docs: Struktur .claude/docs versionieren, working/, Gitea-Index, Regeln

- .gitignore: .claude/docs, rules, commands tracken; settings.local weiter ignorieren
- DOCUMENTATION.md: verbindliche Ablage functional/technical/working/issues
- .claude/README.md: Agent-Einstieg; GITEA_ISSUES_INDEX aus MCP (Stand 2026-04-08)
- Arbeitspapiere von docs/ nach .claude/docs/working/ verschoben
- docs/MEMBERSHIP_SYSTEM.md als Stub; kanonisch technical/MEMBERSHIP_SYSTEM.md
- CLAUDE.md Pflichtlektüre und Links angepasst; docs/README.md vereinfacht

Made-with: Cursor
This commit is contained in:
Lars committed 2026-04-08 13:01:49 +02:00
1 parent 24daeeb83c
commit 7940dc7560
115 files changed
+45622 -1063

No files matched your search

@@ -0,0 +1,422 @@
# Activity Quality Gates – Fachliches Konzept
**Issue:** #15
**Status:** Design Phase
**Erstellt:** 2026-03-23
---
## Problem-Statement
### Aktuelles Problem:
Apple Health und andere Tracker importieren **alle** Workouts, unabhängig von ihrer Qualität:
- 5-Minuten-Spaziergang → "Outdoor Run"
- 10-Minuten-Krafttraining ohne echte Belastung
- Versehentlich gestartete Workouts
- Aufwärm-Sessions ohne echtes Training
**Folgen:**
- KI-Analysen werden verfälscht ("Du trainierst täglich!" - aber nur 5min)
- Statistiken zeigen unrealistische Trainingsfrequenz
- Korrelationen (Training ↔ Erholung) werden unbrauchbar
- User verliert Vertrauen in die Auswertungen
---
## Fachliche Anforderungen
### Must-Have:
1. **Pro Trainingstyp** unterschiedliche Qualitätskriterien
2. **Automatische Bewertung** beim Import und bei manueller Eingabe
3. **Nicht-destruktiv** - keine Daten löschen, nur markieren
4. **Transparenz** - User sieht warum eine Aktivität als minderwertig gilt
5. **Opt-Out möglich** - User kann Quality Gates pro Aktivität überschreiben
### Nice-to-Have:
6. **Admin-Presets** für gängige Trainingstypen (Laufen, Krafttraining, etc.)
7. **User-spezifische Anpassung** (z.B. für Reha-Patienten andere Schwellwerte)
8. **Historische Nachbearbeitung** - bestehende Aktivitäten neu bewerten
---
## Lösungsansätze (Evaluation)
### Ansatz A: Quality Flag (Boolean)
```sql
ALTER TABLE activity_log ADD COLUMN is_valid BOOLEAN DEFAULT true;
```
**Pro:**
- Einfach zu implementieren
- Schnelle Queries (`WHERE is_valid = true`)
- Binäre Entscheidung: gültig oder nicht
**Contra:**
- ❌ Keine Abstufungen (was ist mit "grenzwertig"?)
- ❌ Kein Grund dokumentiert (warum ungültig?)
- ❌ Schwer erweiterbar
**Bewertung:** ⭐⭐☆☆☆ (zu simpel)
---
### Ansatz B: Quality Score (0-100)
```sql
ALTER TABLE activity_log ADD COLUMN quality_score INTEGER DEFAULT 100;
```
**Pro:**
- Abstufungen möglich (100 = perfekt, 0 = wertlos)
- Filterbar: `WHERE quality_score >= 70`
- Flexibel für zukünftige Erweiterungen
**Contra:**
- ❌ Score-Berechnung komplex (wie gewichten?)
- ❌ Kein Grund dokumentiert
- ❌ Schwellwert (70? 80?) willkürlich
**Bewertung:** ⭐⭐⭐☆☆ (besser, aber intransparent)
---
### Ansatz C: Validation Result (JSONB) ⭐ **EMPFEHLUNG**
```sql
ALTER TABLE activity_log ADD COLUMN quality_check JSONB DEFAULT NULL;
-- Beispiel-Daten:
{
"evaluated_at": "2026-03-23T10:30:00Z",
"passed": false,
"score": 45,
"reasons": [
{"rule": "duration_min", "expected": 15, "actual": 8, "passed": false},
{"rule": "avg_hr_min", "expected": 100, "actual": 95, "passed": false},
{"rule": "max_hr_min", "expected": 120, "actual": 125, "passed": true}
],
"override": null // User kann auf "valid" oder "invalid" setzen
}
```
**Pro:**
- ✅ Transparent: Jede Regel einzeln nachvollziehbar
- ✅ Erweiterbar: Neue Regeln einfach hinzufügbar
- ✅ Override-Mechanismus eingebaut
- ✅ Historisch: Wann wurde evaluiert?
- ✅ Flexibel: Score + Boolean + Details
**Contra:**
- Mehr Speicherplatz (aber marginal bei JSONB)
- Komplexere Queries (aber PostgreSQL JSONB ist schnell)
**Bewertung:** ⭐⭐⭐⭐⭐ **BESTE LÖSUNG**
---
## Empfohlene Lösung: Ansatz C (Validation Result)
### Datenmodell
#### 1. Training Types (Regel-Definition)
```sql
ALTER TABLE training_types ADD COLUMN quality_rules JSONB DEFAULT NULL;
-- Beispiel: Laufen
UPDATE training_types SET quality_rules = '{
"enabled": true,
"rules": {
"duration_min": {"min": 15, "weight": 3},
"avg_hr_min": {"min": 100, "weight": 2},
"max_hr_min": {"min": 120, "weight": 1},
"distance_km": {"min": 1.0, "weight": 1}
},
"pass_threshold": 0.6,
"description": "Mindestens 15min, Durchschnittspuls > 100"
}'::jsonb WHERE name_de = 'Laufen';
-- Beispiel: Krafttraining
UPDATE training_types SET quality_rules = '{
"enabled": true,
"rules": {
"duration_min": {"min": 20, "weight": 5},
"avg_hr_min": {"min": 90, "weight": 1}
},
"pass_threshold": 0.8,
"description": "Mindestens 20 Minuten"
}'::jsonb WHERE name_de = 'Krafttraining';
```
**Erklärung:**
- `enabled`: Quality Gates aktiv für diesen Typ?
