TW201116256A - Device for measuring human body composition by using biolectrical impedance method and artificial neural network - Google Patents

Device for measuring human body composition by using biolectrical impedance method and artificial neural network Download PDF

Info

Publication number
TW201116256A
TW201116256A TW98137979A TW98137979A TW201116256A TW 201116256 A TW201116256 A TW 201116256A TW 98137979 A TW98137979 A TW 98137979A TW 98137979 A TW98137979 A TW 98137979A TW 201116256 A TW201116256 A TW 201116256A
Authority
TW
Taiwan
Prior art keywords
body
neural network
impedance
hidden
human body
Prior art date
Application number
TW98137979A
Other languages
English (en)
Inventor
Kun-Chang Xie
Liao-Quan Zhang
zhi-zheng Zhao
Original Assignee
Charder Electronic Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Charder Electronic Co Ltd filed Critical Charder Electronic Co Ltd
Priority to TW98137979A priority Critical patent/TW201116256A/zh
Publication of TW201116256A publication Critical patent/TW201116256A/zh

Links

Classifications

    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Detecting, measuring or recording for diagnostic purposes; Identification of persons
    • A61B5/05Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radiowaves
    • A61B5/053Measuring electrical impedance or conductance of a portion of the body
    • A61B5/0537Measuring body composition by impedance, e.g. tissue hydration or fat content
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Detecting, measuring or recording for diagnostic purposes; Identification of persons
    • A61B5/48Other medical applications
    • A61B5/4869Determining body composition
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Detecting, measuring or recording for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • AHUMAN NECESSITIES
    • A61MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61BDIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00Detecting, measuring or recording for diagnostic purposes; Identification of persons
    • A61B5/72Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235Details of waveform analysis
    • A61B5/7264Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Description

201116256 六、發明說明: 【發明所屬之技術領域】 本發明係與人體組成成份量測有關,更詳一 β 一種利用生物阻抗法結合類神經網路演董=而&之是指 成份的裝置。 μ料算人體經成 【先前技術】 目前以生物阻抗法廣泛用來量測人 置,主要是透過内建-線性迴歸方程式的處理的裝 估算。習用線性迴歸方程式的取得,係藉由實際;測= 人體的相關資訊後,再利用線性迴歸法分析所求得。二 置於實際使用時’需透過輸入或量測受測者的多項身體 量資訊(如:身高、體重、體阻抗等),始可快速估算出受 測者的體組成成分(如:體脂肪)。 惟人體體組成成分雖與身高、體重、體阻抗等眾多身 體測量資訊有直接相關,但卻是呈現非線性關係,因此使 用線性迴歸分析所估算出的人體組成成份,無法精確地描 述人體體組成,進而使其估測準確度有所限制。 為改善上述問題,本案發明人乃於2003年提出一種人 體體組成成分之類神經模型,並取得台灣專利第·867 號在案。該專利揭露了利用類神經網路估算人體組成成份 的概念’料職於當時發明人認為㈣_路是一種非 線性動力學系統’且具有自適應的學習能力與容錯性等特 性’因而推測以類神經網路估算人體體組成成份在理論上 201116256 是可行的’並提出前揭專利,也因為如此,發明人在該專 利案中並未揭路具體的實施例,而僅概略地列出各種廣泛 的類神經網路模型,目的在於保護利用類神經網路估算人 體組成成份的概念。時至今日,在經過多年的不斷研究與 驗證後,終於開發出一種可具體應用在人體體組成成份量 測裝置中的類神經模型,且準確度相當高。 L發明内容】 本發明之主要目的在於提供一種利用生物阻抗法“ 類神經網路之人體體組成成份量測最置,其量測準確度; 於現有生物阻抗法之線性迴歸方程式。 又巧 緣以達成上述目的,本發明所提供的一種利用類神智 網路之人體體組成成份量測裝置,包括:一本體,、、 少-身體測量資訊取得端,該身體 :、有至 由輸入或量測之方式取得一 =貝樣料係可藉 該嚷測量資訊包二!的數個身體測量資訊, 組成之群組中至少二者選身高、體重及體阻抗所 連結該身體測量資訊取得端處=:==體連接,且 輸入層、1〜ι〇層隱藏層與一輸出二:經網路包括··-數個用以接收該些身_量資訊的輪該輪入層具有 層具有1〜15個隱藏神經元,以及數:;各該隱藏 元的轉移函數(對數S 型或雙曲切s::該些隱藏神經 輪出神經元與—線性轉移函數,_料Γ輸4層具有一 °舁輪出上述類神 201116256 ΐ網=轉出的非脂肪f#,料賴質餘由該處理 早兀。算,即可再得出受測者的體脂肪重量與比例。 【實施方式】 明參照第-圖,係本翻_較佳實施綱提供的一種 1 >生物阻抗法與類神軸路之人舰組成成份量測装 置’邊人體體組成成份量測裝置1〇〇包括一本體1〇、 理單元20與一顯示單元50;其中: 匕該本體10,可為任何形式的身體成份測量儀(如:體 月曰肪计),該本體設計有至少二個身體測量資訊取得端,用 以取者的年齡、身高、體重及體阻抗所組成之群組 甲的至—個身體測量資訊即可,但並不限定於此;於本 實施例中,該些身體測量資訊取得端包括-體重值輸入單 元11數個按鍵輸入單元12與一生物阻抗量測電路^ ; 其中,該體重值輸入單㈣用以量測或供輸人受測者的體 重;按鍵輸入單元12用以供受測者輸入其性別、年 齡、身同等身體測量資訊;該生物阻抗量測電路13用以量 測受測者的體阻抗,於本實施例中,如第七圖⑷至第七圖 (J)所示,該生物阻抗量測電路13可透過電流施加路徑(虛 線所示)及㈣量測路徑(實線所示)量測受測者的全身、左 腿左手#、右腿及右手臂的體阻抗,但不限定於此,合 先敘明。上述身體測量f訊取得端的結構及電路已為 習知技藝’於此容不贅述。 該處理單元20,可為任何形式的運算單元(如:微處 201116256

