- Collection de bases de données de formes corporelles 3D
- Participants
- Équipement
- Scanner 3D
- Analyseur de composition corporelle Tanita
- Procédure
- Traitement des scans
- Fiabilité et validité de la composition corporelle
- Validation des mesures de la graisse corporelle à partir de la BIA
- Fiabilité intra-individuelle de la BIA
- Mappage de la forme du corps en 3D sur la composition corporelle
- Forme du corps
- Comparaison de notre modèle aux prédictions basées sur l’IMC
- Prédire les changements individuels
- Tâche comportementale
- Analyse des données comportementales
Collection de bases de données de formes corporelles 3D
Participants
L’autorisation éthique a été accordée par le comité d’éthique de la recherche de l’école de psychologie (SOPREC) de l’Université de Lincoln (code d’approbation PSY1718350). Un total de 560 adultes âgés de 18 à 74 ans ont été recrutés parmi le personnel et les étudiants de l’Université de Lincoln et la population générale de Lincoln et de ses environs. Nous n’avons inclus que les données des adultes caucasiens âgés de 18 à 45 ans dans cette analyse particulière, car le schéma de dépôt de graisse varie selon les groupes raciaux et d’âge (Gallagher et al. 1996 ; Misra & Khurana, 2011 ; Wells, Cole, Brunner, & Treleaven, 2008). L’échantillon final (n = 397) comprenait 176 hommes (Mage = 28,84, SD = 7,99) et 221 femmes (Mage = 29,14, SD = 8,18). Aucun dépistage des troubles alimentaires n’a été effectué, il est donc possible que certains participants aient eu un trouble alimentaire mais qu’aucun d’entre eux ne se soit identifié comme tel. Le tableau 1 résume les mesures anthropométriques et de composition corporelle des participants, et le tableau 2 résume la distribution des catégories d’IMC de l’échantillon, séparément pour les hommes et les femmes.
Équipement
Scanner 3D
Haute résolution, couleur, des scans corporels 3D de chaque participant ont été obtenus à l’aide d’un système d’imagerie de surface anthropométrique 3dMD. Le scanner corporel à 360° comprend neuf unités de caméra modulaires, qui sont réparties autour d’un cercle d’environ 4 m de diamètre, avec un espacement égal entre les modules. Le participant à scanner se tient au milieu de ce cercle. Chaque unité contient deux caméras monochromatiques et un projecteur de speckle pour capturer la géométrie du corps, et une caméra couleur pour capturer la texture du corps. Les caméras de speckle projettent automatiquement un motif lumineux standard sur le corps lorsque les caméras monochromatiques capturent une image, tandis que les panneaux de diodes électroluminescentes sont allumés lorsque la caméra couleur capture une image. Le scanner a été configuré pour capturer sept images par seconde, avec un total de 20 secondes nécessaires pour chaque scan corporel 3D. La sortie du système 3dMD comprenait un maillage de surface polygonal 3D du corps entier avec des coordonnées X, Y et Z, ainsi qu’une texture de surface cartographiée. La précision géométrique de ce système est d’environ 0,5 mm ou moins (3dMD, 2019).
Analyseur de composition corporelle Tanita
Les mesures de composition corporelle ont été obtenues à l’aide d’un analyseur de composition corporelle segmentaire multifréquence Tanita MC-780MA. Cet appareil utilise l’analyse d’impédance bioélectrique (BIA) à huit électrodes pour envoyer un courant électrique faible et indétectable dans le corps afin d’estimer la composition corporelle d’une personne à l’aide d’un courant haute fréquence (50 kHz, 90 μa). La balance produit des mesures du corps total de la graisse corporelle, des muscles squelettiques, de l’indice de graisse viscérale, de la teneur en eau, de la masse osseuse, de l’IMC et du métabolisme de base. Des estimations séparées de la graisse corporelle et des muscles (masse et pourcentage) pour des segments individuels du corps, notamment le tronc central, le bras droit, la jambe droite, le bras gauche et la jambe gauche, sont également sorties. Les sorties de l’appareil sont calibrées en fonction du sexe, de l’âge et de la taille de la personne mesurée, ces informations étant saisies par l’opérateur. Il a été démontré que les résultats obtenus avec l’analyse d’impédance bioélectrique de Tanita se situent dans une fourchette de ±5 % par rapport à la pesée sous l’eau et à l’absorptiométrie à rayons X à double énergie (DEXA), les normes » or » de l’analyse de la composition corporelle) (Völgyi et al. 2008 ; Sillanpää et al., 2014).
