Wearable Integration Guide — welche Signale ARES nutzt

Wearable Signal Fusion Cockpit

# Wearable Integration Guide — welche Signale ARES nutzt

Wearables versprechen mit einem Blick aufs Handgelenk zu zeigen, wie es dem eigenen Organismus gerade geht. „Schlaf: 83 Punkte“, „Erholung: 72 Punkte“, „Belastung: 91 Punkte“. Solche Scores sind verführerisch eindeutig – aber sie sind Proxies, keine Autoritäten.

In der ARES/Bio.OS‑Perspektive sind Wearables in erster Linie Signalströme. Erst wenn diese Signale mit einem sinnvollen Basisfenster, mit Kontext und mit Signal‑Fusion zusammengeführt werden, entstehen Entscheidungsvorlagen für Menschen oder Algorithmen.

Dieses Handbuch erklärt, wie man Wearable‑Daten dafür strukturiert:

• welche Geräteklassen und Datenströme im Fokus stehen (Schlaf, HRV, Ruhepuls, Belastung),
• wie ein einfaches, robustes Integrationsmodell aussieht,
• wie Signal‑Priorisierung funktioniert,
• wie man widersprüchliche Signale einordnet,
• und wie daraus ein minimal funktionsfähiges Setup (Minimum Viable Integration) wird.

Scope: Educational context only. It supports general learning, simulation and reflection. For personal health questions, consult qualified professionals.

---

1. Wearable‑Scores sind Proxies, keine Autoritäten

Viele Plattformen reduzieren komplexe Rohdaten auf einfache Tageswerte: Schlafscore, Readiness‑Score, Trainingsstatus und mehr. Für ARES zählen vor allem die Rohsignale hinter diesen Scores.

1.1 Warum Rohsignale wichtiger sind als Scores

Eine Plattform kann denselben Schlafscore aus sehr unterschiedlichen Kombinationen erzeugen: verkürzte Gesamtschlafzeit, dafür mehr Tiefschlaf; längere Schlafdauer, aber fragmentiert; oder eine Mischung aus beidem. Für datengetriebene Entscheidungen ist relevant, welcher Mechanismus dahintersteht – nicht nur der Endwert.

Wichtige Beispiele:

• Schlafdauer vs. Fragmentierung:

Studien zur Schlafarchitektur betonen, wie wichtig Kontinuität und Stadienwechsel sind, nicht nur die Summe der Minuten im Bett. Das AASM‑Manual liefert dafür die Referenzdefinitionen von Schlafstadien und Ereignissen, die professionelle Labore verwenden.¹ (https://aasm.org/clinical-resources/scoring-manual/)

• HRV als Kontextsignal:

Die Standards der Task Force der Europäischen Gesellschaft für Kardiologie und der North American Society of Pacing and Electrophysiology zeigen, wie sensibel Herzratenvariabilität (HRV) auf Atmung, Haltung, Messdauer und Messmethode reagiert.² (https://pubmed.ncbi.nlm.nih.gov/8598068/) Ein einzelner Tageswert ohne Kontext ist daher nur begrenzt aussagekräftig.

1.2 Consumer‑Wearables im Evidenz‑Kontext

Konsumenten‑Wearables haben sich in den letzten Jahren stark verbessert, bleiben aber vereinfachende Messsysteme. Eine Übersichtsarbeit von De Zambotti et al. zeigt, dass solche Technologien Nützlichkeit besonders für Trendanalyse und Verhaltensreflexion bieten, während Detail‑Metriken (z.B. exakte Schlafstadien) mit Vorsicht interpretiert werden sollten.³ (https://pubmed.ncbi.nlm.nih.gov/30736895/)

Für ARES bedeutet das:

• Schlafdauer, Einschlafzeit, Aufwachzeit und grobe Fragmentierung sind meist solide genug für Trend‑Nutzung.
• Feine Stadienverteilung (REM vs. Tiefschlaf in Prozent) wird eher als weiches Signal genutzt.
• HRV aus optischen Sensoren ist wertvoll, wenn sie über viele Nächte hinweg verglichen wird, nicht als absoluter Einzelwert.⁴ (https://pubmed.ncbi.nlm.nih.gov/32897239/)

---

2. Integrationsmodell: Basisfenster, Richtung, Interpretation, Handlung

ARES nutzt ein generisches Integrationsmodell für Wearable‑Signale. Es besteht aus vier Schritten:

1. Basisfenster: Was ist der persönliche Referenzbereich? 2. Richtung: Bewegt sich ein aktueller Wert klar nach oben oder unten relativ zu diesem Fenster? 3. Interpretation mit Kontext: Gibt es externe Faktoren (z.B. Koffein, spätes Essen, Alkohol), die die Werte plausibel verschieben?⁵ (https://pubmed.ncbi.nlm.nih.gov/24235903/)⁶ (https://pubmed.ncbi.nlm.nih.gov/23550728/) 4. Handlungsebene: Welche Routinen, welche Planung oder welche Simulationen werden auf Basis der Signale angepasst?