、體重、體阻抗以及非脂肪質量;其中 性(女性)的年 其中’本實施 例使用_ystat公司的生物阻抗儀伽城咖儀),並以 第七_卿的體阻抗量測方法社料性(女性)進行全 身體阻抗測量;另外,使用醫學界採用的ge公司製造的 雙能X光吸收儀(DEXA),以全身掃描的方式取得上述男 ,(女性)各肢段的精確的體組成成分㈣(包含非脂肪質 量、脂肪重量、骨礦物量)為參考依據。 接著,將取得的男性(女性)的年齡、身高、體重及體 阻抗作為一選定之類神經網路的樣本輸入參數,並將該些 男性(女性)的非脂肪質量作為對應的目標輸出參數,以進 行s亥選定之類神經網珞的學習訓練。上述樣本輸入參數經 由該選疋之類神經網路中的初始隨機加權值(weight)、偏權 值(bias)以及特定轉移函數(本實施例為Log-Sigmoid或

Hyperbolic Tangent Sigmoid)之計算,配合運用向後傳播及 Levnberg-Marquardt法則,不斷修正該些加權值與偏權值, 直至收斂’以得到最佳的加權值與偏權值。 經由上述的學習訓練,適合本實施例的男用與女用向 201116256 後傳播式類神經網路30、40之架構如下,二者大致相同, 皆包含有: 一輸入層3卜4卜具有四個輸入神經元32、42, 於本實施例中’該些神經元分32、42別用以接收該 受測者的年齡、身高、體重及體阻抗; 1〜10層隱藏層33、43,各該隱藏層33、43具 有1〜15個隱藏神經元34、44,以及對應該些隱藏神 經元34、44的轉移函數35、45(本實施例之轉移函 數為 Log-Sigmoid 或 Hyperbolic Tangent Sigmoid); 一輸出層36、46’具有一輸出神經元37、47與 一線性轉移函數38、48 ,係用以計算輸出受測者的 非脂肪質量(Fat free mass ’ FFM),而該非脂肪質量 可再經由處理單元20的計算,得出受測者的體脂肪 的重量與比例,該體脂肪的數值可透過連結於該處 理單元20的顯示單元50顯示。 本實施例實際使用時,受測者所輸入與被測得的身體 測量資訊’係視受測者性別而被傳送到處理單元2 〇的男用 向後傳播式類神經網路3G或女用向後傳播式類神經網路 40;以男性為例,上述身體測量資訊經由該男用向後傳播 式類神_路3〇的計算後,可得出該受測麵非脂肪質 量,之後處理單元2G可進—步計算出該受測者的體脂肪。

