- Colecție de baze de date 3D privind forma corpului
- Participanți
- Echipament
- Scaner 3DMD
- Analizator de compoziție corporală Tanita
- Procedură
- Procesarea scanărilor
- Fiabilitatea și validitatea compoziției corporale
- Validarea măsurătorilor de grăsime corporală de la BIA
- Fiabilitatea intraindividuală a BIA
- Mappingerea formei corporale 3D pe compoziția corporală
- Forma corpului
- Compararea modelului nostru cu predicțiile bazate pe IMC
- Predicerea schimbărilor individuale
- Tarașă comportamentală
- Analiza datelor comportamentale
Colecție de baze de date 3D privind forma corpului
Participanți
Autorizația etică a fost acordată de către Comitetul de Etică a Cercetării din cadrul Școlii de Psihologie (SOPREC) de la Universitatea din Lincoln (cod de aprobare PSY1718350). În total, au fost recrutați 560 de adulți cu vârste cuprinse între 18 și 74 de ani din rândul personalului și studenților de la Universitatea din Lincoln și din populația generală din Lincoln și din împrejurimi. Am inclus în această analiză particulară doar date de la adulții caucazieni cu vârste cuprinse între 18 și 45 de ani, deoarece modelul de depunere a grăsimilor variază în diferite grupuri rasiale și de vârstă (Gallagher et al. 1996; Misra & Khurana, 2011; Wells, Cole, Brunner, & Treleaven, 2008). Eșantionul final (n = 397) a cuprins 176 de bărbați (Mage = 28,84, SD = 7,99) și 221 de femei (Mage = 29,14, SD = 8,18). Nu s-a efectuat niciun screening pentru tulburările de alimentație, astfel încât este posibil ca unii participanți să fi avut o tulburare de alimentație, dar niciunul dintre ei nu s-a identificat ca atare. Tabelul 1 rezumă măsurătorile antropometrice și de compoziție corporală ale participanților, iar tabelul 2 rezumă distribuția pe categorii de IMC a eșantionului, separat pentru bărbați și femei.
Echipament
Scaner 3DMD
De înaltă rezoluție, color, scanări 3D ale corpului fiecărui participant au fost obținute cu ajutorul unui sistem de imagistică antropometrică de suprafață 3dMD. Scanerul de 360 de grade pentru tot corpul încorporează nouă unități de cameră modulare, care sunt distribuite în jurul unui cerc cu diametrul de aproximativ 4 m, cu spațiere egală între module. Participantul care urmează să fie scanat se află în mijlocul acestui cerc. Fiecare unitate conține două camere monocromatice și un proiector de speckle pentru captarea geometriei corpului și o cameră color pentru captarea texturii corpului. Camerele speckle proiectau automat un model de lumină standard pe corp atunci când camerele monocromatice captau o imagine, în timp ce panourile cu diode emițătoare de lumină erau pornite atunci când camera color capta o imagine. Scanerul a fost configurat pentru a capta șapte cadre pe secundă, fiind necesare în total 20 de secunde pentru fiecare scanare 3D a corpului. Rezultatul sistemului 3dMD a inclus o plasă de suprafață poligonală 3D a întregului corp cu coordonate X, Y și Z, precum și o textură de suprafață cartografiată. Precizia geometrică pentru acest sistem este de aproximativ 0,5 mm sau mai mică (3dMD, 2019).
Analizator de compoziție corporală Tanita
Măsurătorile de compoziție corporală au fost obținute cu ajutorul unui analizor de compoziție corporală multi-frecvență segmental Tanita MC-780MA. Acest aparat utilizează analiza impedanței bioelectrice (BIA) cu opt electrozi pentru a trimite un curent electric slab, nedetectabil, prin corp pentru a estima compoziția corporală a unei persoane folosind un curent de înaltă frecvență (50 kHz, 90 μa). Cântarul emite măsurători ale corpului total al grăsimii corporale, al mușchilor scheletici, al ratingului de grăsime viscerală, al conținutului de apă, al masei osoase, al IMC și al ratei metabolice bazale. De asemenea, sunt emise estimări separate ale grăsimii corporale și ale mușchilor (masă și procent) pentru segmente individuale ale corpului, inclusiv trunchiul central, brațul drept, piciorul drept, brațul stâng și piciorul stâng. Ieșirile dispozitivului sunt calibrate pentru sexul, vârsta și înălțimea persoanei măsurate, aceste informații fiind introduse de către operator. S-a demonstrat că rezultatele obținute cu ajutorul analizei de impedanță bioelectrică Tanita se încadrează în limitele de ±5 % față de cântărirea subacvatică și absorbțiometria cu raze X cu dublă energie (DEXA), standardele „de aur” ale analizei compoziției corporale) (Völgyi et al. 2008; Sillanpää et al., 2014).
