Unsupervised Multivariate Analysis of Gait Characteristics and Body Composition in Physiotherapy Students

Abstract

Aim: Measurements of locomotion performance (through quantitative gait analysis) and of body composition offer detailed information on locomotor and biomechanical functions, respectively. The correlation between gait features and body composition among physiotherapy students has yet been extensively investigated using multivariate analyses. We thus evaluated the relationships between body composition components and the parameters of the walk in physiotherapy students, through an unsupervised exploratory approach.

Methods: This cross-sectional study included 48 physiotherapy students (35 women and 13 men, aged mean (SD): 21.3 (1.8) years). Measurements of body composition were done using bioelectrical impedance and consisted in body mass index (BMI), body fat percentage, muscle percentage, total body water percentage, and resting energy expenditure. Measurements of gait were performed with the OptoGait system, comprising cadence, contact time, and propulsive phase. Data was analysed using Pearson’s correlation and with both hierarchical clustering and principal component analysis (PCA) in order to find out multimodal relationships between gait and body composition variables.

Results: The results of Hierarchical cluster analyses yielded two broad functional domains built on gait and body composition variables. A first domain encompassing the number of steps, proportion of propulsion, and % of muscle, and total % of water was conceptualized as a performance-based group. A second domain with % body fat, BMI and contact time was thought to represent a mass-based group linked with less desirable gait features. % total body water was seen to be a bridging element between locomotory performance and body mass variables.

A positive association was seen between % muscle mass and the number of steps (r=0.62, p<0.001) while % body fat was negatively associated with this latter variable (r= -0.54, p<0.001). In principal components analyses, the first two components accounted for 73.6 % of the total variance.

Conclusion: Body composition metrics were strongly related to gait patterns in apparently healthy physiotherapy students, with a greater proportion of muscle mass and total body water related to a higher frequency and a more propulsive phase of gait, whilst increased body fat proportion and BMI were correlated with a prolonged contact time and a lower frequency of gait. Further exploratory multivariate analyses would seem appropriate to expand on the biomechanical relationships of young adults.

Keywords

• Gait analysis
• body composition
• biomechanics
• physiotherapy students
• principal component analysis
• hierarchical clustering

Fizyoterapi Öğrencilerinde Yürüme Karakteristikleri ve Vücut Kompozisyonunun Çok Değişkenli Analizi

Abstract

Amaç: Lokomotor performansın nicel yürüme analizi ile, vücut kompozisyonunun ise ilgili ölçüm yöntemleriyle değerlendirilmesi; bireylerin hareket ve biyomekanik özellikleri hakkında ayrıntılı bilgi sağlamaktadır. Fizyoterapi öğrencilerinde yürüme özellikleri ile vücut kompozisyonu arasındaki ilişki çok değişkenli analiz yöntemleri kullanılarak henüz yeterince araştırılmamıştır. Bu nedenle, bu çalışmada fizyoterapi öğrencilerinde vücut kompozisyonu bileşenleri ile yürüme parametreleri arasındaki ilişkiler denetimsiz keşifsel bir yaklaşım kullanılarak incelenmiştir.

Yöntem: Bu kesitsel çalışmaya 48 fizyoterapi öğrencisi (35 kadın, 13 erkek; yaş ortalaması ± standart sapma: 21,3 ± 1,8 yıl) dahil edildi. Vücut kompozisyonu ölçümleri biyolojik empedans analizi kullanılarak gerçekleştirildi ve vücut kitle indeksi (VKİ), vücut yağ yüzdesi, kas yüzdesi, toplam vücut suyu yüzdesi ve bazal metabolizma hızını kapsadı. Yürüme değerlendirmesi OptoGait sistemi ile yapıldı ve kadans, temas süresi ile itici faz parametreleri kaydedildi. Veriler Pearson korelasyon analizi, hiyerarşik kümeleme ve temel bileşen analizi (PCA) kullanılarak analiz edilerek yürüme ve vücut kompozisyonu değişkenleri arasındaki çok boyutlu ilişkiler araştırıldı.

