætning. I denne simulering antog vi, at deltagernes psykometriske præstationer ikke var relateret til deres svar, og at alle deltagere havde en tendens til at konvergere mod et fælles ideal med lavt kropsfedt og høj muskelmasse. De individuelle simuleringsparametre, deres estimater afledt af multivariat regression og den overordnede multivariate variansanalyse (MANOVA) statistik er vist i tabel 4. Desuden er disse resultater plottet i fig. 11.