- `rules`: Dictionary der Regeln mit Schwellwerten + Gewichtung
- `weight`: Wichtigkeit der Regel (1-5)
- `pass_threshold`: Mindest-Score (0.0-1.0) für "bestanden"
- `description`: User-freundliche Erklärung
#### 2. Activity Log (Validierungs-Ergebnis)
```sql
ALTER TABLE activity_log ADD COLUMN quality_check JSONB DEFAULT NULL;
```
**Struktur siehe Ansatz C oben.**
---
## Validierungs-Logik
### Backend-Funktion: `validate_activity_quality()`
```python
def validate_activity_quality(activity: dict, training_type: dict) -> dict:
"""
Evaluiert eine Aktivität gegen die Quality Rules des Trainingstyps.
Returns:
{
"evaluated_at": ISO timestamp,
"passed": bool,
"score": float (0.0-1.0),
"reasons": [
{"rule": str, "expected": value, "actual": value, "passed": bool}
],
"override": null | "valid" | "invalid"
}
"""
rules = training_type.get('quality_rules', {})
if not rules or not rules.get('enabled'):
return None # Keine Quality Gates aktiv
results = []
total_weight = 0
passed_weight = 0
for rule_name, rule_config in rules['rules'].items():
weight = rule_config.get('weight', 1)
total_weight += weight
actual_value = activity.get(rule_name)
expected_min = rule_config.get('min')
passed = actual_value is not None and actual_value >= expected_min
if passed:
passed_weight += weight
results.append({
"rule": rule_name,
"expected": expected_min,
"actual": actual_value,
"passed": passed
})
score = passed_weight / total_weight if total_weight > 0 else 1.0
passed = score >= rules.get('pass_threshold', 0.6)
return {
"evaluated_at": datetime.now().isoformat(),
"passed": passed,
"score": round(score, 2),
"reasons": results,
"override": None
}
```
### Wann wird validiert?
1. **Beim Import** (CSV, API)
- Automatisch nach INSERT
- Spalte `quality_check` wird befüllt
2. **Beim manuellen Anlegen**
- Automatisch nach INSERT
- Spalte `quality_check` wird befüllt
3. **Beim Ändern der Quality Rules** (Admin)
- Optionaler Batch-Job: Alle Aktivitäten neu evaluieren
4. **Beim User-Override**
- User setzt `quality_check.override = "valid"` oder `"invalid"`
---
## User Experience
### 1. Activity-Liste (User-Ansicht)
```
┌─────────────────────────────────────────────────────────┐
│ Aktivitäten (März 2026) [Filter ▼] │
├─────────────────────────────────────────────────────────┤
│ │
│ 🏃 Laufen - 23. März 2026 │
│ 45 Minuten · Ø 142 bpm · 5.2 km │
│ ✅ Hochwertige Aktivität │
│ │
│ 🏃 Laufen - 22. März 2026 ⚠️ │
│ 8 Minuten · Ø 95 bpm · 0.8 km │
│ ⚠️ Niedrige Qualität - wird nicht gezählt │
│ [Details anzeigen ▼] │
│ │
│ → Dauer zu kurz (8 min < 15 min erforderlich) ❌ │
│ → Durchschnittspuls zu niedrig (95 < 100) ❌ │
│ → Maximalpuls OK (125 ≥ 120) ✅ │
│ │
│ [Als gültig markieren] [Als ungültig markieren] │
│ │
└─────────────────────────────────────────────────────────┘
```
**Filter-Optionen:**
- ☑ Hochwertige Aktivitäten
- ☑ Minderwertige Aktivitäten
- ☐ Nur in Statistiken gezählt
- ☐ Nur manuell überschrieben
### 2. Admin-UI (Quality Rules konfigurieren)
```
┌─────────────────────────────────────────────────────────┐
│ Trainingstyp bearbeiten: Laufen 🏃 │
├─────────────────────────────────────────────────────────┤
│ │
│ Kategorie: Cardio │
│ Name (DE): Laufen │
│ Name (EN): Running │
│ │
│ ━━━ Quality Gates ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ ☑ Quality Gates aktiviert │
│ │
│ Mindest-Schwellwerte: │
│ │
│ • Dauer (Minuten) [15] min Gewicht: ●●●○○ │
│ • Ø Herzfrequenz [100] bpm Gewicht: ●●○○○ │
│ • Max. Herzfrequenz [120] bpm Gewicht: ●○○○○ │
│ • Distanz [1.0] km Gewicht: ●○○○○ │
│ │
│ Erfolgs-Schwelle: [60]% (gewichteter Score) │
│ │
│ Beschreibung (User-sichtbar): │
│ "Mindestens 15 Minuten, Durchschnittspuls > 100" │
│ │
│ [Speichern] [Abbrechen] [Alle Aktivitäten neu prüfen]│
│ │
└─────────────────────────────────────────────────────────┘
```
### 3. Dashboard / Statistiken
**Transparenz:**
```
📊 Training (März 2026)
15 Aktivitäten erfasst
12 hochwertig ✅
3 minderwertig ⚠️ (werden nicht gezählt)
[Details zu minderwertigen Aktivitäten anzeigen]
```
---
## Betroffene Bereiche (Impact Analysis)
### 1. Aktivitäten-Listen
- **Query-Änderung:**
```sql
-- Alt:
SELECT * FROM activity_log WHERE profile_id = %s
-- Neu (nur hochwertige):
SELECT * FROM activity_log
WHERE profile_id = %s
AND (quality_check IS NULL
OR quality_check->>'passed' = 'true'
OR quality_check->>'override' = 'valid')
```
### 2. KI-Pipeline
- **insights.py:** Filter bei Daten-Aggregation
- Nur hochwertige Aktivitäten für KI-Prompts
### 3. Charts / Statistiken
- **Training Type Distribution:** Nur hochwertige zählen
- **Korrelations-Charts:** Separate Kurven für "alle" vs "hochwertig"?
