JoVE Logo
发表
联系我们

登录

本文内容

  • 摘要
  • 摘要
  • 引言
  • 研究方案
  • 结果
  • 讨论
  • 披露声明
  • 致谢
  • 材料
  • 参考文献
  • 转载和许可

摘要

通过市售的三维光学成像解决方案评估体型、形状和成分的程序能够快速收集准确和可重复的数据。临床医生可以在患者的常规评估中实施创新和有用的生物标志物（"电子磁带"测量）的获取，以帮助描述他们的健康状况。

摘要

体型和成分评估通常包含在健康运动员以及不同类型患者的常规管理中，以个性化训练或康复策略。以下协议中描述的数字人体测量分析可以使用最近引入的系统进行。这些新工具和方法有可能在临床环境中得到广泛使用，因为它们操作非常简单，并且能够快速收集准确和可重复的数据。一个系统由一个带有称重测量板的旋转平台、三个红外摄像头和一个内置在塔中的平板电脑组成，而另一个系统由安装在支架上的平板电脑组成。图像捕获后，两个系统的软件都会生成一个去标识化的三维人形头像，其中包含相关的人体测量和身体成分变量。测量程序很简单:可以在几分钟内测试一个主题，并自动生成一份综合报告（包括三维扫描和体型、形状和成分测量）。

引言

人体测量学是对人体物理测量的研究。身高、体重、身长、皮褶厚度和周长是常用的人体测量方法，事实证明可用于调查内分泌和代谢紊乱患者，以及监测运动员饮食和训练引起的生长、衰老以及体型和成分的适应 1,2。例如，腰围和臀围的评估被证明对肥胖症患者的管理很有用:两个围都评估了肥胖的分布，这可以被认为是全因死亡率的预测指标3。

肢体围在康复和运动医学中经常被评估，因为它们有助于检测和/或监测四肢瘦体重的减少（例如，小腿围被用作诊断低骨骼肌和肌肉减少症的简单实用的骨骼肌标志物）1,2 以及影响运动员身体机能和受伤风险以及患者生活质量的肢体间不对称性（例如， 单侧肢体肿胀的癌症患者）1,2。此外，在过去的几十年里，已经提出了大量基于人体测量学的身体成分预测模型，以通过不同的人体测量测量方法（如体围或皮褶厚度1、2、4、5、6、7）的组合来估计脂肪量或无脂肪量。

由于传统的人体测量学（即基于卷尺和基于卡尺的）测量可能在文化或社会上不可接受，并且可靠性也很差8，因此需要开发和验证非侵入性、可重复和有效的方法。最近开发的三维 （3D） 光学成像系统能够提供无创、精确和准确的测量 8,9,10,11，以及数字消费类相机和智能手机，提供了易于使用且广泛可用的工具，适用于临床和非临床环境，以评估患者和健康受试者 8,9,10,11 ，12,13,14,15,16,17,18,19,20。下一节报告的协议的目的是描述通过两种市售的 3D 光学成像解决方案评估体型、形状和成分的程序，这些解决方案在过去几年中在医疗保健环境（评估患者）和非临床环境（评估运动员）中变得普遍。

研究方案

该协议遵循都灵21 理工学院的研究诚信指南。光学图像的采集是在当地伦理委员会批准的研究中进行的（数据在 图 1 和 图 2 的图例中报告），并且被调查对象给出了书面同意（参与研究和发布匿名图像）。

