Dans mon Dernier commentaire , J'ai mentionné que j'avais récemment acquis plusieurs nouveaux dispositifs à auto-quantification, dont le Skulpt Aim. Ces nouveaux appareils et les données qu’ils contiennent m’ont apporté de plus grandes occasions d’approfondir ma réflexion sur systèmes de mesure .
Lorsque je commence à utiliser un nouvel appareil de suivi automatique, j'ai le même genre de questions de base que tout scientifique ou ingénieur peut poser à propos d'un nouvel outil de mesure:
Pourquoi cet outil m'intéresse?Que mesure cet appareil?Ces nouvelles données confirment-elles ce à quoi je m'attendais?Les changements dans le temps représentent-ils des tendances importantes ou un bruit aléatoire?Ces questions me préoccupaient depuis six semaines alors que je collectais des données quotidiennes avec Aim, un outil de contrôle de la graisse corporelle et de la qualité musculaire.
Pourquoi cet outil m'intéresse?
J'ai blogué dans mon Fitness et nourriture série sur les fluctuations de ma taille passée et la façon dont j’ai adopté des pratiques auto-quantifiées telles que la journalisation des aliments, la surveillance des activités et le suivi du poids avec une balance sans fil pour atteindre une zone de maintien du poids santé Le suivi de mon alimentation, de mes activités et de mon poids au cours des six dernières années m'a permis de mieux comprendre en quoi ma consommation de nourriture et mes habitudes d'exercice ont affecté les tendances de mon poids à court et à long terme au cours de ma vie. Cependant, comme l'entraînement en force est mon entraînement de choix, le poids corporel a toujours été insatisfaisant en tant que mesure du succès à long terme.
Que mesure cet appareil?
Contrairement à d’autres méthodes que j’ai essayées auparavant, l’objectif fournit deux paramètres différents: le pourcentage de graisse (la mesure éprouvée du pourcentage de graisse corporelle) et une nouvelle mesure appelée qualité musculaire (MQ). En bref, l’appareil estime le pourcentage de graisse en faisant passer un courant dans une partie du corps et en mesurant sa résistance. Il utilise le temps écoulé entre la sortie du courant dans le muscle et la détection de la mesure de tension correspondante pour calculer la qualité musculaire. L'idée de base est que les fibres musculaires les plus grandes et les plus ajustées conservent le courant plus longtemps. (Le Skulpt site a plus d’informations sur son fonctionnement.)
L'objectif évalue le pourcentage global de graisse corporelle et la qualité musculaire moyenne à l'aide d'une mesure sur quatre sites, similaire à l'approche multisite utilisée par les évaluations d'épaisseur. Mais la vraie nouveauté de l’Objectif réside dans sa capacité à évaluer et à rendre compte de zones musculaires individuelles . Cela comble une lacune dans ma collecte de données auto-quantifiée en me fournissant un moyen fréquent et pratique de quantifier le maintien musculaire et les changements incrémentiels dans les zones du corps dus aux choix d'entraînement. J’avais déjà vu l’objectif en ligne plusieurs mois auparavant, mais j’ai eu la chance d’essayer moi-même l’appareil au cours des dernières années. Conférence QS15 vraiment scellé l'affaire.
Pour utiliser le viseur, je vaporise de l'eau sur la zone que je vais mesurer et à l'arrière de l'appareil; J'ai ensuite paramétré l'appareil sur une zone musculaire spécifique, en suivant les recommandations de placement d'appareil indiquées dans les vidéos intégrées de l'application. Quelques secondes plus tard, l’Aim vise le% de graisse et le MQ pour cette zone. Lorsque je mets une ligne de régression sur des points de données de toutes les parties du corps Générateur de graphiques Comme le montre le premier graphique ci-dessous, vous pouvez voir qu'il existe une relation inverse entre MQ et le pourcentage de graisse. Intuitivement, il est logique que les zones de qualité musculaire supérieure aient tendance à avoir des pourcentages de graisse plus faibles.
Cependant, l'ajout d'une partie du corps en tant que variable de surimpression dans le deuxième graphique révèle que les profils de MQ et de pourcentage de graisse de différentes zones musculaires peuvent varier considérablement.