### 4. Activity Import (CSV)
- Nach INSERT: `validate_activity_quality()` aufrufen
- Quality Check speichern
---
## Offene Fragen (für Entscheidung)
### Frage 1: Rückwirkende Evaluierung?
**Option A:** Nur neue Aktivitäten evaluieren
**Option B:** Alle bestehenden Aktivitäten nachträglich evaluieren
**Empfehlung:** Option B mit Batch-Job (einmalig beim Rollout)
### Frage 2: Standard-Verhalten bei fehlenden Quality Rules?
**Option A:** Alle Aktivitäten gelten als hochwertig (NULL = valid)
**Option B:** Alle Aktivitäten gelten als minderwertig (NULL = invalid)
**Empfehlung:** Option A (konservativ, keine Daten-Verlust-Angst)
### Frage 3: User-Override-Berechtigung?
**Option A:** Jeder User kann eigene Aktivitäten überschreiben
**Option B:** Nur Admin kann überschreiben
**Empfehlung:** Option A (User kennt seinen Kontext am besten)
### Frage 4: Wie viele Default-Rules?
**Option A:** Nur für Top 5 Trainingstypen (Laufen, Krafttraining, Radfahren, Schwimmen, HIIT)
**Option B:** Für alle 29 Trainingstypen
**Empfehlung:** Option A (Rest kann Admin/User nachpflegen)
### Frage 5: Quality Check in Liste anzeigen?
**Option A:** Immer sichtbar (Badge/Icon)
**Option B:** Nur bei minderwertigen Aktivitäten
**Empfehlung:** Option B (weniger visuelles Rauschen)
---
## Implementierungs-Reihenfolge (Vorschlag)
### Phase 1: Foundation (MVP)
1. DB-Migration: `quality_rules` + `quality_check` Spalten
2. Backend: `validate_activity_quality()` Funktion
3. Backend: Validierung beim INSERT (activity.py)
4. Admin-UI: Quality Rules konfigurieren (basic)
### Phase 2: User Experience
5. Frontend: Badge/Warning in Activity-Liste
6. Frontend: Details-Ansicht (welche Regeln failed?)
7. Frontend: User-Override (Als gültig/ungültig markieren)
### Phase 3: Integration
8. KI-Pipeline: Filter für hochwertige Aktivitäten
9. Charts: Nur hochwertige zählen
10. Batch-Job: Bestehende Aktivitäten evaluieren
### Phase 4: Polish
11. Admin-UI: Presets für gängige Trainingstypen
12. Filter-Optionen in Activity-Liste
13. Dashboard: Statistik hochwertig vs. minderwertig
**Geschätzter Aufwand:** 4-6 Stunden (mit Tests)
---
## Nächste Schritte
1. **Entscheidung:** Offene Fragen klären
2. **Technisches Design:** DB-Schema + API-Endpoints spezifizieren
3. **Implementation:** Phase 1 starten
4. **Testing:** Mit echten Apple Health Daten testen
---
**Erstellt:** 2026-03-23
**Review:** Pending User-Feedback
+458
View File
@@ -0,0 +1,458 @@
# Fachliche Anforderungen: KI-Prompt Flexibilisierung
**Modul:** v9f
**Status:** Fachlich freigegeben, technische Implementierung ausstehend
**Letzte Aktualisierung:** März 2026
---
## 1. Überblick
Das bestehende KI-Prompt-System wird von einer fixen Sammlung vordefinierter
Prompts zu einer vollständig konfigurierbaren Prompt-Bibliothek erweitert.
Admins können Prompts kategorisieren, duplizieren, bearbeiten und mit einem
visuellen Platzhalter-Browser ausstatten. Die Pipeline wird konfigurierbar –
mehrere Konfigurationen für unterschiedliche Analysezwecke sind möglich.
---
## 2. Prompt-Bibliothek
### 2.1 Kategorien
Alle Prompts werden einer Kategorie zugeordnet:
| Kategorie | Beschreibung | Beispiel-Prompts |
|-----------|-------------|-----------------|
| Körper | Gewicht, KF, Umfänge, Caliper | Körperkomposition, Gewichtstrend |
| Ernährung | Kalorien, Makros, Timing | Kalorienbilanz, Proteinversorgung |
| Training | Volumen, Typen, HF | Trainingsanalyse, Erholungsstatus |
| Schlaf | Qualität, Dauer, Muster | Schlafauswertung, Schlaftrend |
| Vitalwerte | Ruhepuls, HRV, VO2Max | Leistungsfähigkeit, Erholung |
| Mentales | Stress, Stimmung, Energie | Wohlbefinden, Stressanalyse |
| Ziele | Fortschritt, Prognose, Zeitplan | Zielerreichung, Zeitplanung |
| Ganzheitlich | Korrelationen, Übersicht | Gesamtanalyse, Pipeline-Synthese |
### 2.2 Prompt-Verwaltung (Admin)
Ein Admin kann mit jedem Prompt folgendes tun:
**Aktivieren / Deaktivieren**
- Inaktive Prompts sind für Nutzer nicht sichtbar und nicht ausführbar
- Pipeline-Prompts können separat aktiviert/deaktiviert werden
**Duplizieren und anpassen**
- Bestehenden Prompt als Vorlage kopieren
- Kopie erhält Suffix " (Kopie)" und kann unabhängig bearbeitet werden
**Neu erstellen**
- Titel, Beschreibung, Kategorie, Template
- Platzhalter über den Platzhalter-Browser einfügen (siehe Abschnitt 3)
**Kategorie zuordnen**
- Beim Erstellen und Bearbeiten wählbar
- Nachträgliche Änderung möglich
**Reihenfolge festlegen**
- Drag & Drop oder Zahleneingabe (sort_order)
- Reihenfolge bestimmt Anzeige in der Nutzer-Ansicht
**Auf Standard zurücksetzen**
- Systemseitig definierte Prompts haben einen "Standard"-Zustand
- Reset stellt Original-Template wieder her
- Eigens erstellte Prompts haben keinen Standard-Reset
### 2.3 Prompt-Felder
Jeder Prompt hat:
- **Titel** – kurzer Name (z.B. "Körperkomposition")
- **Beschreibung** – wofür ist dieser Prompt? (für Admin sichtbar)
- **Kategorie** – aus der Kategorienliste
- **Template** – der eigentliche Prompt-Text mit Platzhaltern
- **Aktiv** – true/false
- **Reihenfolge** – Zahl für Sortierung
- **Typ** – `single` (Einzelanalyse) oder `pipeline` (Pipeline-Stufe)
- **Pipeline-Stufe** – nur bei Typ `pipeline`: Stufen-Nummer (1, 2, 3...)
---
## 3. Platzhalter-System
### 3.1 Platzhalter-Browser
Beim Bearbeiten eines Prompts steht ein visueller Platzhalter-Browser zur
Verfügung – Admin tippt Platzhalter nicht mehr manuell, sondern wählt sie aus.
