„Sie sind heute zu 82 Prozent erholt.“ „Noch 37 Stunden Regenerationszeit.“ „Heute ist ein guter Tag für intensives Training.“ „Fettverbrennung: 38 Gramm.“ Moderne Sportuhren und Fitness-Apps produzieren erstaunlich präzise klingende Aussagen über unseren Körper. Herzfrequenz, Herzfrequenzvariabilität, Schlafdauer, Bewegung und Trainingsdaten werden miteinander verrechnet und am Ende steht eine Zahl, eine Farbe oder eine konkrete Handlungsempfehlung. Grün bedeutet: trainieren. Rot bedeutet: erholen. Das Problem dabei ist nicht unbedingt die Messung. Viele aktuelle Geräte können beispielsweise die Herzfrequenz unter geeigneten Bedingungen inzwischen recht ordentlich erfassen. Das Problem beginnt, wenn aus einer gemessenen Größe eine andere, viel komplexere Eigenschaft des Körpers abgeleitet wird. Eine Uhr misst Herzschläge. Sie misst aber nicht „Erholung“. Und sie misst auch nicht, wie viel Fett gerade verbrannt wird.
Moderne Wearables bestehen aus Sensoren und Algorithmen. Der Sensor erfasst beispielsweise die Herzfrequenz, Bewegungen oder – je nach Gerät und Messverfahren – Abstände zwischen Herzschlägen. Aus diesen Rohdaten berechnet ein Algorithmus anschließend Größen wie „Recovery“, „Readiness“, „Body Battery“, „Training Readiness“, Energieverbrauch oder Regenerationszeit. Damit verändert sich aber der erkenntnistheoretische Status der Zahl: Was auf dem Display erscheint, ist häufig keine Messung mehr, sondern eine modellbasierte Schätzung. Und eine Schätzung kann nur so gut sein wie das Modell, die Eingangsdaten und die Annahmen, auf denen sie beruht.
Beispiel Erholung: Was bedeutet eigentlich „erholt“?
Ein beliebtes Instrument dafür ist die Herzfrequenzvariabilität, kurz HRV. Sie beschreibt die zeitlichen Schwankungen zwischen aufeinanderfolgenden Herzschlägen und enthält Informationen über die Regulation des autonomen Nervensystems. Besonders Maße wie RMSSD können unter standardisierten Bedingungen interessante Hinweise auf parasympathische Aktivität und Veränderungen des individuellen Zustands liefern. Regelmäßig und standardisiert gemessen kann sie ein sinnvoller Baustein des Athletenmonitorings sein. Neuere Übersichtsarbeiten betonen gerade die Bedeutung von Verlaufsdaten: Ein einzelner HRV-Wert ist erheblich weniger aussagekräftig als die Entwicklung individueller Werte über mehrere Tage oder Wochen. Aus dieser sinnvollen Anwendung folgt jedoch etwas ganz anderes als die Aussage: „Ihr Körper ist erholt.“
Denn was genau soll „der Körper“ sein? Nach einer Trainingseinheit laufen gleichzeitig ganz unterschiedliche Prozesse ab. Das autonome Nervensystem verändert sich. Energiespeicher werden aufgefüllt. Muskelfasern können strukturell beansprucht sein. Neuromuskuläre Funktionen verändern sich. Bindegewebe reagiert auf mechanische Belastungen. Immunologische und hormonelle Prozesse laufen ab. Hinzu kommen Schlaf, psychischer Stress, Ernährung, Erkrankungen und zahlreiche weitere Einflussgrößen. Diese Prozesse folgen nicht derselben Zeitachse. Man kann deshalb nicht sinnvoll von der einen Erholungskurve des Körpers sprechen.
