Verder dan BMI voor zelfinschatting van lichaamsgrootte en -vorm: A new method for developing stimuli correctly calibrated for body composition

Schattingen van de totale vetmassa werden ook berekend op basis van het totale lichaamsgewicht van de deelnemers en hun geschatte percentage lichaamsvet op basis van de vergelijkingen van Jackson en Pollock (1985).

Pearson’s correlaties werden gebruikt om het verband te onderzoeken tussen vetschattingen op basis van de calliper-methode (lichaamsvetpercentage en vetmassa in kilogram) en BIA (lichaamsvetpercentage en vetmassa in kilogram), afzonderlijk voor mannen en vrouwen. De resultaten in tabel 3 geven aan dat de lichaamsvetwaarden afgeleid van de schuifmaat en de BIA significant positief gecorreleerd waren voor beide steekproeven van mannen en vrouwen.

De lichaamsvetpercentage-schattingen van de schuifmaat (Mwomen = 22.15, SD = 4.59; Mm-man = 14.55, SD = 5.04) en BIA (Vrouwen = 23.42, SD = 5.03; Mm-man = 15.16, SD = 3.81) waren niet significant verschillend, voor zowel mannen t(25) = -0.87, p = .395 en vrouwen t(21) = -1.78, p = .090. Deze goede overeenkomst wordt geïllustreerd door de Altman-Bland plots tussen BIA- en calliper-schattingen in fig. 3, en is consistent met eerdere studies (zie bijv. Kitano et al., 2001; Wattanapenpaiboon et al., 1998).

Bland-Altman plots van de verschillen tussen BIA- en calliper-schattingen van het percentage lichaamsvet. Het gemiddelde verschil is -0,61 en -1,27 voor respectievelijk mannen en vrouwen. De grenzen van overeenstemming worden aangegeven door de bovenste en onderste ononderbroken lijnen die de 95% CI’s weergeven

BIA intra-individuele betrouwbaarheid

Om de betrouwbaarheid van de BIA te beoordelen, werden bij een deel van de deelnemers (9 vrouwen; MBMI = 21,88, SD = 2,09) herhaalde metingen verricht tijdens dezelfde sessies waaraan zij deelnamen. Er werd een Pearson’s correlatie berekend om de relaties tussen de variabelen van de lichaamssamenstelling (vetmassa, vetpercentage, spiermassa en vetvrije massa) op de twee tijdstippen te onderzoeken. Alle waarden voor lichaamssamenstelling op T1 en T2 waren significant, positief gecorreleerd (r > .99, p < .001). Vergelijking tussen de metingen op beide tijdstippen toonde een uitstekende overeenkomst, waarbij de intraclass correlatiecoëfficiënt (ICC) voor elke variabele groter was dan .99 (p < .001).

Mapping 3D body shape onto body composition

Body shape

Met behulp van aangepaste MATLAB-software hebben we de 3D-coördinaten uitgesloten die geassocieerd zijn met punten die verwijzen naar het hoofd, de nek, de handen en de voeten in de verwerkte scans. De resterende 26.665 coördinaten beschreven de benen, armen, en torso. De gemiddelde 3D vorm voor de set werd vervolgens berekend, en alle individuele vormen werden vervolgens aangepast aan dit gemiddelde met behulp van Procrustes analyse om idiosyncratische verschillen in lichaamspositie te minimaliseren. Het is belangrijk op te merken dat alleen translatie en orthogonale rotatie werden gebruikt om die aspecten van vormverandering te behouden die verband houden met schaling (d.w.z. grootte).