**Funktionen:**
- **Filterung nach Kategorie** – zeigt nur Platzhalter der gewählten Kategorie
- **Beispielwert** – zeigt was der Platzhalter aktuell mit echten Daten ausgeben würde
- **Klick zum Einfügen** – Platzhalter wird an Cursor-Position ins Template eingefügt
- **Warnung bei fehlendem Platzhalter** – wenn ein eingetippter Platzhalter nicht existiert
- **Warnung bei fehlenden Daten** – wenn Daten für diesen Platzhalter nicht vorhanden sind (z.B. noch kein Schlaf-Tracking)
### 3.2 Prompt-Vorschau
Vor dem Speichern kann der Admin eine Vorschau anfordern:
- System befüllt alle Platzhalter mit echten aktuellen Daten
- Zeigt den fertigen Prompt-Text wie er an die KI gesendet würde
- KI wird dabei **nicht** aufgerufen – nur der Prompt-Text wird angezeigt
### 3.3 Platzhalter-Kategorien und Übersicht
**Körper:**
```
{{weight_aktuell}} → "86,1 kg"
{{weight_trend}} → "sinkend (-0,8 kg letzte 4 Wochen)"
{{kf_aktuell}} → "19,9%"
{{kf_trend}} → "stabil"
{{magermasse}} → "69,4 kg"
{{whr}} → "0,90"
{{whtr}} → "0,51"
{{bmi}} → "27,2"
{{circ_summary}} → "Taille: 88cm, Hüfte: 98cm, ..."
{{caliper_summary}} → "KF nach Jackson/Pollock: 19,9%"
```
**Ernährung:**
```
{{kcal_avg}} → "1.847 kcal/Tag (Ø 30 Tage)"
{{protein_avg}} → "138g/Tag"
{{protein_ziel_low}} → "138"
{{protein_ziel_high}} → "172"
{{fat_avg}} → "72g/Tag"
{{carb_avg}} → "195g/Tag"
{{nutrition_summary}} → kompakte Zusammenfassung
{{nutrition_detail}} → ausführliche Tabelle
{{nutrition_days}} → "28 Tage mit Daten"
{{activity_kcal_summary}} → "Ø 320 kcal aktiver Verbrauch/Tag"
```
**Training:**
```
{{activity_summary}} → kompakte Zusammenfassung
{{activity_detail}} → ausführliche Liste
{{trainingstyp_verteilung}} → "60% Kraft, 30% Cardio, 10% Mobility"
{{trainingstyp_haupttyp}} → "Kraft" (häufigster Typ)
{{ruhetage_letzte_woche}} → "2"
{{trainingsphase}} → "Aufbau / Erholung / Plateau"
{{hf_zonen_verteilung}} → "Zone 2: 45%, Zone 3: 35%, Zone 4: 20%"
{{faehigkeiten_analyse}} → Detaillierte Analyse der trainierten Fähigkeiten
{{faehigkeiten_koordinativ}} → "Orientierung: 3/14 Einheiten, Gleichgewicht: 5/14, ..."
{{faehigkeiten_konditionell}} → "Kraft: 8/14, Ausdauer: 4/14, Schnelligkeit: 2/14, Flexibilität: 3/14"
{{faehigkeiten_kognitiv}} → "Konzentration: 2/14, Entscheidung: 1/14, ..."
{{faehigkeiten_psychisch}} → "Willenskraft: 5/14, Stressresistenz: 2/14, ..."
{{faehigkeiten_taktisch}} → "Timing: 1/14, Antizipation: 2/14, ..."
{{faehigkeiten_balance}} → "Ausgewogen / Einseitig + Empfehlung"
```
**Fähigkeiten-System (v9d Integration):**
- Jeder Trainingstyp ist mit 1-N Fähigkeiten aus 5 Dimensionen verknüpft
- KI erhält aggregierte Statistik: wie oft wurden welche Fähigkeiten trainiert
- Ermöglicht Aussagen wie: "Dein Training fokussiert stark auf Kraft (8 von 14 Einheiten), aber koordinative Fähigkeiten kommen zu kurz."
- Basis für gezielte Trainingsempfehlungen
**Herzfrequenz & Vitalwerte:**
```
{{ruhepuls_aktuell}} → "52 bpm"
{{ruhepuls_trend}} → "sinkend (-3 bpm letzte 4 Wochen)"
{{hrv_aktuell}} → "58 ms"
{{hrv_baseline}} → "62 ms (30-Tage-Durchschnitt)"
{{erholungsstatus}} → "gut / teilweise / schlecht"
{{vo2max}} → "48,2 ml/kg/min"
```
**Schlaf:**
```
{{schlaf_avg_dauer}} → "7,2h/Nacht (Ø 7 Tage)"
{{schlaf_qualitaet}} → "3,8/5 (Ø 7 Tage)"
{{schlaf_trend}} → "stabil"
{{schlaf_detail}} → ausführliche Tabelle
```
**Mentales:**
```
{{energie_niveau}} → "3,2/5 (Ø 7 Tage)"
{{stress_niveau}} → "2,8/5 (Ø 7 Tage)"
{{stimmung}} → "3,9/5 (Ø 7 Tage)"
{{meditation_streak}} → "5 Tage in Folge"
```
**Ziele:**
```
{{goal_weight}} → "82 kg"
{{goal_bf_pct}} → "14%"
{{goal_name}} → "Muskelaufbau"
{{ziel_fortschritt}} → "Gewicht: 72% erreicht, KF: 45% erreicht"
{{ziel_prognose}} → "Ziel voraussichtlich in 8 Wochen erreicht"
```
**Profil:**
```
{{name}} → "Lars"
{{geschlecht}} → "männlich"
{{height}} → "178"
{{age}} → "45"
{{sprache}} → "Deutsch" (konfigurierbar per Prompt)
```
**Zeitraum:**
```
{{zeitraum_7d}} → "letzte 7 Tage"
{{zeitraum_30d}} → "letzte 30 Tage"
{{zeitraum_90d}} → "letzte 90 Tage"
{{datum_heute}} → "20. März 2026"
```
**Pipeline (intern):**
```
{{stage1_body}} → JSON-Summary Körper (Pipeline-Stufe 1)
{{stage1_nutrition}} → JSON-Summary Ernährung
{{stage1_activity}} → JSON-Summary Training
{{stage1_sleep}} → JSON-Summary Schlaf (neu)
{{stage1_vitals}} → JSON-Summary Vitalwerte (neu)