Genau das ist seit Jahren ein Grundproblem des Belastungsmonitorings. Shona Halson stellte bereits in einer viel zitierten Übersichtsarbeit fest, dass zahlreiche Marker für Ermüdung und Trainingsbelastung vorgeschlagen wurden, aber kein einzelner definitiver Marker existiert, der den Zustand eines Athleten vollständig beschreibt. Unterschiedliche Marker können unterschiedliche Aspekte abbilden – und sie müssen keineswegs gleichzeitig wieder ihren Ausgangszustand erreichen. Wenn eine Uhr also behauptet, Sie benötigten noch exakt „27 Stunden Erholung“, entsteht eine Präzision, die physiologisch nicht einzulösen ist. Erholung ist keine einzelne biologische Variable, die irgendwo im Körper auf 73 Prozent steht. Der Algorithmus definiert vielmehr selbst, welche Eingangsdaten er als Zeichen von Erholung interpretiert, und übersetzt diese anschließend in eine leicht verständliche Kennzahl.
Das bedeutet wiederum nicht, dass solche Angaben vollkommen nutzlos wären. Sie können Veränderungen sichtbar machen und Anlass geben, genauer hinzuschauen. Wenn die morgendliche HRV deutlich von der persönlichen Norm abweicht, die Ruheherzfrequenz erhöht ist, der Schlaf schlecht war und man sich gleichzeitig erschöpft fühlt, ist das interessante Information. Aber daraus folgt etwas anderes als die Behauptung, eine Uhr habe den Erholungszustand des Organismus gemessen.
Interessanterweise zeigen Studien sogar, dass HRV zur Trainingsentscheidung beitragen kann. Meta-Analysen zu HRV-gesteuertem Ausdauertraining fanden teilweise günstigere Anpassungen als bei vollständig vorgeplanten Trainingsprogrammen. Die Vorteile für tatsächliche Ausdauerleistung oder VO₂max waren allerdings klein beziehungsweise nicht durchgängig statistisch eindeutig. Die Ausgangslage des heutigen Wissensstandes ist also keineswegs die folgende: "Die HRV funktioniert nicht.“ Wissenschaftlich korrekt wäre hingegen die Aussage, dass die HRV eine Information liefert , die Entscheidungen unterstützen kann – nicht die Entscheidung selbst.
Das alte Superkompensationsproblem
Dahinter steckt ein noch grundsätzlicheres Missverständnis, das im Sport erstaunlich langlebig ist. Training wird gerne als übersichtlicher Regelkreis dargestellt: Belastung – Ermüdung – Erholung – Superkompensation – nächster Trainingsreiz. Wer den richtigen Zeitpunkt erwischt, steigert seine Leistung. Wer zu früh trainiert, stört die Erholung. Wer zu spät trainiert, verschenkt die Superkompensation. Als didaktische Skizze mag das hilfreich sein. Als Modell des gesamten menschlichen Organismus ist es viel zu simpel.
Training löst nicht eine Anpassung aus, sondern zahlreiche Veränderungen mit unterschiedlichen Zeitverläufen. Genau deshalb gibt es keinen einzelnen Zeitpunkt, an dem „der Körper“ vollständig superkompensiert auf den nächsten Reiz wartet. Eine Muskulatur kann sich subjektiv wieder frisch anfühlen, während strukturelle Prozesse noch laufen. Das autonome Nervensystem kann wieder unauffällig sein, obwohl die neuromuskuläre Leistungsfähigkeit noch verändert ist – oder umgekehrt. Die Vorstellung, aus wenigen Messgrößen den optimalen Zeitpunkt des nächsten Trainingsreizes exakt ausrechnen zu können, verwechselt deshalb ein Modell mit der Realität.
Und wie viel Fett habe ich verbrannt?
Noch anschaulicher wird das Problem beim Energieverbrauch und bei der Fettverbrennung. Viele Uhren geben nach einer Trainingseinheit nicht nur verbrauchte Kilokalorien an, sondern manche Systeme unterscheiden sogar zwischen Kohlenhydraten und Fett. Auch hier entsteht der Eindruck: Die Uhr hat gerade beobachtet, welche Brennstoffe Ihre Muskelzellen verwendet haben. Das hat sie aber nicht.