Daarna werd elke individuele vorm omgezet in een vector van 79.995 getallen (26.665 punten × 3 coördinaten), en deze vectoren werden ingevoerd in een principale componentenanalyse (PCA). De resulterende subruimte bestond uit c – 1 dimensies, waarbij c het aantal identiteiten is. Voor elke dimensie in de subruimte afzonderlijk voerden we een lineaire regressie uit. De metingen van de vetmassa (FATM) en de skeletspiermassa (SMM) van alle identiteiten, afkomstig van de BIA, werden gebruikt om hun plaats op die specifieke dimensie te voorspellen, waarbij de waarden van de twee coëfficiënten en de constante ons vervolgens in staat stelden de vormverandering te modelleren. Het was niet belangrijk na te gaan of deze regressies statistisch significant waren, aangezien elke regressie gewoon de relatie tussen de twee lichaamsmaten en de vorm voor een bepaalde subruimtedimensie beschreef – als er geen relatie bestond, dan zouden de coëfficiënten klein zijn, en hun effect op de vormverandering in het model zou dit weerspiegelen. Met behulp van de resultaten van deze regressies waren we dus in staat om locaties langs alle subruimtedimensies te voorspellen voor elk gegeven paar van FATM- en SMM-waarden. Voor de specifieke locatie die in de multidimensionale ruimte werd geïdentificeerd, kon vervolgens de 3D-vorm worden gereconstrueerd en gevisualiseerd (zie fig. 4).

Met het visualisatie-instrument kan de lichaamsvorm worden voorspeld voor een gegeven paar FATM- en SMM-waarden. De bovenste rij toont de gemiddelde vrouwelijke lichaamsvorm en de onderste rij toont het gemiddelde mannelijke lichaam

Gezien het feit dat ons model van vormverandering is afgeleid van een specifieke database van 3D-scans (die typische bevolkingswaarden van zowel FATM als SMM vertegenwoordigen), hebben we ervoor gekozen om ons voorspellende model alleen te bekijken en te bespreken binnen de grenzen van de werkelijke waarden van onze steekproef. Met andere woorden, we hebben niet onderzocht hoe de lichaamsvorm zou kunnen variëren buiten de laagste en hoogste waarden die in onze identiteiten werden gemeten (zie fig. 5).

Visualisaties van de mannelijke (links) en vrouwelijke (rechts) voorspelde lichaamsvorm bij de hoogste, middelste, en laagste waarden van FATM en SMM voor onze steekproef

Vergelijking van ons model met voorspellingen op basis van BMI

Voor lichamen in onze steekproef hebben we onderzocht hoe goed het model in staat was om de lichaamsvorm te voorspellen in vergelijking met BMI. Om dit te doen, gebruikten we een “leave-one-out” strategie om te bepalen hoe nieuwe testvormen konden worden voorspeld uit een steekproef van trainingsvormen. We doorliepen elke identiteit, verwijderden hun 3D scan uit de steekproef en gebruikten de scans van de overblijvende identiteiten in het hierboven beschreven ‘PCA + regressies’ model van vormverandering. Naast ons FATM/SMM-model hebben we vormverandering apart gemodelleerd met behulp van de BMI-waarden van onze identiteiten. (Zoals hierboven, werden de BMI-waarden van de identiteiten in de training gebruikt om hun locaties langs elke PCA-dimensie te voorspellen, waarbij de waarden van de coëfficiënt en de constante ons in staat stelden vormverandering te modelleren.)

De scan van de uitgesloten identiteit werd vervolgens vergeleken met de voorspelde 3D-vorm voor die identiteit op basis van hun FATM- en SMM-waarden, en afzonderlijk, de voorspelde 3D-vorm op basis van hun BMI-waarde. Om de fout te kwantificeren bij het vergelijken van deze voorspelde vormen met de originele scans, berekenden we de ‘rechte lijn’-afstand in 3D-ruimte tussen elk origineel punt en zijn voorspelde locatie, en vervolgens namen we het gemiddelde van deze afstanden over alle punten. Hier beschouwden we alleen de 12.697 punten die de romp vertegenwoordigden, waardoor we voorspellingsfouten die inherent zijn aan de armen en benen als gevolg van hun positionering konden verwijderen. (Hoewel de deelnemers tijdens het scannen standaardinstructies kregen, werden geen beperkingen opgelegd aan de plaats van de voeten en handen in de resulterende scans.)