```
---
## 4. Pipeline-Konfiguration
### 4.1 Was ist eine Pipeline-Konfiguration?
Eine Pipeline-Konfiguration definiert:
- **Name** – z.B. "Alltags-Check", "Wettkampf-Analyse", "Schlaf-Fokus"
- **Aktive Module** – welche Datenquellen fließen ein (Körper, Ernährung, Training, Schlaf, Vitalwerte, Mentales)
- **Zeitraum je Modul** – z.B. Körper 30 Tage, Schlaf 7 Tage, Training 14 Tage
- **Stufen** – welcher Prompt wird in welcher Stufe verwendet
- **Standard** – eine Konfiguration kann als Standard markiert werden
### 4.2 Pipeline-Stufen
**Stufe 1 (parallel):** Mehrere Module-Prompts laufen gleichzeitig, jeder gibt ein JSON-Summary zurück
**Stufe 2:** Synthese-Prompt kombiniert alle Stage-1-Summaries zu einer narrativen Analyse
**Stufe 3 (optional):** Ziel-Abgleich oder spezifische Zusatzanalyse
Admin kann:
- Anzahl der Stufen festlegen (min. 2, max. 4)
- Jeden Stufen-Prompt zuweisen
- Module für Stufe 1 aktivieren/deaktivieren
### 4.3 Vordefinierte Konfigurationen (Beispiele)
**Alltags-Check (Standard):**
- Module: Körper (30T), Ernährung (30T), Training (14T)
- Stufe 1: pipeline_body + pipeline_nutrition + pipeline_activity
- Stufe 2: pipeline_synthesis
- Stufe 3: pipeline_goals
**Schlaf-Fokus:**
- Module: Schlaf (14T), Vitalwerte (7T), Training (14T)
- Stufe 1: pipeline_sleep + pipeline_vitals + pipeline_activity
- Stufe 2: pipeline_synthesis_sleep
**Wettkampf-Analyse:**
- Module: Körper (90T), Training (90T), Vitalwerte (30T), Ziele
- Stufe 1: alle Körper/Training/Vital-Module
- Stufe 2: pipeline_synthesis_performance
---
## 5. Nutzer-Ansicht: KI-Analyse starten
### 5.1 Einzelanalyse
1. Nutzer wählt Prompt aus der Bibliothek (nach Kategorie gefiltert)
2. KI-Analyse startet sofort
3. Ergebnis wird angezeigt und gespeichert
### 5.2 Pipeline
1. Nutzer wählt Pipeline-Konfiguration
2. Pipeline startet sofort (alle Stufen laufen automatisch)
3. Ergebnis wird angezeigt und gespeichert
### 5.3 Kein Konfigurationsschritt für Nutzer
Der Nutzer wählt nur Prompt oder Pipeline – kein weiterer Konfigurationsschritt.
Zeitraum und Module sind durch Admin in der Pipeline-Konfiguration festgelegt.
---
## 6. Analyse-Ergebnisse verwalten
### 6.1 Kategorie-Zuordnung
Jedes gespeicherte Analyse-Ergebnis erbt die Kategorie des ausgeführten Prompts.
Ermöglicht spätere Filterung nach Kategorie.
### 6.2 Filtern nach Kategorie
Im Analyse-Verlauf kann nach Kategorie gefiltert werden:
- "Alle" / "Körper" / "Ernährung" / "Training" / etc.
### 6.3 Analyse-Verlauf pro Prompt
Für jeden Prompt ist ein Verlauf einsehbar:
- Liste aller bisherigen Analysen mit diesem Prompt (Datum + Kurzauszug)
- Zeigt wie sich die KI-Aussage über Zeit verändert hat
### 6.4 Favoriten
Nutzer kann Analysen als Favorit markieren (Stern-Symbol).
Favoriten sind in der Verlaufs-Ansicht filterbar.
### 6.5 Löschen
Nutzer kann einzelne Analyse-Ergebnisse manuell löschen.
Keine Massen-Löschung (außer Admin).
---
## 7. Sprache
Die Ausgabesprache wird im Prompt-Template selbst gesteuert über den
Platzhalter `{{sprache}}`. Der Wert wird aus den Profil-Einstellungen gezogen.
**Mögliche Werte:** "Deutsch", "Englisch", "Französisch" (erweiterbar)
**Standard:** "Deutsch"
Kein separater Sprach-Schalter auf der Analyse-Seite – Sprache wird einmalig
im Profil konfiguriert.
---
## 8. Abgrenzung & offene Fragen
### In diesem Modul enthalten:
- Prompt-Bibliothek mit 8 Kategorien
- Vollständige Admin-Verwaltung (CRUD, Reihenfolge, Reset)
- Platzhalter-Browser mit Beispielwerten und Vorschau
- Pipeline-Konfigurationen (mehrere, speicherbar)
- Analyse-Ergebnisse: Kategorie, Filter, Verlauf, Favoriten, Löschen
- Sprach-Platzhalter
### Nicht in diesem Modul:
- Community-Prompts / Prompt-Import von extern → später
- KI-gestützte Prompt-Optimierung → später
- Automatisch geplante Analysen (z.B. wöchentlich) → später
- Prompts für noch nicht implementierte Module (Schlaf, Mentales) werden
vorbereitet aber haben keine echten Daten bis die Module existieren
### Offene Fragen für technische Planung:
1. Wie werden Pipeline-Konfigurationen gespeichert? (neue DB-Tabelle oder JSON in ai_prompts?)
2. Platzhalter-Definitionen: statisch im Code oder dynamisch in DB (für zukünftige Erweiterung)?
3. Wie wird der Beispielwert für den Platzhalter-Browser berechnet – gleicher Endpunkt wie die echte Analyse?
4. Reihenfolge der Prompts: getrennte sort_order pro Kategorie oder global?
---
## 9. Trainingstypen & Fähigkeiten-Mapping (v9d → v9f Integration)
### 9.1 Hintergrund
In v9d wurde die Basis geschaffen:
- `training_types` Tabelle mit `abilities` JSONB-Spalte
- Admin-CRUD für Trainingstypen (ohne Abilities-UI)
- Taxonomie-Endpoint: `/api/admin/training-types/taxonomy/abilities`
- 5 Fähigkeiten-Dimensionen definiert:
- 🎯 **Koordinativ:** Orientierung, Differenzierung, Kopplung, Gleichgewicht, Rhythmus, Reaktion, Umstellung
- 💪 **Konditionell:** Kraft, Ausdauer, Schnelligkeit, Flexibilität
- 🧠 **Kognitiv:** Konzentration, Aufmerksamkeit, Wahrnehmung, Entscheidungsfindung