Procedură
Participanții au fost mai întâi scanați cu ajutorul scanerului corporal 3dMD. În timpul scanării de 20 s, participanților li s-a cerut să stea în centrul spațiului în jurul căruia au fost distribuite camerele, cu picioarele depărtate la lățimea umerilor. Pentru a capta o serie de poziții ale brațelor, participanților li s-a cerut să își ridice încet brațele până la nivelul umerilor, cu mâinile în pumn. Participanților li s-a pus la dispoziție lenjerie intimă mulată, de culoare gri, de diferite mărimi, pentru a se asigura că forma corpului nu este mascată de îmbrăcăminte. Bărbaților li s-a cerut să poarte pantaloni scurți de tip boxer, în timp ce femeile au purtat un sutien sport și pantaloni scurți (a se vedea Fig. 2). Apoi, înălțimea în picioare a fost măsurată (la cel mai apropiat centimetru) cu ajutorul unui stadiometru, după ce participanții au fost instruiți să stea drepți și cu fața în față. În cele din urmă, măsurătorile compoziției corporale au fost efectuate cu ajutorul analizatorului de compoziție corporală Tanita. Acest proces a durat aproximativ 20 de minute.
Procesarea scanărilor
Un cadru adecvat din fiecare scanare de 20 de secunde a fost selectat cu ajutorul software-ului 3dMD înainte de procesarea scanărilor. Acest cadru a fost ales pentru a înfățișa individul stând în picioare cu brațele depărtate de corp într-o „poziție A”. Scanările 3D au fost apoi procesate cu ajutorul software-ului Wrap3 (versiunea 3.3.17, Russian3DScanner, 2018) pentru a repara orice segment lipsă și pentru a elimina orice topologie non-manifold sau componente irelevante din fiecare scanare. O plasă de bază șablon a fost înfășurată în jurul scanărilor individuale prin potrivirea a 36 de puncte preselectate (localizate manual) pe reperele corespunzătoare atât din scanarea 3D, cât și din modelul șablon (a se vedea Fig. 2). Astfel, toate scanările au avut o topologie standardizată, ceea ce a permis efectuarea de comparații statistice, menținând în același timp variația individuală în ceea ce privește dimensiunea și forma corpului. Selecția poligonală a fost utilizată pentru a exclude mâinile din fiecare scanare de la înfășurare, deoarece această caracteristică nu era relevantă pentru analiza datelor. Fiecare scanare procesată a constat din 79.522 de vârfuri.
Fiabilitatea și validitatea compoziției corporale
Analiza de impedanță bioelectrică (BIA) este o metodă relativ ieftină, ușor de utilizat și rapidă pentru estimarea compoziției corporale, care este mai puțin predispusă la erori tehnice decât alte metode, ceea ce o face un instrument adecvat pentru studii la scară largă (Lee & Gallagher, 2008). Mai multe studii au constatat că BIA este un instrument valid pentru estimarea grăsimii corporale la adulți. Această tehnică prezintă o bună concordanță în comparație cu absorbțiometria cu raze X cu dublă energie (de exemplu, Ling et al., 2011; Sun et al., 2005; Wattanapenpaiboon, Lukito, Strauss, Hsu-Hage, Wahlqvist, & Stroud, 1998) și cu măsurătorile cu cleștele de piele (Kitano, Kitano, Inomoto, & Futatsuka, 2001). În plus, BIA prezintă o bună fiabilitate test-rest (Aandstad, Holtberget, Hageberg, Holme, & Anderssen, 2014; Jackson, Pollock, Graves, & Mahar, 1988). Aici, raportăm datele de fiabilitate și validitate pentru măsurătorile compoziției corporale efectuate în acest eșantion.