Procédure
Les participants ont d’abord été scannés à l’aide du scanner corporel 3dMD. Pendant le scan de 20 s, les participants ont été invités à se tenir au centre de l’espace autour duquel les caméras étaient réparties, avec les pieds écartés de la largeur des épaules. Pour capturer un éventail de positions des bras, les participants devaient lever lentement leurs bras jusqu’au niveau des épaules, les mains en poing. Les participants ont reçu des sous-vêtements gris moulants de différentes tailles afin de s’assurer que la forme du corps n’était pas masquée par les vêtements. Les hommes devaient porter un caleçon de type boxer tandis que les femmes portaient un soutien-gorge de sport et un caleçon (voir figure 2). Ensuite, la taille debout a été mesurée (au centimètre près) à l’aide d’un stadiomètre après avoir demandé aux participants de se tenir droit et de regarder vers l’avant. Enfin, les mesures de la composition corporelle ont été effectuées à l’aide de l’analyseur de composition corporelle Tanita. Ce processus a duré environ 20 minutes.
Traitement des scans
Un cadre approprié de chaque scan de 20 secondes a été sélectionné à l’aide du logiciel 3dMD avant le traitement des scans. Ce cadre a été choisi pour représenter l’individu debout avec ses bras éloignés du corps dans une » pose A « . Les scans 3D ont ensuite été traités à l’aide du logiciel Wrap3 (version 3.3.17, Russian3DScanner, 2018) afin de réparer tout segment manquant et de supprimer toute topologie non maniable ou tout élément non pertinent de chaque scan. Un maillage de base de modèle a été enroulé autour des scans individuels en faisant correspondre 36 points présélectionnés (localisés manuellement) sur les points de repère correspondants à la fois du scan 3D et du modèle de modèle (voir la figure 2). Tous les scans avaient ainsi une topologie standardisée, ce qui permettait d’effectuer des comparaisons statistiques tout en conservant les variations individuelles de taille et de forme du corps. La sélection de polygones a été utilisée pour exclure les mains de chaque scan de l’emballage, car cette caractéristique n’était pas pertinente pour l’analyse des données. Chaque scan traité était composé de 79 522 sommets.
Fiabilité et validité de la composition corporelle
L’analyse d’impédance bioélectrique (BIA) est une méthode relativement peu coûteuse, facile à utiliser et rapide pour estimer la composition corporelle qui est moins sujette aux erreurs techniques que d’autres méthodes, ce qui en fait un outil approprié pour les études à grande échelle (Lee & Gallagher, 2008). De multiples études ont montré que la BIA est un outil valide pour estimer la graisse corporelle chez les adultes. Cette technique présente une bonne concordance par rapport à l’absorptiométrie à rayons X à double énergie (par exemple, Ling et al., 2011 ; Sun et al., 2005 ; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) et aux mesures du calibre du pli cutané (Kitano, Kitano, Inomoto, & Futatsuka, 2001). En outre, la BIA présente une bonne fiabilité test-rest (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014 ; Jackson, Pollock, Graves, & Mahar, 1988). Nous rapportons ici les données de fiabilité et de validité des mesures de composition corporelle prises dans cet échantillon.