Um die Oxidation von Fett und Kohlenhydraten während körperlicher Belastung tatsächlich abzuschätzen, wird in der Sportphysiologie typischerweise die indirekte Kalorimetrie eingesetzt. Dabei werden Sauerstoffaufnahme und Kohlendioxidabgabe gemessen und daraus unter bestimmten Annahmen die Substratoxidation berechnet. Genau auf solchen Messungen beruhen auch Untersuchungen zum individuellen maximalen Fettstoffwechsel und zu „Fatmax“, also jener Belastungsintensität, bei der die höchste Fettverbrennungsrate beobachtet wird. Ihre Armbanduhr analysiert aber nicht Ihre Atemgase. Sie besitzt lediglich Informationen wie Herzfrequenz, Bewegung, Geschwindigkeit, Alter, Geschlecht, Körpermasse und vielleicht einige zuvor bestimmte Leistungswerte. Daraus versucht der Algorithmus Energieverbrauch und teilweise Substratnutzung zu schätzen. Aus der HRV lässt sich der individuelle Stoffwechsel nicht bestimmen. Sie erfasst autonome Regulationsmuster des Herz-Kreislauf-Systems, nicht den Stoffwechsel selbst.
Systematische Untersuchungen kommerzieller Wearables zeigen genau diese Trennung: Die Herzfrequenz kann von modernen Geräten unter vielen Bedingungen vergleichsweise brauchbar erfasst werden, während die Schätzung des Energieverbrauchs wesentlich ungenauer ist. In einem großen systematischen Review von 158 Publikationen fand sich für die untersuchten Marken keine durchgängig genaue Bestimmung des Energieverbrauchs. Andere Meta-Analysen zeigen ebenfalls erhebliche Unterschiede abhängig von Gerät, Aktivität und Untersuchungsbedingungen.
Für die Fettverbrennung kommt ein weiteres Problem hinzu: Sie hängt nicht von der Herzfrequenz ab. Trainingszustand, Belastungsintensität, Ernährung, Kohlenhydratverfügbarkeit, vorherige Nahrungsaufnahme und zahlreiche weitere Faktoren beeinflussen, welchen Anteil Fett und Kohlenhydrate an der Energiebereitstellung haben. Selbst das individuelle „Fatmax“ weist erhebliche Variabilität auf und wird deshalb in wissenschaftlichen Untersuchungen mit Atemgasanalyse unter standardisierten Bedingungen bestimmt.
Eine Herzfrequenz von beispielsweise 135 Schlägen pro Minute bedeutet nicht automatisch eine bestimmte Fettverbrennungsrate. Zwei Menschen mit derselben Herzfrequenz können metabolisch vollkommen unterschiedlich reagieren. Und selbst dieselbe Person kann bei derselben Herzfrequenz an zwei verschiedenen Tagen unterschiedliche Stoffwechselbedingungen aufweisen. Herzfrequenz ist kein Fettstoffsensor.
Das Problem ist die scheinbare Präzision
Damit kommen wir zu einem Phänomen, das weit über Sportuhren hinausgeht: Zahlen erzeugen Vertrauen. „Sie sind etwas müde“ klingt subjektiv. „Readiness Score: 43“ klingt wissenschaftlich. „Sie sollten morgen locker trainieren“ klingt wie eine Empfehlung. „Regenerationszeit: 31 Stunden“ klingt wie eine Messung. Aber mehr Nachkommastellen bedeuten nicht mehr Wissen.
Ein Algorithmus kann aus unsicheren Eingangsdaten eine Zahl mit beliebig vielen Dezimalstellen erzeugen. Die Präzision der Darstellung sagt nichts über die Genauigkeit der zugrunde liegenden Aussage aus. Man könnte das als Scheingenauigkeit bezeichnen: Das System liefert eine sehr genaue Antwort auf eine Frage, die sich mit den vorhandenen Daten gar nicht so genau beantworten lässt.
Gerade im Sport ist die Versuchung groß. Training ist komplex, individuelle Reaktionen sind schwer vorherzusagen und Entscheidungen müssen trotzdem getroffen werden. Ein grünes Ampelsymbol nimmt uns diese Unsicherheit scheinbar ab. Genau deshalb sind solche Systeme attraktiv. Die wissenschaftlich redlichere Antwort ist unbequem: Wir können viele Dinge messen und daraus Entscheidungen verbessern. Aber wir können die Reaktion eines komplexen biologischen Systems nicht vollständig ausrechnen.
