Akıllı Telefon Vücut Taramaları ve 1 cm Sorunu

Gerçek değişimi takip ederken tekrarlanabilirlik neden yeterli değil

Bel çevresinde bir santimetrelik bir değişim anlamlı olabilir. Bazı insanlar için bu, aylarca süren tutarlı antrenmanın, beslenmenin, toparlanmanın ya da yalnızca yolda kalmanın karşılığı olabilir.

Bu, her vücut takip teknolojisi için pratik bir sorun yaratır:

Yöntem, bedenin değişmediğinde bir santimetre hareket edebiliyorsa, sana bir santimetrelik değişimin gerçek olduğunu nasıl söyleyebilir?

Bu, akıllı telefonla vücut taramasına ilişkin yeni araştırmanın arkasındaki sorudur. Araştırma, her telefon taramasının işe yaramaz olduğunu göstermiyor. Bazı modern sistemler — özellikle telefon tripod üzerindeyken, oda denetlenmişken, kişi katı bir pozu korurken ve taramalar dakikalar arayla yinelenirken — etkileyici biçimde tekrarlanabilir olabilir.

Ama tekrarlanabilirlik, bireysel doğrulukla aynı şey değildir. Bir yöntem iki kez neredeyse aynı yanıtı üretirken bir mezura ölçümünden, bir referans tarayıcıdan ya da kişinin gerçek beden boyutundan tutarlı biçimde farklı olabilir. Ayrıca bir çalışmada ortalama bir eğilimi betimleyecek kadar iyi olabilirken, tek bir kişide küçük bir değişimi doğrulamak için hâlâ fazla belirsiz kalabilir.

İşte bu ayrım, Contura’nın ölçüm öncelikli bir yaklaşım izlemesinin nedenidir: 3D model, ölçümlerini görüp karşılaştırdığın yoldur; onları sessizce geçersiz kılan, kameradan üretilmiş bir sayı değil.

Çoğu zaman birbirine karıştırılan üç farklı kavram

“0,5 cm hata” gibi bir sayıyı okumadan önce, araştırmacıların farklı ölçtüğü üç kavramı ayırmak yardımcı olur.

Terim	Ne sorar	Neden önemli
Duyarlılık ya da tekrarlanabilirlik	Beden değişmediyse iki okuma birbirine ne kadar benzer?	Yinelenen ölçümlerdeki teknik gürültüyü gösterir.
Doğruluk ya da uzlaşma	Sonuç bir referans yönteme ne kadar yakın?	Sistematik sapmayı ve bireysel uyuşmazlığı gösterir.
En küçük anlamlı değişim (LSC)	Bir fark, ölçüm gürültüsü olma olasılığından çıkmak için ne kadar büyük olmalı?	Değişimi yorumlamak için pratik bir eşik belirler.

Sınıf içi korelasyon katsayısı (ICC) tekrarlanabilirlik için yararlıdır ama yüksek ICC, mutlak sayının doğru olduğunu kanıtlamaz. Bir yöntem bel çevresini tutarlı biçimde küçümserken ya da kalça çevresini büyütürken de korelasyon yüksek olabilir.

Gelişim takibi hedeflendiğinde en çok işe yarayan kavram LSC’dir. Vücut kompozisyonu araştırmasında kullanılan iki ölçümlü çerçevede LSC çoğu zaman şöyle hesaplanır:

LSC ≈ 2.77 × duyarlılık hatası

Çarpanın sebebi budur: duyarlılık hatası 0,5 cm olan bir yöntem, otomatik olarak her 0,5 cm’lik farkı gerçek değişim saymana izin vermez.

En iyi 360° akıllı telefon araştırması gerçekte ne buldu

Son dönemin en güçlü çalışmalarından biri, 46 yetişkinde dört dijital antropometri yöntemünü karşılaştırdı; bunlardan biri, kişi tam bir tur atarken ardışık görüntüler yakalayan bir akıllı telefon uygulamasıydı. Çevreler genelinde tam dönüşlü akıllı telefon yönteminin ortalama teknik ölçüm hatası 0,5 cm, göreli hatası %0,9 ve ICC’si 0,986 idi. O kontrollü testte, daha büyük ve daha az taşınabilir 3D tarayıcılara benzer performans gösterdi. Tinsley vd., European Journal of Clinical Nutrition (2024)

Bu değerli bir sonuçtur. Özenle tasarlanmış bir 360° boru hattının yinelenen test koşulları altında neye ulaşabileceğini gösterir.