Validation des mesures de la graisse corporelle à partir de la BIA
Pour valider les mesures de la graisse corporelle prises à partir de la BIA dans cet échantillon, des mesures du pli cutané ont été prises par un praticien de niveau 2 de l’International Society for the Advancement of Kinanthropometry (ISAK) pour un sous-ensemble de participants (26 hommes et 22 femmes) en utilisant les techniques ISAK standard (Stewart, Marfell-Jones, Olds, & De Ridder, 2011). Les mesures des plis cutanés ont été effectuées sur huit sites de plis cutanés – triceps, biceps, sous-scapulaire, crête iliaque, supraspinale, abdominale, mollet médial et cuisse antérieure – à l’aide de callipers à plis cutanés (Harpenden, HaB, UK). La moyenne de deux mesures a été utilisée sauf si les valeurs différaient de ≥ 5 %, auquel cas une autre mesure du pli cutané a été effectuée, et la valeur médiane a été utilisée. Les équations de plis cutanés à quatre sites suivantes (Jackson & Pollock, 1985) ont ensuite été utilisées pour estimer le pourcentage de graisse corporelle, sur la base des plis cutanés de l’abdomen, du triceps, de la cuisse avant et de la crête iliaque :
Les estimations de la masse grasse totale ont également été calculées à partir du poids corporel total des participants et de leur pourcentage de graisse corporelle estimé à partir des équations de Jackson et Pollock (1985).
Les corrélations de Pearson ont été utilisées pour explorer la relation entre les estimations de la masse grasse tirées de la méthode du pied à coulisse (pourcentage de graisse corporelle et masse grasse en kilogrammes) et de la BIA (pourcentage de graisse corporelle et masse grasse en kilogrammes), séparément pour les hommes et les femmes. Les résultats présentés dans le tableau 3 indiquent que les valeurs de graisse corporelle dérivées des pieds à coulisse et de la BIA étaient significativement, positivement corrélées pour les deux échantillons d’hommes et de femmes.
Les estimations du pourcentage de graisse corporelle par le pied à coulisse (Mfemmes = 22.15, ET = 4,59 ; Homme = 14,55, ET = 5,04) et de la BIA (Mfemme = 23,42, ET = 5,03 ; Homme = 15,16, ET = 3,81) n’étaient pas significativement différentes, tant pour les hommes t(25) = -0,87, p = 0,395 que pour les femmes t(21) = -1,78, p = 0,090. Cette bonne concordance est illustrée par les tracés Altman-Bland entre les estimations de la BIA et du calibreur dans la figure 3, et est cohérente avec les études précédentes (voir par exemple Kitano et al., 2001 ; Wattanapenpaiboon et al., 1998).
Fiabilité intra-individuelle de la BIA
Pour évaluer la fiabilité de la BIA, des mesures répétées ont été prises sur un sous-ensemble de participants (9 femmes ; MBMI = 21,88, SD = 2,09) au cours des mêmes sessions auxquelles ils ont participé. Une corrélation de Pearson a été calculée afin d’étudier les relations entre les variables de composition corporelle (masse grasse, pourcentage de graisse, masse musculaire et masse sans graisse) aux deux moments. Toutes les valeurs de composition corporelle à T1 et T2 étaient significativement et positivement corrélées (r > .99, p < .001). La comparaison entre les mesures aux deux points temporels a démontré une excellente concordance, le coefficient de corrélation intraclasse (ICC) pour chaque variable étant supérieur à 0,99 (p < 0,001).
Mappage de la forme du corps en 3D sur la composition corporelle
Forme du corps
En utilisant un logiciel MATLAB personnalisé, nous avons exclu les coordonnées 3D associées aux points se référant à la tête, au cou, aux mains et aux pieds dans les scans traités. Les 26 665 coordonnées restantes décrivaient les jambes, les bras et le torse. La forme 3D moyenne de l’ensemble a ensuite été calculée, et toutes les formes individuelles ont ensuite été ajustées à cette moyenne en utilisant l’analyse de Procrustes afin de minimiser les différences idiosyncratiques dans la position du corps. Il est important de noter que seules la translation et la rotation orthogonale ont été utilisées afin de préserver les aspects du changement de forme liés à la mise à l’échelle (c’est-à-dire la taille).
