手机扫描身体，为什么会遇到“1厘米问题”？

当你追踪的是真实变化，重复测得差不多还不够

腰围变化 1 厘米，可能是一件很有意义的事。对有些人来说，这代表了几个月持续训练、调整饮食、改善恢复，或者只是一直坚持在正确的方向上。

这也给所有身体追踪技术带来了一个很实际的问题：

如果你的身体明明没有变化，这套方法本身就可能让结果上下浮动 1 厘米，它怎么判断真正的 1 厘米变化？

这正是近期手机身体扫描研究试图回答的问题。研究并没有证明所有手机扫描都毫无用处。相反，一些现代系统在受控条件下的重复性确实很出色：手机固定在三脚架上，房间环境稳定，受试者严格保持指定姿势，并且在相隔几分钟后重复扫描。

但重复性高，不等于对每个人都足够准确。一种方法可以连续两次给出几乎相同的结果，却始终与软尺测量、参考扫描仪，甚至与这个人的真实身体尺寸存在偏差。它也可能足以在研究中描述一个群体的平均趋势，却不确定到无法确认某一个人的细微变化。

这也是尺记采用“测量优先”思路的原因：3D 模型是用来查看和比较测量结果的方式，而不是用相机生成一个数字，再悄悄取代真实的测量结果。

尺记 Contura 的身体测量追踪界面，包含测量控制项和 3D 身体模型。 — 尺记使用你录入的身体测量数据，生成一致的 3D 身体变化记录。

一幅对比手机三脚架扫描与软尺和记录本的编辑插图，软尺围在腰部。 — 为尺记制作的编辑插图：相机扫描需要推断身体模型，而软尺测量流程则把测量这一步保留在明面上。

人们常常把三个不同概念混在一起

在看到“误差 0.5 厘米”这样的数字时，先把下面三个研究指标区分开，会更容易读懂它到底说明了什么。

术语	它在问什么	为什么重要
精密度或重复性（precision / repeatability）	如果身体没有变化，两次读数有多接近？	反映重复测量中的技术噪声。
准确度或一致性（accuracy / agreement）	结果与参考方法有多接近？	反映系统性偏差和个体层面的不一致。
最小显著变化（least significant change，LSC）	差异要大到什么程度，才不太可能只是测量噪声？	为解释身体变化设定一个实际门槛。

组内相关系数（ICC）很适合用来衡量重复性，但 ICC 很高，并不能证明绝对数值就是正确的。当一种方法始终低估腰围、同时高估臀围时，它仍然可能与自己高度相关。

如果目标是追踪进展，LSC 才是最需要关注的概念。在身体成分研究常用的两次测量框架中，LSC 通常这样计算：

LSC ≈ 2.77 × 精密度误差

这就是为什么一种方法的精密度误差是 0.5 厘米，并不意味着每次出现 0.5 厘米差异，都可以直接判定为真实变化。

近年较有代表性的 360° 手机研究，究竟发现了什么

一项较有代表性的研究比较了 46 名成年人使用四种数字人体测量方法的结果，其中包括一款让受试者完整转身、连续拍摄多张图像的手机应用。在围度测量中，这种全身旋转手机方法的平均技术测量误差为 0.5 厘米，相对误差为 0.9%，ICC 为 0.986。在这项受控测试中，它的表现与体积更大、便携性更差的 3D 扫描仪相近。Tinsley 等，《Mobile phone applications for 3-dimensional scanning and digital anthropometry》，European Journal of Clinical Nutrition（2024）

这是一个有价值的结果。它说明，设计得很好的 360° 扫描流程，在重复测试条件下可以做到什么程度。

但它不代表：

每次扫描都与真实腰围相差不超过 0.5 厘米；
0.5 厘米是最大误差，或者对所有人都适用的保证值；
明天在不同房间、不同姿势、不同衣服或换一部手机扫描，仍然等同于实验室里的那次扫描；
个人两次扫描相差 0.5 厘米，就一定代表身体真的发生了变化。

相关的 2024 年 Frontiers in Medicine 研究，把这个区别讲得更加清楚。研究使用一款手机 3D 扫描应用，在受试者完整旋转一周的过程中连续拍摄多张图像；iPhone 被固定在三脚架上，距离受试者约 1.7 米。受试者保持 A 字站姿，穿着尽量少且贴身的衣物，在测试前一晚禁食，并且至少 24 小时没有运动。研究还指出，360° 扫描过程中人体会发生运动，因此软件需要进行非刚性人体模型重建（non-rigid avatar reconstruction），这可能引入额外误差。Tinsley 等，《Smartphone three-dimensional imaging for body composition assessment using non-rigid avatar reconstruction》，Frontiers in Medicine（2024）