Şunları anlamaz:

• her taramanın gerçek bel çevrenden 0,5 cm içinde olduğu;
• 0,5 cm’nin azami hata ya da evrensel bir garanti olduğu;
• yarın başka bir odada, başka bir pozla, başka bir kıyafetle ya da başka bir telefonla alınan bir taramanın laboratuvar taramasına denk olduğu;
• iki kişisel tarama arasındaki 0,5 cm’lik farkın kendiliğinden gerçek olduğu.

İlgili 2024 Frontiers in Medicine çalışması ayrımı daha da netleştiriyor. Çalışma, kişi tam bir tur atarken çok sayıda görüntü yakalayan bir akıllı telefon 3D tarama uygulaması kullandı; iPhone, katılımcıdan yaklaşık 1,7 metre uzakta bir tripoda monte edilmişti. Katılımcılar A pozu koruyor, vücuda oturan minimal kıyafet giyiyor, gece boyunca aç kalıyor ve testten en az 24 saat önce egzersizden kaçınıyordu. Çalışma ayrıca, 360° tarama sırasında bedenin hareket ettiğine, dolayısıyla yazılımın ek hata yaratabilen katı olmayan avatar yeniden yapılandırmasına ihtiyaç duyduğuna dikkat çekiyor. Tinsley vd., Frontiers in Medicine (2024)

O makalede bildirilen 1,39–1,82 yüzde puanı LSC değerleri bel çevresine değil, vücut yağı yüzdesi denklemlerine aitti. Makaledeki 0,5 cm’lik çevre figürü ise önceki tam dönüşlü çalışmadan alıntılanmıştı.

Basit bir örnek olarak — o makale tarafından bildirilen bir çevre LSC’si olarak değil — 0,5 cm’lik bir duyarlılık hatası aynı formüle yerleştirilseydi sonuç yaklaşık şöyle olurdu:

2.77 × 0.5 cm ≈ 1.4 cm

Önemli sezgi budur: bir yöntemin ortalama 0,5 cm’lik tekrarlanabilirlik hatası olabilirken, değişimin ölçüm gürültüsünün ötesinde olduğundan emin olabilmen için daha büyük bir değişim gerekebilir. Bir santimetrelik değişim gerçek olabilir ama o yöntemin onu tek bir kişide güvenle tanımlaması için hâlâ fazla küçük olabilir.

MeThreeSixty çalışması ortalamanın neden yanıltıcı olabileceğini gösteriyor

Atıfta bulunulan çalışma, akıllı telefon uygulamalarını profesyonel mezura ölçümleriyle doğrudan karşılaştırdı. 115 yetişkini kapsadı ve MeThreeSixty’yi bir iPhone ile bir Samsung telefonda, ayrıca myBVI’yi değerlendirdi. Referans bel ve kalça ölçümleri, katılımcıların evde gelişigüzel kendi kendini ölçmesiyle değil, araştırmacılar tarafından kontrollü bir laboratuvar protokolüyle alındı. Graybeal vd., British Journal of Nutrition (2023)

Bel ve kalça çevresi için duyarlılık hatası 0,5 ile 1,9 cm arasında değişiyordu. Ayrıntılı sonuçlar bu aralığın neden önemli olduğunu gösteriyor:

Yöntem	Bel duyarlılık hatası	Kalça duyarlılık hatası
Profesyonel mezura referansı	0,63 cm	0,65 cm
iPhone’da MeThreeSixty	0,54 cm	0,51 cm
Samsung’da MeThreeSixty	0,87 cm	0,90 cm
iPhone ve Samsung genelinde MeThreeSixty	1,91 cm	1,59 cm
myBVI	1,12 cm	1,91 cm

Bunlar tekrarlanabilirlik sonuçlarıdır. Bir uygulamanın sayısının kişinin gerçek çevresine ne kadar yakın olduğunu söylemezler.

Araştırmacılar uygulama sonuçlarını referans mezura ölçümleriyle karşılaştırdığında, iPhone’daki MeThreeSixty bel çevresini ortalama 2,3 cm küçümsedi ve kalça çevresini ortalama 3,1 cm büyüttü. Test edilen uygulamalar genelinde %95 uzlaşma sınırları bel için yaklaşık ±9,0 ile ±12,4 cm, kalça için ±6,7 ile ±10,7 cm idi.

Makale, önceden tanımlanmış %5’lik bölge içinde bazı ölçümler için grup düzeyinde denklik buldu. Bu, herhangi bir bireyin sonucunun mezura ölçümüyle değiştirilebilir olduğunu kanıtlamakla aynı şey değildir. Hatta küçük bel küçümsemesi ile kalça büyütmesi birleşerek, referans yöntemle denk olmayan bir bel-kalça oranı üretti.