Puis, chaque forme individuelle a été convertie en un vecteur de 79 995 nombres (26 665 points × 3 coordonnées), ces vecteurs étant entrés dans une analyse en composantes principales (ACP). Le sous-espace résultant comprend c – 1 dimensions, où c est le nombre d’identités. Pour chaque dimension du sous-espace séparément, nous avons effectué une régression linéaire. Les mesures de la masse grasse (FATM) et de la masse musculaire squelettique (SMM) de toutes les identités, tirées de la BIA, ont été utilisées pour prédire leur emplacement le long de cette dimension spécifique, les valeurs des deux coefficients et de la constante nous permettant ensuite de modéliser le changement de forme. Il n’était pas important de savoir si ces régressions étaient statistiquement significatives, puisque chacune d’entre elles décrivait simplement la relation entre les deux mesures corporelles et la forme pour une dimension donnée du sous-espace – si aucune relation n’existait, les coefficients seraient faibles et leur effet sur le changement de forme dans le modèle le refléterait. En utilisant les résultats de ces régressions, nous avons donc pu prédire les emplacements le long de toutes les dimensions du sous-espace pour toute paire donnée de valeurs FATM et SMM. Pour l’emplacement spécifique identifié dans l’espace multidimensionnel, la forme 3D pouvait alors être reconstruite et visualisée (voir la figure 4).
Étant donné que notre modèle de changement de forme a été dérivé d’une base de données spécifique de scans 3D (représentant les valeurs typiques de la population à la fois pour le FATM et le SMM), nous avons choisi de considérer et de discuter notre modèle prédictif uniquement dans les limites des valeurs réelles de notre échantillon. En d’autres termes, nous n’avons pas exploré comment la forme du corps pourrait varier en dehors des valeurs les plus basses et les plus hautes qui ont été mesurées dans nos identités (voir Fig. 5).
Comparaison de notre modèle aux prédictions basées sur l’IMC
Pour les corps de notre échantillon, nous avons étudié la capacité du modèle à prédire la forme du corps par rapport à l’IMC. Pour ce faire, nous avons utilisé une stratégie » leave-one-out » afin de déterminer comment de nouvelles formes de test pouvaient être prédites à partir d’un échantillon de formes d’entraînement. Nous avons passé en revue chaque identité, en retirant son scan 3D de l’échantillon et en utilisant les scans des identités restantes dans le modèle « PCA + régressions » de changement de forme décrit ci-dessus. En plus de notre modèle FATM/SMM, nous avons modélisé séparément le changement de forme en utilisant les valeurs d’IMC de nos identités. (Comme ci-dessus, les mesures de l’IMC des identités d’entraînement ont été utilisées pour prédire leurs emplacements le long de chaque dimension PCA, les valeurs du coefficient et de la constante nous permettant de modéliser le changement de forme.)
Le scan de l’identité exclue a ensuite été comparé à la forme 3D prédite pour cette identité sur la base de ses mesures de FATM et SMM, et séparément, à la forme 3D prédite sur la base de sa mesure de l’IMC. Afin de quantifier l’erreur lors de la comparaison de ces formes prédites avec les scans originaux, nous avons calculé la distance en » ligne droite » dans l’espace 3D entre chaque point original et son emplacement prédit, puis nous avons calculé la moyenne de ces distances pour tous les points. Ici, nous n’avons considéré que les 12 697 points représentant le torse, ce qui nous a permis d’éliminer les erreurs de prédiction inhérentes aux bras et aux jambes en raison de leur positionnement. (Bien que des instructions standard aient été données aux participants pendant la numérisation, aucune contrainte n’a été imposée sur l’emplacement des pieds et des mains dans les numérisations résultantes.)
Pour chaque identité, nous avons donc calculé cette mesure de l’erreur lors de la prédiction de la forme 3D (exclue de l’échantillon utilisé pour dériver les modèles) à partir du FATM et du SMM, et séparément, de l’IMC. Pour notre échantillon masculin, un test t sur échantillons appariés comparant ces deux mesures d’erreur a confirmé que notre modèle FATM/SMM (M = 1,71, SD = 0,49) était plus performant que le modèle IMC (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, d de Cohen = 0,44. Ce résultat a également été constaté pour notre échantillon de femmes (modèle FATM/SMM – M = 1,59, ET = 0,51 ; modèle IMC – M = 1,71, ET = 0,57), t(220) = 5,18, p < .001, d de Cohen = 0,35. En d’autres termes, pour les hommes et les femmes, nous avons été mieux en mesure de prédire la forme 3D en utilisant un modèle incorporant le FATM et le SMM par rapport à un modèle basé sur l’IMC.