1. 科目准备

注意:本节中描述的所有扫描前准备在测试程序 #1 和 #2 之间都是相似的。

  1. 要求拍摄对象穿着内衣或穿着最合身的服装（男性穿短裤，女性穿短裤，运动文胸），脱掉袜子、鞋子和配饰，并戴上泳帽遮住头发。

2. 测试程序 #1 的受试者注册

  1. 使用标准测距仪测量被摄体的身高。
  2. 启动安装在系统 #1 的平板电脑（ 材料表中的应用程序 #1 和平板电脑 #1）上的应用程序，该应用程序由一个带有重量测量板的旋转平台、三个红外相机和内置在塔中的平板电脑组成（图 1A、B）。
  3. 填写受试者注册表（补充图 S1），包括名字、姓氏、电子邮件地址、密码、性别（选择男性或女性）、计量单位（选择美国或公制）、种族（选择以下组之一:未指定、西班牙裔/拉丁裔、美洲印第安人或阿拉斯加原住民、亚洲人、黑人或非裔美国人、夏威夷原住民或其他太平洋岛民， 高加索人），出生日期。
  4. 标记三个复选框（接受服务条款协议、隐私政策、责任豁免），然后点击 提交 按钮 。
  5. 验证拍摄对象是否正确佩戴泳帽，然后点击 Next 按钮。
  6. 验证拍摄对象是否穿着得体，然后点击 Next 按钮。
  7. 确认扫描仪区域畅通无阻（即，将衣服放在扫描区域之外，并确保扫描仪视图中没有阳光或反光材料），然后点击 下一步 按钮。
  8. 填写 身高测量 字段，然后点按 下一个 按钮。
  9. 填写与可选附加指标（体脂百分比 [BF%]、 心率、收缩压和舒张压、细胞内和细胞外水）相关的字段，然后点击 提交 按钮 。

3. 测试程序 #1

  1. 让受试者踩在秤上，并在脚印上尽可能静止不动（上肢和手放在两侧，不要接触伸缩手柄）10 秒，以捕捉体重（及其分布）。
  2. 要求受试者以标准化的 A 姿势直立（肩膀放松，手臂伸直并从躯干外展），同时抓住伸缩手柄，根据以下说明进行身体扫描（图 1A、B）。
    注意:全身扫描需要 ~45 秒，在此期间，当平台旋转一圈时，光编码深度传感器会捕获 3D 形状。
    1. 提起把手，直到手臂和腿伸直。
    2. 尽可能保持静止。
    3. 保持头部静止，眼睛向前。
    4. 按住手柄的按钮，直到扫描完成。
    5. 扫描完成后离开秤。
  3. 在受试者离开体重秤后，点击 Sign out 按钮。

4. 测试程序 #2 的受试者注册

  1. 使用带有测距仪的标准秤测量对象的身高和体重。
  2. 使用安装在台式机或笔记本电脑上的任何现代 Web 浏览器，转到系统 #2 的仪表板（ 材料表中的注册仪表板）。
  3. 填写受试者注册表（补充图 S2），包括名字、姓氏、电话号码、电子邮件地址、年龄、性别（选择男性或女性）、体重和身高。
  4. 标记复选框（接受使用条款和隐私政策），然后点击或单击 注册 按钮以完成帐户设置。
  5. 可视化帐户视图页面，其中显示主题的唯一快速响应 （QR） 代码、电话号码和电子邮件地址。
  6. 拍摄 QR 码的照片（例如，使用手机）。

5. 测试程序 #2

  1. 启动安装在系统 #2 的平板电脑上的应用程序（ 材料表中的应用程序 #2），该应用程序由安装在支架上的平板电脑（ 材料表中的平板电脑 #2 和落地支架）组成。
  2. 点击平板电脑的屏幕并显示 QR 码。
  3. 点击 Start 开始 按钮。
  4. 让拍摄对象听音频说明并观看屏幕上提供的指南。
  5. 让受试者站在地毯上，与平板电脑保持标准化距离，脚在脚导轨中（地毯上的黑色椭圆形符号）与屏幕上显示的绿色脚标记对齐（图 2A）。
  6. 让受试者摆出"正面 A 姿势"（并保持姿势，不要做出可能导致畸形头像的动作）10,22 双腿分开，双臂以大约 45° 角从躯干上外展，双手握成拳头以捕捉正面图像（图 2B）。
  7. 正面图像捕获后，要求受试者摆出双脚并拢的"侧姿势"，手臂/手笔直放在两侧（即手臂/手与躯干/大腿对齐并靠在躯干/大腿上），并面向正前方以捕捉侧面图像（图 2C）。
  8. 横向图像捕获后，通知受试者扫描已完成（应用程序会显示 Thank you 屏幕）。