Validarea măsurătorilor de grăsime corporală de la BIA
Pentru a valida măsurătorile de grăsime corporală luate de la BIA în acest eșantion, măsurătorile de pliu cutanat au fost efectuate de către un practician de nivel 2 al Societății Internaționale pentru Progresul Kinantropometriei (ISAK) pentru un subgrup de participanți (26 de bărbați și 22 de femei) folosind tehnici ISAK standard (Stewart, Marfell-Jones, Olds, & De Ridder, 2011). Măsurătorile de pliuri cutanate au fost efectuate în opt locuri de pliuri cutanate – triceps, biceps, subscapular, creasta iliacă, supraspinală, abdominală, vițelul medial și partea din față a coapsei – folosind calibre de pliuri cutanate (Harpenden, HaB, Marea Britanie). S-a folosit media a două măsurători, cu excepția cazului în care valorile diferă cu ≥ 5%, după care s-a efectuat o nouă măsurătoare a pliurilor cutanate și s-a folosit valoarea mediană. Următoarele ecuații ale pliurilor cutanate în patru locații (Jackson & Pollock, 1985) au fost apoi utilizate pentru a estima procentul de grăsime corporală, pe baza pliurilor cutanate abdominale, ale tricepșilor, ale coapsei din față și ale crestei iliace:
S-au calculat, de asemenea, estimări ale masei totale de grăsime pe baza greutății corporale totale a participanților și a procentului estimat de grăsime corporală din ecuațiile lui Jackson și Pollock (1985).
Corelațiile lui Pearson au fost folosite pentru a explora relația dintre estimările privind grăsimea luate prin metoda calapodului (procentul de grăsime corporală și masa de grăsime în kilograme) și BIA (procentul de grăsime corporală și masa de grăsime corporală în kilograme), separat pentru bărbați și femei. Rezultatele prezentate în tabelul 3 indică faptul că valorile grăsimii corporale derivate din calapod și BIA au fost corelate în mod semnificativ, pozitiv pentru ambele eșantioane de bărbați și femei.
Stimările procentului de grăsime corporală obținute prin calapod (Mfemeie = 22.15, SD = 4,59; Mmale = 14,55, SD = 5,04) și BIA (Mwomen = 23,42, SD = 5,03; Mmale = 15,16, SD = 3,81) nu au fost semnificativ diferite, atât pentru bărbați t(25) = -0,87, p = .395, cât și pentru femei t(21) = -1,78, p = .090. Această bună concordanță este ilustrată de diagramele Altman-Bland între estimările BIA și cele ale calapodului din Fig. 3 și este în concordanță cu studiile anterioare (a se vedea, de exemplu, Kitano et al., 2001; Wattanapenpaiboon et al., 1998).
Fiabilitatea intraindividuală a BIA
Pentru a evalua fiabilitatea BIA, au fost efectuate măsurători repetate de la un subset de participanți (9 femei; MBMI = 21,88, SD = 2,09) în timpul acelorași sesiuni la care au luat parte. A fost calculată o corelație Pearson pentru a investiga relațiile dintre variabilele compoziției corporale (masa de grăsime, procentul de grăsime, masa musculară și masa fără grăsime) la cele două momente de timp. Toate valorile compoziției corporale la T1 și T2 au fost corelate în mod semnificativ, pozitiv (r > 0,99, p < 0,001). Comparația între măsurătorile la ambele puncte de timp a demonstrat o concordanță excelentă, coeficientul de corelație intraclasă (ICC) pentru fiecare variabilă fiind mai mare de 0,99 (p < 0,001).
Mappingerea formei corporale 3D pe compoziția corporală
Forma corpului
Utilizând un software MATLAB personalizat, am exclus coordonatele 3D asociate cu punctele care se referă la cap, gât, mâini și picioare în scanările procesate. Cele 26.665 de coordonate rămase au descris picioarele, brațele și trunchiul. Apoi a fost calculată forma 3D medie pentru set, iar toate formele individuale au fost ulterior ajustate la această medie folosind analiza Procrustes pentru a minimiza diferențele idiosincratice în poziția corpului. Este important de reținut că au fost utilizate doar translația și rotația ortogonală pentru a păstra acele aspecte ale schimbării formei legate de scalare (adică mărimea).
