Wearable Integration Guide — welche Signale ARES nutzt

Wearable Signal Fusion Cockpit

# Wearable Integration Guide — welche Signale ARES nutzt

Wearables versprechen Klarheit: ein Score für Schlaf, ein Pfeil für Belastung, ein grüner Ring für „bereit“. In der Praxis sind diese Kennzahlen eher Proxies als Autoritäten. Sie fassen viele Rohsignale zu einem komfortablen Index zusammen – aber sie kennen Ihren Kontext nicht.

Dieser Leitfaden beschreibt, wie ARES/Bio.OS Wearable-Daten im Bildungs- und Simulationskontext strukturiert versteht: Welche Signale wichtig sind, wie sie priorisiert werden und wie Konflikte zwischen Streams aufgelöst werden können. Der Fokus liegt auf Schlaf, HRV (Herzfrequenzvariabilität), RHR (Ruhepuls) und Belastung / Load.

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

---

1. Hook: Wearable-Scores sind Proxies, keine Autoritäten

Die meisten Plattformen liefern tägliche Scores: Schlafqualität, „Readiness“, „Strain“, „Body Battery“ und vieles mehr. Im ARES-Kontext werden diese Scores als abgeleitete Produkte betrachtet, nicht als Rohsignal.

Wichtige Konsequenzen:

1. Scores sind geräte-spezifisch Jeder Hersteller mischt Rohdaten anders: Gewichtung von Schlafdauer vs. Tiefschlaf, Herzfrequenz vs. HRV, Bewegung vs. Temperatur usw. Eine Zahl 85/100 bedeutet auf Gerät A etwas anderes als auf Gerät B.

2. Scores verschleiern Messfehler Aggregation glättet Ausreißer, aber verbirgt auch, warum sich etwas verändert hat. Ein „schlechter Readiness-Score“ kann aus verkürztem Schlaf, starkem Koffeinkonsum, Jetlag oder Sensor-Artefakten entstehen.

3. Scores reagieren auf Kontext, den das Gerät nicht kennt Studien zeigen, dass z.B. Koffein Schlafdauer und -architektur beeinflussen kann (https://pubmed.ncbi.nlm.nih.gov/24235903/), ebenso Alkohol Schlafkontinuität und -struktur (https://pubmed.ncbi.nlm.nih.gov/23550728/). Nur Sie kennen diese Einflüsse, das Gerät nicht.

4. Im ARES-Modell stehen Rohsignale im Vordergrund ARES priorisiert direkt messbare Größen (z.B. Schlafdauer, Ein- und Durchschlafunterbrechungen, Nacht-HRV, RHR) und nutzt hersteller-spezifische Scores höchstens als Meta-Hinweis.

Kurz: Wearables liefern wertvolle Datenströme, aber Signal-Fusion und Kontext machen sie erst für reflektierte Entscheidungen im Lern- und Simulationskontext nutzbar.

---

2. Integrationsmodell: Basisfenster, Richtung, Interpretation, Handlung

ARES nutzt ein vierstufiges Integrationsmodell:

1. Basisfenster (Baseline Window) Zuerst wird ein Referenzkorridor erstellt: „Wie sieht ein üblicher Zustand aus?“

• Für Schlaf: mittlere Schlafdauer, Varianz, Timing, Wachphasen. Referenzrahmen können z.B. mit Standards der American Academy of Sleep Medicine verglichen werden, ohne individuelle Grenzwerte zu interpretieren. Siehe dazu den AASM Scoring Manual (https://aasm.org/clinical-resources/scoring-manual/).
• Für HRV: typischer RMSSD/SDNN-Bereich im Ruhezustand, orientiert an Empfehlungen der Task Force HRV Standards 1996 (https://pubmed.ncbi.nlm.nih.gov/8598068/).
• Für RHR: mittlere nächtliche Herzfrequenz in ruhigen Phasen.
• Für Load: typisches Aktivitäts- und Trainingsprofil.

2. Richtung (Direction of Change) ARES bewertet vor allem Veränderung gegenüber der eigenen Basis, nicht den absoluten Wert.

• Weniger Schlaf als im Mittel?
• HRV deutlich niedriger/höher als der individuelle Korridor?
• RHR ungewöhnlich höher?
• Load deutlich über/unter dem Gewohnten?

3. Interpretation (Contextual Layering) Rohsignale werden mit Kontextschichten überlagert:

• Verhalten (z.B. Training, spätes Essen, Kaffee-Konsum).
• Umwelt (z.B. Reise, Zeitzonenwechsel, Temperatur).
• Subjektive Wahrnehmung (z.B. gefühlte Müdigkeit, Muskelkater).