為了佐證本發明確實較現有線性迴歸方程式準確,在 此同樣利用上述雜(女性)的身體測量資訊,並_ DEXA 測得的非脂肪質量作為比較基準,分別建立—男用線性迴 201116256 歸方程式(式1)與一女用線性迴歸方程式(式2),如下所列: FFM=3.097+7084.419h2/z+0.150w+0.00106age (1) FFM=8.674+5846.033h2/z+0.〇762w+0.0109age (2) 其中: h :身高(m) w :體重(kg) age :年齡(year) z ··體阻抗(ohm) FFM :非脂肪質量(kg) 經將上述原有的男性(女性)數據代入式丨與式2後, 可得式1與DEXA測得FFM值兩者的相關係數(R)為

0.96,標準偏差值(SD)為2.48kg,而式2與DEXA測得FFM 值兩者的相關係數(R)為0.90,標準偏差值(SD)為216kg。 反觀本實施例,請參照第二、三圖,含單一隱藏層的 男用與女用向後傳播式類神經網路3〇、40所估算的FFM 值,經與DEXA測得的FFM值比較後,可知對應於丨〜1〇 個隱藏層神經元的各個標準偏差值,皆小於線性迴歸方程 式的標準偏差值。此外,從圖中可知,本實施例隨著隱藏 =神經元數目的增加(約至10個),標準偏差值即逐漸趨向 疋值,當隱藏層神經元到達15個左右時,標準偏差值的變 動即已不大,故不再繪於圖式中。 另外,請再參照第四、五圖,▲代表含單一隱藏層及 、10個隱藏神經元之本實施例所估算的男性(女性 量與MXA 值的標準偏差值、〇代表線性迴歸方程式 201116256 ^算的男性(女性)非脂肪質量與贿Am寻的歷值的 ^偏差值。觀察財▲及〇的分布區域可知,本實施例 的里測結树實較㈣雜迴歸方程式準雄。 網踗前至五圖的比較,係基於單-隱藏層的類神經 蹲的是’請參照第六圖,當本實施例之 f減層數目增加為2至5層,而隱藏層神經元的數目為】 至10個時,其所對應的標準偏差值(與臟A測得的舰