În continuare, fiecare formă individuală a fost convertită într-un vector de 79.995 de numere (26.665 de puncte × 3 coordonate), acești vectori fiind introduși într-o analiză a componentelor principale (PCA). Subspațiul rezultat a cuprins c – 1 dimensiuni, unde c este numărul de identități. Pentru fiecare dimensiune din subspațiu în parte, am efectuat o regresie liniară. Măsurătorile tuturor identităților privind masa de grăsime (FATM) și masa mușchilor scheletici (SMM) luate din BIA au fost utilizate pentru a prezice locațiile lor de-a lungul acelei dimensiuni specifice, valorile celor doi coeficienți și ale constantei permițându-ne ulterior să modelăm schimbarea formei. Nu a fost important să se ia în considerare dacă aceste regresii au fost semnificative din punct de vedere statistic, deoarece fiecare a descris pur și simplu relația dintre cele două măsuri corporale și formă pentru o anumită dimensiune subspațială – dacă nu exista nicio relație, atunci coeficienții ar fi fost mici, iar efectul lor asupra modificării formei în model ar fi reflectat acest lucru. Utilizând rezultatele acestor regresii, am putut, prin urmare, să prezicem locațiile de-a lungul tuturor dimensiunilor subspațiale pentru orice pereche dată de valori FATM și SMM. Pentru locația specifică identificată în spațiul multidimensional, forma 3D a putut fi apoi reconstruită și vizualizată (a se vedea Fig. 4).
Datorită faptului că modelul nostru de schimbare a formei a fost derivat dintr-o bază de date specifică de scanări 3D (reprezentând valorile tipice ale populației atât pentru FATM, cât și pentru SMM), am ales să luăm în considerare și să discutăm modelul nostru predictiv doar în limitele valorilor reale ale eșantionului nostru. Cu alte cuvinte, nu am explorat modul în care forma corpului ar putea varia în afara celor mai mici și mai mari valori care au fost măsurate în identitățile noastre (vezi Fig. 5).
Compararea modelului nostru cu predicțiile bazate pe IMC
Pentru corpurile din cadrul eșantionului nostru, am investigat cât de bine a fost capabil modelul să prezică forma corpului în comparație cu IMC. Pentru a face acest lucru, am utilizat o strategie „leave-one-out” pentru a determina modul în care pot fi prezise formele noi de testare dintr-un eșantion de forme de antrenament. Am trecut ciclic prin fiecare identitate, eliminând scanarea 3D a acesteia din eșantion și utilizând scanările identităților rămase în modelul „PCA + regresii” de schimbare a formei descris mai sus. În plus față de modelul nostru FATM/SMM, am modelat separat schimbarea formei folosind valorile IMC ale identităților noastre. (La fel ca mai sus, măsurile de IMC ale identităților de formare au fost utilizate pentru a prezice locațiile lor de-a lungul fiecărei dimensiuni PCA, valorile coeficientului și ale constantei permițându-ne să modelăm schimbarea formei.)
Scanarea identității excluse a fost apoi comparată cu forma 3D prezisă pentru acea identitate pe baza măsurilor FATM și SMM ale acesteia și, separat, cu forma 3D prezisă pe baza măsurii IMC. Pentru a cuantifica eroarea la compararea acestor forme prezise cu scanările originale, am calculat distanța „în linie dreaptă” în spațiul 3D între fiecare punct original și locația sa prezisă, calculând ulterior media acestor distanțe pentru toate punctele. Aici, am luat în considerare doar cele 12 697 de puncte reprezentând trunchiul, ceea ce ne-a permis să eliminăm erorile de predicție inerente brațelor și picioarelor ca urmare a poziționării acestora. (În timp ce participanților li s-au dat instrucțiuni standard în timpul scanării, nu au fost impuse constrângeri cu privire la locațiile picioarelor și mâinilor în scanările rezultate.)
Pentru fiecare identitate, am calculat, prin urmare, această măsură a erorii atunci când am prezis forma 3D (exclusă din eșantionul utilizat în derivarea modelelor) din FATM și SMM și, separat, din IMC. Pentru eșantionul nostru masculin, un test t cu eșantioane perechi care a comparat aceste două măsuri de eroare a confirmat faptul că modelul nostru FATM/SMM (M = 1,71, SD = 0,49) a funcționat mai bine decât modelul BMI (M = 1,83, SD = 0,56), t(175) = 5,83, p < 0,001, Cohen’s d = 0,44. Acest rezultat a fost, de asemenea, constatat pentru eșantionul nostru feminin (modelul FATM/SMM – M = 1,59, SD = 0,51; modelul BMI – M = 1,71, SD = 0,57), t(220) = 5,18, p < 0,001, Cohen’s d = 0,35. Cu alte cuvinte, atât pentru bărbați, cât și pentru femei, am reușit să prezicem mai bine forma 3D folosind un model care încorporează FATM și SMM în comparație cu unul bazat pe BMI.
