Viele Menschen verlassen sich auf ihre Smartwatch, wenn es darum geht, den eigenen Kalorienverbrauch nach dem Training zu beurteilen. Doch die hübsch präsentierte Zahl auf dem Display ist häufig weit von der Realität entfernt. Sie kann um bis zu 80 Prozent danebenliegen. Statt den tatsächlichen Energieumsatz zu erfassen, kalkuliert die Software lediglich eine Schätzung aus Parametern wie Puls, Bewegungsmustern am Handgelenk sowie Körpergröße und Gewicht.
Inhaltsverzeichnis
Signale der Beinmuskulatur lesen
Diese Unschärfen haben Biomechanik-Forschende der Harvard University motiviert, nach einer genaueren Lösung zu suchen. Im Labor von Patrick Slade, Assistenzprofessor für Bioingenieurwesen an der John A. Paulson School of Engineering and Applied Sciences (SEAS), entstand OpenMetabolics: ein Aktivitätsmonitor, der auf gewöhnlichen Smartphones läuft. Mithilfe von maschinellem Lernen schätzt das System durch Signale der Beinmuskulatur den Kalorienverbrauch.
Kalorienverbrauch jenseits klassischer Tracker
Eine Laborstudie mit Probanden hat gezeigt, dass das Harvard-Gerät den Kalorienverbrauch etwa doppelt so exakt erfasst wie gängige Smartwatches und Aktivitätstracker. Diese präzisere Messung kann nicht nur Einzelnen ein realistischeres Bild ihrer Anstrengung geben. Sie eröffnet Forschenden auch die Möglichkeit, deutlich verlässlichere Studien zu den gesundheitlichen Folgen von Bewegung und Training zu konzipieren – ein wichtiger Schritt für evidenzbasierte Prävention.
„Körperliche Aktivität ist für viele Aspekte der Gesundheit von entscheidender Bedeutung“, erklärt Slade. „Da dieses System auf Smartphones basiert, kann es leicht für groß angelegte Anwendungen und Forschungsstudien eingesetzt werden, selbst in unterversorgten Gebieten.“
Wie OpenMetabolics den Kalorienverbrauch berechnet
Die in Communications Engineering veröffentlichte Studie leitet der Doktorand Haedo Cho. Er entwickelte ein maschinelles Lernmodell weiter, mit dem Slades Gruppe zuvor bereits gezeigt hatte, dass sich aus Beinbewegungen Energieverbrauchsgrößen zuverlässig ableiten lassen.
Das neue Modell verarbeitet kontinuierlich Bewegungsdaten aus Sensoren, die Drehbewegungen und Beschleunigungen des Smartphones messen, und übersetzt deren Schwingungen und Muster in Schätzungen des Kalorienverbrauchs. Frühere Versionen des Systems waren noch deutlich umständlicher: Sie benötigten maßgeschneiderte Komponenten, die an zwei Stellen am Bein befestigt wurden, um verwertbare Daten zu liefern.
Fitnesstracker, Smartphone und echte Alltagsbewegung
Um die Leistungsfähigkeit des neuen Modells einzuordnen, rekrutierte Chos Team 30 Teilnehmende unterschiedlichen Alters, verschiedener Körpergrößen und Fitnessniveaus. Diese nutzten gleichzeitig das Smartphone-System und verbreitete Referenzgeräte, wie sie in Fitnesstrackern mit Herzfrequenzfunktion oder in einfachen Schrittzählern zu finden sind.
Sie absolvierten alltagsnahe Aktivitäten wie Gehen, Radfahren oder Treppensteigen. Cho legte großen Wert darauf, typische Situationen des täglichen Lebens abzubilden, statt nur sterile Laborbedingungen zu simulieren: „Menschen variieren ihre Geschwindigkeit im Laufe des Tages. Wenn ich den Bus nehme, gehe ich vielleicht schnell. Wenn ich bei Trader Joe’s einkaufen gehe, gehe ich vielleicht langsam. Wir haben diese Art von Szenarien durch Audio-Anweisungen nachgeahmt.“
Unverfälschter Kalorienverbrauch
Smartphones stecken selten perfekt fixiert am Körper, sondern rutschen, kippen und wackeln in der Hosentasche. Daher entwickelte Cho zusätzlich ein Modell zur Korrektur von Bewegungsartefakten in der Hosentasche. Es sorgt dafür, dass die Energiedaten stimmig bleiben, selbst wenn das Telefon in verschiedenen Kleidungsstücken, Taschenformen und Winkeln mitgeführt wird. So soll der Kalorienverbrauch möglichst unverfälscht im Modell ankommen.
Nächste Schritte für OpenMetabolics
Aktuell arbeitet OpenMetabolics besonders gut bei verbreiteten Alltagsaktivitäten. Für Bewegungen, die sehr ähnliche Oberschenkelmuster haben, aber unterschiedlich viel Energie kosten, sind jedoch zusätzliche Daten und Sensorinformationen nötig. Ein datengetriebenes Modell auf Basis von Beinbewegungsdaten konnte den Energieverbrauch etwa beim Radfahren mit konstanter Trittfrequenz und verschiedenen Widerständen oder beim Gehen mit zusätzlicher Gewichtsbelastung schon sehr präzise einschätzen.
Um in komplexeren Szenarien noch genauer zu werden, könnten weitere Sensoren eingebunden werden – etwa Herzfrequenzmesser, Hauttemperaturfühler, Elektromyographie (zur elektrischen Messung der Muskelaktivität) oder tragbare Belastungssensoren an anderen Körperregionen: Für Trainingsformen wie Rudern könnten Sensoren an den Armen Daten liefern.
Hosen- oder Handtasche?
Auch geschlechtsspezifische Unterschiede spielen eine Rolle: Männer tragen Smartphones häufiger in der Hosentasche als Frauen, weil Frauenkleidung oft weniger funktionale Taschen bietet. Modelle, die Daten von tragbaren Sensoren wie einer Smartwatch einbeziehen, könnten deshalb helfen, Aktivitäten besser zu erfassen, wenn das Smartphone an anderen typischen Orten transportiert wird – etwa in der Hand, im Rucksack, in der Jacke oder in der Handtasche. So ließe sich der Kalorienverbrauch auch in solchen Alltagssituationen zuverlässiger bestimmen.
OpenMetabolics ist als offenes Framework angelegt, in das die wissenschaftliche Community eigene Datensätze einspeisen kann. Dadurch sollen immer bessere Modelle und realistischere Bilder von körperlicher Aktivität entstehen
Ein Beitrag von:
