Auto‑Regulation — warum starre Trainingspläne scheitern

Training und Erholung in Schichten Abbildung 1: Trainingsbelastung, Erholung und autonome Signale als Schichten gedacht.

# Auto‑Regulation — warum starre Trainingspläne scheitern

Auto‑Regulation ist eines der Lieblingswörter moderner Trainingskultur. Es klingt präzise, individuell, fast schon logisch unvermeidbar: Der Plan passt sich an die Person an, nicht umgekehrt. Trotzdem werden in vielen Kontexten nach wie vor starre Wochenpläne verwendet, die Montag bis Sonntag genau festlegen, welche Einheit „dran“ ist.

In dieser Betrachtung geht es darum, wie ein evidenzbewusstes Modell für Auto‑Regulation aussehen kann, ohne Versprechen oder Heilsphantasien. Es geht darum, was Signale wie Herzfrequenzvariabilität (HRV), Schlafstruktur, subjektive Belastung und Trainingsload im Rahmen von Forschung tatsächlich hergeben – und wie ein System wie ARES diese Informationen nur als Simulation und Navigationshilfe nutzen kann.

Educational context only. Es unterstützt allgemeines Lernen, Simulation und Reflexion. Für persönliche Gesundheitsfragen wenden Sie sich an qualifizierte Fachpersonen.

---

1. Warum Auto‑Regulation Kontext braucht

Auto‑Regulation wird oft mit einfachen Slogans verkauft:

• „Trainiere nach Tagesform.“
• „Höre auf deinen Körper.“
• „Puls und HRV sagen dir, was heute geht.“

Solche Aussagen lassen aus, dass:

1. Tagesform ein mehrdimensionales Konstrukt ist (Schlaf, mentale Last, Ernährungsstatus, vorausgegangenes Training, Umfeld). 2. Messsignale immer verrauscht sind. HRV, Ruhepuls oder Schlafdauer bilden nie die volle Realität ab. 3. Forschungsdaten kontextgebunden sind. Studien arbeiten mit klar definierten Populationen, Protokollen und Endpunkten. Ihre Ergebnisse sind keine universellen Regeln.

Ein Beispiel: Die Standards der „Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology“ zu HRV beschreiben ausführlich, wie HRV gemessen und aufbereitet werden sollte, um überhaupt vergleichbare Aussagen zu erhalten.[^taskforce] Ohne solche Disziplin ist das Signal kaum interpretierbar.

[^taskforce]: Task Force of the ESC and NASPE: Heart rate variability: Standards of measurement, physiological interpretation and clinical use.Verfügbar via PubMed (https://pubmed.ncbi.nlm.nih.gov/8598068/).

Auto‑Regulation braucht also Kontext und Struktur, sonst wird sie zur rationalisierten Spontanentscheidung: „Heute bin ich müde, also lasse ich die Einheit aus“, ohne systematischen Blick auf Last, Erholung und Zielsetzung.

---

2. Quellenkarte und Evidenzgrenzen

Für Auto‑Regulation im ARES‑Sinne sind vier evidenznahe Quellenstränge besonders relevant:

1. Herzfrequenzvariabilität (HRV) und autonomes Nervensystem

• Task‑Force‑Standards für Messung und Auswertung.[^taskforce]
• Übersichtsartikel von Shaffer & Ginsberg zu HRV‑Metriken und Interpretation.[^shaffer]

2. Trainingsbelastung und Ermüdung

• Arbeiten von Halson zur Erfassung von Trainingsload und Ermüdungszeichen.[^halson]

3. Schlafarchitektur und Regeneration

• Das AASM‑Manual stellt Kriterien zur Einteilung von Schlafstadien bereit und definiert Standards für die Auswertung polysomnographischer Daten.[^aasm]

4. Bewegungsempfehlungen und Belastungsrahmen

• Die ACSM‑Leitlinien beschreiben evidenzbasierte Empfehlungen für körperliche Aktivität und betonen, dass konkrete Programme immer an individuelle Kontexte angepasst werden sollten.[^acsm]

Zusätzlich gibt es eine wachsende Literatur zu praktischer Auto‑Regulation im Kraft‑ und Ausdauertraining (z.B. RPE‑basierte Steuerung, Velocity‑based Training), die oft an Leistungsparametern und nicht an autonomen Signalen orientiert ist. Diese Quellen ergänzen das Bild, ohne es allein vollständig zu machen.

Entscheidend ist, dass ARES diese Literatur nicht als Baukasten für Anweisungen nutzt, sondern als Begrenzungsrahmen für Simulationen und Interpretationen. Die Plattform modelliert Szenarien, aber sie ersetzt nicht die Bewertung durch qualifizierte Fachpersonen.