Figurile 6 și 7 ilustrează acest rezultat prin afișarea erorilor de predicție a formei pentru două identități specifice (o femeie și, respectiv, un bărbat), comparând formele 3D prezise de cele două modele unul lângă celălalt. Pentru a genera aceste afișări, am găsit eroarea maximă pentru toate punctele din ambele modele pentru identitatea prezentată, iar apoi am convertit erorile de predicție pentru fiecare punct ca fiind o proporție din acest maxim. (Pentru toate identitățile: eroarea maximă medie a femeilor, M = 4,36 cm, SD = 2,76 cm; eroarea maximă medie a bărbaților, M = 4,29 cm, SD = 1,11 cm). Ca atare, punctele de culoare din ce în ce mai caldă din figuri reprezintă erori mai mari pe aceeași scară. Pentru exemplele ilustrate în figurile 6 și 7, erorile mai mari pentru modelul BMI (afișate în partea dreaptă în ambele figuri) par să fie concentrate, în cea mai mare parte, în partea superioară a trunchiului. După cum se poate observa, erorile pentru modelul BMI sunt mai mari pentru exemplul masculin, reflectând variația mai mare a grăsimii și a mușchilor la bărbați, pe care modelul BMI unidimensional nu o poate surprinde cu acuratețe.
Predicerea schimbărilor individuale
Mai sus, am descris modelul nostru de schimbare a formei bazat pe FATM și SMM și modul în care acesta a fost capabil să prezică forma corpului pentru o anumită pereche de valori. Cu toate acestea, acest proces de modelare poate fi utilizat, de asemenea, pentru a prezice modul în care forma corporală a unui anumit individ s-ar schimba în cazul unei creșteri sau scăderi a valorilor de grăsime și mușchi. Pur și simplu generăm modelul pentru FATM/SMM descris mai sus (PCA + regresii) și apoi aplicăm modificările prezise ale formei care sunt asociate cu o modificare a acestor două măsuri. Mai degrabă decât să vizualizăm aceste schimbări de-a lungul diferitelor componente principale în termeni de formă corporală medie (mai sus), punctul nostru de plecare în spațiul multidimensional este chiar forma individului. Ca atare, schimbările de formă previzionate sunt aplicate unei persoane specifice, permițând predicții bazate pe date cu privire la modul în care ar putea varia o persoană (a se vedea figurile 8 și 9).
Tarașă comportamentală
Pentru a obține judecăți de mărime/formă corporală din partea participanților, vom folosi metoda de ajustare. Sarcina va fi concepută astfel încât masa de grăsime și masa musculară a unui stimul model CGI prezentat pe un monitor PC să poată fi manipulată fără probleme, în timp real. Cu ajutorul a două seturi de butoane cu săgeți de pe ecran, participanții vor putea modifica în mod sistematic grăsimea și masa musculară a stimulului. La fiecare încercare din cadrul sarcinii, modelului CGI i se va atribui o combinație arbitrară de grăsime și masă musculară ca punct de pornire. Sarcina participantului va fi de a modifica modelul CGI astfel încât să surprindă cel mai bine dimensiunea/forma corporală pe care crede că o are, dacă face o autoestimare a dimensiunii corporale, sau pe care ar dori să o aibă, dacă face estimări ale dimensiunii/formei corporale ideale. Odată ce participantul este mulțumit de alegerea compoziției corporale pentru fiecare încercare, acesta va apăsa un buton de răspuns care va permite înregistrarea combinației de masă musculară și de masă adipoasă pentru acea încercare și inițierea unei noi încercări.
