Wrist‑Sensor‑Coaching: KI erkennt Muskelversagen in Echtzeit
Die Optimierung von Krafttraining für Muskelhypertrophie erfordert ein präzises Gleichgewicht zwischen Nähe zum Muskelversagen und der Erschöpfungssteuerung. Traditionell wird dieser Zustand anhand subjektiver Einschätzungen der Wiederholungen in Reserve (RiR) gemessen, was zu ungenauen Trainingsreizen oder übermäßiger Ermüdung führen kann.
In einer neuen Studie wurde ein System vorgestellt, das in Echtzeit anzeigt, wann ein Trainingseinheitsteilnehmer in einen Near‑Failure‑Zustand (RiR ≤ 2) gerät. Das Verfahren nutzt lediglich ein einzelnes, an der Handgelenk montiertes Inertialmessgerät (IMU) und besteht aus zwei Stufen: Zunächst segmentiert ein ResNet‑basiertes Modell die Wiederholungen aus den 6‑Achsen‑IMU‑Daten. Anschließend werden aus dieser Segmentierung, aus direkten Faltungseigenschaften und aus historischem Kontext, der von einem LSTM erfasst wird, Merkmale extrahiert, die ein Klassifikationsmodell zur Identifikation von Near‑Failure‑Fenstern verwendet.
Die Autoren sammelten einen neuen Datensatz von 13 unterschiedlichen Probanden, die Preacher‑Curls bis zum Muskelversagen ausführten (insgesamt 631 Wiederholungen). Das Segmentierungsmodell erreichte einen F1‑Score von 0,83, während der Near‑Failure‑Klassifikator einen F1‑Score von 0,82 unter simulierten Echtzeitbedingungen (1,6 Hz Inferenzrate) erzielte.
Die Implementierung auf einem Raspberry Pi 5 zeigte eine durchschnittliche Inferenzlatenz von 112 ms, während auf einem iPhone 16 lediglich 23,5 ms benötigt wurden. Diese Ergebnisse belegen die Machbarkeit von KI‑gestütztem Trainingstracking auf Edge‑Geräten.
Die Arbeit demonstriert einen praktikablen Ansatz für objektives, Echtzeit‑Feedback zur Trainingsintensität unter Einsatz minimaler Hardware. Damit ebnet sie den Weg für zugängliche, KI‑basierte Hypertrophie‑Coaching‑Tools, die Trainierenden helfen, die Intensität gezielt zu steuern und optimale Fortschritte zu erzielen.