这篇论文报告的 1.39～1.82 个百分点 LSC，适用于体脂率估算方程，并不是腰围。论文中的 0.5 厘米围度数据，引用自前面提到的全身旋转研究。

作为一个帮助理解的例子——不是这篇论文报告的腰围 LSC——如果把 0.5 厘米的精密度误差代入同一个公式，结果大约是：

2.77 × 0.5 厘米 ≈ 1.4 厘米

这里最重要的一点是：一种方法的平均重复测量误差可以是 0.5 厘米，但要确认变化超出了测量噪声，仍然可能需要更大的变化幅度。 1 厘米的变化可能是真的，但对某一个人来说，也可能小到这套方法无法有把握地识别出来。

研究中按不同身体质量指数展示的正面、侧面和背面 3D 身体模型示例。 — 按 BMI 展示的重建人体模型示例。3D 模型很适合用来观察外形，但它看起来很精细，并不代表它就是直接测量结果。图片转载自 Tinsley 等（2024），依据 CC BY 4.0 许可使用。

比较手机估算体脂率与 DXA 结果的 Bland–Altman 图，展示平均差异和个体差异的分布。 — 一致性不等于相关性：个体差异的分布同样重要。图片转载自 Tinsley 等（2024），依据 CC BY 4.0 许可使用。

MeThreeSixty 研究说明了为什么平均值可能会误导人

前面提到的那项研究，直接把手机应用与专业人员使用软尺测量的结果进行了比较。研究纳入了 115 名成年人，评估了 iPhone 和 Samsung 手机上的 MeThreeSixty，以及 myBVI。作为参考的腰围和臀围由研究人员在受控的实验室流程中测量，并不是参与者在家里随手量出来的。Graybeal、Brandner 和 Tinsley，《Evaluation of automated anthropometrics produced by smartphone-based machine learning》，British Journal of Nutrition（2023）

腰围和臀围的精密度误差范围为 0.5～1.9 厘米。详细结果更能说明这个范围为什么重要：

方法	腰围精密度误差	臀围精密度误差
专业软尺参考测量	0.63 厘米	0.65 厘米
iPhone 上的 MeThreeSixty	0.54 厘米	0.51 厘米
Samsung 上的 MeThreeSixty	0.87 厘米	0.90 厘米
iPhone 与 Samsung 之间的 MeThreeSixty	1.91 厘米	1.59 厘米
myBVI	1.12 厘米	1.91 厘米

这些是重复性结果。它们并没有告诉我们：应用给出的数字，离这个人的真实围度到底有多近。

当研究人员把应用结果与参考软尺测量进行比较时，iPhone 上的 MeThreeSixty 平均低估腰围 2.3 厘米，同时平均高估臀围 3.1 厘米。在所有被测试的应用中，腰围的 95% 一致性界限大约为 ±9.0～±12.4 厘米，臀围约为 ±6.7～±10.7 厘米。

研究确实发现，在预先设定的 5% 等效区间内，部分指标达到了群体层面的等效。但这不等于证明每个人的结果都可以与软尺测量互换。事实上，腰围略微低估、臀围略微高估，合在一起后，腰臀比并没有达到与参考方法等效的标准。

这就是核心教训：把平均值放在一起比较时，一种方法看起来可以接受；但在个体层面，它仍然可能产生很宽的误差范围。 如果你真正想知道的是“我的腰围真的减少了 1 厘米吗？”，个体误差比群体平均值重要得多。

比较手机测得的腰围、臀围、腰臀比和腰高比与软尺测量结果的等效性图。 — 等效性分析把群体层面的差异，与预先设定的 5% 区间进行比较。通过这项检验，并不意味着每一次个人扫描都能与软尺测量互换。图片转载自 Graybeal 等（2023），依据 CC BY 4.0 许可使用。

Bland–Altman 图展示手机测量与软尺测量在腰围、臀围、腰臀比和腰高比上的差异分布及一致性界限。 — Bland–Altman 图把个体差异的分布显示出来：平均偏差只是整个故事的一部分。图片转载自 Graybeal 等（2023），依据 CC BY 4.0 许可使用。

拍更多照片，也不能消除个体层面的误差

一项更新的 2026 年研究，用 DXA 对比了 MeThreeSixty、Bodygram 和 ZOZO Fit 的体脂率结果。作为多图像方法，ZOZO Fit 在受试者 360° 转身的过程中拍摄 12 张照片。三款应用的同一测试阶段重复性都很高，ICC 为 0.98～0.99。ZOZO Fit 的体脂率 RMSE 最低，为 2.95%，与 DXA 的一致性也最高。