Bulgular: Hiyerarşik kümeleme analizi sonucunda yürüme ve vücut kompozisyonu değişkenlerinden oluşan iki temel fonksiyonel alan belirlendi. İlk kümede kadans, itici faz, kas yüzdesi ve toplam vücut suyu yüzdesi yer alırken, bu küme lokomotor performans ile vücut kompozisyonu arasındaki ilişkiyi yansıtmaktadır. İkinci küme, vücut yağ yüzdesi ve BKİ gibi vücut kompozisyonu değişkenlerinden oluşmuş olup, daha uzun temas süresi ve daha düşük yürüme performansı ile ilişkilidir. Toplam vücut suyu yüzdesi ise yürüme bileşenleri ile vücut kompozisyonu arasında geçiş değişkeni olarak öne çıkmıştır. Kas yüzdesi ile kadans arasında pozitif (r=0,62; p<0,001), vücut yağ yüzdesi ile kadans arasında ise negatif korelasyon (r= −0,54; p<0,001) saptanmıştır. Temel bileşen analizinde ilk iki bileşen toplam varyansın %73,6’sını açıklamıştır.

Sonuç: Sağlıklı fizyoterapi öğrencilerinde vücut kompozisyonu değişkenleri ile yürüme parametreleri arasında anlamlı ilişkiler bulunmaktadır. Daha yüksek kas yüzdesi ve toplam vücut suyu yüzdesi, daha yüksek kadans ve daha uzun itici faz ile ilişkiliyken, daha yüksek vücut yağ yüzdesi ve VKİ değerleri daha uzun temas süresi ve daha düşük kadans ile ilişkilidir. Çok değişkenli keşifsel analiz yöntemleri, fizyoterapi öğrencilerindeki biyomekanik ilişkilerin daha kapsamlı biçimde yorumlanmasına katkı sağlayabilir.

Keywords

• Yürüme analizi
• vücut kompozisyonu
• biyomekanik
• fizyoterapi öğrencileri
• temel bileşen analizi
• hiyerarşik kümeleme

References

1. 1. Marimon X, Mengual I, López-de-Celis C. Kinematic analysis of human gait in healthy young adults using IMU sensors: exploring relevant machine learning features for clinical applications. Bioengineering (Basel). 2024;11(2):105.
2. 2. Zheng X, Otten E, Reneman MF, Lamoth CJ. Explaining deep learning models for age-related gait classification based on acceleration time series. Comput Biol Med. 2025;184:109338. doi: 10.1016/j.compbiomed.2024.109338.
3. 3. Dibbern KN, Krzak MG, Olivas A, Albert MV, Krzak JJ, Kruger KM. Scoping review of machine learning techniques in marker-based clinical gait analysis. Bioengineering (Basel). 2025;12(6):591. doi: 10.3390/bioengineering12060591.
4. 4. Chardon M, Barbieri FA, Hansen C, Petit P, Vuillerme N. Impact of overweight on spatial-temporal gait parameters during obstacle crossing in young adults: a cross-sectional study. Sensors (Basel). 2024;24(23):7867. doi: 10.3390/s24237867
5. 5. Lee Y, Shin S. The effect of body composition on gait variability varies with age: interaction by hierarchical moderated regression analysis. Int J Environ Res Public Health. 2022;19(3):1171. doi: 10.3390/ijerph19031171.
6. 6. Wolff C, Steinheimer P, Warmerdam E, et al. Effects of age, body height, body weight, body mass index and handgrip strength on the trajectory of the plantar pressure stance-phase curve of the gait cycle. Front Bioeng Biotechnol. 2023;11:1110099.
7. 7. Abualait T, Ahsan M. Comparison of gender, age, and body mass index for spatiotemporal parameters of bilateral gait pattern. F1000Res. 2021;10:266.
8. 8. Aldhahi MI. Effect of gait alteration on fatigability during walking in adult women with high body fat composition. Medicina (Kaunas). 2022;59(1):85.