較L仍、、歲乎全部優於現有線性迴歸方程式的標準偏 曰/體而言’最佳的隱藏層數轉在2至3層。另一 提的疋’本實施例隨著隱藏層的增加(從$至⑺層),其對 ^的標準偏差值亦逐漸趨向定值,當隱藏㈣達ig層左右 標準偏差值的變動其實已不大,故不再整理於第六圖 此外基於現今市面上的身體成份量測裝置的處理器 算記«有限,因此,本實施例之隱 έ ^目以1〜5層為較佳,2〜3層為最佳,至於隱藏層神 經7L則以1〜1〇個為較佳。 另翻明的是’前揭第二至六_實驗數據,係基於 以第七圖⑷所示之測量模式所測得的體阻抗值。缺而,本 實施例並不僅揭限於此。請參照第七圖⑷至第七圖⑺及第 八圖,舉凡第七圖⑼至第七_的體阻抗測量模式,皆可 適用於本實施例之__路的建構。第人圖即是以各肢 段之體阻抗所麟建構而成的睛賴路, FFM值的估算。_中數射知,本實施例之各個不同類 神經網路_的標準偏差值(SD)f小於線性迴歸方程式岭 201116256 標準偏差值(SD) ’其f隱藏層數目又以ι~5層為較佳,2〜3 層為最佳,因此,本實施例係可應用於各肢段的量測,且 準確度高。 當然,本發明的類神經網路在建構時,除了以年齡、 身高、體重及體阻抗為輸入參數外,更可增加其他身體測 量資訊(如:腰圍、臀圍、月經週期等),如此將可使得量 測結果更加準確。另外,本發明内建的類神經網路,並非 一定須區分成男性用與女性用,換言之,亦可只建立一個 男女共用的類神經網路,如此亦較現有線性迴歸方程式準 確。 綜上所述,本發明利用方便量測的身體測量資訊,建 立特疋的類神經網路,相較習用線性迴歸方程式而言, 本發明確實具有準確度高之功效,而且不一定需要量測這 麼多的身體測量資訊;再者,本發明的量測及運算速度亦 可達到相當之程度’係可具體應用於家用級與醫療級的人 體組成成份量測裝置。 201116256 【圖式簡單說明】 第一圖為本發明一較佳實施例之人體體組成成份量測 裝置之功能方塊圖。 第二圖為上述較佳實施例、線性迴歸方程式與DEXA 二者對於男性受測者FFM之測量值的標準偏差值關係圖。 第二圖為上述較佳實施例、線性迴歸方程式與dexa 三者對於女性受測者FFM之測量值的標準偏差值關係圖。 第四圖為上述較佳實施例與線性迴歸方程式二者所估 算之男性受測者FFM之標準偏差值的分布圖。 —第五圖為上述較佳實施例與線性迴歸方程式二者所估 算之女性受測者FFM之標準偏差值的分布圖。 第/、圖揭露上述較佳實施例在具備丨〜5層隱藏層及 1 10個隱藏神經元下,所測得的各個標準偏差值。 第七圖(A)至第七圖(J)揭示上述較佳實施例之體阻抗 的量測方式及位置。 第八圖揭露上述較佳實施例所測得的全身及各肢段之 各個標準偏差值。 201116256 【主要元件符號說明】 10本體 11體重值輸入單元 12按鍵輸入單元 13生物阻抗量測電路 20處理單元 30男用向後傳播式類神經網路 31輸入層 32輸入神經元 33隱藏層 34隱藏神經元 35轉移函數 36輸出層 37輸出神經元 38轉移函數 女用向後傳播式類神經網路 41輸入層 42輸入神經元 43隱藏層 44隱藏神經元 45轉移函數 46輸出層 47輸出神經元 48轉移函數 50顯示單元 100人體體組成成份量測裝置

Claims (1)