[^shaffer]: Shaffer F, Ginsberg JP. An overview of heart rate variability metrics and norms.PubMed (https://pubmed.ncbi.nlm.nih.gov/29034226/). [^halson]: Halson SL. Monitoring training load to understand fatigue in athletes.PubMed (https://pubmed.ncbi.nlm.nih.gov/23899754/). [^aasm]: American Academy of Sleep Medicine. The AASM Manual for the Scoring of Sleep and Associated Events.AASM (https://aasm.org/clinical-resources/scoring-manual/). [^acsm]: American College of Sports Medicine. Physical Activity Guidelines Resources.ACSM (https://www.acsm.org/education-resources/trending-topics-resources/physical-activity-guidelines).

Weitere informative Übersichten zur HRV‑Anwendung im Trainingskontext bieten etwa Reviews im European Journal of Applied Physiology und in Frontiers in Physiology.[^hrvreview]

[^hrvreview]: Beispielsweise Plews DJ et al. oder Bellenger CR et al.; Übersichten zu HRV und Training, u.a. einsehbar über PubMed (https://pubmed.ncbi.nlm.nih.gov/).

---

3. Was das Signal beschreiben darf

In einer evidenzsensiblen Auto‑Regulation geht es darum, was Signale beschreiben, nicht darum, was sie versprechen. Einige Beispiele:

3.1 HRV als Marker des autonomen Gleichgewichts

HRV spiegelt, vereinfacht gesagt, das Zusammenspiel von Sympathikus und Parasympathikus wider. Studien zeigen:

• Kurzfristige Reduktionen der HRV nach harten Trainingseinheiten sind häufig beobachtbar.[^halson]
• Längere Serien intensiver Belastungen können zu anhaltenden Veränderungen in HRV‑Mustern führen.
• In einigen Kontexten korrelieren HRV‑Verläufe mit wahrgenommener Ermüdung und Leistungsfähigkeit.[^shaffer]

Diese Korrelationen sind deskriptiv: Sie zeigen Zusammenhänge, aber keine einfachen Wenn‑dann‑Regeln. HRV kann z.B. anzeigen, dass der Organismus im Vergleich zur individuellen Basis anders auf Stress reagiert als üblich. Genau dieses „anders als üblich“ ist im ARES‑Framework zentral.

3.2 Schlafstruktur als Kontext für Erholung

Schlaf und Erholungsschichten Abbildung 2: Schlafstadien als Rahmen, in dem Erholungsprozesse ablaufen.

Das AASM‑Manual beschreibt, wie Schlafinhalte in Stadien (N1, N2, N3, REM) eingeteilt werden und wie diese Stadien über die Nacht verteilt sind.[^aasm] Für Auto‑Regulation sind einige Punkte besonders relevant:

• Gesamtschlafzeit und Aufwachhäufigkeit geben Hinweise auf Belastung und Kontext.
• Verschiebungen in der Schlafarchitektur (z.B. sehr späte Einschlafzeit) können auf veränderte Rahmenbedingungen (Stress, Schichtarbeit, Jetlag) hindeuten.

Auch hier gilt: Schlafdaten beschreiben Muster. Sie sind kein Steuerknopf für Trainingsinhalte, sondern liefern nur zusätzlichen Kontext.

3.3 Subjektive Last und RPE

Viele Protokolle im Hochleistungsbereich verbinden objektive Kennzahlen (z.B. Herzfrequenz, Pace, Last) mit subjektiven Skalen wie RPE (Rating of Perceived Exertion). Studien zeigen, dass einfache Fragen wie „Wie anstrengend war die Einheit?“ oder „Wie frisch fühlst du dich?“ durchaus stabil mit objektiven Parametern korrelieren können.[^halson]

Auto‑Regulation braucht diese subjektive Ebene, weil sie Dimensionen abdeckt, die Sensorik nicht direkt erfasst: mentale Ermüdung, Motivationslage, soziale Faktoren.

---

4. Was das Signal nicht behaupten darf

Gerade weil Signale faszinieren, ist es wichtig, ihre Grenzen klar zu halten:

1. Kein einzelnes Signal beschreibt die ganze Realität. Weder HRV noch Schlafdauer, noch RPE erklären allein, wie eine Person auf Training reagiert.

2. Korrelation ist keine Steuerlogik. Wenn zwei Größen zusammen auftreten, heißt das nicht, dass eine die andere „steuert“.

3. Population ≠ Individuum. Dass in einer Gruppe von Sportlerinnen ein Trend beobachtet wird, sagt nichts darüber aus, was für eine einzelne Person in einem anderen Kontext passiert.

4. Keine Erfolgsgarantie. Selbst streng befolgte Programme führen in Studien zu sehr unterschiedlichen Verläufen innerhalb der Gruppen.

