- 3D coleção da base de dados da forma corporal
- Participantes
- Equipamento
- 3dMD scanner
- Analizador de composição corporal Tanita
- Procedimento
- Processamento da varredura
- Fiabilidade e validade da composição corporal
- Validação das medições de gordura corporal do BIA
- Fiabilidade intra-individual do BIA
- Mapping 3D body shape onto body composition
- Body shape
- Comparando nosso modelo com previsões baseadas no IMC
- Prever mudanças individuais
- Tarefa comportamental
- Análise de dados comportamentais
3D coleção da base de dados da forma corporal
Participantes
Permissao ética foi concedida pelo Comitê de Ética em Pesquisa da Escola de Psicologia (SOPREC) da Universidade de Lincoln (código de aprovação PSY1718350). Um total de 560 adultos de 18-74 anos de idade foram recrutados de funcionários e estudantes da Universidade de Lincoln e da população em geral em Lincoln e arredores. Apenas incluímos dados de adultos caucasianos de 18-45 anos nesta análise particular, uma vez que o padrão de deposição de gordura varia em diferentes grupos raciais e etários (Gallagher et al. 1996; Misra & Khurana, 2011; Wells, Cole, Brunner, & Treleaven, 2008). A amostra final (n = 397) compreendia 176 homens (Mage = 28,84, SD = 7,99) e 221 mulheres (Mage = 29,14, SD = 8,18). Não foi realizado nenhum rastreio de distúrbios alimentares, pelo que é possível que alguns participantes tenham tido um distúrbio alimentar, mas nenhum deles se identificou como tal. A Tabela 1 resume as medidas antropométricas e de composição corporal dos participantes, e a Tabela 2 resume a distribuição da categoria IMC da amostra, separadamente para homens e mulheres.
Equipamento
3dMD scanner
Alta resolução, A digitalização do corpo em 3D de cada participante foi obtida usando um sistema de imagens antropométricas de superfície 3dMD. O scanner de corpo inteiro 360° incorpora nove unidades de câmara modulares, que estão distribuídas em torno de um círculo de aproximadamente 4 m de diâmetro, com o mesmo espaçamento entre os módulos. O participante a ser digitalizado fica no meio deste círculo. Cada unidade contém duas câmaras monocromáticas e um projector de manchas para capturar a geometria do corpo, e uma câmara a cores para capturar a textura do corpo. As câmeras speckle projetaram automaticamente um padrão de luz padrão no corpo quando as câmeras mono estavam capturando uma imagem, enquanto os painéis de diodos emissores de luz foram ligados quando a câmera colorida estava capturando uma imagem. O scanner foi configurado para capturar sete quadros por segundo, com um total de 20 segundos necessários para cada digitalização 3D do corpo. A saída do sistema 3dMD incluiu uma malha de superfície poligonal 3D de corpo inteiro com coordenadas X, Y e Z, bem como uma textura de superfície mapeada. A precisão geométrica para este sistema é aproximadamente 0,5 mm ou inferior (3dMD, 2019).
Analizador de composição corporal Tanita
As medidas de composição corporal foram obtidas utilizando um analisador de composição corporal multi-frequência segmentar Tanita MC-780MA. Este dispositivo utiliza a análise de impedância bioeléctrica de oito eléctrodos (BIA) para enviar uma corrente eléctrica fraca e indetectável através do corpo para estimar a composição corporal de uma pessoa utilizando uma corrente de alta-frequência (50 kHz, 90 μa). A escala produz medidas totais do corpo de gordura corporal, músculo esquelético, classificação de gordura visceral, conteúdo de água, massa óssea, IMC e taxa metabólica basal. As estimativas de gordura corporal e muscular (massa e percentagem) separadas para segmentos individuais do corpo, incluindo o tronco central, braço direito, perna direita, braço esquerdo e perna esquerda, também são emitidas. As saídas do dispositivo são calibradas para o sexo, idade e altura do indivíduo a ser medido, com esta informação sendo introduzida pelo operador. Os resultados obtidos com a análise de impedância bio-elétrica Tanita foram mostrados como estando dentro de ±5% da pesagem subaquática e absorção de raios X de energia dupla (DEXA), os padrões ‘ouro’ da análise de composição corporal (Völgyi et al. 2008; Sillanpää et al., 2014).
