Wearables wie Smartwatches, Fitnesstracker und Gesundheits-Apps liegen im Trend und sind weit verbreitet. Verbraucher sind gesundheitsbewusster und suchen nach tragbaren Geräten, die ihnen einen Einblick in ihre Gesundheit und Fitness versprechen, einschließlich der Überwachung der Funktion des autonomen Nervensystems durch Messung der Herzfrequenz und deren Schwankungen in Ruhe, vor, während und nach körperlicher Belastung. ^{1 2}

Sie sind einfach zu benutzen und erleichtern vorallem die Messung der Herzfrequenz. Damit können sie eine echte Unterstützung in der Belastungssteuerung von Training, Rehabilitation und im betrieblichen Gesundheitswesen sein.

Dabei ist jedoch zu bedenken, dass viele Hersteller nicht offenlegen, wie die angezeigten biometrischen Werte berechnet und Effekte auf Gesundheit, Fitness- oder Ermüdungszustand interpretiert werden. Es gibt keinen oder nur sehr begrenzten Zugang zu den tatsächlich gemessenen Rohdaten, was eine nachvollziehbare Auswertung und Überprüfung der Genauigkeit von Produkten erschwert. Aktuell sind weniger als 5% der durch Smartwatches und Wearables bereitgestellten biometrischen Daten validiert. Ganz zu schweigen von bisher fehlenden einheitlichen, standardisierten Validierungsverfahren, um Transparenz und Vergleichbarkeit für Verbraucher sicherzustellen. ^{3 4}

Vor der Anschaffung ist weiter zu bedenken, dass einige abgeleitete Parameter (z. B. Erholung, Schlaf und Trainingsbereitschaft) keine physiologische und wissenschaftliche Grundlage haben. ^{5 6} Wenn man ihnen einen Nutzen zuschreiben möchte, ist es ihr (fragwürdiger) Unterhaltungswert.

Bei der Belastungssteuerung im professionellen Leistungsport wird daher die Interpretation und Auswertung der Daten aus Wearables

• nach jeder Trainingseinheit mit der von Athleten empfundenen Anstrengung (engl. Rate of Perceived Exertion RPE) ^{7 8} und
• 1-2x wöchentlich pro Woche durch Selbsteinschätzung mit einem Erholungs-Belastungs-Fragebogen ^{9 10 11}

kombiniert. ^{12 13}

Athleten und sportlich aktive Personen haben in der Regel ein gutes Körpergefühl bzw. Interozeption und können unter normalen Bedingungen eine akkurate Einschätzung ihrer Belastung und relevanter biometrischer Werte wie z.B. Herzfrequenz angeben. Unter trügerische Bedingungen, unter anderem während und nach Krankheiten (z.B. COVID-19, Long-COVID, CFD), können fehlerhafte Wahrnehmungen auftreten ^{1415 16 17}.

Körperlich inaktive Personen verfügen dagegen über ein geringeres interozeptives Bewusstsein bzw. weniger gutes Körpergefühl. Sie müssen sich in ihrem Alltag auf falsches Feedback verlassen und erfahren so eine Illusion von stärkerer Anstrengung, und in Folge dessen schnellerer Ermüdung.^{18 19 20}. Das Personen ihre körperliche Belastung überschätzen, ist nicht als Störung zu betrachten, sondern als überlebenswichtiger Schutzmechanismus gegen die Risiken übermäßiger Anstrengung zu verstehen ^{21 22}.

Smartwatches und andere Wearables können für Personen mit Fehleinschätzungen ihrer Belastung das (Wieder-) Erlernen des realistischen Körpergefühls und Belastungsempfindens im Rahmen eines Biofeedback-Trainings beschleunigen, sofern eine hinreichende Genauigkeit gemessener Daten vorhanden ist.

Daher sollten Trainer und Gesundheitsdienstleister gemeinsam mit ihren Athleten oder Patienten überlegen, ob, wann und welche Parameter und welche Technologien zur Belastungssteuerung zielführend genutzt werden.

Abstände einzelner Herzschläge werden gemessen – alle anderen Werte sind abgeleitet.

Die Messung der zeitlichen Abstände aufeinanderfolgender Herzschläge, der sogenannten RR-Abstände, sind die Basis für Berechnung und Ableitung weiterer biometrischen Werte. Beispielsweise wird der Puls als durchschnittliche Anzahl der Herzschläge je Minute aus den RR-Abständen abgeleitet.