- 🎭 **Psychisch:** Motivation, Willenskraft, Stressresistenz, Selbstvertrauen
- ♟️ **Taktisch:** Timing, Strategie, Antizipation, Situationsanalyse
### 9.2 Was wird in v9f ergänzt?
**Admin-UI: Fähigkeiten-Matrix**
Im AdminTrainingTypesPage Formular wird eine Fähigkeiten-Matrix hinzugefügt:
- 5 Sections (eine pro Dimension)
- Pro Dimension: Checkboxes für alle Fähigkeiten
- Multi-Select: Ein Trainingstyp kann mehrere Fähigkeiten pro Dimension trainieren
- Beispiel: "Kampfsport-Sparring" trainiert:
- Koordinativ: Orientierung, Reaktion, Umstellung
- Konditionell: Schnelligkeit, Ausdauer
- Kognitiv: Entscheidung, Wahrnehmung
- Psychisch: Stressresistenz, Selbstvertrauen
- Taktisch: Timing, Antizipation
**Gespeichert als JSONB:**
```json
{
"koordinativ": ["orientierung", "reaktion", "umstellung"],
"konditionell": ["schnelligkeit", "ausdauer"],
"kognitiv": ["entscheidung", "wahrnehmung"],
"psychisch": ["stressresistenz", "selbstvertrauen"],
"taktisch": ["timing", "antizipation"]
}
```
**Backend: Fähigkeiten-Aggregation**
Neue Endpoint-Funktion (oder Platzhalter-Funktion):
```python
def calculate_abilities_summary(profile_id, days=14):
"""
Aggregiert trainierte Fähigkeiten über Zeitraum.
Returns:
{
"total_activities": 14,
"koordinativ": {
"orientierung": 3, # 3 von 14 Trainings
"gleichgewicht": 5,
...
},
"konditionell": {
"kraft": 8,
"ausdauer": 4,
...
},
...
"balance_score": 0.67, # 0-1, wie ausgewogen
"top_dimension": "konditionell",
"weak_dimension": "kognitiv"
}
"""
```
**KI-Prompt Integration:**
Die Fähigkeiten-Platzhalter werden befüllt mit aggregierten Daten:
- `{{faehigkeiten_analyse}}` → vollständige Aufschlüsselung
- `{{faehigkeiten_koordinativ}}` → nur koordinative Dimension
- etc.
Pipeline-Prompt "Training" erhält zusätzlichen Context:
```
Analyse die Fähigkeitenverteilung:
{{faehigkeiten_analyse}}
Gib Empfehlungen für untertrainierte Bereiche.
```
### 9.3 Nutzen für KI-Analyse
**Beispiel-Insight:**
> "Deine letzten 14 Trainings fokussieren stark auf **konditionelle Fähigkeiten** (Kraft: 8×, Ausdauer: 4×). Koordinative Fähigkeiten kommen zu kurz (nur 3× Gleichgewicht, 2× Reaktion). Für einen ausgewogenen Trainingsplan empfehle ich 2-3 koordinationslastige Einheiten pro Woche – z.B. Kampfsport-Techniktraining, Balance-Übungen oder Mobility-Routinen mit Fokus auf Bewegungskontrolle."
**Korrelationen:**
- Verletzungen / Überlastung ↔ Koordinations-Defizit
- Plateaus im Krafttraining ↔ fehlende kognitive/taktische Komponente
- Erholungsprobleme ↔ psychische Fähigkeiten untertrainiert
### 9.4 Implementierungs-Reihenfolge
1. ✅ v9d Phase 1b: DB-Schema + Admin-CRUD (ohne Abilities-UI) → **erledigt**
2. 🔲 v9f: Abilities-Matrix UI im Admin-Formular
3. 🔲 v9f: Backend-Funktion `calculate_abilities_summary()`
4. 🔲 v9f: Platzhalter `{{faehigkeiten_*}}` implementieren
5. 🔲 v9f: Standard-Prompts aktualisieren mit Fähigkeiten-Context
6. 🔲 v9f: Admin-Doku: "Best Practices" für Fähigkeiten-Zuordnung
---
EOF
echo "OK"
File diff suppressed because it is too large. Load diff
@@ -0,0 +1,417 @@
# Entwicklungsrouten – Multi-Dimensionales Training & Planung
**Version:** 1.0
**Status:** Konzept
**Ziel-Release:** v9e / v9f
**Basis:** Rest Days Multi-Dimensional Architecture (v9d Phase 2a)
---
## Überblick
**Entwicklungsrouten** sind unabhängige Dimensionen der körperlichen und mentalen Entwicklung, die jeweils eigene:
- Trainingspläne
- Ruhetag-Regeln
- Fortschritts-Tracking
- Ziele
haben.