Procedimento
Participantes foram primeiro digitalizados usando o scanner corporal 3dMD. Durante a varredura de 20 s, os participantes foram convidados a ficar no centro do espaço em torno do qual as câmeras foram distribuídas, com os pés afastados na largura dos ombros. Para capturar uma gama de posições de braços, os participantes foram convidados a levantar lentamente os braços até ao nível dos ombros, com as mãos no punho. Os participantes receberam roupa interior cinzenta e apertada em vários tamanhos para garantir que a forma do corpo não fosse disfarçada pela roupa. Foi pedido aos homens que usassem calções estilo boxer enquanto as mulheres usavam um sutiã e calções desportivos (ver Fig. 2). Em seguida, a altura em pé foi medida (até o centímetro mais próximo) usando um estadiômetro depois que os participantes foram instruídos a se levantarem em linha reta e virados para frente. Finalmente, as medições da composição corporal foram feitas usando o analisador de composição corporal Tanita. Este processo durou aproximadamente 20 minutos.
Processamento da varredura
Um quadro adequado de cada varredura de 20 segundos foi selecionado usando o software 3dMD antes do processamento das varreduras. Este quadro foi escolhido para retratar o indivíduo de pé com os braços afastados do corpo em uma ‘A-pose’. As varreduras 3D foram então processadas usando o software Wrap3 (versão 3.3.17, Russian3DScanner, 2018) a fim de reparar qualquer segmento perdido e remover qualquer topologia não-manifold ou componentes irrelevantes de cada varredura. Uma malha base de modelo foi enrolada ao redor das varreduras individuais, combinando 36 pontos pré-selecionados (localizados manualmente) em pontos de referência correspondentes tanto da varredura 3D quanto do modelo de modelo (ver Fig. 2). Isto resultou em todas as varreduras terem uma topologia padronizada, permitindo a realização de comparações estatísticas, mantendo a variação individual no tamanho e forma do corpo. A selecção poligonal foi utilizada para excluir as mãos de cada varredura da embalagem, uma vez que esta característica não era relevante para a análise dos dados. Cada varredura processada consistiu de 79.522 vértices.
Fiabilidade e validade da composição corporal
Análise de impedância bioelétrica (BIA) é um método relativamente barato, fácil de usar e rápido para estimar a composição corporal, menos propenso a erros técnicos que outros métodos, tornando-o uma ferramenta adequada para estudos em larga escala (Lee & Gallagher, 2008). Estudos múltiplos descobriram que o BIA é uma ferramenta válida para estimar a gordura corporal em adultos. Esta técnica mostra uma boa concordância em relação à absorção de raios X de energia dupla (por exemplo, Ling et al., 2011; Sun et al., 2005; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) e medidas de compasso de pele (Kitano, Kitano, Inomoto, & Futatsuka, 2001). Além disso, BIA mostra boa confiabilidade em test-rest (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014; Jackson, Pollock, Graves, & Mahar, 1988). Aqui, relatamos dados de confiabilidade e validade para as medidas de composição corporal tomadas nesta amostra.
Validação das medições de gordura corporal do BIA
Para validar as medições de gordura corporal retiradas do BIA nesta amostra, as medições de dobras cutâneas foram feitas por um praticante de nível 2 da Sociedade Internacional para o Progresso da Kinantropometria (ISAK) para um subconjunto de participantes (26 homens e 22 mulheres) utilizando técnicas padrão ISAK (Stewart, Marfell-Jones, Olds, & De Ridder, 2011). As medidas de dobra cutânea foram feitas em oito locais de dobra cutânea – tríceps, bíceps, subescapular, crista ilíaca, supraspinale, abdominal, panturrilha medial, e coxas dianteiras – usando pinças cutâneas (Harpenden, HaB, UK). A média de duas medidas foi usada a menos que os valores diferissem em ≥ 5%, onde uma outra medida de pregas cutâneas foi tomada, e o valor mediano foi usado. As seguintes quatro equações de dobras cutâneas (Jackson & Pollock, 1985) foram então usadas para estimar a percentagem de gordura corporal, com base nas dobras cutâneas abdominal, tríceps, coxa frontal e crista ilíaca:
Estimatos da massa gorda total também foram calculados com base no peso corporal total dos participantes e sua porcentagem estimada de gordura corporal a partir das equações de Jackson e Pollock (1985).
As correlações de Pearson foram utilizadas para explorar a relação entre as estimativas de gordura extraídas do método do calibrador (percentagem de gordura corporal e massa gorda em quilogramas) e BIA (percentagem de gordura corporal e massa gorda corporal em quilogramas), separadamente para homens e mulheres. Os resultados apresentados na Tabela 3 indicam que os valores de gordura corporal derivados das paquímetros e BIA foram significativamente correlacionados, positivamente, tanto para homens como para mulheres.