Die Messung der RR-Abstände muss daher für die Ableitung weiterer biometrischen Werte hinreichend genau sein. Die notwendige Genauigkeit bestimmt den einzusetzenden Sensor. Für die meisten Ableitungen und Anwendungen mit geringer und moderater körperliche Aktivität reicht ein optischer Herzfrequenzsensor vollkommen aus ²³.

Für einen vernünftigen Umgang mit Herzfrequenzschwankungen (heart rate variability; HRV) im Rahmen der Belastungssteuerung ist ein hohe Qualität der Ableitung von mit genauem zeitliche Abstand einzelner aufeinanderfolgender Herzschläge wichtig. Folglich sind elektrische Sensoren, wie z.B. Brustgurte von Polar (H9, H10 ^{24 25 26} ), Garmin (HRM-Pro ²⁷) oder Suunto (Smart ²⁸), mit ihrer an klinische Elektrokardiogramme (EKG) heranreichenden Genauigkeit vorzuziehen – im Bereich der Leistungsdiagnostik, Biofeedback, Rehabilitation oder gar klinischen Umfeld sind sie zwingend erforderlich ²⁹.

Die Messung und die nachfolgenden Ableitungen wird relativ bequem durch Smartwatches oder andere Wearables erledigt. Messungen können während dem Schlaf, nach dem Aufwachen, vor, während oder nach belastenden Tätigkeiten erfolgen. Das Ergebnis kann jeweils eine einfache Ableitung der mittleren Herzfrequenz (heart rate; HR) a.k.a. Puls oder eine etwas komplexere Berechnung zu Herzfrequenzschwankungen (heart rate variability; HRV) sein. Abbildung 2 zeigt Messung und Ableitung verschiedenen Ableitungen integriert in einen vereinfacht dargestellten Tagesablauf.

Im Teil 1 wird beschrieben,

• WAS der einzige Messwert und wichtige Ableitungen sind.

In Teil 2 und 3

• WANN sie bestimmt werden und
• WIE sie interpretiert werden können.

Einen schnellen Überblick liefert Tabelle 1. Um kurzschlüssige Fehlinterpretationen zu vermeiden sollten die Hinweise im ausführlichen Teil beachtet werden.

Was			Wann	Wie
Ruhepuls	Resting HR	RHR	Beim Aufwachen, in Ruhe	Erhöhte RHR kann ein Anzeichen für schlechte Erholung, Müdigkeit oder Virusinfekt sein
Puls während Aktivität	Exercise HR Response	HREx	Die Reaktion während belastender Aktivität	Zeigt die Reaktion des Herzkreislaufsystems auf die Belastungsintensität der Aktivität in Sport und Arbeitswelt
Pulserholungsrate	HR Recovery Rate	HRR	Wie schnell erholt sich die HR nach Beendigung der Aktivtät?	Gibt Aufschluss über Ermüdung und Fitness
Herzfrequenzschwankungen	Heart Rate Variability	HRV	zeitliche Schwankungen der Herzschläge	höhere HRV = bessere Erholung und Fitness

Mittlere Herzfrequenz und Puls

Die mittlere Herzfrequenz (heart rate; HR) wird in der Umgangssprache oft als Puls bezeichnet. Sie berechnet sich relativ einfach aus dem arithmetische Mittelwert über alle RR-Abstände einer Messung und wird meist als Schläge (engl.: beats) pro Minute (bpm) angegeben. Sie ist der einzige physiologisch gemessene Wert, alle anderen Werte werden aus ihr abgeleitet.

Herzfrequenzschwankungen und -variabilität

Die Herzfrequenzschwankungen (heart rate variability; HRV) sind die unterschiedlichen zeitlichen Abstände zwischen zwei aufeinander folgende Herzschläge. Das Herz schlägt nicht immer im gleichen Abstand. Auf Belastungen und Reize reagiert das Nervensystem in unterschiedlicher Art und reguliert die Herzfrequenz entsprechend. Regulation beinhaltet auch sensorische Rückkopplung über die Herzfrequenz an das zentrale Nervensystem. Schwankungen der Herzfrequenz sind daher zugleich Output – sowohl im physiologischen als auch psychologischen Sinne – und Input ³⁰.