Merkezi ders budur: ortalamalar karşılaştırıldığında kabul edilebilir görünen bir yöntem, aynı zamanda geniş bir bireysel hata aralığı üretebilir. Sorun “Belim gerçekten 1 cm azaldı mı?” ise bireysel hata, grup ortalamasından daha önemlidir.

Daha çok görüntü de bireysel düzeydeki sorunu ortadan kaldırmıyor

Daha yeni bir 2026 çalışması MeThreeSixty, Bodygram ve ZOZO Fit’i vücut yağı yüzdesi için DXA ile karşılaştırdı. ZOZO Fit, karşılaştırmadaki çok görüntülü yöntemdi; katılımcı 360° dönerken on iki fotoğraf kullanıyordu. Üç uygulama da 0,98 ile 0,99 arasındaki ICC değerleriyle mükemmel aynı seans tekrarlanabilirliği gösterdi. ZOZO Fit en düşük vücut yağı RMSE’sine (%2,95) ve DXA ile en yüksek uyuma sahipti.

Ama uygulamalardan hiçbiri çalışmanın önceden tanımlanmış ±2 yüzde puanlık bölgesi içinde denkliğe ulaşamadı. ZOZO Fit’in bireysel uzlaşma sınırları yine genişti — yaklaşık −5,89 ile +8,36 yüzde puanı — ve katılımcıların %44’ünden azı DXA’nın ±2 yüzde puanı içinde kaldı. Yazarlar, uygulamaların yüksek tekrarlanabilirliği olduğunu ama klinik karar verme için bireysel düzeyde doğruluğunun yetersiz kaldığı sonucuna vardı. Encarnação vd., Clinical Nutrition ESPEN (2026)

Bu çalışma bel çevresi değil vücut yağı yüzdesi ölçtü; bu yüzden belirli bir uygulamanın bel ölçümünün aynı miktarda sapmış olduğu iddiasında kullanılmamalı. Bununla birlikte aynı tür çıkarım zincirini sınar: kamera görüntüleri → bölütleme ve beden modeli → tahmini vücut ölçüleri → bireysel sonuç.

Sonuç öğreticidir: daha çok görüntü yakalamak, ortalama model uydurmasını iyileştirebilir ama bireysel değişim saptamasının doğru olacağını garanti etmez. Daha çok veri yardım eder ama çıkarılmış bir model çıktısını doğrudan fiziksel bir ölçüme dönüştirmez.

Ayrı bir açık erişimli çalışma, yeniden yapılandırmanın poza ne kadar duyarlı olabileceğini gösteriyor. Tek bir katılımcıda, yan görüntü sırasında kolların konumunu değiştirmek — kişinin bedeni değişmemişken — üretilen bel çevresini yaklaşık 6 cm değiştirdi. Bu, her telefon taramasının 6 cm hata yapacağı iddiası değildir; girdi pozunun ölçüm sisteminin bir parçası olduğunun somut bir gösterimidir. Minetto vd., Scientific Reports (2023)

ZOZOFIT’ın kendi yardım sayfası, ölçümün konumuna bağlı olarak 0,4 cm hata payı bildiriyor. O sayı şirketin kendi tanımını, veri kümesini ve test protokolünü tarif ediyor olabilir; her vücut bölgesi, vücut tipi, telefon, oda, poz ya da yazılım sürümü için evrensel bir %95 hata sınırı olarak okunmamalı. Uygulamanın kendi talimatları da 360° dönüş boyunca tutarlı bir konum, telefondan sabit mesafe, temiz bir arka plan ve eşit aydınlatma istiyor. ZOZOFIT: “How accurate are the ZOZOFIT measurements?” · ZOZOFIT tarama konumu kılavuzu

Bu neden yalnızca bir yazılım hatası değil, yapısal bir sorun

Telefon kamerası belinin çevresini doğrudan ölçmez. Pikselleri ve siluetleri gözlemler; sonra yazılımın üç boyutlu bir yüzey çıkarması, anatomik bir ölçüm noktasının neresi olduğuna karar vermesi ve yeniden kurulmuş bedenin bir kesitini hesaplaması gerekir.

Bu bir ters problemdir. Birkaç farklı 3D şekil benzer 2D görüntüler üretebilir; özellikle yumuşak doku, kıyafet, gölge, bedenin kendi üst üste binmesi ve kameradan gizli bölgeler çevresinde. 360° dönüş algoritmaya çok daha fazla bilgi verir ama yine de görüntülerin kalitesine ve tutarlılığına ve onları yorumlamak için kullanılan modele bağlıdır.