A percentagem de gordura corporal estimada a partir do paquímetro (Mwomen = 22.15, SD = 4,59; Mmale = 14,55, SD = 5,04) e BIA (Mwomen = 23,42, SD = 5,03; Mmale = 15,16, SD = 3,81) não foram significativamente diferentes, tanto para homens t(25) = -0,87, p = .395 e para mulheres t(21) = -1,78, p = .090. Esta boa concordância é ilustrada pelos gráficos de Altman-Bland entre as estimativas de BIA e paquímetros na Fig. 3, e é consistente com estudos anteriores (ver, por exemplo, Kitano et al., 2001; Wattanapenpaiboon et al., 1998).
>
Fiabilidade intra-individual do BIA
Para avaliar a fiabilidade do BIA, foram feitas medições repetidas de um subconjunto de participantes (9 mulheres; MBMI = 21,88, SD = 2,09) durante as mesmas sessões em que participaram. Uma correlação de Pearson foi calculada para investigar as relações entre as variáveis de composição corporal (massa gorda, percentagem de gordura, massa muscular e massa livre de gordura) nos dois pontos de tempo. Todos os valores de composição corporal em T1 e T2 foram significativamente, positivamente correlacionados (r > .99, p < .001). A comparação entre as medidas em ambos os pontos de tempo demonstrou excelente concordância, sendo o coeficiente de correlação intraclasse (ICC) para cada variável maior que .99 (p < .001).
Mapping 3D body shape onto body composition
Body shape
Usando software MATLAB personalizado, excluímos as coordenadas 3D associadas aos pontos referentes à cabeça, pescoço, mãos e pés nas varreduras processadas. As restantes 26.665 coordenadas descreveram as pernas, braços e tronco. A forma 3D média para o conjunto foi então calculada, e todas as formas individuais foram posteriormente ajustadas a esta média usando a análise de Procrustes para minimizar as diferenças idiossincráticas na posição do corpo. É importante notar que apenas a translação e a rotação ortogonal foram utilizadas para preservar os aspectos de mudança de forma relacionados à escala (isto é, tamanho).
Próximo, cada forma individual foi convertida para um vetor de 79.995 números (26.665 pontos × 3 coordenadas), com esses vetores inseridos em uma análise de componentes principais (PCA). O subespaço resultante era composto por c – 1 dimensões, onde c é o número de identidades. Para cada dimensão no subespaço separadamente, foi realizada uma regressão linear. Todas as medidas de identidade de massa gorda (FATM) e massa muscular esquelética (SMM) retiradas do BIA foram utilizadas para prever a sua localização ao longo dessa dimensão específica, com os valores dos dois coeficientes e a constante permitindo-nos posteriormente modelar a mudança de forma. Não era importante considerar se essas regressões eram estatisticamente significativas, uma vez que cada uma simplesmente descrevia a relação entre as duas medidas do corpo e a forma para uma dada dimensão subespacial – se não existisse relação, então os coeficientes seriam pequenos, e o seu efeito na mudança de forma no modelo reflectiria isso. Usando os resultados destas regressões, fomos portanto capazes de prever localizações ao longo de todas as dimensões do subespaço para qualquer par de valores FATM e SMM. Para a localização específica identificada no espaço multidimensional, a forma 3D poderia então ser reconstruída e visualizada (ver Figura 4).
>
>
Posto que o nosso modelo de mudança de forma foi derivado de uma base de dados específica de varreduras 3D (representando valores populacionais típicos tanto de FATM como de SMM), escolhemos considerar e discutir apenas o nosso modelo preditivo dentro dos limites dos valores reais da nossa amostra. Em outras palavras, não exploramos como a forma corporal pode variar fora dos valores mais baixos e mais altos que foram medidos em nossas identidades (ver Fig. 5).
Comparando nosso modelo com previsões baseadas no IMC
Para corpos dentro de nossa amostra, nós investigamos o quão bem o modelo foi capaz de prever a forma do corpo em comparação com o IMC. Para isso, utilizamos uma estratégia de “leave-one-out” a fim de determinar como novas formas de teste poderiam ser previstas a partir de uma amostra de formas de treinamento. Fizemos um ciclo através de cada identidade, removendo o seu scan 3D da amostra e utilizando os scans das identidades restantes no modelo ‘PCA + regressões’ de mudança de forma descrito acima. Além do nosso modelo FATM/SMM, nós modelamos separadamente a mudança de forma usando os valores do IMC de nossas identidades. (Como acima, as medidas das identidades de treino do IMC foram usadas para prever a sua localização ao longo de cada dimensão PCA, com os valores do coeficiente e da constante permitindo-nos modelar a mudança de forma.)