但三款应用都没有在研究预先设定的 ±2 个百分点区间内达到等效。ZOZO Fit 的个体一致性界限仍然很宽，大约为 −5.89～+8.36 个百分点，而且不到 44% 的参与者与 DXA 的差异在 ±2 个百分点以内。研究作者的结论是：这些应用的重复性很高，但在个体层面的准确度不足以支持临床决策。Encarnação 等，《Accuracy, repeatability, and interchangeability of smartphone-based digital anthropometry》，Clinical Nutrition ESPEN（2026）

这项研究测量的是体脂率，而不是腰围，因此不能用它来宣称某款应用的腰围也会出现同样大小的误差。不过，它检验的是同一种推断链条：相机图像 → 分割与身体模型 → 推算身体指标 → 个人结果。

它给出的启示很直接：拍摄更多图像可以改善模型在平均意义上的拟合，却不能保证准确识别每个人的细微变化。 更多数据当然有帮助，但它不会把一个推算出来的模型结果变成直接的物理测量。

另一项开放获取研究则展示了重建结果对姿势有多敏感。在一名参与者身上，仅仅改变侧面拍摄时手臂的位置，生成的腰围就相差约 6 厘米，尽管这个人的身体并没有发生变化。这并不是说每次手机扫描都会出现 6 厘米误差，而是一个很具体的例子：输入姿势本身就是测量系统的一部分。Minetto 等，《Equations for smartphone prediction of adiposity and appendicular lean mass in youth soccer players》，Scientific Reports（2023）

开放获取研究中的图示，展示手机拍摄时手臂位置正确与错误的情况，以及由此生成的 3D 身体模型；论文报告这两个模型的腰围相差约 6 厘米。 — 在这个例子中，手臂位置使重建出的腰围相差约 6 厘米。图片转载自 Minetto 等（2023），依据 CC BY 4.0 许可使用。

ZOZOFIT 官方帮助页面称，其测量结果的误差范围为 0.4 厘米，但具体取决于测量部位。这个数字可能对应的是该公司自己的定义、数据集和测试流程，不能理解为适用于所有身体部位、体型、手机、房间、姿势或软件版本的通用 95% 误差界限。该应用自己的使用说明也要求用户在 360° 转身时保持位置一致，与手机保持固定距离，使用整洁背景和均匀光线。ZOZOFIT：“How accurate are the ZOZOFIT measurements?” · ZOZOFIT 扫描站位指南

这首先是结构性问题，不只是软件问题

手机摄像头并不会直接测量你的腰围。它先捕捉像素和轮廓，然后由软件推断三维表面、判断解剖标志点的位置，最后计算重建身体某个横截面的尺寸。

这属于一个逆问题。不同的三维形状，可能生成相似的二维图像；在软组织、衣物、阴影、身体重叠，以及相机看不到的区域，这种情况尤其明显。360° 旋转确实给算法提供了更多信息，但结果仍然取决于图像质量、输入是否一致，以及模型如何解释这些图像。

不确定性既来自数学，也来自非常日常的操作环节：

标志点可能根本不是同一个标志点。 腰围可以量在髂嵴处、最低肋骨与髂嵴之间的中点、肚脐处，或者自然腰线处。这些位置可能测出明显不同的结果，女性尤其如此。Mason 和 Katzmarzyk，《Variability in Waist Circumference Measurements According to Anatomic Measurement Site》，Obesity（2009）
姿势和运动会改变身体表面。 人在原地转身时不是一个刚性物体。研究本身就提到，需要先重建非刚性人体模型，再把它归一化到标准姿势。
衣物和光线会影响轮廓。 ZOZOFIT 和 MeThreeSixty 都对贴身衣物、背景、相机位置和光线提出要求，因为图像处理环节依赖这些输入。
手机和软件版本也会影响结果。 在 MeThreeSixty 研究中，iPhone 和 Samsung 版本的精密度就存在差异。消费级应用还会持续更新身体重建和人体模型算法。
训练数据中的人群很重要。 如果一个模型主要在某种身体形态分布上训练，面对不同身材比例、体型、年龄或脂肪分布时，表现可能会发生变化。MeThreeSixty 研究发现了亚组差异，并明确提出还需要更多关于自测、家庭环境和纵向追踪的研究。

这些问题并不意味着手机扫描完全没有价值。它们意味着：扫描结果是一个估计；当你关心的变化很小时，就必须把它的不确定性也一起考虑进去。

软尺也不完美——但这恰恰说明了问题所在

替代方案也不是一台零误差的神奇仪器。软尺测量同样会受到标志点、姿势、呼吸、软尺松紧和测量者熟练程度的影响。

一项研究考察了新手测量者测量腰围和臀围时的结果。作者报告称，在该研究流程下，腰围变化超过 3.0 厘米、臀围变化超过 2.0 厘米，才可以在 95% 置信水平下视为真实变化。Wang、Liu 和 Chen，《Intrarater reliability and the value of real change for waist and hip circumference measures by a novice rater》，Perceptual and Motor Skills（2010）

