在我的最後的帖子 ，我提到我最近購買了幾種新的量化自我設備，包括Skulpt Aim。這些新設備及其中的數據為我提供了更多思考的機會測量系統 。
當我開始使用新的自我跟踪設備時，我會遇到任何科學家或工程師可能會詢問有關新型測量工具的基本問題：
為什麼這個工具對我感興趣？這個設備測量什麼？這些新數據是否證實了我的期望？隨時間變化是否代表重要趨勢或隨機噪音？過去六週我一直在思考這些問題，因為我用Aim收集了每日數據，這是一種體脂和肌肉質量監測工具。
為什麼這個工具對我感興趣？
我在我的博客上寫過健身和食物關於我過去的身體大小波動的系列以及我如何採用量化自我實踐，例如食物測井，活動監測和體重跟踪，以無線秤來達到健康的體重維持區。在過去六年中跟踪我的飲食，活動和體重，這有助於我更好地了解我的食物攝入量和運動習慣如何影響我一生中的短期和長期體重趨勢。然而，由於力量訓練是我的選擇鍛煉，因此作為一項長期成功指標，體重總是令人不滿意。
這個設備測量什麼？
與我之前嘗試過的其他方法不同，Aim提供了兩種不同的指標：％fat（體脂百分比的經過驗證的測量）和一種稱為肌肉質量（MQ）的新方法。簡而言之，該裝置通過使電流通過特定的身體部位並測量其阻力來估計脂肪百分比。它利用電流進入肌肉之間的時間和檢測相應的電壓測量來計算肌肉質量。基本的想法是更大，更健康的肌肉纖維保持更長的電流。（該雕塑網站有關於它如何工作的更多信息。）
Aim通過四點測量估計總體脂肪百分比和平均肌肉質量，類似於卡尺評估使用的多點方法。但是，Aim真正的新奇之處在於它能夠評估和報告措施個別肌肉區域 。這填補了我的量化自我數據收集中的空白，為我提供了一種頻繁且便捷的方法來量化肌肉維持和由於訓練選擇導致的身體區域的增量變化。我幾個月前在網上看過Aim，但是最近有機會親自試用這台設備 QS15會議真的打破了這筆交易。
為了使用Aim，我在我要測量的區域和設備背面噴水;然後，我根據應用嵌入視頻中顯示的設備放置建議，將設備設置在特定的肌肉區域。幾秒鐘後，Aim顯示該區域的％脂肪和MQ。當我將回歸線擬合到所有身體部位的數據點時圖形生成器如下面的第一張圖所示，您可以看到MQ和％fat之間存在反比關係。直觀地說，肌肉質量較高的區域往往具有較低的脂肪百分比是有道理的。
然而，在第二個圖中添加Body部分作為覆蓋變量表明不同肌肉區域的MQ和％脂肪分佈可以有很大差異。
這些新數據是否證實了我的期望？
要回答這個問題，我不得不開始收集數據！因此，在為期六週的時間裡，我每天都在進行Aim快速測試的三到五次復制。它使用我的右側二頭肌，三頭肌，腹肌和四頭肌的測量來估計我的整體身體脂肪。每個星期左右，我還測量其他個別肌肉區域。我在吃飯和喝酒之前的第一件事就是進行所有這些測試。下圖總結了我在這段時間內對不同區域進行的測量次數。
肌肉質量對我來說是一個新指標，所以我沒有任何過去的測量值來進行比較。但是我收集的數據中的模式表明我經常訓練的肌肉往往具有最高的肌肉質量（MQ）分數。正如預期的那樣，近年來我沒有經常接受過重量訓練的區域（例如小腿）的肌肉質量得分較低。我的腹肌是一個有趣的例外。我很少直接訓練他們，但他們的MQ分數非常高，可能是因為大多數重量訓練需要使用腹部肌肉來穩定運動。
我最好的體脂數據來自2014年1月 DXA掃描 ，我估計身體脂肪含量為17.5％，體重減輕了127.5磅。我最近使用Aim進行的快速測試測量是在更典型的維持重量大約135磅的情況下進行的，估計我的脂肪含量為18-19％。雖然在我的DXA當天，我的體重與我的體重沒有直接可比性，但是我的結果是在我的體系中添加幾磅體重的額外食物和水後，我所期望的結果，額外體重幾磅脂肪，和1.75年的訓練時間。
我使用我的Skulpt數據和我今年早些時候創建的自定義人體地圖 JMP 通過身體面積顯示平均MQ和％脂肪（在左側和右側平均）。我顛倒了色標，因此可以更容易地比較每個度量的趨勢。與上面顯示的身體部位特定回歸線一樣，該圖也反映了MQ和％脂肪之間的反比關係。