结果

图像捕获后，系统 #1 的软件生成一个去标识化的 3D 人形头像（图 1C:点云转换为由三角形连接的网格，该网格具有大约 25,000 个顶点和 50,000 个面）和自动人体测量学，其中包括长度、周长、体积、表面积和身体成分估计。系统 #1 的仪表板使每个受试者能够可视化（并下载一份报告，包括）3D 扫描（图 1C）、体重、大小和形状的测量（即体型等级、腰围、腰臀比、躯干与腿部的体积比）、基础代谢率和身体成分的估计（即 BF%、脂肪量、瘦体重）和标准围度测量（颈部、 胸围、腰部、臀部、左右二头肌、左右前臂、左右大腿、左右小腿）。

此外，姿势和平衡评估的结果也可以可视化并包含在报告中。姿势评估结果包括 3D 扫描的正面、侧面和背面视图以及相关的偏移（定义为身体的一部分移动到倾斜位置及其向任何一个方向倾斜的速度）和倾斜（定义为向前、向后、向左或向右"滑动"运动，位置相对于中心点的轻微变化或变化）测量: i） 前视图和后视图:相对于矢状面（表示为左右半身之间的垂直线）向右或向左移动测量值，以及相对于头部、肩部、下胸围、臀部、膝盖的横向（水平面）的倾斜百分比;ii） 侧视图:相对于头部、肩部、臀部、膝盖的额（冠状）平面（表示为从踝关节向上的垂直线）向前或向后移动测量值。

平衡评估结果包括左右脚前部和后部站立姿势时的重量分布。系统 #1 的仪表板还允许每个主题下载 .OBJ 和 .GIF 图像文件以及 .CSV 文件，其中包含 表 1 中列出的人体测量和身体成分估计值。

所有身体成分估计值均使用专有算法获得，但基础代谢率估计和体型指数计算除外，分别根据 Mifflin-St.表 2 中报告了 Jeor 方程23 和 Krakauer 方程24。

图像捕获后，系统 #2 的软件生成一个去标识化的 3D 人形头像（图 2D:点云转换为由三角形连接的网格，该网格具有大约 50,000 个顶点和 100,000 个面）和自动人体测量学，其中包括长度、周长、体积、表面积和身体成分估计。系统 #2 的仪表板（ 材料表中的数据下载仪表板）允许每个主题下载 。OBJ 和 .PNG 图像文件以及以下三个 .CSV 文件:

"App Measures.csv"文件报告了以下人体测量和身体成分测量值:体重、体表面积、BF%、内脏脂肪组织、健身指数、手臂瘦体重、腿部瘦体重、瘦体重、总骨矿物质含量、肩宽、后肩宽（通过后颈）、颈围、腋下、二头肌（右/左）、前臂（右/左）、手腕（右/左）、 胸部、下胸围、胸围（有落差）、腹部、腰部、油漆腰部、臀部（从背部小处向下 8 英寸）、座椅、大腿（右/左）、小腿（右/左）、后颈到腰部长度、袖长（右/左）、裆长、内缝、外缝（右/左）。

"体Composition.csv"文件报告了以下人体测量和身体成分测量值:体脂、体重指数、体表面积、骨矿物质含量、脂肪量指数、健身指数、身高、瘦身体指数、瘦体重、手臂瘦体重、腿部瘦体重、静息代谢率、胃围、内脏脂肪组织、腰高比、腰臀比、体重。

"Core Measures.csv"文件报告了 表 1 中列出的人体测量结果。

所有身体成分估计均通过使用专有算法获得，但基础代谢率估计和 BF% 估计除外，它们分别根据 Katch-McArdle 方程25 和先前由 Harty 等人开发和验证的两个方程获得26。这两个方程（表 1 中的 BF% 方程 2 和方程 2）分别适用于下腹围 <103.5 厘米（<40.75 英寸）和 ≥103.5 厘米（≥40.75 英寸）的个体。尽管以前的研究表明方程 1 在健康成人中估计 BF% 的准确性15,26，但我们最近发现它高估了（关于双能 X 射线吸收测定法）年轻运动员的 BF%18。因此，我们提出了表 3 中报告的重新参数化（方程 2），以提供对男女年轻足球运动员 BF% 的准确估计18。

除了上面列出的身体成分变量外，还可以通过 McCarthy 等人最近为久坐不动的受试者提出的设备特定方程 27（表 2 中男性的 ALM 方程 2 和女性的 ALM 方程 2）估计使用系统 #2 进行的扫描的四肢瘦体重 （ALM）（ 表 2 中男性的 ALM 方程 4 和女性的 ALM 方程 2）18.