Es gibt viele verschieden Werte die aus den Schwankungen abgeleitet werden können. Im Zusammenhang mit der Bewertung der Reaktion auf eine Belastung und Erholung scheint die Ableitungen im Zeitspektrum am Besten geeignet zu sein ^{31 32}. Dabei ist die rMSSD (Root Mean Square of the Successive Differences) die am weitesten verbreitete ^{33 34}.

Die rMSSD bewertet die zeitlichen Unterschiede zwischen aufeinanderfolgende Herzschläge bzw. benachbarten RR-Abständen ³⁵. Sie ist ein direktes Maß für die Aktivität der parasymphatischen Fasern im Vagusnerv (10. Hirnnerv), deren Aktivität die Herzfrequenz verlangsamt ³⁶³⁷.

Daneben findet auch die einfache Standardabweichung aufeinander folgender RR-Intervalle (SDNN) Verwendung. Im Bereich der Wearables ist die Apple Watch ein Beispiel dafür ^{38 39 40}.

Im Gegensatz zur rMSSD macht die SDNN eine weniger spezifische Aussage, da sie die Aktivierung des autonomen Nervensystem mit seinen parasymphatischen und sympathischen Anteilen als Ganzes misst. Der Vergleich von rMSSD und SDNN – oder der «HRV» von unterschiedlichen Wearables – ist daher nicht möglich ⁴¹. Genauso ist auch die immer wieder zu lesende Behauptung, die «HRV» sei ein Maß für den akut erlebten Stress Unsinn.

Downloads

Referenzen (.pdf)

1. Hottenrott, Gronwald, Hottenrott, Wiewelhove & Ferrauti (2021) ↩
2. Hautala, Kiviniemi & Tulppo (2009), S. 107 ↩
3. Doherty, Baldwin, Keogh, Caulfield & Argent (2024), S. 2908, 2924 ↩
4. Chen (2024), B1 ↩
5. Lee, Lee, Cho, Kang & Choi (2025), S. 573 ↩
6. Chen (2024), B1 ↩
7. Borg (1998), S. 31ff. ↩
8. Löllgen (2004), S. 299 ↩
9. Kellmann (2000) ↩
10. Petrowski, Albani, Zenger, Brähler & Schmalbach (2021) ↩
11. Kellmann (2000a), S. 255 ↩
12. Scantlebury, Till, Atkinson, Sawczuk & Jones (2017), S. 198 ↩
13. Vardakis et al. (2024), S. 6767 ↩
14. Bainbridge (1919), S. 176f. ↩
15. Wallman-Jones, Perakakis, Tsakiris & Schmidt (2021), S. 39 ↩
16. Iodice, Porciello, Bufalari, Barca & Pezzulo, (2019), S. 13897 ↩
17. Noakes (2012), S.7 ↩
18. Ley-Flores, Bevilacqua, Bianchi-Berthouze & Taiadura-Jimenez (2019), S.1f. ↩
19. Marcora, Staiano & Manning (2009), S. 892 ↩
20. St Clair Gibson, Swart & Tucker (2018), S. 5 ↩
21. Tucker (2009), S. 393 ↩
22. Wallman-Jones, Perakakis, Tsakiris & Schmidt (2021), S.40 ↩
23. Merrigan et al. (2023), S. 241f. ↩
24. Schaffarczyk, Rogers, Reer & Gronwald (2022), S. 11 ↩
25. Gilgen-Ammann, Schweizer & Wyss (2019), S. 1531 ↩
26. Merrigan et al. (2023), S. 241f. ↩
27. Merrigan et al. (2023), S. 241f. ↩
28. Bouillod, Cassirame, Bousson, Sagawa Jr & Tordi (2015), S. 416 ↩
29. Cassirame, Chevrolat & Mourot (2019), S. 33 ↩
30. Laborde, Mosley & Mertgen (2018), S. 4f. ↩
31. Plews et.al. (2013), S. 775 ↩
32. Stanley et.al. (2013), S. 1273 ↩
33. Malik et al. (1996), S. 355 ↩
34. O’Grady et.al (2024), S. 2 ↩
35. Nagendra, Kumar & Mukherjee (2015), S. 2 ↩
36. Trepel (2022), S. 77, 317 ↩
37. Lundy-Ekman & Weyer (2022), S. 141, 143 ↩
38. O’Grady et.al (2024), S. 4 ↩
39. Apple Inc. (2020), S. 2f. ↩
40. Malik et al. (1996), S. 355 ↩
41. Malik et al. (1996), S. 355 ↩