Les figures 6 et 7 illustrent ce résultat en affichant les erreurs de prédiction de forme pour deux identités spécifiques (une femme et un homme, respectivement), en comparant les formes 3D prédites des deux modèles les unes à côté des autres. Afin de générer ces affichages, nous avons trouvé l’erreur maximale pour tous les points dans les deux modèles pour l’identité présentée, puis nous avons converti les erreurs de prédiction pour chaque point en une proportion de ce maximum. (Pour toutes les identités : erreur maximale moyenne des femmes, M = 4,36 cm, écart-type = 2,76 cm ; erreur maximale moyenne des hommes, M = 4,29 cm, écart-type = 1,11 cm). Ainsi, les points de couleur de plus en plus chaude dans les figures représentent des erreurs plus importantes sur la même échelle. Pour les exemples illustrés dans les figures 6 et 7, les erreurs les plus importantes pour le modèle IMC (affichées sur le côté droit dans les deux figures) semblent être concentrées, pour la plupart, dans la partie supérieure du torse. Comme on peut le voir, les erreurs pour le modèle IMC sont plus importantes pour l’exemple masculin, ce qui reflète la plus grande variation de la graisse et des muscles chez les hommes que le modèle IMC unidimensionnel ne peut pas capturer avec précision.
Prédire les changements individuels
Au-dessus, nous avons décrit notre modèle de changement de forme basé sur FATM et SMM, et comment celui-ci était capable de prédire la forme du corps pour une paire de valeurs donnée. Cependant, ce processus de modélisation peut également être utilisé pour prédire comment la forme du corps d’un individu donné changerait avec une augmentation ou une diminution des valeurs de graisse et de muscle. Nous générons simplement le modèle pour FATM/SMM décrit ci-dessus (ACP + régressions), puis nous appliquons les changements prédits de la forme qui sont associés à un changement de ces deux mesures. Plutôt que de visualiser ces changements le long des diverses composantes principales en termes de forme corporelle moyenne (ci-dessus), notre point de départ dans l’espace multidimensionnel est la forme de l’individu lui-même. En tant que tel, les changements de forme prédits sont appliqués à une personne spécifique, permettant des prédictions guidées par les données concernant la façon dont un individu pourrait varier (voir les figures 8 et 9).
Tâche comportementale
Pour obtenir des participants des jugements sur la taille/la forme du corps, nous utiliserons la méthode de l’ajustement. La tâche sera conçue de manière à ce que la masse graisseuse et musculaire d’un stimulus de modèle CGI présenté sur un moniteur PC puisse être manipulée en douceur, en temps réel. À l’aide de deux séries de boutons fléchés sur l’écran, les participants pourront modifier systématiquement la masse graisseuse et musculaire du stimulus. À chaque essai de la tâche, le modèle CGI se verra attribuer une combinaison arbitraire de masse graisseuse et musculaire comme point de départ. Le travail du participant consistera à modifier le modèle CGI de manière à capturer au mieux la taille/forme du corps qu’il pense avoir, s’il fait une auto-estimation de sa taille, ou qu’il aimerait avoir, s’il fait une estimation de la taille/forme idéale de son corps. Une fois que le participant est satisfait de son choix de composition corporelle sur chaque essai, il appuiera sur un bouton de réponse qui permettra d’enregistrer la combinaison de masse musculaire et de masse grasse pour cet essai, et de lancer un nouvel essai.
Selon la psychophysique classique (Gescheider, 1997), la moyenne des valeurs de masse musculaire et de masse grasse, respectivement, représentera une estimation du point d’égalité subjective (PSE) pour la composition corporelle que le participant pense avoir, ou aimerait avoir (selon les instructions de la tâche). De plus, les écarts types de ces moyennes représentent le limen de différence (DL), une mesure de la sensibilité ou de la précision de la tâche. La figure 10 montre une simulation de Monte Carlo visant à estimer la variabilité des estimations de la DL en fonction du nombre d’essais dans la tâche de la méthode d’ajustement. La simulation a été effectuée pour des valeurs DL cibles de 0,5, 1,0 et 2,0. Ces valeurs devaient être estimées à partir de tâches comprenant 5, 10, 20, 30, 40, 50, 60, 70, 80 et 90 essais. Chaque point de données de la figure 10 est dérivé de 10 000 rééchantillons. Il montre une région coudée autour de 20-60 essais par participant, ce qui suggère qu’environ ce nombre devrait être suffisant pour obtenir des estimations stables de DL.