  1. 201116256 七、申請專利範圍: 體體組成成 卜-種利用生物阻抗法與類神經網路之人 份量測裝置,包括: 〜、有至少—身體測量資訊取得端,該身體測 重貝訊取㈣何藉由輸人或量測之方式取得—待測 數個身體測量資訊’該些身體測量資訊包括選自年齡 咼、體重及體阻抗所組成之群組其中至少之二者.
    -處理單元,設置於該本體㈣,且連結該身體 資訊取得端,該處理單Μ建至少—個向後傳播式類神經 網路,该向後傳播式類神經網路包括: 一輸入層,具有數個輸入神經元,該些神經元 用以接收該身Μ量資訊取得端所取得的該些身體 測量資訊; _ 1〜10層隱藏層,各該隱藏層具有丨〜15個隱藏神 經兀,以及對應該些隱藏神經元的數個轉移函數, 該些轉移函數為對數S型(Log-Sigmoid)或雙曲切S 型(Hyperbolic Tangent Sigmoid); 一輸出層,具有一輸出神經元與一為線性 (Linear)之轉移函數,用以輸出非脂肪質量(Fat丘饮 mass ’ FFM) ’該非脂肪質量經由該處理單元計算, 可得出該待測者的體脂肪。 2·如請求項1所述利用生物阻抗法與類神經網路之人 體體組成成份量測裝置,其中:該隱藏層的數目為1〜5層。 3 ·如%求項2所述利用生物阻抗法與類神經網路之人 13 201116256 體體組成成份量龍置H各鶴藏層的隱藏神經元 的數目為1〜10個。 4·如請求項1所述利用生物阻抗法與類神經網路之人 體體組成成份量魏置,其中:該隱藏層的數目為2〜3層。 5·如請求項4所述利用生物阻抗法與類神經網路之曰人 體體組成成份量㈣置,其中:各該隱藏層的隱藏神經元 的數目為1〜10個。 6·如清求項1所述湘生物阻抗法與類神經網路之人 體體組成成份量測裝置’其中:該向後傳播式類神經網路 係以多數人的年齡、身高、體重及體阻抗作為學習訓練的 樣本輸入參數’而以非脂肪質量作為學習訓練的目標輸出 參數。 7·如請求項1所述利用生物阻抗法與類神經網路之人 體體組成祕#職置’其巾:該⑽_式類神經網路 係以Levenberg-Marquardt法則進行學習訓練。 8·如請求項1所述利用生物阻抗法與類神經網路之人 體體,成成份量測裝置,其中:該向後傳播式類神經網路 的數量為二,分別為—用以量測男性受測者的男用向後傳 播式類神經網路與―用以量測女性受測者的女用向後傳播 式類神經網路模型。 9·如凊求項1所述利用生物阻抗法與類神經網路之人 體體組成成份量職置,其中:該身體測量資訊取得端包 括一生物阻抗量測電路,用以量測該體阻抗,該體阻抗係 為選自全身體阻抗、左腿體阻抗、左手臂體阻抗、右腿體 14 201116256 阻抗及右手臂體阻抗驗成之群組其中之一者。 1〜5 θ农項9所述利用生物阻抗法與類神經網路之 人體體組歧份量職置m_層的數 層0 "、 11·如請求項U)所述利用生物阻抗法 :趙體組成成份量剛裝置’其中:該隱藏層的數目:=
    15
TW98137979A 2009-11-09 2009-11-09 Device for measuring human body composition by using biolectrical impedance method and artificial neural network TW201116256A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW98137979A TW201116256A (en) 2009-11-09 2009-11-09 Device for measuring human body composition by using biolectrical impedance method and artificial neural network

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW98137979A TW201116256A (en) 2009-11-09 2009-11-09 Device for measuring human body composition by using biolectrical impedance method and artificial neural network
US12/656,217 US20110112428A1 (en) 2009-11-09 2010-01-21 Body composition measuring apparatus using a bioelectric impedance analysis associated with a neural network algorithm

Publications (1)

Publication Number Publication Date
TW201116256A true TW201116256A (en) 2011-05-16

Family

ID=43974711

Family Applications (1)

Application Number Title Priority Date Filing Date
TW98137979A TW201116256A (en) 2009-11-09 2009-11-09 Device for measuring human body composition by using biolectrical impedance method and artificial neural network

Country Status (2)

Country Link
US (1) US20110112428A1 (zh)
TW (1) TW201116256A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2575417C2 (ru) * 2011-08-18 2016-02-20 Сименс Акциенгезелльшафт Способ компьютерного моделирования технической системы
TWI573559B (zh) * 2011-10-07 2017-03-11 費森尼斯醫療德國公司 測定水化過度參數或身體組成參數之方法及配置
US10133981B2 (en) 2011-08-18 2018-11-20 Siemens Aktiengesellschaft Method for the computer-assisted modeling of a wind power installation or a photovoltaic installation with a feed forward neural network
TWI643138B (zh) * 2016-10-03 2018-12-01 三菱電機股份有限公司 Network construction device and network construction method