Für ARES bedeutet das: Das System verwendet Signale nur zur Beschreibung und Simulation. Es formuliert Hypothesen wie „Angesichts deines HRV‑Verlaufs und der dokumentierten Belastung wäre in vielen Szenarien eine leichte Einheit plausibel.“ Es macht aber keine individuelle Vorhersage und ersetzt nicht die Einschätzung von Fachpersonen.

---

5. Delay, Basisfenster und Messdisziplin

Eine der größten Fehlerquellen in der praktischen Auto‑Regulation ist fehlende Messdisziplin. Die HRV‑Task‑Force‑Empfehlungen[^taskforce] machen deutlich:

• Zeitpunkt der Messung (z.B. direkt nach dem Aufwachen im Liegen) beeinflusst die Werte.
• Dauer und Art der Messung (5‑Minuten‑Ruhe‑Messung vs. 24‑h‑Aufzeichnung) führen zu unterschiedlichen Metriken.
• Artefaktkorrektur und Analyseverfahren verändern Ergebnisse.

Für ein Navigationssystem wie ARES folgt daraus:

5.1 Baseline statt Einzelwert

Ein einzelnes HRV‑Ergebnis ist kaum interpretierbar. Erst über ein Baseline‑Fenster – z.B. die letzten 7–14 Tage – entsteht ein persönlicher Referenzbereich. Veränderungen werden dann relativ zu dieser Basis betrachtet, nicht gegen Tabellenwerte.

5.2 Delay zwischen Ereignis und Signal

Physiologische Reaktionen haben Latenz:

• Nach einer sehr intensiven Einheit kann HRV am nächsten Morgen, manchmal aber auch erst 24–48 Stunden später deutlich verändert sein.
• Schlafstörungen in einer Nacht können sich erst in den folgenden Tagen im Leistungsgefühl äußern.

Auto‑Regulation braucht darum eine Art „historisches Gedächtnis“: Sie schaut zurück auf die letzten Tage und ordnet akute Signale in diesen Verlauf ein.

5.3 Messdisziplin als Qualitätsfilter

Regelmäßige Messung unter ähnlichen Bedingungen wirkt wie ein Qualitätenfilter. Unregelmäßige Messzeiten, wechselnde Körperpositionen oder stark schwankende Messdauern erzeugen Rauschen, das alle feinen Muster überdeckt.

ARES setzt in seinen Modellen darum auf:

• Aggregation über Fenster (z.B. gleitende Durchschnitte),
• robuste Statistiken (z.B. Perzentile, nicht nur Mittelwerte),
• Ausreißer‑Erkennung, um technisch fehlerhafte Daten zu erkennen.

---

6. Das ARES‑Interpretationsmodell

Stoffwechselkontext Abbildung 3: Metabolischer Kontext als zusätzliche Ebene im Auto‑Regulationsmodell.

ARES versteht Auto‑Regulation als Navigationsaufgabe: Gegeben sind ein Zielraum (z.B. „Leistungsaufbau im Ausdauerbereich“), ein Korridor an Belastungen (Rahmung durch Leitlinien wie ACSM[^acsm]) und ein Set an Signalen. Die Frage ist: In welchem Bereich des Korridors bewegt sich eine Person heute plausibel?

Das Modell nutzt mehrere Ebenen:

1. Signalebene: HRV, Ruhepuls, Schlafkennzahlen, dokumentierter Trainingsload, subjektive Angaben. 2. Basisebene: Individuelle Referenzbereiche (Baseline‑Fenster) und längerfristige Trends. 3. Kontextebene: Informationen zu Jetlag, Schichtarbeit, hoher Alltagsbelastung, Reisen, etc. 4. Zielebene: Grobe Zielrichtung (z.B. allgemeine Leistungsentwicklung vs. Erhalt, Fokus Kraft vs. Ausdauer).

Aus diesen Ebenen entsteht kein „Befehl“, sondern ein Set von Szenarien mit Gewichten:

• Szenario A: „Leichte Belastung heute passt zu den meisten Mustern.“
• Szenario B: „Moderate Belastung erscheint plausibel, intensive Spitzen würden jedoch aus dem bisherigen Rahmen fallen.“
• Szenario C: „Mehrere Signale deuten darauf hin, dass eine Reduktion des Umfangs und Fokus auf Erholungssignale in vielen ähnlichen Fällen günstig war.“

Das System kennzeichnet ausdrücklich, dass diese Szenarien simulativ sind. Die endgültige Entscheidung liegt immer bei der Person selbst und – im Athletik‑ oder Rehabilitationskontext – bei betreuenden Fachpersonen.

---

7. Entscheidungstabelle und