Belirsizliğin ana kaynakları matematiksel olduğu kadar pratiktir:

• Ölçüm noktası aynı ölçüm noktası olmayabilir. Bel çevresi iliak krestten, en alt kaburgayla iliak krestin ortasından, göbek deliğinden ya da doğal belden ölçülebilir. Bu konumlar — özellikle kadınlarda — maddi biçimde farklı değerler üretebilir. Mason ve Katzmarzyk, Obesity (2009)
• Duruş ve hareket yüzeyi değiştirir. Yerinde dönen bir kişi katı bir cisim değildir. Araştırmanın kendisi, katı olmayan bir avatarı yeniden kurma ve onu standart bir poza normalize etme gereğini anlatıyor.
• Kıyafet ve aydınlatma silueti etkiler. Görüntü işleme adımı bu girdilere bağlı olduğu için ZOZOFIT ve MeThreeSixty’nin ikisi de vücuda oturan kıyafet, arka plan, kamera konumu ve aydınlatma hakkında talimat verir.
• Telefon ve yazılım sürümü önemlidir. MeThreeSixty çalışmasında duyarlılık, iPhone ve Samsung uygulamaları arasında farklıydı. Tüketici uygulamaları ayrıca yeniden yapılandırma ve avatar algoritmalarını zamanla değiştirir.
• Eğitim nüfusu önemlidir. Bir beden şekli dağılımı üzerinde eğitilmiş bir model, farklı oranlara, boyutlara, yaşlara ya da yağ dağılımına sahip bedenler için farklı davranabilir. MeThreeSixty çalışması alt grup farkları buldu ve açıkça kendi kendine ölçülen, evdeki ve boylamsal kullanım için daha fazla araştırma çağrısı yaptı.

Bunların hiçbiri, akıllı telefon taramasının yararlı olamayacağı anlamına gelmez. Anlamı şu: senin için önemli olan değişim küçük olduğunda, taramanın belirsizliğinin hesaba katılması gereken bir tahmin olmasıdır.

Mezura da kusursuz değil — ve mesele de tam bu

Alternatif, sıfır hatası olan sihirli bir araç değildir. Mezura ölçümleri de ölçüm noktasına, duruşa, nefese, mezura gerginliğine ve ölçen kişinin becerisine bağlıdır.

Yeni başlayan bir değerlendiricinin bel ve kalça ölçümlerine ilişkin bir çalışmada yazarlar, kendi protokolleri altında belden 3,0 cm’den ve kalçadan 2,0 cm’den büyük bir değişimin %95 güvenle gerçek değişim sayılabileceğini bildirdi. Wang vd., Perceptual and Motor Skills (2010)

Ders “mezura her zaman doğrudur” değil. Ders şu: ciddi takip, açık bir ölçüm protokolü gerektirir. Ölçüm noktasını, koşulları, yöntemi ve yöntemin gerçekte çözebileceği değişim büyüklüğünü bilmen gerekir.

Contura neden ölçüm öncelikli 3D takip kullanıyor

Contura bilinçli olarak bir kamera vücut tarayıcısı değildir. Her çevreyi iki fotoğraftan ya da 360° bir telefon taramasından çıkaracağını vaat etmez.

Bunun yerine ölçüm zinciri görünürdür:

Kamera öncelikli tarama	Contura ile ölçüm öncelikli takip
Beden → fotoğraflar → siluet çıkarma → çıkarılmış 3D örgü → markaya özel ölçüm noktaları → ölçümler	Beden → tekrarlanabilir mezura noktası → kullanıcının kaydettiği ölçüm → 3D görselleştirme → geçmiş karşılaştırma
Pratiktir ama sayıyı etkileyebilecek çok gizli adım vardır	Biraz daha bilinçli ister ama girdi incelenebilir ve tekrarlanabilir
Taramanın kendisi ölçümdür	Ölçüm kaynaktır; 3D görsel çıktıdır

Contura, aynı ölçüm konumlarını görüş alanında tutmana, zaman içinde birden çok çevre kaydetmene ve o sayıları döndürülebilir bir 3D beden durumuna dönüştürmene yardım eder. İki tarihi karşılaştırabilir ve ölçülen farkların tutarlı bir görsel çerçeveye nasıl çevrildiğini görebilirsin.

Bu, mezurayı yanılmaz kılmaz. Süreci daha şeffaf kılar. Bir sayı değiştiğinde, açıklanmamış bir model çıktısını kabul etmek yerine ölçüm adımında ne olduğunu sorabilirsin. Bir değişim tek bir okumanın belirsizliğinden küçükse, tek bir taramanın hikâyeye karar vermesine izin vermek yerine yinelenen bir eğilimi bekleyebilirsin.