2.1 Basisfenster: Wie viele Nächte braucht man?

Für Schlaf und HRV arbeitet ARES typischerweise mit 14–30 Tagen als Basisfenster. Das ist lang genug, um Ausreißer zu glätten, aber kurz genug, um echte Trendwechsel sichtbar zu halten.

Beispiel Schlaf:

• Baseline‑Metrik: durchschnittliche Gesamtschlafzeit der letzten 21 Nächte.
• Baseline‑Band: ±10–15 % um diesen Durchschnitt.
• Signal: fällt die letzte Nacht deutlich unter dieses Band, wird ein niedriger Schlaf‑Input erzeugt; liegt sie deutlich darüber, ein hoher Schlaf‑Input.

Beispiel HRV (nächtliches Mittel):

• Baseline‑Metrik: 21‑Tage‑Median der nächtlichen HRV (z.B. RMSSD).
• Baseline‑Band: ±1 Standardabweichung oder ein Perzentilband (z.B. 25.–75. Perzentil).
• Signal: Werte außerhalb dieses Bandes werden als Staubsauger für weitere Kontextsignale genutzt (z.B. Belastung, Stress, Infekt‑Hinweise im Alltagstagebuch, etc.).

2.2 Richtung: Trend statt Tageslaune

Ein einzelner Ausreißer kann vieles bedeuten: ein fehlerhaftes Armband, ein verschobenes Messfenster, eine ungewohnte Belastung. ARES legt den Fokus auf laufende Fenster und Trendrichtungen:

• 3‑Tage‑Fenster für schnelle Anpassungen (z.B. Trainingsumfang im Hobbysport).
• 7‑Tage‑Fenster für mittelfristige Balance (z.B. Sleep Debt‑Entwicklung).
• 21‑Tage‑Fenster für Kontext und Lebensstil‑Muster.

2.3 Interpretation: Kontextfilter

Kontextfaktoren, die in Studien immer wieder auftauchen, werden in ARES als determinierende Eingänge modelliert:

• Koffein am späten Nachmittag oder Abend: Drake et al. zeigen, dass Koffein 6 Stunden vor dem Zubettgehen die Schlafparameter messbar verschieben kann.⁵ (https://pubmed.ncbi.nlm.nih.gov/24235903/)
• Alkoholkonsum am Abend: Ebrahim et al. beschreiben, wie sich Alkohol auf Durchschlafstabilität und Schlafarchitektur auswirkt.⁶ (https://pubmed.ncbi.nlm.nih.gov/23550728/)
• Reise, Jetlag, Nachtschichten: Zeitverschiebungen verändern Schlaf‑Timing und Herzfrequenz‑Muster.
• Intensive Trainingstage: Hohe muskuläre und metabolische Belastung wirkt sich deutlich auf Ruhepuls und HRV im Nachtfenster aus.

Im Integrationsmodell wird deshalb jedes numerische Signal mit einer Kontext‑Maske kombiniert:

> „Nacht mit starkem Koffein‑Input“ wird weniger stark zur Baseline‑Aktualisierung gewichtet; > „Nacht mit normalem Tagesablauf“ wird voll gewertet.

2.4 Handlung: Von Zahlen zu Entscheidungen

ARES versteht Wearables als Sensor‑Layer in einem Entscheidungscockpit. Handlempfehlungen entstehen nie aus einem einzigen Wert, sondern aus Pattern‑Erkennung:

• Mehrere Nächte mit reduzierter Schlafdauer + steigender Ruhefrequenz + fallender HRV

→ Hinweis für höhere Gesamtbelastung; im Hobbysport etwa Signal, das Trainingsvolumen zu reflektieren.

• Hohe objektive Belastung (Trainings‑Load) + stabile HRV + stabile Schlafdauer

→ Hinweis, dass die bisherige Steuerung robust ist.

ARES gibt keine individuellen Gesundheits‑Ratschläge. Die Plattform liefert Strukturen, um Fragen gezielter an qualifizierte Fachpersonen zu stellen und eigene Routinen systematisch zu reflektieren.

---

3. Evidenzkarte: Schlaf‑ und HRV‑Grenzen im Kontext

Eine Evidenzkarte verbindet:

• was im professionellen Setting als Referenz gilt,
• wie Consumer‑Wearables sich dazu verhalten,
• und wie ARES diese Differenz produktiv nutzt.

3.1 Schlaf: Laborstandards vs. Wearables

Das AASM Manual setzt den Referenzrahmen für Schlafstadien (N1, N2, N3, REM) und Ereignisse wie Aufwachreaktionen oder Bewegungen.¹ (https://aasm.org/clinical-resources/scoring-manual/) Polysomnographie im Labor kombiniert EEG, EOG, EMG, Atemfluss und mehr. Wearables dagegen nutzen meist Bewegungssensoren und optische Herzfrequenz, teilweise ergänzt durch Hauttemperatur.

Die Übersichtsarbeit von De Zambotti et al. betont:

• Viele Wearables schätzen Schlafdauer und Einschlafzeit relativ solide.
• Die Unterscheidung zwischen Leicht‑, Tief‑ und REM‑Schlaf ist deutlich ungenauer, vor allem bei individuellen Grenzfällen.³ (https://pubmed.ncbi.nlm.nih.gov/30736895/)

In ARES werden Schlafstadien deshalb selten einzeln gewichtet. Wichtiger ist:

• Wann beginnt der Schlaf?
• Wie lange ist die Gesamtdauer?
• Wie oft wird die Nacht durch Wachphasen unterbrochen?
• Welche Tendenz zeigen diese Größen über Wochen?

3.2 HRV: Standardisierung und Messkontext

Die Task‑Force‑Empfehlung von 1996 bleibt der zentrale Referenzrahmen für HRV‑Messung und Interpretation.² (https://pubmed.ncbi.nlm.nih.gov/8598068/) Wichtige Punkte:

• HRV ist extrem abhängig von Messdauer, Atemmuster, Tageszeit und Körperhaltung.
• Kurze Zeitbereiche (z.B. 5 Minuten) und längere Langzeitmessungen (24 Stunden) werden unterschiedlich interpretiert.
• Es wird zwischen Zeitbereichsmaßen (z.B. RMSSD) und Frequenzbereichsmaßen unterschieden.

Nelson et al. untersuchen speziell Wearable‑basierte HRV‑Messungen.⁴ (https://pubmed.ncbi.nlm.nih.gov/32897239/) Ihr Fazit:

• Wearables können HRV in Ruhephasen durchaus brauchbar erfassen.
• Artefakte, Bewegungen und Lichtsensor‑Fehler bleiben zentrale Herausforderungen.
• Mehrere Nächte Messung mit konsequenter Datenbereinigung liefern robustere Trends als Einzelmessungen.

ARES nimmt daraus mit:

• HRV wird vor allem nachts im Liegen verwendet.
• Werktags‑Nachte werden höher gewichtet als Wochenendnächte mit untypischen Abläufen.
• HRV‑Trends werden mit Schlaf‑ und Belastungstrends verknüpft, bevor Rückschlüsse für die eigene Agenda gezogen werden.

---

4. Signal‑Priorität: Was zählt zuerst?

Nicht alle Signale sind gleich vertrauenswürdig. Die folgende Tabelle zeigt eine beispielhafte Priorisierung, wie sie ARES‑Nutzer:innen in ihren Pipelines einsetzen können.

| Signaltyp | Quelle / Sensorik | Typische Verlässlichkeit (Trend) | Typische Verlässlichkeit (Einzelnacht) | Priorität in ARES‑Logik | Hauptnutzen in der Praxis | |------------------------------|-----------------------------------|----------------------------------|-----------------------------------------|-------------------------|------------------------------------------------------| | Gesamtschlafdauer | Wearable (Aktigraphie + HR) | Hoch | Mittel | Hoch | Schlafverhalten, Nachholung, Rhythmusanalyse | | Einschlaf‑ und Aufwachzeit | Wearable + Nutzerjournal | Hoch | Mittel | Hoch | Chronotyp‑ähnliche Muster, soziale Jetlags | | Schlafunterbrechungen | Wearable (Bewegung + HR) | Mittel | Mittel | Mittel | Fragmentierung, Störquellen im Umfeld | | Durchschnittliche HF nachts | Wearable (PPG) | Hoch | Mittel | Hoch | Gesamtbelastung, Vergleich mit Tagesbelastung | | Ruhepuls (RHR) | Wearable (PPG) | Hoch | Mittel | Hoch | Baseline‑Veränderungen, Reaktion auf Belastung | | Nächtliche HRV (RMSSD) | Wearable (PPG) | Mittel bis hoch | Mittel bis gering | Mittel bis hoch | Trendanalyse des vegetativen Gleichgewichts | | Trainings‑Load (z.B. TRIMP) | Wearable + Trainingsplattform | Hoch