图 3 显示了男性运动员（体重指数:26.0 kg/m2:图 3A、B）和肥胖者（体重指数:44.0 kg/m2:图 3C、D）使用系统 #1（图 3A、C）和系统 #2（图 3B，D）获得的代表性头像。表 3 报告了系统 #1 和系统 #2 对两个受试者的两次扫描获得的人体测量和身体成分估计值。

使用两个系统获得的扫描结果在运动员身上获得的周长测量值不同（尤其是颈部、手臂、臀部和腿部:数据见 表 3）。使用系统 #1 和 #2 进行的扫描，BF% 值（两次扫描的平均值）分别为 19.1% 和 16.1%，瘦体重值（两次扫描的平均值）分别为 69.7 kg 和 72.2 kg。使用系统 #2 执行的扫描的 ALM 平均值为 38.4 kg。

使用两种系统获得的肥胖患者周长测量值不同（尤其是腰部和腿部:数据报告见 表 3）。使用系统 #44.1 和 #46.3 执行的扫描的 BF% 值（两次扫描的平均值）分别为 2%，瘦体重值（两次扫描的平均值）分别为 67.9 kg 和 64.9 kg。使用系统 #2 执行的扫描的 ALM 平均值为 25.1 千克。

figure-results-3617
图 1:使用系统 #1 拍摄的图像。 （A，B） 在平台旋转期间由代表性男性受试者假设和维持的标准化 A 姿势，以及 （C） 相对的 3D 头像。光学图像的采集是在都灵大学伦理委员会批准的一项研究中进行的（协议 n. 0115311）。 请单击此处查看此图的较大版本。

figure-results-4083
图 2:使用系统 #2 拍摄的图像。 （A） 代表性男性受试者站在地毯上的图像，脚引导符号（地毯上的黑色椭圆符号）与系统 #2 平板电脑屏幕上显示的绿色脚标记对齐。获取代表性主体的 （B） 正面和 （C） 侧面图像以及 （D） 相对 3D 头像。光学图像的采集是在都灵大学伦理委员会批准的一项研究中进行的（协议 n. 0115311）。 请单击此处查看此图的较大版本。

figure-results-4633
图 3:使用系统 #1 和 #2 获得的代表性头像。 （A，B） 男性运动员和 （C，D） 肥胖症患者使用 （A，C） 系统 #1 和 （B，D） 系统 #2 进行调查。每个受试者都接受了两次扫描，并重新定位:显示了两个受试者从第一次扫描中获得的头像，而系统 #1 和系统 #2 为两个受试者的两次扫描获得的人体测量学和身体成分估计值报告在 表 3 中。光学图像的采集是在都灵大学伦理委员会（方案 n. 0115311）和地区伦理委员会（CET - 方案 n. 0065654）批准的研究中进行的。 请单击此处查看此图的较大版本。

表 1:可从系统 #1 和 #2 的仪表板下载的扩展测量集。请点击此处下载此表格。

表 2:基础代谢率、体脂百分比和附肢瘦体重的估计方程。 基础代谢率估计:测量单位是体重和瘦体重的 kg、身高的 cm 和年龄的年。体型指数估计:测量单位为 m 表示腰围，测量的身高为 kg/m 2，体重指数为 kg/m2 。体脂百分比估计:性别编码为男性 = 1 和女性 = 0，体表面积以 cm2 为单位测量，其余所有变量以 circ. 为单位测量。肌肉与腹部指数的计算公式为（右二头肌圆周 + 左二头肌圆周 + 右大腿圆周 + 左大腿圆周 + 左小腿圆周）/最大腹部圆周。附肢瘦体重估计:所有周长和长度的测量单位均为 cm;表面积为cm 2 ;体积为cm 3 ;公斤为重量;岁。该表的三个方程来自 Minetto 等人 18。缩写:BMR = 基础代谢率;ABSI = 体型指数;BF% = 体脂百分比;circ. = 周长;ALM = 附肢瘦体重;NHOPI = 夏威夷原住民和其他太平洋岛民。 请点击此处下载此表格。