Ces nouvelles données confirment-elles ce à quoi je m'attendais?
Pour répondre à cette question, je devais commencer à collecter des données! Ainsi, depuis six semaines, je réalise trois à cinq répétitions du test rapide de Aim chaque jour. Il utilise des mesures des biceps, des triceps, des abdominaux et des quadriceps du côté droit pour estimer la graisse corporelle globale. Toutes les semaines environ, je mesure également d'autres zones musculaires individuelles. Je fais tous ces tests le matin, avant de manger et de boire, juste après que je me suis pesée. Le graphique ci-dessous résume le nombre de mesures que j'ai effectuées pour différentes zones au cours de cette période.
La qualité musculaire est une nouvelle métrique pour moi, je n'ai donc aucune mesure antérieure à des fins de comparaison. Mais les tendances dans les données que j'ai collectées indiquent que les muscles que je m'entraîne régulièrement et fortement ont tendance à avoir les scores de qualité musculaire (MQ) les plus élevés. Comme prévu, les régions où je ne me suis pas entraîné régulièrement avec des poids (par exemple, les veaux) ont des scores de qualité musculaire plus bas. Mes abdos sont une exception intéressante. Je les entraîne rarement directement, mais leurs scores MQ sont très élevés, probablement parce que la plupart des exercices de musculation nécessitent l'utilisation de muscles abdominaux pour stabiliser le mouvement.
Les meilleures données sur la graisse corporelle que j'ai proviennent d'un janvier 2014 Scan DXA , qui m’évalue à 17,5% de graisse corporelle pour un poids net de 127,5 livres. Mes récentes mesures de test rapides avec le viseur ont été prises avec un poids d'entretien plus typique d'environ 135 lb et estiment mon pourcentage de graisse entre 18 et 19%. Bien que mon poids ne soit pas directement comparable à mon poids le jour de mon DXA, mes résultats sont approximatifs de ce à quoi je m'attendrais après avoir ajouté quelques kilos pour plus de nourriture et d'eau dans mon système, quelques kilos pour plus de corps. graisse, et 1,75 ans de temps de formation.
J'ai utilisé mes données Skulpt avec une carte du corps personnalisée que j'ai créée plus tôt cette année dans JMP montrer le QM moyen et le% de graisse par zone corporelle (moyenne sur les côtés gauche et droit). J'ai inversé les échelles de couleurs afin que les tendances de chaque mesure puissent être comparées plus facilement. Comme les lignes de régression spécifiques aux parties du corps indiquées ci-dessus, ce graphique reflète également la relation inverse entre MQ et le pourcentage de graisse.
Les changements dans le temps représentent-ils des tendances importantes ou un bruit aléatoire?
J'avais quelques questions auxquelles je voulais répondre avant d'évaluer dans quelle mesure mes entraînements pourraient affecter mes mesures de% de graisse et de MQ à court et à long terme. Bien que les utilisateurs occasionnels de Target puissent être satisfaits en prenant une seule mesure par jour ou par semaine, je m'attendais à ce que mes mesures varient autour de la moyenne réelle pour chaque combinaison corps / côté en raison de variables aléatoires et systématiques.
Sans accès quotidien à un test de référence tel que DXA, je n’ai pas pu vérifier le précision des mesures de l'objectif, mais cela n'a jamais été mon intention. Je suis beaucoup plus intéressé par la mise en place d’une routine de mesure qui génère précis mes mesures chaque jour afin que je puisse comprendre les tendances quotidiennes ou hebdomadaires en fonction de mon poids, de ma consommation et de mes variables d’entraînement. Le blog Skulpt a mentionné une variation attendue test-retest de 5% entre les jours. En d'autres termes, une zone mesurée à 20% de graisse corporelle par jour devrait mesurer 20% +/- 1% le lendemain. Mais je prédisais que des variables telles que le poids de l’eau auraient une incidence sur mes mesures quotidiennes, de sorte que mes valeurs réelles pourraient différer d’un jour à l’autre. J’étais donc plus soucieux d’évaluer les mesures répétées prises le même jour. Établir une précision intra-journalière serait essentiel pour établir une base de référence pour mes valeurs de MQ et de% de graisse.