**Kernidee:** Ein Tag kann gleichzeitig ein "Kraft-Ruhetag" UND ein "Mental-Aktivtag" sein.
---
## Die 6 Entwicklungsrouten
### 1. 💪 Kraft (Strength)
**Fokus:** Muskelaufbau, Maximalkraft, Power
**Trainingstypen:**
- Strength (Krafttraining allgemein)
- Power (Schnellkraft, Explosivität)
- HIIT (Hochintensiv)
**Ruhetag-Regeln:**
- Nach schwerer Beineinheit → 48-72h Kraft-Ruhetag
- Andere Routen (Cardio, Mental) bleiben erlaubt
- Intensität: Max 60% bei erlaubten Aktivitäten
**Metriken:**
- Gewicht, Umfänge, Caliper
- 1RM-Schätzung (optional)
- Muskelregeneration (Ruhepuls + HRV)
---
### 2. 🏃 Kondition (Conditioning)
**Fokus:** Ausdauer, VO2Max, Herz-Kreislauf
**Trainingstypen:**
- Cardio Low (GA1, Grundlagenausdauer)
- Cardio High (GA2, Tempo-Läufe)
- Endurance (Lange Einheiten)
**Ruhetag-Regeln:**
- Nach Wettkampf/Tempo-Lauf → 24-48h Cardio-Ruhetag
- Kraft & Mobility erlaubt
- Intensität: Max 70% HFmax
**Metriken:**
- HF-Zonen-Verteilung
- VO2Max-Schätzung
- Lauf-Pace / Rad-Watt
---
### 3. 🧘 Mental (Mental)
**Fokus:** Stressmanagement, Fokus, Wettkampf-Readiness
**Trainingstypen:**
- Meditation
- Wettkampf (Competition)
- High-Pressure Training
**Ruhetag-Regeln:**
- Nach Wettkampf → 1-3 Tage Mental-Ruhetag
- Physisches Training erlaubt (aber kein Wettkampf-Druck)
- Nur entspannende Aktivitäten (Meditation, Spaziergang)
**Metriken:**
- Stresslevel (1-5 subjektiv)
- Schlafqualität
- HRV (Mental-Recovery-Indikator)
---
### 4. 🤸 Koordination (Coordination)
**Fokus:** Balance, Agilität, Reaktion, propriozeptives Training
**Trainingstypen:**
- Coordination (Agilität, Balance)
- Sport-spezifische Drills
- Reaktionstraining
**Ruhetag-Regeln:**
- Nach intensivem Koordinationstraining → 24h Pause
- Andere Routen erlaubt
- Kein koordinativ anspruchsvolles Training bei Müdigkeit
**Metriken:**
- Subjektive Koordinations-Scores
- Balance-Tests (optional)
---
### 5. 🧘‍♂️ Mobilität (Mobility)
**Fokus:** Flexibilität, ROM (Range of Motion), Faszien
**Trainingstypen:**
- Mobility (Stretching, Yoga)
- Faszien-Training
- Passive Dehnung
**Ruhetag-Regeln:**
- Normalerweise kein Ruhetag nötig
- Bei Überdehnung / Verletzung → Pause für betroffene Bereiche
**Metriken:**
- ROM-Messungen (optional)
- Subjektive Beweglichkeit (1-5)
---
### 6. 🎯 Technik (Technique)
**Fokus:** Sport-spezifische Skills, Bewegungsqualität
**Trainingstypen:**
- Technique Drills
- Skill Work
- Video-Analyse
**Ruhetag-Regeln:**
- Technik-Training bei Müdigkeit kontraproduktiv
- Mental-Ruhetag → auch Technik pausieren
- Physisches Training erlaubt (ohne Technik-Fokus)
**Metriken:**
- Video-Analyse-Scores (optional)
- Coach-Feedback
---
## Datenmodell
### rest_days (Multi-Entry per Date)
**Änderung:** UNIQUE constraint `(profile_id, date)` entfernt (Migration 011)
**Erlaubt:**
```sql
-- Gleiches Datum, verschiedene Routen:
INSERT INTO rest_days (profile_id, date, rest_config, note)
VALUES
('user-1', '2026-03-23', '{"focus": "muscle_recovery", ...}', 'Beine heavy'),
('user-1', '2026-03-23', '{"focus": "mental_rest", ...}', 'Wettkampf-Pause');
```
**UI:**
```
23. März 2026
💪 Muskelregeneration | "Beine heavy"
🧘 Mental Rest | "Wettkampf-Pause"
→ Cardio erlaubt, Kraft pausiert, keine Wettkämpfe
```
---
## Wochenplanung mit Routen
### Tabelle: weekly_goals (erweitert)
**JSONB Schema:**
```json
{
"routes": {
"strength": {
"goal": 3, // 3x Kraft pro Woche
"min_rest_days": 1, // Mind. 1 Kraft-Ruhetag
"intensity_distribution": {
"heavy": 1, // 1x schwer (80-90%)
"medium": 1, // 1x mittel (70-80%)
"light": 1 // 1x leicht (60-70%)
}
},
"conditioning": {
"goal": 2,
"min_rest_days": 0,
"hr_zones": {
"zone_2": 60, // 60% der Zeit in Zone 2
"zone_3": 30, // 30% in Zone 3
"zone_4": 10 // 10% in Zone 4
}
},
"mental": {
"goal": 7, // Täglich Meditation
"min_duration": 10, // Mind. 10 Min
"rest_after_competition": 2 // 2 Tage Pause nach Wettkampf
}
},
"rules": {
"max_consecutive_strength": 2, // Max 2 Krafteinheiten hintereinander
"require_rest_after": ["competition", "strength_heavy"],
"auto_rest_on_poor_recovery": true // Bei HRV < Baseline → Auto-Ruhetag
}
}
```
---
## Activity Validation mit Routen
### Endpoint: `POST /api/rest-days/validate-activity`
**Request:**
```json
{
"date": "2026-03-23",
"activity_type": "strength",
"route": "strength" // Neue Dimension
}
```
**Response:**
```json
{
"conflicts": [
{
"route": "strength",
"severity": "warning",
"message": "Kraft-Ruhetag – Muskelregeneration nach Beineinheit. Trotzdem trainieren?"
}
],
"allowed": false
}
```
**Logik:**
```python
def validate_activity_multi_route(profile_id, date, activity_type, route=None):
"""
Prüft alle rest_days für das Datum.
- Wenn route angegeben: Nur diese Route prüfen
- Sonst: Alle passenden Routen prüfen
"""
rest_days = get_rest_days(profile_id, date)
conflicts = []
for rest_day in rest_days:
config = rest_day['rest_config']
# Prüfe ob Activity in rest_from
if activity_type in config.get('rest_from', []):
conflicts.append({
'route': config['focus'],
'severity': 'warning',
'message': f"{ROUTE_LABELS[config['focus']]} Ruhetag – {activity_type} sollte pausiert werden."