隨時間變化是否代表重要趨勢或隨機噪音？
在評估我的訓練可能會影響我的％脂肪和MQ措施的短期和長期之前，我想回答一些問題。雖然每天或每週進行單次測量可能會讓休閒Aim用戶感到滿意，但我預計由於隨機和系統變量，我的測量值會隨著每個身體部位/側面組合的真實平均值而變化。
如果沒有像DXA這樣的金標準測試，我無法驗證準確性 Aim的測量結果，但這從來就不是我的意圖。我對建立一個生成的測量例程更感興趣精確每天測量，以便我可以在我的體重，飲食和鍛煉變量的背景下理解每日或每週的趨勢。Skulpt博客提到預計日間測試 - 重新測試變異為5％。另一方面，預計一天體重為20％的面積在第二天測量為20％+ / - 1％。但是我預測我會看到像水重量這樣的變量影響我的日常測量值，這樣我的真實值可能會在幾天之間有所不同，所以我更關心的是評估在同一天進行的重複測量。建立日內精度對於為我的MQ和％脂肪值建立基線至關重要。
為了評估日內變化，我使用了圖形生成器為我每天測量的四個站點創建MQ和％脂肪測量值的標準差的圖表。我使用淺藍色陰影參考範圍來表示我希望達到的1％脂肪和1 MQ點標準偏差。
我在7月測量中看到的變化趨勢讓我質疑和調整我的測量技術：
在早期，我的MQ和體脂分數的日內變化相對較高。我很快意識到我沒有按照Aim的指示寫信。我之前開始噴射裝置的背面每個代表，確保每次測量時金屬觸點始終浸泡。您可以看到此更改開始減少7月21日左右數據的可變性。 一旦我做了上述改進，我就開始注意到一種新的模式。我的肌肉群的第一個代表似乎與後來的代表不同。我通過檢查我的原始數據證實了這種懷疑。我認為也許這可能發生，因為設備在代表1之前是濕的，但是肌肉區本身是乾燥的，直到代表1完成後。在開始測量之前，我開始噴灑每個身體區域，這進一步提高了我的測量一致性。在7月底，我注意到另一個令人不安的趨勢。我右側二頭肌的MQ測量值的標準偏差呈上升趨勢，而不是下降！這影響了我的四站點平均值的一致性。令人困惑的是，我得出的結論是，由於我的二頭肌是一個相對較小而且狹窄的肌肉，輕微的位置變化可能比較大的肌肉群更容易影響其測量。
我決定通過試驗設備的位置來測試我的理論。對於五個代表（第1組），我努力將我的二頭肌區域的單位稍高，然後將其移動到略低的位置進行五次重複（第2組）。下圖說明了這對我的結果有何影響。雖然較高職位組中的一名代表的MQ分數為125（用紅色x標記），但較高職位組的其餘MQ分數比第二組低幾分。很明顯，我需要選擇其中一個位置並堅持使用它來獲得這個有問題的肌肉區域的最一致的測量值。
在接下來的幾天裡，我應用了上面學到的經驗，更加一致地選擇了我的二頭肌測量區域，減少了數據集中二頭肌的SD（MQ）和SD（％脂肪）。在這一點上，我很高興能夠在幾乎所有區域的大多數日子裡始終如一地測量MQ +/- 2和％脂肪+/- 1％，並且我每天所採取的4位整體估計已經可以預測範圍。
這些數據的下一步是什麼？
鑑於我最初的測量一致性冒險，我知道我有更多的工作要做這個數據集。我繼續收集每日數據，但想更系統地評估它和我的測量技術。JMP有一個MSA（ 測量系統分析 ）平台旨在幫助評估測量系統中的可變性來源。我想了解更多關於該平台的信息，並用它來評估我到目前為止的測量結果。我已經知道我的數據表中有異常值。識別和刪除它們的最佳方法是什麼？我需要瀏覽我的數據，評估我的異常值過濾選項，應用它們，並評估它們的刪除如何影響我的日內測量一致性。我將分享我在未來的帖子中發現的內容。
香農康納斯中寫道：
不幸的是，目前唯一的出口路線似乎是將每日體脂百分比發送到Apple Health應用程序。如果您想要原始數據，手動數據輸入是獲取它的當前方式。痛苦，我知道！我已經要求從應用程序導出csv。請將您的請求發送到Skulpt支持網站！
彼得中寫道：
真棒！你是如何導出Skulpt Aim數據的？我一直想分析我的數據。