În conformitate cu psihofizica clasică (Gescheider, 1997), media valorilor masei musculare și, respectiv, a masei adipoase va reprezenta o estimare a punctului de egalitate subiectivă (PSE) pentru compoziția corporală pe care participantul crede că o are sau ar dori să o aibă (în funcție de instrucțiunile sarcinii). În plus, abaterile standard ale acestor medii reprezintă limenul diferenței (DL), o măsură a sensibilității sau a preciziei sarcinii. Figura 10 prezintă o simulare Monte Carlo pentru a estima variabilitatea estimărilor DL în funcție de numărul de încercări în cadrul sarcinii privind metoda de ajustare. Simularea a fost executată pentru valori țintă ale DL de 0,5, 1,0 și 2,0. Acestea urmau să fie estimate din sarcini care cuprindeau 5, 10, 20, 30, 40, 50, 60, 70, 80 și 90 de încercări. Fiecare punct de date din Fig. 10 este derivat din 10 000 de reeșantioane. Acesta arată o regiune de cot în jurul a 20-60 de încercări pe participant, sugerând că în jurul acestui număr ar trebui să fie suficient pentru a obține estimări stabile ale DL.
Analiza datelor comportamentale
Corelațiile Pearson între masa de grăsime măsurată și masa musculară la bărbații și femeile care au fost de acord să fie scanate corporal 3D au fost r = 0.45, p < 0,001, și r = 0,38, p < 0,001, respectiv r = 0,38, p < 0,001. Acest lucru înseamnă că valorile masei de grăsime și ale masei musculare obținute din estimările compoziției corporale, în sarcina de ajustare a metodei, au, de asemenea, o mare probabilitate de a fi corelate. Dacă nu ar fi corelate, atunci am putea modela componentele de grăsime și musculare ale răspunsurilor participanților folosind modele de regresie multiplă separate. Aici, presupunem că este puțin probabil ca acest lucru să fie cazul. Prin urmare, pentru a cartografia relațiile dintre compoziția corporală pe care participanții o au în realitate față de compoziția corporală pe care cred că o au (sau pe care ar dori să o aibă), va trebui să folosim regresia multivariată.
Modelul linear multivariat standard poate fi scris ca Y = XB + E. Y este o matrice n × r de r variabile de răspuns măsurate pe n subiecți; X este o matrice n × p de variabile explicative; B este o matrice p × r de coeficienți de regresie; și E este o matrice de „eroare” n × r ale cărei rânduri sunt independente și identic distribuite normal cu media 0 și matrice de covarianță Σ. Mai jos este prezentat un exemplu simplu cu două răspunsuri și o variabilă explicativă (în plus față de un termen de interceptare) măsurate pe trei subiecți.
Aici am folosit PROC MIXED în SAS (v9.4) pentru a pune în aplicare două regresii multivariate ale unor seturi de date de jucărie menite să reprezinte tipurile de răspunsuri la care ne-am putea aștepta de la estimările compoziției corporale folosind metoda 2D a sarcinii de ajustare (a se vedea, de asemenea, Wright, 1998). În ambele cazuri, avem ca variabile explicative: (i) masa de grăsime măsurată de participanți, (ii) masa musculară scheletică măsurată de participanți și (iii) o covariantă psihometrică legată de atitudinile și comportamentele participanților cu privire la musculatură. Pentru a simula cele două variabile de rezultat din sarcina privind metoda de ajustare la bărbați, adică masa musculară estimată și masa de grăsime estimată, presupunem o covarianță între cele două mase musculare și de grăsime măsurate ale participanților de 0,45 și covarianțe între covarianta psihometrică și masele musculare și de grăsime măsurate de 0 și, respectiv, 0.
Primul scenariu este unul în care participanților de sex masculin li s-a cerut să își estimeze propria compoziție corporală. În această simulare, am presupus că aceștia și-au supraestimat atât masa de grăsime, cât și cea musculară cu, în medie, 1 unitate (a se vedea tabelul 4 pentru un rezumat al valorilor parametrilor). De asemenea, am permis o contribuție suplimentară, independentă din punct de vedere statistic, la estimarea masei musculare din partea sarcinii psihometrice: scorurile mai mari la această sarcină au fost asociate cu estimări mai mari ale masei musculare. În cel de-al doilea scenariu, participanților de sex masculin li s-a cerut să își estimeze compoziția corporală ideală. Pentru această simulare, am presupus că performanța psihometrică a participanților nu a avut nicio legătură cu răspunsurile lor și că toți participanții au avut tendința de a converge către un ideal comun cu o grăsime corporală scăzută și o masă musculară ridicată. Parametrii individuali ai simulării, estimările lor derivate din regresia multivariată și statisticile generale ale analizei multivariate a varianței (MANOVA) sunt prezentate în tabelul 4. În plus, aceste rezultate sunt reprezentate grafic în Fig. 11.
.