这里的教训不是“软尺永远正确”，而是：认真追踪身体变化，需要一套明确的测量流程。 你需要知道测量的是哪个位置、在什么条件下测量、具体使用什么方法，以及这套方法实际能够分辨多大的变化。

为什么尺记坚持测量优先的 3D 追踪

尺记有意不把自己做成相机身体扫描器。它不承诺仅凭两张照片或一次 360° 手机扫描，就推算出你的每个身体围度。

相反，尺记把测量链条保留在明面上：

相机优先的扫描	尺记的测量优先追踪
身体 → 照片 → 轮廓提取 → 推断 3D 网格 → 专有标志点 → 围度	身体 → 可重复的软尺测量位置 → 用户记录测量值 → 3D 可视化 → 历史对比
更方便，但多个隐藏步骤都可能影响最终数字	多做一步，但输入过程可以检查、重复
扫描结果就是测量值	测量值是来源，3D 是可视化结果

尺记帮助你固定相同的测量位置，持续记录多个身体围度，并把这些数字转化成可以旋转查看的 3D 身体状态。你可以比较两个日期，看看测量上的差异如何映射到一个稳定的视觉框架里。

这并不会让软尺变成绝对准确。它让流程更加透明：当数字发生变化时，你可以回头检查测量步骤，而不是直接接受一个无法解释的模型输出。如果一次变化小于单次读数的不确定性，也可以等趋势重复出现后再判断，而不是让一次扫描替你决定身体变化的故事。

尺记 Contura 叠加比较两个 3D 身体状态，展示可视化进展。 — 尺记把一系列测量变成可以比较的 3D 时间线，而不是把某一次扫描当成绝对真值。

如果你真的想认真追踪变化，应该怎么做？

选择一套能够匹配你所关心变化幅度的方法。

选择清晰的解剖位置，并始终固定在同一个位置测量。
尽量在相似条件下测量：时间、衣物、姿势、呼吸状态，以及最近是否运动。
让软尺自然贴合后松开，再重新定位做第二次读数；不要反复勒紧软尺，直到出现一个“看起来合适”的数字。
记录数字时，也记录使用的测量方法。
看有意义时间间隔中的重复趋势，不要只看某一天与前一天的差异。
无论是扫描生成的 3D 身体模型，还是由测量数据生成的 3D 身体模型，都应把它当作可视化，而不是医学诊断或完美的数字孪生。

如果只是想粗略查看外形，或者变化幅度本身很大，手机扫描可能很方便。但如果你的目标是确认一个缓慢发生、只有 1 厘米左右的变化是否真实，不要只依赖相机扫描。使用一套你能够重复执行的测量方法，保留历史记录，再结合这套方法本身的不确定性来理解结果。

这就是尺记的作用：它不假装身体测量可以毫不费力地完成，而是让认真测量变得更容易记录、比较和理解。

在 App Store 了解尺记

常见问题

技术测量误差是 0.5 厘米，是否说明扫描准确到 0.5 厘米？

不是。在 360° 研究中，0.5 厘米是受控条件下、围度测量的平均重复测试技术误差。它不是最大误差、通用保证值，也不是直接衡量扫描结果与真实腰围之间一致性的指标。

这是不是意味着手机身体扫描完全没用？

不是。它可以用于粗略可视化、观察较大的变化、研究，以及部分群体层面的应用。只是当问题变成“某一个人的细微变化到底是不是真的”时，现有证据就没有那么有力。

尺记比 MeThreeSixty 或 ZOZOFIT 更准确吗？

尺记没有做未经验证的、适用于所有情况的准确度宣称。它采用的是不同的测量模式：用户记录身体围度，尺记负责将这些数据可视化并进行比较。与自动相机推算相比，这种模式更适合透明地进行长期测量追踪。

软尺测量总是准确的吗？

不是。软尺测量需要保持测量位置和方法一致。它的优势在于测量过程可见、可学习、可重复；你可以检查并修正测量方法，而不是只能接受一段隐藏的推断过程。

应该多久测量一次？

大多数人不需要每天测量。减脂期间，每 1～2 周测量一次通常更容易保持一致；如果追踪的是更慢的体型变化，每 2～4 周测量一次也可以。最好的间隔，是既给身体留出变化时间，又能让每次测量条件尽量可比的间隔。

手机身体扫描的“1厘米问题”：重复性高，不等于足够准确