O scan da identidade excluída foi então comparado com a forma 3D prevista para essa identidade com base nas suas medidas de FATM e SMM, e separadamente, a forma 3D prevista com base na sua medida de IMC. A fim de quantificar o erro ao comparar estas formas previstas com as varreduras originais, calculamos a distância em “linha reta” no espaço 3D entre cada ponto original e sua localização prevista, calculando posteriormente a média destas distâncias em todos os pontos. Aqui, consideramos apenas os 12.697 pontos que representam o tronco, o que nos permitiu eliminar os erros de previsão inerentes aos braços e pernas como resultado do seu posicionamento. (Embora tenham sido dadas instruções padrão aos participantes durante a digitalização, não foram colocadas restrições à localização dos pés e das mãos nas digitalizações resultantes.)
Para cada identidade, calculámos esta medida de erro ao prever a forma 3D (excluída da amostra utilizada na derivação dos modelos) a partir de FATM e SMM, e separadamente, a partir do IMC. Para nossa amostra masculina, um teste t de amostras pareadas comparando essas duas medidas de erro confirmou que nosso modelo FATM/SMM (M = 1,71, SD = 0,49) teve um desempenho melhor que o modelo IMC (M = 1,83, SD = 0,56), t(175) = 5,83, p < .001, Cohen’s d = 0,44. Este resultado também foi encontrado para nossa amostra feminina (modelo FATM/SMM – M = 1,59, SD = 0,51; modelo IMC – M = 1,71, SD = 0,57), t(220) = 5,18, p < .001, Cohen’s d = 0,35. Em outras palavras, tanto para homens quanto para mulheres, fomos capazes de prever melhor a forma 3D usando um modelo incorporando FATM e SMM em comparação com um baseado no IMC.
Figuras 6 e 7 ilustram este resultado mostrando os erros na previsão da forma para duas identidades específicas (uma mulher e um homem, respectivamente), comparando as formas 3D previstas dos dois modelos ao lado um do outro. A fim de gerar essas exibições, encontramos o erro máximo para todos os pontos dos dois modelos para a identidade apresentada, e depois convertemos os erros de previsão para cada ponto para ser uma proporção desse máximo. (Em todas as identidades: erro máximo feminino médio, M = 4,36 cm, SD = 2,76 cm; erro máximo masculino médio, M = 4,29 cm, SD = 1,11 cm). Como tal, cada vez mais pontos de cor quente nos números representam erros maiores na mesma escala. Para os exemplos ilustrados nas figuras 6 e 7, os erros maiores para o modelo IMC (exibidos no lado direito em ambas as figuras) parecem estar concentrados, em sua maioria, na parte superior do tronco. Como pode ser visto, os erros para o modelo do IMC são maiores para o exemplo masculino, refletindo a maior variação de gordura e músculo nos homens que o modelo unidimensional do IMC não consegue capturar com precisão.
>
Prever mudanças individuais
Acima, descrevemos o nosso modelo de mudança de forma baseado em FATM e SMM, e como isto foi capaz de prever a forma do corpo para um determinado par de valores. No entanto, este processo de modelagem também pode ser usado para prever como a forma corporal de um determinado indivíduo mudaria com um aumento ou diminuição dos valores de gordura e músculo. Nós simplesmente geramos o modelo para FATM/SMM descrito acima (PCA + regressões) e depois aplicamos as mudanças previstas na forma que estão associadas a uma mudança nestas duas medidas. Em vez de visualizarmos estas mudanças ao longo dos vários componentes principais em termos da forma corporal média (acima), o nosso ponto de partida no espaço multidimensional é a própria forma do indivíduo. Como tal, as mudanças de forma previstas são aplicadas a uma pessoa específica, permitindo previsões baseadas em dados sobre como um indivíduo pode variar (ver Figs. 8 e 9).
>
Tarefa comportamental
A fim de obter julgamentos do tamanho/formato do corpo dos participantes, vamos usar o método de ajuste. A tarefa será concebida para que a gordura e massa muscular de um modelo de estímulo CGI apresentado em um monitor de PC possa ser manipulada suavemente, em tempo real. Utilizando dois conjuntos de botões de seta no ecrã, os participantes poderão alterar sistematicamente a gordura e a massa muscular do estímulo. Em cada ensaio da tarefa, será atribuída ao modelo CGI uma combinação arbitrária de gordura e massa muscular como ponto de partida. O trabalho do participante será modificar o modelo CGI de forma a melhor capturar o tamanho/forma corporal que ele acredita ter, se fizer auto-estima do tamanho corporal, ou gostaria de ter, se fizer estimativas do tamanho/forma corporal ideal. Assim que o participante estiver satisfeito com a sua escolha da composição corporal em cada ensaio, irá pressionar um botão de resposta que irá permitir que a combinação de massa muscular e de gordura para esse ensaio seja registada, e um novo ensaio iniciado.