表 3.两个系统在两个代表性受试者（一名运动员和一名肥胖症患者）中分别获得的周长测量值和身体成分估计值。请点击此处下载此表格。

补充图 S1:测试程序 #1 的受试者登记表。请点击此处下载此文件。

补充图 S2:测试程序 #2 的受试者登记表。请点击此处下载此文件。

讨论

本文中介绍的程序可用于通过两种市售的 3D 光学成像解决方案来评估体型、形状和成分，这些解决方案之前已经开发和验证了 9,10,11,12,13,14,15,16,17,18,19,20 .这些解决方案操作简单，可以快速收集有效数据并自动组织到报告中。此外，所提出的系统能够收集可重复的数据（正如我们的两个代表性案例中用两个系统进行的两次扫描结果的比较所表明的，并被以前的研究记录下来）9,10,11,12,13,14,15,16,17,18，19,20，因此可用于监测训练或饮食诱导的变化。

由于系统 #2 的重量有限（平板电脑和支架总共 ~4 kg），因此易于携带。然而，系统 #2 的一个局限性是，从 2D 图像生成 3D 头像可以产生比使用系统 #1 获得的 3D 重建更不准确的 3D 重建，尤其是在肥胖者中（如图 3 C、D 的代表性示例所示）或出现局部体型异常的患者（例如， 减肥手术后出现麻烦的皮肤过多或患有单侧上肢或下肢淋巴水肿的癌症患者）。

对于使用两个系统进行扫描采集，足够的空间可用性至关重要:系统 #1 需要 157 x 198 cm 的净区域，系统 #2 需要 86 x 166 cm 的净区域。此外，系统 #2 要求将对象放置在靠近空白墙壁的地方，没有镜子、光亮的海报或窗户。这两个系统都要求摄像机的视野中没有自然阳光和反射表面。这两个系统还需要持续一致的 Wi-Fi 互联网连接才能有效地处理扫描。

上述程序的主要限制是它们要求被调查对象能够采取站立姿势。因此，这些方法不能用于无法下床的重症患者（如神经功能严重受损患者或危重患者）。此外，被调查对象必须能够保持站立姿势（即 A 姿势和侧姿势），而没有可以改变头像形状10,22 并偏向体围估计的动作。

上述参数的一个局限性是它们是使用专有的设备特定算法获得的:这意味着身体大小、形状和成分测量值对于特定的扫描系统是唯一的。因此，比较或汇集使用不同系统获取的数据可能会因分析（即扫描仪之间）的可变性而无法进行。一致地，在图 3 所示的代表性两个受试者中获得的周长测量值在两个系统之间有所不同。然而，已经开发了与设备无关的解决方案来克服这一限制:这些解决方案重新格式化和编辑 3D 网格，然后自动检测不同的标志（如腋窝、胯部和脚），然后计算体型测量值 28,29,30,31,32,33,34,35.上述身体成分参数的另一个局限性是它们是通过传统的基于人体计量学的预测模型获得的。然而，最近的研究表明，可能需要基于体型的模型来捕获超出传统人体测量的人体成分信息36,37。

尽管存在一些限制，但必须认为数字人体测量方法已准备好在临床环境中使用。3D 成像系统提供非侵入性测量，与手动（基于磁带和/或基于卡尺）测量相比，这些测量基于通过观察和触诊识别解剖标志，更容易被接受。此外，与研究和临床环境中通常用于体型和成分评估的其他检查（例如，磁共振成像和双能 X 射线吸收测定法）相比，3D 光学扫描也更快。此外，由于它相对便宜且无辐射，因此可以安全地用于后续扫描（例如，如果实验者注意到身体运动或肢体位置不当会导致头像形状发生变化，则可以轻松快速地重复图像采集）和重复调查38 以及安全地用于特殊人群（例如儿童、 青少年和孕妇）35,39。