Voor elke identiteit berekenden we daarom deze foutmaat bij het voorspellen van 3D-vorm (uitgesloten van de steekproef die werd gebruikt bij het afleiden van de modellen) op basis van FATM en SMM, en afzonderlijk, op basis van BMI. Voor onze mannelijke steekproef bevestigde een gepaarde-samples t-test die deze twee foutmaten vergeleek, dat ons FATM/SMM-model (M = 1,71, SD = 0,49) beter presteerde dan het BMI-model (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, Cohen’s d = 0,44. Dit resultaat werd ook gevonden voor onze vrouwelijke steekproef (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. Met andere woorden, voor zowel mannen als vrouwen waren we beter in staat om 3D vorm te voorspellen met behulp van een model dat FATM en SMM incorporeert in vergelijking met een model gebaseerd op BMI.

Figuren 6 en 7 illustreren dit resultaat door de fouten in vormvoorspelling weer te geven voor twee specifieke identiteiten (een vrouw en een man, respectievelijk), waarbij we de voorspelde 3D vormen van de twee modellen naast elkaar vergelijken. Om deze weergaven te genereren, vonden we de maximale fout voor alle punten over beide modellen voor de betrokken identiteit, en converteerden we vervolgens de voorspellingsfouten voor elk punt tot een proportie van dit maximum. (Over alle identiteiten: gemiddelde vrouwelijke maximumfout, M = 4,36 cm, SD = 2,76 cm; gemiddelde mannelijke maximumfout, M = 4,29 cm, SD = 1,11 cm). De steeds warmer gekleurde punten in de figuren staan dus voor grotere fouten op dezelfde schaal. Voor de voorbeelden in Fig. 6 en 7 lijken de grotere fouten voor het BMI-model (weergegeven aan de rechterkant in beide figuren) voor het grootste deel geconcentreerd te zijn in de bovenlichaamsbouw. Zoals te zien is, zijn de fouten voor het BMI-model groter voor het mannelijke voorbeeld, wat de grotere variatie in vet en spieren bij mannen weerspiegelt, die het eendimensionale BMI-model niet nauwkeurig kan weergeven.

Weergave van voorspellingsfouten voor de 3D-vorm van een voorbeeld van een vrouwelijke identiteit. De fouten voor het FATM/SMM-model (links) en het BMI-model (rechts) worden getoond, waarbij de warmer gekleurde punten grotere fouten in de voorspelling van deze vorm weergeven

Weergave van de voorspelfouten voor de 3D-vorm van een voorbeeld van een mannelijke identiteit. Fouten voor de FATM/SMM (links) en BMI (rechts) modellen worden getoond, waarbij warmer gekleurde punten staan voor grotere fouten in de voorspelling voor deze vorm

Voorspellen van individuele veranderingen

Hierboven hebben we ons model van vormverandering op basis van FATM en SMM beschreven, en hoe dit in staat was om de lichaamsvorm te voorspellen voor een gegeven paar waarden. Dit modelleerproces kan echter ook worden gebruikt om te voorspellen hoe de lichaamsvorm van een bepaald individu zou veranderen bij een toe- of afname van de vet- en spierwaarden. We genereren gewoon het hierboven beschreven model voor FATM/SMM (PCA + regressies) en passen dan de voorspelde veranderingen in vorm toe die samenhangen met een verandering in deze twee maten. In plaats van deze verschuivingen langs de verschillende hoofdcomponenten te visualiseren in termen van de gemiddelde lichaamsvorm (zie hierboven), is ons uitgangspunt in de multidimensionele ruimte de vorm van het individu zelf. Als zodanig worden voorspelde vormveranderingen toegepast op een specifieke persoon, waardoor gegevensgestuurde voorspellingen mogelijk worden over hoe een individu zou kunnen variëren (zie fig. 8 en 9).