9. 9. Capodaglio P, Gobbi M, Donno L, et al. Effect of obesity on knee and ankle biomechanics during walking. Sensors (Basel). 2021;21(21):7114. doi: 10.3390/s21217114
10. 10. Choi H, Lim J, Lee S. Body fat-related differences in gait parameters and physical fitness level in weight-matched male adults. Clin Biomech (Bristol). 2021;81:105243.
11. 11. Harris EJ, Khoo IH, Demircan E. A survey of human gait-based artificial intelligence applications. Front Robot AI. 2022;8:749274. doi: 10.3389/frobt.2021.749274.
12. 12. Galasso S, Baptista R, Molinara M, Pizzocaro S, Calabrò RS, De Nunzio AM. Predicting physical activity levels from kinematic gait data using machine learning techniques. Engineering Applications of Artificial Intelligence. 2023;123(Part C):106487.
13. 13. Kaner G, Pekcan G, Pamuk G, Pamuk BÖ. Biyoelektrik impedans analizine karşı deri kıvrım kalınlığı ölçümü: yetişkinlerde vücut yağının tahmini. Beslenme ve Diyet Dergisi. 2015;43(2):111-118.
14. 14. Sukkriang N, Chanprasertpinyo W, Wattanapisit A, et al. Correlation of body visceral fat rating with serum lipid profile and fasting blood sugar in obese adults using a noninvasive machine. Heliyon. 2021;7(2):e06264. doi: 10.1016/j.heliyon.2021.e06264.
15. 15. Winner TS, Rosenberg MC, Berman GJ, Kesar TM, Ting LH. Gait signature changes with walking speed are similar among able-bodied young adults despite persistent individual-specific differences. bioRxiv [Preprint]. 2024;2024.05.01.591976. Update in: Sci Rep. 2024;14(1):19730. doi: 10.1038/s41598-024-70787-8.
16. 16. Zsarnóczky-Dulházi F. AI-based motion analysis software for sport and physical therapy assessment. Revista Brasileira de Medicina do Esporte. 2024;30:e2022_0020.
17. 17. Huang SW, Hsieh FC, Lin LF, et al. Correlation between body composition and physical performance in aged people. International Journal of Gerontology. 2018;12(3):186-190.
18. 18. Palmas F, Ciudin A, Guerra R, et al. Comparison of computed tomography and dual-energy X-ray absorptiometry in the evaluation of body composition in patients with obesity. Front Endocrinol (Lausanne). 2023;14:1161116. doi: 10.3389/fendo.2023.1161116.
19. 19. Umegaki H, Makino T, Yanagawa M, et al. Maximum gait speed is associated with a wide range of cognitive functions in Japanese older adults with a Clinical Dementia Rating of 0.5. Geriatr Gerontol Int. 2018;18(9):1323-1329. doi: 10.1111/ggi.13464.
20. 20. Sudlow A, Galantine P, Vercruyssen F, Peyrot N, Raymond JJ, Duché P. Which factors influence running gait in children and adolescents? a narrative review. Int J Environ Res Public Health. 2023;20(5):4621. doi: 10.3390/ijerph20054621.
21. 21. Sagat P. Associations between gait speed and fat mass in older adults. Clin Interv Aging. 2024;19:737-744. doi: 10.2147/CIA.S456724.
22. 22. Meng H, Gorniak SL. Obesity is associated with gait alterations and gait asymmetry in older adults. Motor Control. 2022;27(1):6-19. doi: 10.1123/mc.2021-0125.
23. 23. Sawka MN, Cheuvront SN, Kenefick RW. Hypohydration and human performance: ımpact of environment and physiological mechanisms. Sports Med. 2015;45 Suppl 1:S51-60.
24. 24. Perry J, Burnfield JM. Gait analysis: normal and pathological function. J Sports Sci Med. 2010;9(2):353.