因此，临床医生可以在健康受试者（例如运动员）的常规评估中实施创新和有用的生物标志物（"电子磁带"测量和衍生的身体成分估计）的获取，以帮助预测和表征他们的身体表现和受伤风险 40,41,42,43以及监测伤势恢复情况。例如，腿部力量和瘦体重对称性会影响身体机能和（再）受伤风险44。因此，恢复大腿/小腿围的正常对称性可以包括在重返赛场的一般目标中45.通过将数字人体测量学整合到医疗保健中，也可以改善对患者的常规评估。体围和形状的评估（由软组织和脂肪组织的内部分布驱动）可用于检测低质量肌肉（例如，在疑似肌肉减少症的患者中），预测代谢疾病风险46，评估外科手术的结果，以及监测干预后的患者进展38.以营养成分为病理生理学关键因素的疾病患者可以特别受益于对体型和成分的纵向监测，以减少症状和共存状况47。例如，在基于饮食和/或药物的肥胖管理的情况下，只监测体重可能不合适，因为众所周知的"25/75 经验法则"（即，一般假设减肥通常是 25% 的无脂肪质量损失和 75% 的脂肪损失）可能无法准确描述干预效果38，这可以通过基于人体测量学的肌肉和脂肪损失相对量评估来揭示。此外，集成到医疗保健中的数字人体测量有可能将医疗保健服务扩展到远程位置，从而提高患者的帮助和依从性，并降低医疗保健成本。

披露声明

A.P. 和 S.B.H. 是 Tanita Corporation 的医疗顾问委员会成员。其余作者没有需要声明的利益冲突。

致谢

作者感谢 Federico Della Vecchia 博士和 Alessandro Cairo 博士（都灵大学）在手稿准备方面的宝贵支持。这项工作得到了 Fondazione CRT（意大利都灵）、都灵大学（Fondo per la Ricerca Locale - 前 60%）和美国国立卫生研究院（R01DK109008 年资助，Shape UP！成人）。

材料

NameCompanyCatalog NumberComments
System #1
ProscannerFit3D Inc., San Mateo, CA, USAVersion 5"System #1" in the manuscript
Fit3D Proscanner appFit3D Inc., San Mateo, CA, USAVersion 5"App #1" in the manuscript
CHUWI tablet PCChuwi Technology Co., Ltd., Shenzhen, CHINAHi10X"Tablet #1" in the manuscript
Fit3D dashboardFit3D Inc., San Mateo, CA, USAhttps://dashboard.fit3d.com
System #2
Mobile Scanner 1 (MS-1) appSize Stream LLC, Cary, NC, USAVersion 2"System #2" in the manuscript
iPadApple Inc., Cupertino, CA, USA9th generation"Tablet #2" in the manuscript
iPad Floor StandDisplays2go LLC, Fall River, MA, USASKU: TABFLATBBKwww.displays2go.com/P-29987/Universal-Tablet-Floor-Stand-Anti-Theft-Locking-Kit
Size Stream registration dashboard Size Stream LLC, Cary, NC, USAhttps://measure.mobilefit.sizestream.com
Size Stream data download dashboard Size Stream LLC, Cary, NC, USAhttps://data.mobilefit.sizestream.com

