LONDON (IT BOLTWISE) – Eine neue Studie zeigt: Je höher der Körperfettanteil, desto ungenauer schätzen Smartwatches die verbrannten Kalorien beim Training ein. In einem kontrollierten Radfahr-Setup lagen die Schätzfehler bei mehreren Geräten häufig im zweistelligen Prozentbereich. Besonders deutlich waren Abweichungen bei Teilnehmenden mit höherem Körperfettanteil, während der Hauttyp in den untersuchten Bedingungen kaum eine Rolle spielte. Für Nutzer bedeutet das: Die Kalorienzahl ist eher eine Orientierung als ein Messwert.
Smartwatches versprechen Fitness-Transparenz in Echtzeit – doch die Kalorienzahl, die sie während des Trainings ausgeben, ist offenbar nicht für jede Person gleich zuverlässig. In einer Studie mit 58 Teilnehmenden zeigte sich ein klarer Zusammenhang: Mit steigendem Körperfettanteil wurden die Schätzungen der getragenen Geräte für den Energieverbrauch systematisch ungenauer. Der Effekt blieb über mehrere populäre Consumer-Modelle hinweg bestehen, auch wenn das Ausmaß je nach Marke unterschiedlich ausfiel. Damit verschiebt sich der Blick weg von einer allgemeinen Mess-Ungenauigkeit hin zu einer Frage, für wen die Algorithmik in der Praxis besonders danebenliegt.
Technisch betrachtet kombinieren viele Smartwatches Bewegungsdaten und optische Signale. Üblicherweise erfassen Beschleunigungssensoren, wie sich das Handgelenk bewegt, und ein lichtbasierter Sensor leitet daraus über die Veränderungen des Blutflusses am Handgelenk eine Herzfrequenz ab. Anschließend wird aus Herzrate und Bewegung plus Nutzerprofil – etwa Alter, Geschlecht, Größe und Gewicht – mit einem Algorithmus berechnet, wie viel Energie die Person verbraucht hat. Genau hier entsteht die strukturelle Schwachstelle: Kalorienverbrauch ist im Detail schwer direkt zu messen, weshalb die Geräte mehrere Faktoren zusammenführen müssen, die nicht für jede Körperzusammensetzung gleich gut zur Realität passen.
Um die Frage nach der Genauigkeit unter reproduzierbaren Bedingungen zu beantworten, nutzten die Forschenden einen „Goldstandard“ aus der Sportwissenschaft: einen metabolischen Analysator, der die eingeatmeten und ausgeatmeten Gase über eine Maske erfasst. Die Teilnehmenden absolvierten eine standardisierte Radsitz-Ergometer-Session in Miami – moderat und dann kräftig im Wechsel – und trugen dabei vier Geräte: Apple Watch Series 8, Garmin Forerunner 955, Samsung Galaxy Watch5 und Fitbit Sense 2. Entscheidend war zudem die Studiendurchführung: Die Intensität ließ sich im liegenden bzw. sitzenden Setup eng steuern, und durch das recumbente Rad wurde die Handgelenkbewegung reduziert, die die optische Herzfrequenzmessung typischerweise stören kann. Zusätzlich trugen die Probanden pro Hand zwei Uhren, wobei die Position zufällig rotiert wurde, um mögliche Vorteile einer bestimmten Trageorientierung auszuschließen.
Alle vier getesteten Smartwatches wiesen in der Studie „substantial error“ bei der Kalorienmessung auf. Über alle Geräte hinweg lag die mittlere Abweichung im Median grob zwischen etwa 15% und 25%, also häufig deutlich genug, um Ergebnisse gegenüber dem Laborwert als relevant zu verändern. Apple, Garmin und Samsung überschätzten den Energieverbrauch dabei tendenziell systematisch. Garmin und Samsung fielen in den Übertreibungen stärker ins Gewicht, während Apple im Schnitt die kleinste systematische Abweichung zeigte. Fitbit hatte ein anderes Muster: Nach Ausschluss von Daten mit Qualitätsproblemen lag der Durchschnitt nicht klar auf „zu hoch“ oder „zu niedrig“, aber es gab mehrere Ausreißer mit plausibilitätswidrigen Werten, darunter Messwerte, die in einzelnen Fällen über 450% des metabolisch ermittelten Wertes lagen. Solche Spitzenwerte wurden als Gerätefehler interpretiert.