De acordo com a psicofísica clássica (Gescheider, 1997), a média dos valores de massa muscular e de gordura, respectivamente, irá representar uma estimativa do ponto de igualdade subjectiva (PSE) para a composição corporal que o participante acredita ter, ou gostaria de ter (dependendo da instrução da tarefa). Além disso, os desvios padrão destes meios representam a diferença limen (DL), uma medida de sensibilidade ou precisão da tarefa. A Figura 10 mostra uma simulação Monte Carlo para estimar a variabilidade nas estimativas de DL em função do número de ensaios no método de tarefa de ajuste. A simulação foi executada para valores-alvo de DL de 0,5, 1,0, e 2,0. Estes deveriam ser estimados a partir de tarefas compreendendo 5, 10, 20, 30, 40, 50, 60, 70, 80, e 90 tentativas. Cada ponto de dados na Fig. 10 é derivado de 10.000 amostras. Ele mostra uma região de cotovelo em torno de 20-60 ensaios por participante, sugerindo que cerca deste número deve ser suficiente para obter estimativas estáveis de DL.
Análise de dados comportamentais
As correlações de Pearson entre a massa gorda medida e a massa muscular nos homens e mulheres que concordaram em ser digitalizados em 3D foram r = 0.45, p < .001, e r = 0,38, p < .001, respectivamente. Isto significa que os valores de gordura e massa muscular obtidos a partir das estimativas da composição corporal, no método de tarefa de ajuste, também são altamente correlacionados. Se não estivessem correlacionados, então poderíamos modelar os componentes de gordura e músculo das respostas dos participantes usando modelos de regressão múltipla separados. Aqui, assumimos que é pouco provável que seja este o caso. Portanto, para mapear as relações entre a composição corporal que os participantes realmente têm versus a composição corporal que pensam ter (ou gostariam de ter), precisaremos usar a regressão multivariada.
O modelo linear multivariado padrão pode ser escrito como Y = XB + E. Y é uma matriz n × r de variáveis de resposta r medidas em n sujeitos; X é uma matriz n × p de variáveis explicativas; B é uma matriz p × r de coeficientes de regressão; e E é uma matriz n × r de ‘erros’ cujas linhas são independentes e distribuídas normalmente de forma idêntica com média 0 e matriz de covariância Σ. Abaixo está um exemplo simples com duas respostas e uma variável explicativa (além de um termo de interceptação) medida em três sujeitos.
Aqui usamos PROC MISTURADO em SAS (v9.4) para implementar duas regressões multivariadas de conjuntos de dados de brinquedos destinados a representar os tipos de respostas que podemos esperar das estimativas de composição corporal usando o método 2D da tarefa de ajuste (ver também Wright, 1998). Em ambos os casos, temos como variáveis explicativas: (i) massa gorda medida pelos participantes, (ii) massa muscular esquelética medida pelos participantes, e (iii) uma covariação psicométrica relacionada com as atitudes e comportamentos dos participantes em relação à musculatura. Para simular as duas variáveis de resultado da tarefa de ajustamento nos homens, ou seja, massa muscular estimada e massa gorda estimada, assumimos uma covariância entre as duas massas muscular e gorda dos participantes medidas de 0,45, e covariâncias entre a covariância psicométrica e as massas gorda e muscular medidas de 0 e 0, respectivamente.
O primeiro cenário é aquele em que os participantes do sexo masculino foram solicitados a estimar a sua própria composição corporal. Nesta simulação, assumimos que eles superestimaram tanto a sua gordura como a massa muscular por, em média, 1 unidade (ver Tabela 4 para resumo dos valores dos parâmetros). Também permitimos uma contribuição adicional e estatisticamente independente para a estimativa da massa muscular a partir da tarefa psicométrica: pontuações mais elevadas nesta tarefa foram associadas a estimativas mais elevadas da massa muscular. No segundo cenário, os participantes do sexo masculino foram solicitados a estimar sua composição corporal ideal. Para esta simulação, assumimos que o desempenho psicométrico dos participantes não estava relacionado com as suas respostas e que todos os participantes tinham tendência a convergir para um ideal comum com baixa gordura corporal e alta massa muscular. Os parâmetros da simulação individual, suas estimativas derivadas da regressão multivariada e a análise multivariada geral das estatísticas de variância (MANOVA) são mostrados na Tabela 4. Além disso, estes resultados são plotados na Fig. 11.
>