Was Sportuhren trotzdem hervorragend können
All das ist kein Plädoyer gegen Sportuhren. Im Gegenteil. Noch nie konnten Freizeitsportler ihre Belastung so einfach dokumentieren. Herzfrequenz, Geschwindigkeit, Leistung, Trainingsdauer, Streckenprofile und langfristige Trainingsumfänge können enorm hilfreiche Informationen liefern. Auch HRV, Ruheherzfrequenz oder Schlafdaten können – mit Kenntnis ihrer Grenzen – interessante zusätzliche Hinweise geben.
Die Frage für Trainer lautet deshalb immer:
Was wurde tatsächlich gemessen – und was wurde nur daraus berechnet?
Wenn eine Uhr eine Herzfrequenz von 142 Schlägen pro Minute anzeigt, hat sie zumindest versucht, eine konkrete physiologische Größe zu erfassen. Wenn daneben „76 Prozent erholt“, „34 Stunden Regenerationszeit“ oder „28 Gramm Fett verbrannt“ steht, befinden Sie sich bereits auf einer anderen Ebene. Dann sehen Sie das Ergebnis eines Modells. Und Modelle können nützlich sein. Aber sie sind nicht der Körper.
Fazit
Sportuhren und Fitness-Apps werden immer leistungsfähiger. Ihre Sensoren werden besser, die Datensätze größer und die Algorithmen komplexer. Gerade deshalb sollten wir genauer unterscheiden zwischen Messen, Schätzen und Interpretieren.
Die Herzfrequenz kann gemessen werden. HRV kann unter geeigneten Bedingungen Informationen über autonome Regulation liefern. Daraus lässt sich aber nicht der gesamte Erholungszustand des Organismus ablesen. Energieverbrauch kann geschätzt werden. Daraus folgt noch keine exakte Kenntnis der individuellen Fettverbrennung. Und aus mehreren Messgrößen kann ein Algorithmus einen Readiness-Score berechnen. Dieser Score bleibt trotzdem ein Modellwert und keine direkt gemessene biologische Eigenschaft.
Das vielleicht größte Missverständnis moderner Sporttechnologie besteht deshalb nicht darin, dass die Geräte schlechte Daten liefern. Es besteht darin, dass gute Messdaten den Eindruck erwecken können, wir verstünden damit automatisch das gesamte System. Training bleibt jedoch ein Prozess unter Unsicherheit. Daten können diese Unsicherheit reduzieren. Sie können sie nicht abschaffen.Und vielleicht ist genau das die wichtigste Information, die Ihre Sportuhr Ihnen nicht anzeigen kann.
Quellen und weiterführende Literatur
Düking, P. et al. (2021): Monitoring and adapting endurance training on the basis of heart rate variability monitored by wearable technologies: A systematic review with meta-analysis. Journal of Science and Medicine in Sport, 24(11), 1180–1192.
Esco, M. R. et al. (2025): Monitoring Training Adaptation and Recovery Status in Athletes Using Heart Rate Variability via Mobile Devices: A Narrative Review. Sensors, 26(1), 3.
Halson, S. L. (2014): Monitoring Training Load to Understand Fatigue in Athletes. Sports Medicine, 44(Suppl 2), S139–S147.
Manresa-Rocamora, A. et al. (2021): Heart Rate Variability-Guided Training for Enhancing Cardiac-Vagal Modulation, Aerobic Fitness, and Endurance Performance: A Methodological Systematic Review with Meta-Analysis. International Journal of Environmental Research and Public Health, 18, 10299.
Fuller, D. et al. (2020): Reliability and Validity of Commercially Available Wearable Devices for Measuring Steps, Energy Expenditure, and Heart Rate: Systematic Review. JMIR mHealth and uHealth, 8.
Amaro-Gahete, F. J. et al. (2019): Assessment of maximal fat oxidation during exercise: A systematic review. Scandinavian Journal of Medicine & Science in Sports.
Maunder, E., Plews, D. J. & Kilding, A. E. (2018): Contextualising Maximal Fat Oxidation During Exercise: Determinants and Normative Values. Frontiers in Physiology.