Forschung zu Wearables betont, dass Trends und Veränderungen zuverlässiger sind als Einzelwerte De Zambotti et al., 2019 (https://pubmed.ncbi.nlm.nih.gov/30736895/). Genau hier setzt ARES an.

4. Handlung (Action in Simulation) Im ARES/Bio.OS-Kontext bedeutet „Handlung“ vor allem Lern- und Anpassungsschritte wie:

• Schlafzeitfenster neu planen oder konsistenter halten.
• Belastung periodisieren und Erholungsphasen bewusster setzen.
• Koffein- und Alkoholkonsum im Tagesverlauf reflektieren (z.B. anhand der Studien von Drake et al. (https://pubmed.ncbi.nlm.nih.gov/24235903/) und Ebrahim et al. (https://pubmed.ncbi.nlm.nih.gov/23550728/)).
• Sensor-Sitz, Tragegewohnheiten und Geräte-Kalibrierung überprüfen.

ARES liefert hierzu primär Signalkarten und Entscheidungsbäume im Lernkontext, keine individuellen Anweisungen.

---

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

3.1 Schlaf als vielschichtiges Signal

Schlaf-Tracker versuchen, Schlafphasen zu schätzen: Leichtschlaf, Tiefschlaf, REM, Wachphasen. Goldstandard-Referenz für die Auswertung polysomnographischer Daten ist das AASM Manual (https://aasm.org/clinical-resources/scoring-manual/). Wearables arbeiten meist mit optischen Sensoren (PPG), Bewegung und proprietären Algorithmen; Studien wie der Überblick von De Zambotti et al. (https://pubmed.ncbi.nlm.nih.gov/30736895/) zeigen:

• Schlafdauer wird oft relativ gut erfasst, insbesondere bei längeren Nächten.
• Schlafphasen (z.B. Tiefschlaf vs. REM) sind deutlich ungenauer als Labor-Messungen.
• Wearables eignen sich oft besser zur Trendbeobachtung als zur exakten Klassifizierung einzelner Nächte.

ARES zieht daraus drei Prinzipien:

1. Dauer > Architektur (außer im Forschungssetting) Für die meisten Lern- und Simulationsszenarien ist die grobe Schlafdauer robuster als genaue Phasenanteile.

2. Stabilität > einzelne Nacht Relevanter als eine „schlechte“ oder „gute“ Nacht ist, ob sich ein Muster über mehrere Tage zeigt.

3. Große Sprünge > kleine Schwankungen Eine massive Verkürzung der Schlafzeit oder wiederholte, stark fragmentierte Nächte sind signifikant – leichte Verlängerungen oder Verkürzungen um 20–30 Minuten eher weniger.

Schlafarchitektur als Signallayer

3.2 HRV als Kontextsignal

Die Herzfrequenzvariabilität (HRV) wird oft als Marker für die Flexibilität des autonomen Nervensystems verwendet. Die Task Force HRV Standards 1996 (https://pubmed.ncbi.nlm.nih.gov/8598068/) definieren Messmethoden und Zeitfenster (z.B. 5‑Minuten-Ruheaufnahmen). Moderne Wearables messen zumeist kontinuierlich per PPG.

Wichtig im ARES-Modell:

• HRV ist kontextabhängig (Körperposition, Atmung, Tageszeit).
• Verschiedene Geräte und Algorithmen können unterschiedliche Werte liefern.
• Eine große Review-Arbeit zu Wearable-HRV (z.B. Nelson et al., 2020 (https://pubmed.ncbi.nlm.nih.gov/32897239/)) zeigt, dass einige Geräte in Ruhe recht valide Trends liefern, während bei Bewegung Artefakte häufiger sind.

ARES konzentriert sich deshalb auf:

• nächtliche HRV-Fenster in ruhigen, bewegungsarmen Phasen,
• Veränderung gegenüber der eigenen Basis,
• gleichzeitige Betrachtung von RHR und Schlafqualität.

3.3 Zusammenhang von Schlaf, HRV, RHR und Load

Im Signal-Fusionsmodell von ARES wird jedes Signal als Schicht („Layer“) betrachtet. Mehrere Schichten zusammen ergeben ein Muster. Beispiel:

• Deutlich kürzere Schlafdauer +
• stark niedrige HRV im Vergleich zur Basis +
• höherer RHR +
• hohe Trainingsbelastung am Vortag

→ kann im Lernkontext als „starker Gesamtstress“ interpretiert werden, der eventuell nach einer Anpassung von Belastung oder Schlaffenster ruft.

---

4. Signal-Priorität: welche Streams zählen wann?

ARES arbeitet mit einer Priorisierungsmatrix, um zu entscheiden, wie stark ein Signal in die aktuelle Bewertung eingeht.