Voorspellen van vormverandering voor een specifieke vrouw. De originele 3D-scan (links; FATM = 26,6 kg, SMM = 32,7 kg), en hoe de vorm van de vrouw naar verwachting zal veranderen als ze haar FATM zou halveren (rechts)

Voorspelling van de vormverandering voor een specifieke man. De originele 3D-scan (links; FATM = 7,0 kg, SMM = 29,9 kg), en hoe de vorm van de man naar verwachting zal veranderen als hij zijn SMM verdubbelt (rechts)

Gedragstaak

Om van de deelnemers oordelen te krijgen over lichaamsgrootte/vorm, zullen we de methode van aanpassing gebruiken. De taak zal zo worden ontworpen dat de vet- en spiermassa van een CGI-modelstimulus die op een PC-monitor wordt gepresenteerd, soepel, in real time, kan worden gemanipuleerd. Met behulp van twee sets pijltjestoetsen op het scherm kunnen de deelnemers de vet- en spiermassa van de stimulus systematisch veranderen. Bij elke proef in de taak krijgt het CGI-model een willekeurige combinatie van vet- en spiermassa als beginpunt toegewezen. De taak van de deelnemer bestaat erin het CGI-model zo aan te passen dat het de lichaamsgrootte/vorm weergeeft die hij/zij zelf denkt te hebben, indien hij/zij zelf de lichaamsgrootte schat, of zou willen hebben, indien hij/zij een schatting maakt van de ideale lichaamsgrootte/vorm. Zodra de deelnemer tevreden is met zijn keuze van lichaamssamenstelling voor elke proef, drukt hij op een antwoordknop waarmee de spier- en vetmassa-combinatie voor die proef wordt geregistreerd, en een nieuwe proef wordt gestart.

Volgens de klassieke psychofysica (Gescheider, 1997) zal het gemiddelde van de spier- en vetmassa-waarden respectievelijk een schatting vertegenwoordigen van het punt van subjectieve gelijkheid (PSE) voor de lichaamssamenstelling die de deelnemer denkt te hebben, of zou willen hebben (afhankelijk van de taakinstructie). Bovendien vertegenwoordigen de standaardafwijkingen van deze gemiddelden de verschilgrenzen (DL), een maat voor de taakgevoeligheid of precisie. Figuur 10 toont een Monte Carlo simulatie om de variabiliteit in DL schattingen te schatten als functie van het aantal trials in de methode van aanpassing taak. De simulatie werd uitgevoerd voor DL-doelwaarden van 0,5, 1,0 en 2,0. Deze moesten worden geschat op basis van taken die bestonden uit 5, 10, 20, 30, 40, 50, 60, 70, 80 en 90 proeven. Elk gegevenspunt in Fig. 10 is afgeleid van 10.000 resamples. Het toont een ellebooggebied rond 20-60 proeven per deelnemer, wat suggereert dat ongeveer dit aantal voldoende zou moeten zijn om stabiele schattingen van DL te verkrijgen.

Plots van de variabiliteit in DL-schattingen als functie van het aantal trials in de methode van aanpassingstaak

Gedragsgegevensanalyse

De Pearson-correlaties tussen gemeten vetmassa en spiermassa bij de mannen en vrouwen die ermee instemden een 3D-bodyscan te ondergaan, waren r = 0.45, p < .001, en r = 0,38, p < .001, respectievelijk. Dit betekent dat de vet- en spiermassawaarden verkregen uit de schattingen van de lichaamssamenstelling, in de methode van de aanpassingstaak, ook zeer waarschijnlijk gecorreleerd zijn. Indien zij niet gecorreleerd zouden zijn, dan zouden wij de vet- en spiercomponenten van de antwoorden van de deelnemers met afzonderlijke meervoudige regressiemodellen kunnen modelleren. Hier gaan we ervan uit dat dit waarschijnlijk niet het geval zal zijn. Om de relaties tussen de lichaamssamenstelling die de deelnemers werkelijk hebben en de lichaamssamenstelling die ze denken te hebben (of zouden willen hebben) in kaart te brengen, zullen we daarom gebruik moeten maken van multivariate regressie.