})
return {
'conflicts': conflicts,
'allowed': len(conflicts) == 0
}
```
---
## Habits & Streaks pro Route
### Tabelle: route_habits (neu in v9f)
```sql
CREATE TABLE route_habits (
id SERIAL PRIMARY KEY,
profile_id UUID NOT NULL REFERENCES profiles(id) ON DELETE CASCADE,
route VARCHAR(20) NOT NULL, -- 'strength', 'conditioning', 'mental', etc.
habit_type VARCHAR(50) NOT NULL, -- 'meditation', 'mobility', 'strength_training'
frequency VARCHAR(20) NOT NULL, -- 'daily', 'weekly_3', 'weekly_5'
streak_current INTEGER DEFAULT 0,
streak_longest INTEGER DEFAULT 0,
last_completed DATE,
created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);
```
**Beispiele:**
- Mental-Route: "Tägliche Meditation" (7x/Woche)
- Mobility-Route: "Stretching" (3x/Woche)
- Strength-Route: "Krafttraining" (3x/Woche)
**UI:**
```
🧘 Mental-Route
Meditation 🔥 12 Tage Streak
Stress-Check 🔥 5 Tage Streak
💪 Kraft-Route
Krafttraining 🔥 2 Wochen Streak
Protein > 150g 🔥 10 Tage Streak
```
---
## Dashboard Integration
### Route-Übersicht Widget
```
Entwicklungsrouten (diese Woche)
─────────────────────────────────────
💪 Kraft 2/3 [██░] 1 Ruhetag
🏃 Kondition 1/2 [█░░] 0 Ruhetage
🧘 Mental 7/7 [███] ✓ Täglich
🤸 Koordination 0/1 [░░░] Geplant: Do
🧘‍♂️ Mobilität 3/3 [███] ✓ Ziel erreicht
Empfehlung: Kraft-Training heute, Cardio morgen
```
---
## KI-Integration
### Neue Platzhalter (v9f)
```python
{{route_balance}} # "Kraft überlastet, Cardio unterfordert"
{{route_progress_strength}} # "3/3 Einheiten, +2kg seit letztem Monat"
{{route_recovery_strength}} # "Gut erholt, schweres Training möglich"
{{route_next_recommended}} # "Kraft-Oberkörper empfohlen (Push-Fokus)"
{{route_conflict_today}} # "Kraft-Ruhetag, Cardio/Mental erlaubt"
```
### KI-Analyse-Funktion
```python
def analyze_route_balance(profile_id, weeks=4):
"""
Analysiert Balance über alle Routen.
Warnt bei:
- Übertraining in einer Route
- Vernachlässigung einer Route
- Fehlende Ruhetage in Route
"""
routes = ['strength', 'conditioning', 'mental', 'coordination', 'mobility']
analysis = {}
for route in routes:
activities = get_activities_by_route(profile_id, route, weeks)
rest_days = get_rest_days_by_route(profile_id, route, weeks)
analysis[route] = {
'activity_count': len(activities),
'rest_days_count': len(rest_days),
'intensity_avg': calculate_intensity_avg(activities),
'status': calculate_route_status(activities, rest_days) # 'balanced', 'overload', 'neglected'
}
return analysis
```
---
## Implementierungs-Phasen
### Phase 1: Foundation (v9d Phase 2a) ✅
- ✅ Migration 011: UNIQUE constraint entfernen
- ✅ Multiple rest_days per date erlauben
- ✅ UI: Mehrere Kacheln pro Tag anzeigen
### Phase 2: Route-Konzept (v9e)
- 🔲 Routen-Taxonomie festlegen (6 Routen)
- 🔲 Activity-Types den Routen zuordnen
- 🔲 `training_types` Tabelle um `route` Spalte erweitern
- 🔲 Validation: Multi-Route-Konflikt-Check
### Phase 3: Wochenplanung (v9f)
- 🔲 `weekly_goals` mit Routen-JSONB erweitern
- 🔲 Planungs-UI: Routen-basierte Wochenansicht
- 🔲 Regeln-Engine: Auto-Ruhetag bei Poor Recovery
- 🔲 Empfehlungs-System: "Heute: Kraft-Oberkörper empfohlen"
### Phase 4: Habits & Streaks (v9g)
- 🔲 `route_habits` Tabelle
- 🔲 Streak-Tracking pro Route
- 🔲 Dashboard-Integration
- 🔲 Push-Notifications bei Streak-Gefahr
### Phase 5: KI-Integration (v9f/g)
- 🔲 Route-Balance-Analyse
- 🔲 Übertraining-Warnung pro Route
- 🔲 Neue KI-Platzhalter
- 🔲 Route-spezifische Empfehlungen
---
## Offene Fragen
1. **Route-Hierarchie:** Gibt es Abhängigkeiten? (z.B. Mental-Rest → auch Technik-Rest?)
2. **Auto-Zuordnung:** Sollen Activities automatisch Routen zugeordnet werden? (Strength → Kraft-Route)
3. **Konflikt-Priorität:** Was passiert bei widersprüchlichen Ruhetagen? (Kraft erlaubt, Mental verbietet → ?)
4. **Routen-Gewichtung:** Sind manche Routen wichtiger als andere? (User-konfigurierbar?)
---
## Referenzen
- **Migration:** `backend/migrations/011_allow_multiple_rest_days_per_date.sql`
- **Technical Spec:** `.claude/docs/technical/V9D_PHASE2_VITALS_SLEEP.md` (zu aktualisieren)
- **Routen-Mapping:** `.claude/docs/functional/TRAINING_TYPES.md` (zu erweitern)
---
**Dokumentiert:** 2026-03-22
**Autor:** User Konzept + Claude Implementation
**Status:** Living Document (wird mit v9e/f erweitert)
+329
View File
@@ -0,0 +1,329 @@
# Fachliche Anforderungen: Ziele, Vitalwerte & Aktive Tests
**Modul:** v9e
**Status:** Fachlich freigegeben, technische Implementierung ausstehend
**Letzte Aktualisierung:** März 2026
---
## 1. Überblick
Dieses Modul erweitert Mitai Jinkendo um drei eng verbundene Bereiche:
1. **Ziele** – Nutzer definiert konkrete Zielwerte (Gewicht, KF, Kondition etc.)
2. **Trainingsphasen** – Automatische Erkennung der aktuellen Phase aus Daten
3. **Aktive Tests** – Standardisierte Fitness-Tests zur Messung nicht-trackbarer Werte
4. **Vitalwerte** – Blutdruck, SpO2, HRV, Temperatur, Blutzucker
Die KI verbindet alle vier Bereiche: Sie schlägt Zielwerte vor, erkennt Phasen,
empfiehlt Tests und passt Analysen an die aktuelle Phase an.
---
## 2. Ziele
### 2.1 Unterstützte Zieltypen
| Zieltyp | Felder | Einheit |
|---------|--------|---------|
| Gewichtsziel | Zielgewicht + Zieldatum | kg, Datum |
| Körperfett-Ziel | Ziel-KF% | % |
| Magermasse-Ziel | Ziel-Magermasse | kg |
| Konditionsziel | Ziel-VO2Max | ml/kg/min |
| Kraftziel | Übungsname + Zielwiederholungen/-gewicht | Wdh. oder kg |
| Flexibilitätsziel | