Smartphone-lichaamsscans en het 1 cm-probleem

Waarom herhaalbaarheid niet genoeg is als je echte verandering volgt

Een verandering van één centimeter in de tailleomtrek kan betekenisvol zijn. Voor sommige mensen staat ze voor maanden consistente training, voeding, herstel, of simpelweg op koers blijven.

Dat creëert een praktisch probleem voor elke technologie voor lichaamsvolging:

Als de methode kan verschuiven met één centimeter terwijl je lichaam niet veranderde, hoe kan ze je dan vertellen dat een verandering van één centimeter echt is?

Dat is de vraag achter het recente onderzoek naar op smartphones gebaseerde lichaamsscans. Het onderzoek toont niet aan dat elke telefoonscan nutteloos is. Sommige moderne systemen kunnen indrukwekkend herhaalbaar zijn, vooral wanneer de telefoon op een statief staat, de ruimte gecontroleerd is, de deelnemer een strikte pose aanhoudt en de scan minuten later wordt herhaald.

Maar herhaalbaarheid is niet hetzelfde als individuele nauwkeurigheid. Een methode kan twee keer vrijwel hetzelfde antwoord geven en toch consequent verschillen van een meetlintmeting, een referentiescanner of de werkelijke lichaamsafmeting van de persoon. Ze kan ook goed genoeg zijn om een gemiddelde trend in een studie te beschrijven, terwijl ze te onzeker blijft om een kleine verandering bij één persoon te bevestigen.

Dat onderscheid is de reden dat Contura een aanpak heeft waarin metingen vooropstaan: het 3D-model is de manier waarop je je metingen ziet en vergelijkt, geen door een camera gegenereerd cijfer dat ze geruisloos vervangt.

Drie verschillende ideeën worden vaak door elkaar gehaald

Voordat je een cijfer leest als “0,5 cm fout”, helpt het om drie ideeën te scheiden die onderzoekers verschillend meten.

Term	Welke vraag hij stelt	Waarom het ertoe doet
Precisie of herhaalbaarheid	Hoe vergelijkbaar zijn twee metingen als het lichaam niet veranderde?	Toont technische ruis in herhaalde metingen.
Nauwkeurigheid of overeenstemming	Hoe dicht ligt het resultaat bij een referentiemethode?	Toont systematische vertekening en individuele afwijkingen.
Kleinste significante verandering (LSC)	Hoe groot moet het verschil zijn voordat meetruis onwaarschijnlijk is?	Stelt een praktische drempel voor het interpreteren van verandering.

Een intraclass-correlatiecoëfficiënt (ICC) is nuttig voor herhaalbaarheid, maar een hoge ICC bewijst niet dat het absolute cijfer klopt. Correlatie kan ook hoog zijn wanneer één methode de tailleomtrek consequent onderschat of de heupomtrek overschat.

LSC is het idee dat het zwaarst weegt wanneer het doel voortgang volgen is. In het kader van twee metingen dat in onderzoek naar lichaamssamenstelling wordt gebruikt, wordt LSC vaak berekend als:

LSC ≈ 2.77 × precision error

Die vermenigvuldiger is de reden dat een methode met een precisiefout van 0,5 cm je niet automatisch elk verschil van 0,5 cm een echte verandering laat noemen.

Wat het beste 360° smartphone-onderzoek werkelijk vond

Eén van de sterkste recente studies vergeleek vier methoden voor digitale antropometrie bij 46 volwassenen, waaronder een smartphone-app die seriebeelden vastlegde terwijl de persoon een volledige rotatie maakte. Over de omtrekken heen had de smartphonemethode met volledige rotatie een gemiddelde technische meetfout van 0,5 cm, een relatieve fout van 0,9% en een ICC van 0,986. In die gecontroleerde test presteerde hij vergelijkbaar met grotere, minder draagbare 3D-scanners. Tinsley et al., European Journal of Clinical Nutrition (2024)

Dat is een waardevol resultaat. Het toont wat een zorgvuldig ontworpen 360°-pijplijn kan bereiken onder herhaaltestomstandigheden.

Het betekent niet dat:

• elke scan binnen 0,5 cm van je werkelijke tailleomtrek ligt;
• 0,5 cm een maximale fout of universele garantie is;
• een scan die morgen in een andere kamer, pose, outfit of met een andere telefoon wordt genomen gelijkwaardig is aan de laboratoriumscan; of
• een verschil van 0,5 cm tussen twee persoonlijke scans automatisch echt is.

De verwante studie in Frontiers in Medicine uit 2024 maakt het onderscheid nog duidelijker. Ze gebruikte een 3D-scanapp op de smartphone die tijdens een volledige rotatie vele beelden vastlegde, met een iPhone op een statief op ongeveer 1,7 meter van de deelnemer. Deelnemers hielden een A-pose aan, droegen minimaal nauwsluitende kleding, vasten de nacht ervoor en vermeden training tot minstens 24 uur vóór de test. De studie merkt ook op dat het lichaam beweegt tijdens een 360°-scan, zodat de software niet-rigide avatarreconstructie nodig heeft, wat extra fout kan introduceren. Tinsley et al., Frontiers in Medicine (2024)

In dat paper golden de gerapporteerde LSC-waarden van 1,39–1,82 procentpunten voor vergelijkingen voor vetpercentage, niet voor de tailleomtrek. De figuur van 0,5 cm voor omtrekken in dat paper werd overgenomen uit de eerdere studie met volledige rotatie.

Als eenvoudige illustratie — niet als een omtrek-LSC die dat paper rapporteert — zou een precisiefout van 0,5 cm in dezelfde formule ongeveer het volgende opleveren:

2.77 × 0.5 cm ≈ 1.4 cm

Dat is de belangrijke intuïtie: een methode kan een gemiddelde herhaalbaarheidsfout van 0,5 cm hebben en toch een grotere verandering vereisen voordat je er vertrouwen in hebt dat de verandering boven de meetruis uitstijgt. Een verandering van één centimeter kan echt zijn, maar nog steeds te klein voor die methode om bij één persoon met vertrouwen vast te stellen.

De MeThreeSixty-studie laat zien waarom het gemiddelde misleidend kan zijn

De genoemde studie vergeleek smartphone-apps rechtstreeks met professionele meetlintmetingen. Ze omvatte 115 volwassenen en beoordeelde MeThreeSixty op een iPhone en een Samsung-telefoon, evenals myBVI. De referentiemetingen van taille en heup werden door onderzoekers genomen in een gecontroleerd laboratoriumprotocol, niet door deelnemers die zich thuis terloops zelf maten. Graybeal et al., British Journal of Nutrition (2023)

De precisiefout voor taille- en heupomtrek liep van 0,5 tot 1,9 cm. De gedetailleerde resultaten laten zien waarom dat bereik ertoe doet:

Methode	Precisiefout taille	Precisiefout heup
Professionele meetlintreferentie	0,63 cm	0,65 cm
MeThreeSixty op iPhone	0,54 cm	0,51 cm
MeThreeSixty op Samsung	0,87 cm	0,90 cm
MeThreeSixty over iPhone en Samsung heen	1,91 cm	1,59 cm
myBVI	1,12 cm	1,91 cm

Dit zijn herhaalbaarheidsresultaten. Ze vertellen ons niet hoe dicht het cijfer van een app bij de werkelijke omtrek van de persoon ligt.

Toen de onderzoekers app-resultaten vergeleken met de referentiemeetlintmetingen, onderschatte MeThreeSixty op de iPhone de tailleomtrek gemiddeld met 2,3 cm en overschatte de heupomtrek gemiddeld met 3,1 cm. Over de geteste apps lagen de 95%-overeenstemmingsgrenzen op ongeveer ±9,0 tot ±12,4 cm voor de taille en ±6,7 tot ±10,7 cm voor de heup.

Het paper vond wel equivalentie op groepsniveau voor sommige maten binnen een vooraf gedefinieerd gebied van 5%. Dat is niet hetzelfde als bewijzen dat het resultaat van een willekeurig individu uitwisselbaar is met een meetlintmeting. De kleine onderschatting van de taille en de overschatting van de heup combineerden zelfs tot een taille-heupverhouding die niet equivalent was aan de referentiemethode.

Dit is de centrale les: een methode kan acceptabel lijken wanneer gemiddelden worden vergeleken en toch een breed bereik aan individuele fouten produceren. Als je vraag is “Is mijn taille echt met 1 cm afgenomen?”, is de individuele fout belangrijker dan het groepsgemiddelde.

Nóg meer beelden verwijderen het probleem op individueel niveau niet

Een nieuwere studie uit 2026 vergeleek MeThreeSixty, Bodygram en ZOZO Fit met DXA voor vetpercentage. ZOZO Fit was in de vergelijking de methode met meerdere beelden, met twaalf foto’s terwijl de deelnemer 360° rond draaide. Alle drie de apps toonden uitstekende herhaalbaarheid binnen dezelfde sessie, met ICC-waarden van 0,98 tot 0,99. ZOZO Fit had de laagste RMSE voor lichaamsvet met 2,95% en de hoogste overeenstemming met DXA.

Maar geen van de apps bereikte equivalentie binnen het vooraf gedefinieerde gebied van ±2 procentpunten van de studie. ZOZO Fit had nog steeds brede individuele overeenstemmingsgrenzen, van ongeveer −5,89 tot +8,36 procentpunten, en minder dan 44% van de deelnemers lag binnen ±2 procentpunten van DXA. De auteurs concludeerden dat de apps een hoge herhaalbaarheid hadden, maar onvoldoende nauwkeurigheid op individueel niveau voor klinische besluitvorming. Encarnação et al., Clinical Nutrition ESPEN (2026)

Deze studie mat vetpercentage in plaats van tailleomtrek, dus ze moet niet worden gebruikt om te beweren dat de taillemeting van een bepaalde app evenveel mist. Ze test echter wel hetzelfde soort gevolgtrektingsketen: camerabeelden → segmentatie en lichaamsmodel → geschatte lichaamsmaten → een individueel resultaat.

Het resultaat is leerzaam: meer beelden vastleggen kan de gemiddelde modelfitting verbeteren zonder nauwkeurige detectie van individuele verandering te garanderen. Meer gegevens helpen, maar veranderen een afgeleid modelresultaat niet in een directe fysieke meting.

Een aparte open-access studie laat zien hoe gevoelig de reconstructie kan zijn voor pose. Bij één deelnemer veranderde een andere positie van de armen tijdens het zijbeeld de gegenereerde tailleomtrek met ongeveer 6 cm, terwijl het lichaam van de persoon niet was veranderd. Dit is geen bewering dat elke telefoonscan een fout van 6 cm zal maken; het is een concrete demonstratie dat de invoerpose deel uitmaakt van het meetsysteem. Minetto et al., Scientific Reports (2023)

ZOZOFIT’s eigen hulppagina rapporteert een foutmarge van 0,4 cm, afhankelijk van de plek van de meting. Dat cijfer kan de eigen definitie, dataset en testprotocol van het bedrijf beschrijven; lees het niet als een universele 95%-foutgrens voor elk lichaamsgebied, lichaamstype, telefoon, kamer, pose of softwareversie. De instructies van de app zelf vereisen ook een consistente positie tijdens de 360°-rotatie, een vaste afstand tot de telefoon, een egale achtergrond en gelijkmatig licht. ZOZOFIT: “How accurate are the ZOZOFIT measurements?” · ZOZOFIT-richtlijnen voor de scanpositie

Waarom dit een structureel probleem is, niet alleen een softwarefout

De camera van een telefoon meet de omtrek van je taille niet rechtstreeks. Hij observeert pixels en silhouetten, waarna software een driedimensionaal oppervlak moet afleiden, moet bepalen waar een anatomisch meetpunt zit en een dwarsdoorsnede van het gereconstrueerde lichaam moet berekenen.

Dat is een invers probleem. Verschillende 3D-vormen kunnen vergelijkbare 2D-beelden produceren, vooral rond zacht weefsel, kleding, schaduwen, overlappende lichaamsdelen en gebieden die voor de camera verborgen zijn. Een 360°-rotatie geeft het algoritme veel meer informatie, maar hij blijft afhangen van de kwaliteit en consistentie van de beelden en van het model dat ze interpreteert.

De belangrijkste bronnen van onzekerheid zijn praktisch én wiskundig:

• Het meetpunt is misschien niet hetzelfde meetpunt. De tailleomtrek kan worden gemeten op het darmbeen, halverwege de laagste rib en het darmbeen, op de navel of op de natuurlijke taille. Deze plekken kunnen wezenlijk verschillende waarden opleveren, vooral bij vrouwen. Mason en Katzmarzyk, Obesity (2009)
• Houding en beweging veranderen het oppervlak. Een persoon die op zijn plaats ronddraait is geen star object. Het onderzoek zelf beschrijft de noodzaak een niet-rigide avatar te reconstrueren en te normaliseren naar een canonieke pose.
• Kleding en licht beïnvloeden het silhouet. ZOZOFIT en MeThreeSixty geven allebei instructies over aansluitende kleding, achtergrond, camerapositie en licht, omdat de beeldverwerkingsstap van die invoer afhangt.
• De telefoon en de softwareversie doen ertoe. In de MeThreeSixty-studie verschilde de precisie tussen de iPhone- en de Samsung-implementatie. Consumentenapps veranderen hun reconstructie- en avatar-algoritmes bovendien in de loop van de tijd.
• De trainingspopulatie doet ertoe. Een model dat op één verdeling van lichaamsvormen is getraind, kan zich anders gedragen bij lichamen met andere verhoudingen, maten, leeftijden of vetverdeling. De MeThreeSixty-studie vond subgroepverschillen en riep expliciet op tot meer onderzoek naar zelfmeting, gebruik thuis en langetermijngebruik.

Niets hiervan betekent dat een smartphone-scan niet nuttig kan zijn. Het betekent dat een scan een schatting is waarvan de onzekerheid meegewogen moet worden wanneer de verandering die je belangrijk vindt klein is.

Ook een meetlint is niet perfect — en dat is nu juist het punt

Het alternatief is geen magisch instrument zonder fout. Ook meetlintmetingen hangen af van het meetpunt, de houding, de ademhaling, de lintspanning en het vermogen van degene die meet.

In één studie naar taille- en heupmetingen door een onervaren beoordelaar rapporteerden de auteurs dat een verandering groter dan 3,0 cm voor de taille en 2,0 cm voor de heup volgens hun protocol met 95% vertrouwen als echte verandering behandeld kon worden. Wang et al., Perceptual and Motor Skills (2010)

De les is niet “een meetlint heeft altijd gelijk”. De les is dat serieuze volging een expliciet meetprotocol vereist. Je moet het meetpunt, de omstandigheden, de methode en de omvang van verandering kennen die de methode werkelijk kan onderscheiden.

Waarom Contura kiest voor op metingen gebaseerde 3D-volging

Contura is bewust geen camerascanner voor het lichaam. De app belooft niet elke omtrek af te leiden uit twee foto’s of een 360°-telefoonscan.

In plaats daarvan is de meetketen zichtbaar:

Scan met camera voorop	Volging met metingen voorop in Contura
Lichaam → foto’s → silhouetextractie → afgeleide 3D-mesh → merkgebonden meetpunten → metingen	Lichaam → herhaalbaar meetlintpunt → door de gebruiker vastgelegde meting → 3D-visualisatie → historische vergelijking
Handig, maar veel verborgen stappen kunnen het cijfer beïnvloeden	Iets bewuster, maar de invoer is te controleren en te herhalen
De scan is de meting	De meting is de bron; 3D is de visuele uitvoer

Contura helpt je dezelfde meetlocaties in beeld te houden, meerdere omtrekken in de tijd vast te leggen en die cijfers om te zetten in een draaibare 3D-lichaamstoestand. Je kunt twee data vergelijken en zien hoe de gemeten verschillen zich vertalen naar een consistent visueel kader.

Dat maakt het meetlint niet onfeilbaar. Het maakt het proces transparanter. Verandert er een cijfer, dan kun je vragen wat er bij de meetstap gebeurde in plaats van een onverklaard modelresultaat te accepteren. Is een verandering kleiner dan de onzekerheid van één meting, dan kun je wachten op een herhaalde trend in plaats van één scan het verhaal te laten bepalen.

Wat doe je als je verandering volgen serieus neemt?

Gebruik een methode die past bij de omvang van de verandering die je belangrijk vindt.

1. Kies een duidelijk anatomisch meetpunt en houd het vast.
2. Meet onder vergelijkbare omstandigheden: tijdstip van de dag, kleding, houding, ademhaling en recente training.
3. Laat het lint los en herpositioneer het voor een tweede meting in plaats van het herhaaldelijk strakker te trekken tot het cijfer goed lijkt.
4. Leg de methode samen met het cijfer vast.
5. Zoek een herhaalde trend over betekenisvolle intervallen, geen enkel dagverschil.
6. Behandel elk 3D-lichaamsmodel — of het nu uit een scan of uit metingen komt — als een visualisatie, niet als een medische diagnose of een perfecte digitale tweeling.

Voor een ruwe visuele controle of een grote verandering kan een telefoonscan handig zijn. Maar als je doel is weten of een trage verandering van één centimeter echt is, vertrouw dan niet alleen op een camerascan. Gebruik een meting die je kunt reproduceren, bewaar de geschiedenis en interpreteer het resultaat tegen de onzekerheid van de methode.

Dat is de rol van Contura: niet doen alsof lichaamsmeten moeiteloos is, maar zorgvuldig meten makkelijker vastleggen, vergelijken en begrijpen.

Ontdek Contura in de App Store

Veelgestelde vragen

Betekent een technische fout van 0,5 cm dat de scan nauwkeurig is tot 0,5 cm?

Nee. In de 360°-studie was 0,5 cm een gemiddelde technische herhaaltestfout over omtrekken heen onder gecontroleerde omstandigheden. Het was geen maximale fout, geen universele garantie en geen directe maat voor overeenstemming met je werkelijke tailleomtrek.

Betekent dit dat smartphone-lichaamsscans nutteloos zijn?

Nee. Ze kunnen nuttig zijn voor ruwe visualisatie, grote veranderingen, onderzoek en sommige toepassingen op groepsniveau. Het bewijs is gewoon zwakker wanneer de vraag is of een kleine verandering bij één individu echt is.

Is Contura nauwkeuriger dan MeThreeSixty of ZOZOFIT?

Contura doet geen ongevalideerde universele nauwkeurigheidsclaim. De app gebruikt een ander meetmodel: de gebruiker legt omtrekken vast en Contura visualiseert en vergelijkt ze. Daardoor is de app beter geschikt voor transparante langetermijnvolging van metingen dan voor automatische schatting via de camera.

Is een meetlint altijd nauwkeurig?

Nee. Meetlintmetingen vragen consistente meetpunten en techniek. Hun voordeel is dat de meetstap zichtbaar, aan te leren en herhaalbaar is; de gebruiker kan de methode controleren en corrigeren in plaats van een verborgen gevolgtrekking te accepteren.

Hoe vaak moet ik meten?

De meeste mensen hoeven niet elke dag te meten. Een schema van elke één tot twee weken tijdens vetverlies, of elke twee tot vier weken bij langzamere veranderingen van de lichaamsvorm, is vaak makkelijker consistent vol te houden. Het beste interval is het interval dat het lichaam tijd geeft te veranderen terwijl de meetomstandigheden vergelijkbaar blijven.

Bronnen en verder lezen

• Graybeal, Brandner, and Tinsley (2023), “Evaluation of automated anthropometrics produced by smartphone-based machine learning,” British Journal of Nutrition
• Tinsley et al. (2024), “Mobile phone applications for 3-dimensional scanning and digital anthropometry,” European Journal of Clinical Nutrition
• Tinsley et al. (2024), “Smartphone three-dimensional imaging for body composition assessment using non-rigid avatar reconstruction,” Frontiers in Medicine
• Encarnação et al. (2026), “Accuracy, repeatability, and interchangeability of smartphone-based digital anthropometry,” Clinical Nutrition ESPEN
• Minetto et al. (2023), “Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players,” Scientific Reports
• Mason and Katzmarzyk (2009), “Variability in Waist Circumference Measurements According to Anatomic Measurement Site,” Obesity
• Wang, Liu, and Chen (2010), “Intrarater reliability and the value of real change for waist and hip circumference measures by a novice rater,” Perceptual and Motor Skills
• ZOZOFIT over meetnauwkeurigheid en richtlijnen voor de scanpositie