Değişimi takibi ciddiye alıyorsan ne yapmalısın?

Önem verdiğin değişimin büyüklüğüyle eşleşen bir yöntem kullan.

1. Net bir anatomik ölçüm noktası seç ve sabit tut.
2. Benzer koşullar altında ölç: günün saati, kıyafet, duruş, nefes ve yakın zamandaki egzersiz.
3. Sayı doğru görünsün diye mezurayı tekrar tekrar sıkmak yerine, ikinci bir okuma için bırak ve yeniden yerleştir.
4. Sayıyla birlikte yöntemi de kaydet.
5. Tek bir günlük fark değil, anlamlı aralıklar boyunca yinelenen bir eğilim ara.
6. Taramadan da ölçümden de üretilmiş olsa, herhangi bir 3D beden modelini tıbbi tanı ya da kusursuz bir dijital ikiz değil, görselleştirme olarak ele al.

Kaba bir görsel kontrol ya da büyük bir değişim için bir telefon taraması pratik olabilir. Ama amacın yavaş, bir santimetrelik bir değişimin gerçek olup olmadığını bilmekse, yalnızca kamera taramasına güvenme. Yeniden üretebileceğin bir ölçüm kullan, geçmişi koru ve sonucu yöntemin belirsizliğine karşı yorumla.

Contura’nın rolü budur: vücut ölçümünü zahmetsizmiş gibi göstermek değil, özenli ölçümü kaydetmeyi, karşılaştırmayı ve anlamayı kolaylaştırmak.

App Store’da Contura’yı keşfet

Sıkça sorulan sorular

0,5 cm’lik teknik hata, taramanın 0,5 cm doğru olduğu anlamına mı geliyor?

Hayır. 360° çalışmasında 0,5 cm, kontrollü koşullar altında çevreler genelinde ortalama bir yinelenen test teknik hatasıydı. Azami hata, evrensel garanti ya da gerçek bel çevrenle uzlaşmanın doğrudan bir ölçümü değildi.

Bu, akıllı telefonla vücut taramasının işe yaramaz olduğu anlamına mı geliyor?

Hayır. Kaba görselleştirme, büyük değişimler, araştırma ve bazı grup düzeyi uygulamalar için yararlı olabilir. Kanıt yalnızca, soru tek bir bireydeki küçük bir değişimin gerçek olup olmadığı olduğunda daha zayıftır.

Contura, MeThreeSixty ya da ZOZOFIT’den daha mı doğru?

Contura doğrulanmamış evrensel bir doğruluk iddiasında bulunmuyor. Farklı bir ölçüm modeli kullanıyor: kullanıcı çevreleri kaydeder, Contura onları görselleştirir ve karşılaştırır. Bu, onu otomatik kamera temelli tahminden çok şeffaf boylamsal ölçüm takibine uygun kılar.

Mezura her zaman doğru mu?

Hayır. Mezura ölçümleri tutarlı ölçüm noktaları ve teknik ister. Üstünlüğü, ölçüm adımının görünür, öğretilebilir ve tekrarlanabilir olmasıdır; kullanıcı gizli bir çıkarımı kabul etmek yerine yöntemi inceleyip düzeltebilir.

Ne sıklıkla ölçmeliyim?

Çoğu insanın her gün ölçmesi gerekmez. Yağ kaybında bir ila iki haftada bir, daha yavaş beden şekli değişimlerinde iki ila dört haftada bir takvim çoğu zaman tutarlı sürdürmesi daha kolaydır. En iyi aralık, ölçüm koşullarını karşılaştırılabilir tutarken bedene değişme zamanı tanıyandır.

Kaynaklar ve daha fazla okuma

• Graybeal, Brandner ve Tinsley (2023), “Evaluation of automated anthropometrics produced by smartphone-based machine learning,” British Journal of Nutrition
• Tinsley vd. (2024), “Mobile phone applications for 3-dimensional scanning and digital anthropometry,” European Journal of Clinical Nutrition
• Tinsley vd. (2024), “Smartphone three-dimensional imaging for body composition assessment using non-rigid avatar reconstruction,” Frontiers in Medicine
• Encarnação vd. (2026), “Accuracy, repeatability, and interchangeability of smartphone-based digital anthropometry,” Clinical Nutrition ESPEN
• Minetto vd. (2023), “Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players,” Scientific Reports
• Mason ve Katzmarzyk (2009), “Variability in Waist Circumference Measurements According to Anatomic Measurement Site,” Obesity
• Wang, Liu ve 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 ölçüm doğruluğu ve tarama konumu kılavuzu