Het standaard multivariate lineaire model kan worden geschreven als Y = XB + E. Y is een n × r matrix van r responsvariabelen gemeten bij n proefpersonen; X is een n × p matrix van verklarende variabelen; B is een p × r matrix van regressiecoëfficiënten; en E is een n × r “fouten”-matrix waarvan de rijen onafhankelijk en identiek normaal verdeeld zijn met gemiddelde 0 en covariantiematrix Σ. Hieronder volgt een eenvoudig voorbeeld met twee antwoorden en één verklarende variabele (naast een interceptterm) gemeten bij drie proefpersonen.

Hiervoor hebben we PROC MIXED in SAS (v9.4) om twee multivariate regressies van speelgoeddatasets uit te voeren, bedoeld om het soort reacties weer te geven dat we zouden kunnen verwachten van schattingen van de lichaamssamenstelling met behulp van de 2D-methode van aanpassingstaak (zie ook Wright, 1998). In beide gevallen hebben we als verklarende variabelen: (i) de gemeten vetmassa van de deelnemers, (ii) de gemeten skeletspiermassa van de deelnemers, en (iii) een psychometrisch covariaat dat verband houdt met de attitudes en gedragingen van de deelnemers ten aanzien van gespierdheid. Om de twee uitkomstvariabelen van de methode van aanpassingstaak bij mannen te simuleren, d.w.z. geschatte spiermassa en geschatte vetmassa, veronderstellen we een covariantie tussen de twee gemeten spier- en vetmassa’s van de deelnemers van 0,45, en covarianties tussen het psychometrische covariaat en de gemeten vet- en spiermassa’s van respectievelijk 0 en 0.

Het eerste scenario is er een waarin mannelijke deelnemers werd gevraagd hun eigen lichaamssamenstelling te schatten. In deze simulatie veronderstelden wij dat zij zowel hun vet- als spiermassa gemiddeld met 1 eenheid overschatten (zie tabel 4 voor een overzicht van de parameterwaarden). We lieten ook toe dat de psychometrische taak een extra, statistisch onafhankelijke bijdrage leverde aan de schatting van de spiermassa: hogere scores op deze taak hingen samen met hogere schattingen van de spiermassa. In het tweede scenario werd mannelijke deelnemers gevraagd hun ideale lichaamssamenstelling in te schatten. Voor deze simulatie veronderstelden we dat de psychometrische prestaties van de deelnemers geen verband hielden met hun antwoorden, en dat alle deelnemers neigden naar een gemeenschappelijk ideaal met een laag lichaamsvet en een hoge spiermassa. De individuele simulatieparameters, hun schattingen afgeleid uit multivariate regressie, en de algemene multivariate analyse van variantie (MANOVA) statistieken zijn weergegeven in Tabel 4. Bovendien worden deze resultaten uitgezet in fig. 11.

Zowel de linker- als de rechterkolom geven grafieken weer van de spiermassa (y-as) als functie van de vetmassa (x-as). Alle waarden zijn in z-scores. Rijen (a) en (b) komen overeen met de eerste simulatie van zelfschattingen van lichaamsgrootte/-vorm. Rijen (c) en (d) komen overeen met de tweede simulatie van ideale schattingen van lichaamsgrootte/-vorm. De linkerkolom geeft de ruwe gegevens weer. In elke rij vertegenwoordigen de zwarte stippen de gemeten lichaamssamenstelling van de deelnemers. De gekleurde stippen vertegenwoordigen de antwoorden van de aanpassingsmethode-taak; groene stippen komen overeen met personen met psychometrische scores in de hoogste 30%, en rode stippen met personen met psychometrische scores in de laagste 30%. De rechterkolom is een reeks vectorplots die de gemeten lichaamssamenstelling van een individu (begin van de pijl) verbinden met de uit de multivariate modellen voorspelde lichaamssamenstelling (einde van de pijl)