4.1 Prioritätentabelle

| Rang | Signal-Layer | Typische Quelle | Kontext, in dem es Vorrang hat | Typische Gewichtung im ARES-Modell | |------|---------------------------|------------------------------|----------------------------------------------------------|--------------------------------------| | 1 | Gesamtschlafdauer | Ring, Uhr, Schlaf-Tracker | Lernziele zu Erholung, kognitiver Leistungsfähigkeit | Sehr hoch | | 2 | Schlafkontinuität (Wachphasen) | Wearable + subjektiv | Fragmentierung, Jetlag-Simulation, Schichtarbeit | Hoch | | 3 | Nächtliche HRV (RMSSD o.ä.) | Wearable mit PPG | Stress-/Erholungs-Trends, Anpassung von Trainingsplanung | Mittel bis hoch | | 4 | Nächtlicher RHR | Wearable | Belastungsabschätzung, Vergleich zu HRV | Mittel | | 5 | Tagesaktivität / Schritte | Uhr, Tracker, Smartphone | Grundaktivität, Sitzzeiten, NEAT-Simulation | Mittel | | 6 | Trainingsload (z.B. TRIMP, TSS) | Sportuhren, Apps | Periodisierung, Belastungssteuerung | Mittel bis hoch (bei Sportfokus) | | 7 | Hersteller-„Readiness“-Score | Proprietäre Apps | Grobe Orientierung, wenn Rohdaten unklar sind | Niedrig bis mittel | | 8 | Subjektive Ratings (Müdigkeit, Stimmung) | Journaling, App | Kontext, Abgleich mit Wearable-Signalen | Mittel |

Gewichtung bezieht sich auf typische Bildungs-/Simulations-Szenarien und ist konfigurierbar.

Die Matrix macht zwei Punkte deutlich:

1. Rohdaten gehen vor abgeleiteten Indizes. 2. Subjektiver Kontext ist Teil der Signal-Fusion, kein Widerspruch zu Wearables.

---

5. Stream-für-Stream-Interpretation

Dieser Abschnitt geht durch die wichtigsten Streams, wie sie ARES typischerweise liest.

5.1 Schlaf-Streams

Quellen: Oura, Whoop, Garmin, Apple Watch, Fitbit u.a. Typische Rohsignale: Einschlafzeit, Aufwachzeit, geschätzte Schlafdauer, Wachphasen, Schlafphasen.

ARES orientiert sich bei der Einordnung an wissenschaftlichen Referenzen wie dem AASM Manual (https://aasm.org/clinical-resources/scoring-manual/) und Verbraucher-Reviews wie De Zambotti et al. 2019 (https://pubmed.ncbi.nlm.nih.gov/30736895/).

Im Lernkontext werden beispielsweise folgende Fragen gestellt:

• Ist die Schlafdauer im individuellen Zielkorridor (z.B. längere Nächte in Phasen hoher Trainingsbelastung)?
• Ist die Schlafeffizienz (Zeit im Bett vs. schlafend) über mehrere Tage stabil?
• Gibt es wiederkehrende Muster, z.B. kürzere Nächte nach gewissen Aktivitäten (spätes Training, spätes Essen, Screen-Time)?

Konkrete Hinweise können sein:

• „Simuliere eine Woche mit 30–60 Minuten mehr Schlafzeit pro Nacht und beobachte die Signaländerungen.“
• „Lege eine 14‑tägige Phase mit konstantem Einschlafzeitpunkt an, um Basisfenster zu stabilisieren.“

5.2 HRV-Streams

Quellen: dieselben Wearables, teils auch Brustgurte. Rohsignale: RMSSD, SDNN, HF/LF-Power (je nach Gerät), oft als „Nacht-HRV“ zusammengefasst.

Studien wie Nelson et al., 2020 (https://pubmed.ncbi.nlm.nih.gov/32897239/) zeigen, dass Wrist-basierte HRV im Ruhezustand brauchbare Trends liefert, bei Bewegung aber anfällig ist.

ARES-handhabung im Bildungsrahmen:

• Nachtmittelwerte werden über mehrere Tage geglättet.
• Veränderungen >10–20 % vom Basisfenster werden markiert.
• Gleichzeitige Änderungen in HRV, RHR und Schlafdauer werden als Gesamtmuster betrachtet.

Wichtige Lernpunkte:

• Ein einmalig niedriger HRV-Wert ist weniger interessant als ein mehrtägiger Trend.
• Eine erhöhte HRV kann in manchen Kontexten auch auf stärkere parasympathische Aktivierung im Anschluss