Pour évaluer la variation intra-journalière, j’ai utilisé Générateur de graphiques créer un graphique des écarts-types de mes mesures de MQ et de% de graisse pour les quatre sites que je mesure quotidiennement. J'ai utilisé une plage de référence ombrée en bleu clair pour indiquer l'écart type de 1% de matière grasse et de 1 MQ que j'espérais atteindre.
Les tendances de la variabilité que j'ai observées dans mes mesures de juillet m'ont amené à remettre en question et à ajuster mes techniques de mesure:
Au début, ma variabilité au sein de la journée pour mes scores de MQ et de graisse corporelle était relativement élevée. Je me suis vite rendu compte que je ne suivais pas les instructions de Aim à la lettre. J'ai commencé à pulvériser le dos de l'appareil avant chaque représentant, en veillant à ce que les contacts métalliques soient constamment trempés pour chaque mesure. Vous pouvez voir que ce changement commence à réduire la variabilité de mes données autour du 21 juillet. Une fois que j'ai apporté les améliorations ci-dessus, j'ai commencé à remarquer un nouveau schéma. Mon premier représentant pour un groupe musculaire semblait être différent de celui des représentants ultérieurs. J'ai confirmé ce soupçon en examinant mes données brutes. J'ai théorisé que cela pourrait peut-être arriver parce que le dispositif était humide avant le rep 1, mais le zone musculaire elle-même était sèche jusqu'à ce que le représentant 1 soit terminé. J'ai commencé à pulvériser chaque zone du corps avant de commencer à mesurer, ce qui a encore amélioré la cohérence de mes mesures.À la fin du mois de juillet, j'ai remarqué une autre tendance inquiétante. L'écart type de ma mesure MQ pour mon biceps droit était à la hausse, pas à la baisse! Cela a affecté la cohérence de la moyenne de mes quatre sites. En y réfléchissant, j'ai conclu que, comme mon biceps est un muscle relativement petit et étroit, de légers changements de position ont probablement affecté sa mesure davantage que pour les groupes musculaires plus importants.
J'ai décidé de tester ma théorie en expérimentant la position de l'appareil. Pendant cinq représentants (groupe 1), j'ai essayé de maintenir l'unité légèrement plus haute sur ma zone de biceps, puis je l'ai déplacée légèrement plus bas pour cinq représentants (groupe 2). La figure ci-dessous montre comment cela a affecté mes résultats. Même si un représentant du groupe ayant obtenu le plus haut score avait un score MQ de 125 (marqué d’un x rouge), le reste des scores MQ du groupe ayant le plus haut rang était de plusieurs points inférieur à celui du second groupe. Il semblait évident que je devais choisir l'une de ces positions et m'y tenir pour obtenir les mesures les plus cohérentes pour cette zone musculaire problématique.
Au cours des jours suivants, j'ai appliqué les leçons apprises ci-dessus et choisi mon domaine de mesure de biceps de manière plus cohérente, en réduisant les SD (MQ) et SD (% de graisse) pour les biceps dans mon ensemble de données. À ce stade, je suis heureux de pouvoir mesurer régulièrement MQ +/- 2 et% de matières grasses +/- 1% presque tous les jours pour la quasi-totalité des zones, et l’estimation globale à 4 positions que je prends quotidiennement est tombée dans une prévision intervalle.
Quelle est la prochaine avec ces données?
Étant donné mes aventures initiales concernant la cohérence des mesures ci-dessus, je savais que je devais travailler davantage avec cet ensemble de données. Je continuais à collecter des données quotidiennes, mais je voulais les évaluer et ma technique de mesure plus systématiquement. JMP a un MSA ( Analyse des systèmes de mesure ) plate-forme conçue pour aider à évaluer les sources de variabilité dans un système de mesure. Je voulais en savoir plus sur la plate-forme et l'utiliser pour évaluer mes mesures jusqu'à présent. Je savais déjà que j'avais des mesures aberrantes dans mon tableau de données. Quelle est la meilleure façon de les identifier et de les supprimer? Je devais explorer mes données, évaluer mes options de filtrage des valeurs aberrantes, les appliquer et déterminer dans quelle mesure leur suppression affectait la cohérence de mes mesures dans la journée. Je vais partager ce que j'ai découvert dans les prochains messages.