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120053794A1 (en) * 2010-08-25 2012-03-01 Gm Global Technology Operations, Inc. Individualizable convenience system for drivers
CN106295205A (zh) * 2016-08-16 2017-01-04 王伟 基于bp神经网络的体脂百分比测量方法及其应用
CN106980897A (zh) * 2017-02-27 2017-07-25 浙江工业大学 一种基于变学习率的bp人工神经网络的喷射器性能参数预测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FI894021A (fi) * 1988-08-31 1990-03-01 Fujitsu Ltd Neuronstruktur.
US5371835A (en) * 1990-02-02 1994-12-06 Kabushikikaisha Wacom Inductively coupled neural network
JP2572522B2 (ja) * 1992-05-12 1997-01-16 インターナショナル・ビジネス・マシーンズ・コーポレイション コンピューティング装置
US5807272A (en) * 1995-10-31 1998-09-15 Worcester Polytechnic Institute Impedance spectroscopy system for ischemia monitoring and detection
US6186955B1 (en) * 1998-11-16 2001-02-13 Gail D. Baura Noninvasive continuous cardiac output monitor
US6358201B1 (en) * 1999-03-02 2002-03-19 Doc L. Childre Method and apparatus for facilitating physiological coherence and autonomic balance
US7499745B2 (en) * 2000-02-28 2009-03-03 Barbara Ann Karmanos Cancer Institute Multidimensional bioelectrical tissue analyzer
US7783345B2 (en) * 2002-10-07 2010-08-24 Cnsystems Medizintechnik Gmbh Impedance-based measuring method for hemodynamic parameters
KR20050079235A (ko) * 2004-02-04 2005-08-09 삼성전자주식회사 아동성장발육 관리시스템 및 방법
US9622673B2 (en) * 2007-12-14 2017-04-18 Siemens Healthcare Gmbh System for determining electrical status of patient attached leads

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2575417C2 (ru) * 2011-08-18 2016-02-20 Сименс Акциенгезелльшафт Способ компьютерного моделирования технической системы
US10133981B2 (en) 2011-08-18 2018-11-20 Siemens Aktiengesellschaft Method for the computer-assisted modeling of a wind power installation or a photovoltaic installation with a feed forward neural network
TWI573559B (zh) * 2011-10-07 2017-03-11 費森尼斯醫療德國公司 測定水化過度參數或身體組成參數之方法及配置
TWI643138B (zh) * 2016-10-03 2018-12-01 三菱電機股份有限公司 Network construction device and network construction method

Also Published As

Publication number Publication date
US20110112428A1 (en) 2011-05-12

Similar Documents

Publication Publication Date Title
Hodges et al. Measurement of muscle contraction with ultrasound imaging
Raczek et al. Comparison of Rasch and summated rating scales constructed from SF-36 physical functioning items in seven countries: results from the IQOLA Project
Baumgartner et al. Bioelectric impedance phase angle and body composition
Fukunaga et al. Muscle volume is a major determinant of joint torque in humans
Maganaris et al. In vivo measurements of the triceps surae complex architecture in man: implications for muscle function
Matthie Bioimpedance measurements of human body composition: critical analysis and outlook
Miyatani et al. Validity of ultrasonograph muscle thickness measurements for estimating muscle volume of knee extensors in humans
JP4597450B2 (ja) 健康状態判定表示装置
Morse et al. Changes in triceps surae muscle architecture with sarcopenia
Svensson Ordinal invariant measures for individual and group changes in ordered categorical data
Ruff et al. Body mass prediction from stature and bi-iliac breadth in two high latitude populations, with application to earlier higher latitude humans
Maganaris et al. In vivo specific tension of human skeletal muscle
US5335667A (en) Method and apparatus for determining body composition using bioelectrical impedance
Esformes et al. Measurement of human muscle volume using ultrasonography
Miyatani et al. The accuracy of volume estimates using ultrasound muscle thickness measurements in different muscle groups
DE60114185T2 (de) Viszerales fettmessgerät
Bracco et al. Segmental body composition assessed by bioelectrical impedance analysis and DEXA in humans
Kellis et al. Validity of architectural properties of the hamstring muscles: correlation of ultrasound findings with cadaveric dissection
Sander et al. Upper-extremity volume measurements in women with lymphedema: a comparison of measurements obtained via water displacement with geometrically determined volume
Heyward Practical body composition assessment for children, adults, and older adults
Scharfetter et al. Assessing abdominal fatness with local bioimpedance analysis: basics and experimental findings
DE60014509T2 (de) Verfahren und Vorrichtung zur Messung der Verteilung von Körperfettgehalt
Miyatani et al. Validity of bioelectrical impedance and ultrasonographic methods for estimating the muscle volume of the upper arm
Yannakoulia et al. Body composition in dancers: the bioelectrical impedance method
Kuczmarski et al. Ultrasonic assessment of body composition in obese adults: overcoming the limitations of the skinfold caliper