Analyse des données comportementales
Les corrélations de Pearson entre la masse grasse mesurée et la masse musculaire chez les hommes et les femmes qui ont accepté d’être scannés corporellement en 3D étaient r = 0.45, p < .001, et r = 0,38, p < .001, respectivement. Cela signifie que les valeurs de masse grasse et de masse musculaire obtenues à partir des estimations de la composition corporelle, dans la tâche de la méthode d’ajustement, sont également très susceptibles d’être corrélées. Si elles n’étaient pas corrélées, nous pourrions alors modéliser les composantes graisseuses et musculaires des réponses des participants à l’aide de modèles de régression multiple distincts. Dans le cas présent, nous supposons qu’il est peu probable que ce soit le cas. Par conséquent, pour cartographier les relations entre la composition corporelle que les participants ont réellement par rapport à la composition corporelle qu’ils pensent avoir (ou qu’ils aimeraient avoir), nous devrons utiliser la régression multivariée.
Le modèle linéaire multivarié standard peut être écrit comme suit : Y = XB + E. Y est une matrice n × r de r variables de réponse mesurées sur n sujets ; X est une matrice n × p de variables explicatives ; B est une matrice p × r de coefficients de régression ; et E est une matrice » d’erreur » n × r dont les lignes sont indépendantes et identiquement distribuées normalement avec une moyenne 0 et une matrice de covariance Σ. Voici un exemple simple avec deux réponses et une variable explicative (en plus d’un terme d’interception) mesurées sur trois sujets.
Nous avons utilisé ici PROC MIXED dans SAS (v9.4) pour mettre en œuvre deux régressions multivariées d’ensembles de données jouets destinés à représenter les types de réponses que nous pourrions attendre des estimations de la composition corporelle en utilisant la méthode 2D de la tâche d’ajustement (voir également Wright, 1998). Dans les deux cas, nous avons comme variables explicatives : (i) la masse grasse mesurée des participants, (ii) la masse musculaire squelettique mesurée des participants, et (iii) une covariable psychométrique liée aux attitudes et aux comportements des participants concernant la musculature. Pour simuler les deux variables de résultat de la tâche de méthode d’ajustement chez les hommes, c’est-à-dire la masse musculaire estimée et la masse grasse estimée, nous supposons une covariance entre les deux masses musculaires et grasses mesurées des participants de 0,45, et des covariances entre la covariable psychométrique et les masses grasses et musculaires mesurées de 0 et 0, respectivement.
Le premier scénario est celui dans lequel les participants masculins devaient estimer leur propre composition corporelle. Dans cette simulation, nous avons supposé qu’ils surestimaient à la fois leur masse grasse et leur masse musculaire de 1 unité en moyenne (voir le tableau 4 pour le résumé des valeurs des paramètres). Nous avons également autorisé une contribution supplémentaire et statistiquement indépendante à l’estimation de la masse musculaire provenant de la tâche psychométrique : des scores plus élevés à cette tâche étaient associés à des estimations plus élevées de la masse musculaire. Dans le deuxième scénario, les participants masculins ont été invités à estimer leur composition corporelle idéale. Pour cette simulation, nous avons supposé que les performances psychométriques des participants n’étaient pas liées à leurs réponses et que tous les participants avaient tendance à converger vers un idéal commun avec une faible masse graisseuse et une masse musculaire élevée. Les paramètres de simulation individuels, leurs estimations dérivées de la régression multivariée et les statistiques globales de l’analyse multivariée de la variance (MANOVA) sont présentés dans le tableau 4. En outre, ces résultats sont tracés dans la figure 11.
.