参考文献

  1. Heymsfield, S. B., Lohman, T., Wang, Z. M., Going, S. Human body composition-2nd edition. Human Kinetics. , (2005).
  2. Lohman, T. G., Milliken, L. A. ACSM's Body composition assessment. Human Kinetics. , (2020).
  3. Ross, R., et al. Waist circumference as a vital sign in clinical practice: a Consensus Statement from the IAS and ICCR Working Group on Visceral Obesity. Nat Rev Endocrinol. 16 (3), 177-189 (2020).
  4. Heymsfield, S. B., Gonzalez, M. C., Lu, J., Jia, G., Zheng, J. Skeletal muscle mass and quality: evolution of modern measurement concepts in the context of sarcopenia. Proc Nutr Soc. 74 (4), 355-366 (2015).
  5. Marin-Jimenez, N., et al. Criterion-related validity of field-based methods and equations for body composition estimation in adults: a systematic review. Curr Obes Rep. 11 (4), 336-349 (2022).
  6. Duarte, C. K., et al. Prediction equations to estimate muscle mass using anthropometric data: a systematic review. Nutr Rev. 81 (11), 1414-1440 (2023).
  7. Jagim, A. R., et al. Validation of skinfold equations and alternative methods for the determination of fat-free mass in young athletes. Front Sports Act Living. 5, 1240252 (2023).
  8. Minetto, M. A., et al. Digital anthropometry for body circumference measurements: European phenotypic variations throughout the decades. J Pers Med. 12 (6), 906 (2022).
  9. Ng, B. K., Hinton, B. J., Fan, B., Kanaya, A. M., Shepherd, J. A. Clinical anthropometrics and body composition from 3D whole-body surface scans. Eur J Clin Nutr. 70 (11), 1265-1270 (2016).
  10. Bourgeois, B., et al. Clinically applicable optical imaging technology for body size and shape analysis: comparison of systems differing in design. Eur J Clin Nutr. 71 (11), 1329-1335 (2017).
  11. Heymsfield, S. B., et al. Digital anthropometry: a critical review. Eur J Clin Nutr. 72 (5), 680-687 (2018).
  12. Tinsley, G. M., Moore, M. L., Benavides, M. L., Dellinger, J. R., Adamson, B. T. 3-Dimensional optical scanning for body composition assessment: A 4-component model comparison of four commercially available scanners. Clin Nutr. 39 (10), 3160-3167 (2020).
  13. Tinsley, G. M., Moore, M. L., Dellinger, J. R., Adamson, B. T., Benavides, M. L. Digital anthropometry via three-dimensional optical scanning: evaluation of four commercially available systems. Eur J Clin Nutr. 74 (7), 1054-1064 (2020).
  14. Smith, B., et al. Anthropometric evaluation of a 3D scanning mobile application. Obesity (Silver Spring). 30 (6), 1181-1188 (2022).
  15. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Validity and reliability of a mobile digital imaging analysis trained by a four-compartment model. J Hum Nutr Diet. 36 (3), 905-911 (2023).
  16. Graybeal, A. J., Brandner, C. F., Tinsley, G. M. Evaluation of automated anthropometrics produced by smartphone-based machine learning: a comparison with traditional anthropometric assessments. Br J Nutr. 130 (6), 1077-1087 (2023).
  17. Wong, M. C., et al. Accuracy and precision of 3-dimensional optical imaging for body composition by age, BMI, and ethnicity. Am J Clin Nutr. 118 (3), 657-671 (2023).
  18. Minetto, M. A., et al. Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players. Sci Rep. 13 (1), 20734 (2023).
  19. Cataldi, D., et al. Accuracy and precision of multiple body composition methods and associations with muscle strength in athletes of varying hydration: The Da Kine Study. Clin Nutr. 43 (1), 284-294 (2024).
  20. Graybeal, A. J., et al. Smartphone derived anthropometrics: Agreement between a commercially available smartphone application and its parent application intended for use at point-of-care. Clinical Nutrition ESPEN. 59, 107-112 (2024).
  21. . Politecnico di Torino Available from: https://www.polito.it/sites/default/files/2023-05/Research%20Integrity%20POLITO_EN.pdf (2024)
  22. Sobhiyeh, S., et al. Hole filling in 3D scans for digital anthropometric applications. Annu Int Conf IEEE Eng Med Biol Soc. 2019, 2752-2757 (2019).
  23. Mifflin, M. D., et al. A new predictive equation for resting energy expenditure in healthy individuals. Am J Clin Nutr. 51 (2), 241-247 (1990).