Der eigentliche Überraschungspunkt war jedoch weniger die durchschnittliche Ungenauigkeit als die Stärke des Zusammenhangs mit dem Körperfettanteil. In der Analyse zeigte sich: Je höher der Körperfettanteil, desto stärker wichen die Schätzungen vom Laborwert ab. Dieser Trend galt für alle getesteten Marken, allerdings variierte die Größenordnung deutlich. Für Teilnehmende mit höherem Körperfettanteil reichten die Abweichungen bei einzelnen Geräten in der Studie von etwa 50% bis 100% oder sogar darüber. Anschaulich wirkt das in einer Beispielrechnung: Wenn das Messgerät im Labor 100 Kalorien Energieverbrauch während einer Einheit ermittelt, könnte eine 50%ige Übertreibung in etwa 150 Kalorien am Handgelenk bedeuten, eine 100%ige Übertreibung hingegen rund 200 Kalorien. Anders als die Körperfett-Variable zeigte sich unter den untersuchten Bedingungen kein signifikanter Einfluss des Hauttyps auf die Kalorienfehler.
Aus der Studie allein lässt sich allerdings nicht direkt ableiten, warum der Körperfettanteil die Abweichung so deutlich verstärkt. Naheliegend ist, dass die Kalorien-Schätzer auf proprietären Schätz- und Kalibrierungslogiken beruhen, die nicht nur die Herzrate und Bewegung, sondern auch Annahmen zur Physiologie der Energieumsetzung enthalten. Da jedes Gerät eine eigene, geschlossene Algorithmusvariante nutzt, bleibt offen, welche Modellbestandteile – etwa die Gewichtung von Herzfrequenztrajektorien, die Umrechnung zwischen Intensität und metabolischen Äquivalenten oder die Anpassung an Nutzerparameter – besonders empfindlich auf Körperzusammensetzung reagieren. Für Nutzerinnen und Nutzer mit höherem Körperfettanteil ist das dennoch praktisch relevant: Gerade wer Smartwatches zur Unterstützung beim Gewichtsmanagement nutzt, könnte laut den Ergebnissen eher unzuverlässige Kalorienwerte bekommen. In der Alltagssicht wird der Unterschied dann nicht „nur“ beim einzelnen Training spürbar, sondern potenziell über Wochen: Je nach Trainingsumfang können sich aus wiederholten Fehlern laut Beispielrechnungen schnell Größenordnungen ergeben, die einen großen Teil des Tagesbedarfs in die Irre führen.
Für die Praxis folgt daraus weniger eine Ablehnung der Wearables als eine präzisere Einordnung. Die Forschenden empfehlen, die Kalorienzahl als Schätzwert zu betrachten und nicht als exakte Messung. Wenn das Ziel Gewichtsreduktion ist, sollten Nutzer konservativer mit der Kalorienausgabe umgehen – insbesondere bei der Frage, wie viel man essen oder wie „erfolgreich“ man ein Workout im Sinne eines Kalorienbilanz-Controllings bewerten sollte. Sinnvoll ist dagegen der Blick auf Muster über Zeit, idealerweise kombiniert mit weiteren Signalen wie Herzfrequenz, Trainingsintensität, Veränderungen des Körpergewichts und dem eigenen Erleben der Belastung. Denn ein Gerät kann über Trainingseinheiten hinweg konsistent erscheinen, obwohl es systematisch zu hohe Werte liefert. Gleichzeitig deuten die Studienergebnisse aus dem gleichen Protokoll darauf hin, dass Smartwatches bei der Herzfrequenz in dieser Umgebung „reasonable accuracy“ erreichen und damit für andere Parameter durchaus nützlich bleiben können. Technisch ist klar: Bessere Sensorik hilft, aber mindestens ebenso entscheidend ist, wie die Energieausgabe-Modelle über verschiedene Körperzusammensetzungen hinweg kalibriert und getestet werden.
Auch in der Forschung ist der nächste Schritt naheliegend: In der Studie wurden bislang Radeinheiten betrachtet, während Krafttraining durch die Kombination aus gleichzeitigen Handgelenk- und Ganzkörperbewegungen sowie durch variable Intensitätsphasen die Schätzlogik deutlich stärker herausfordert. Dass andere Labore weltweit an einer Verbesserung arbeiten, ist erwartbar, weil die Wearable-Branche auf genau diese Alltagsrobustheit angewiesen ist. Für Unternehmen, die KI- und Datenmodelle in Wearables integrieren, liefert die Arbeit damit einen wichtigen Hinweis: Genauigkeit darf nicht nur als Durchschnittswert berichtet werden, sondern muss entlang biologischer und physiologischer Subgruppen geprüft werden. Für Entscheider heißt das am Ende: Die datengetriebene Optimierung muss so designt sein, dass sie nicht in bestimmten Nutzerprofilen – hier insbesondere mit höherem Körperfettanteil – strukturell schlechter funktioniert.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Mehr Körperfett senkt die Genauigkeit von Smartwatch-Kalorien beim Sport" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Mehr Körperfett senkt die Genauigkeit von Smartwatch-Kalorien beim Sport" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Mehr Körperfett senkt die Genauigkeit von Smartwatch-Kalorien beim Sport« bei Google Deutschland suchen, bei Bing oder Google News!