  24. Krakauer, N. Y., Krakauer, J. C. A new body shape index predicts mortality hazard independently of body mass index. PLoS One. 7 (7), e39504 (2012).
  25. Katch, F. I., McArdle, W. D. Validity of body composition prediction equations for college men and women. Am J Clin Nutr. 28 (2), 105-109 (1975).
  26. Harty, P. S., et al. Novel body fat estimation using machine learning and 3-dimensional optical imaging. Eur J Clin Nutr. 74 (5), 842-845 (2020).
  27. MCCarthy, C., et al. Smartphone prediction of skeletal muscle mass: model development and validation in adults. Am J Clin Nutr. 117 (4), 794-801 (2023).
  28. Loper, M., Mahmood, N., Romero, J., Pons-Moll, G., Black, M. J. SMPL: A skinned multi-person linear model. ACM Trans Graph. 34, 248 (2015).
  29. Sobhiyeh, S., et al. Digital anthropometry for body circumference measurements: Toward the development of universal three-dimensional optical system analysis software. Obes Sci Pract. 7 (1), 35-44 (2020).
  30. Sobhiyeh, S., et al. Digital anthropometric volumes: Toward the development and validation of a universal software. Med Phys. 48 (7), 3654-3664 (2021).
  31. Dechenaud, M. E., Kennedy, S., Sobhiyeh, S., Shepherd, J., Heymsfield, S. B. Total body and regional surface area: Quantification with low-cost three-dimensional optical imaging systems. Am J Phys Anthropol. 175 (4), 865-875 (2021).
  32. Wong, M. C., et al. A pose-independent method for accurate and precise body composition from 3D optical scans. Obesity (Silver Spring). 29 (11), 1835-1847 (2021).
  33. Tian, I. Y., et al. A device-agnostic shape model for automated body composition estimates from 3D optical scans. Med Phys. 49 (10), 6395-6409 (2022).
  34. Tian, I. Y., et al. Automated body composition estimation from device-agnostic 3D optical scans in pediatric populations. Clin Nutr. 42 (9), 1619-1630 (2023).
  35. Wells, J. C. K. Three-dimensional optical scanning for clinical body shape assessment comes of age. Am J Clin Nutr. 110 (6), 1272-1274 (2019).
  36. Ng, B. K., et al. Detailed 3-dimensional body shape features predict body composition, blood metabolites, and functional strength: the Shape Up! studies. Am J Clin Nutr. 110 (6), 1316-1326 (2019).
  37. Wong, M. C., et al. Monitoring body composition change for intervention studies with advancing 3D optical imaging technology in comparison to dual-energy X-ray absorptiometry. Am J Clin Nutr. 117 (4), 802-813 (2023).
  38. Wong, M. C., et al. Children and adolescents' anthropometrics body composition from 3-D optical surface scans. Obesity (Silver Spring). 27 (11), 1738-1749 (2019).
  39. Morse, S., et al. Machine learning prediction of combat basic training injury from 3D body shape images. PLoS One. 15 (6), e0235017 (2020).
  40. Harty, P. S., et al. Military body composition standards and physical performance: historical perspectives and future directions. J Strength Cond Res. 36 (12), 3551-3561 (2022).
  41. Keith, D. S., et al. Anthropometric predictors of conventional deadlift kinematics and kinetics: a preliminary study. Int J Exerc Sci. 16 (1), 429-447 (2023).
  42. Smith, M., et al. Body shape and performance on the US Army Combat Fitness Test: Insights from a 3D body image scanner. PLoS One. 18 (5), e0283566 (2023).
  43. Hart, N. H., Nimphius, S., Spiteri, T., Newton, R. U. Leg strength and lean mass symmetry influences kicking performance in Australian football. J Sports Sci Med. 13 (1), 157-165 (2014).
  44. Ardern, C. L., et al. Consensus statement on return to sport from the First World Congress in Sports Physical Therapy, Bern. Br J Sports Med. 50 (14), 853-864 (2016).
  45. Bennett, J. P., et al. Three-dimensional optical body shape and features improve prediction of metabolic disease risk in a diverse sample of adults. Obesity (Silver Spring). 30 (8), 1589-1598 (2022).
  46. Heymsfield, S. B., Shapses, S. A. Guidance on energy and macronutrients across the life span. N Engl J Med. 390 (14), 1299-1310 (2024).

转载和许可

请求许可使用此 JoVE 文章的文本或图形

请求许可

探索更多文章

3D

This article has been published

Video Coming Soon

JoVE Logo

政策

使用条款

隐私

联系我们

向图书馆推荐

JoVE 新闻简报

科研

教育

发表

图书馆员

关于 JoVE

版权所属 © 2025 MyJoVE 公司版权所有，本公司不涉及任何医疗业务和医疗服务。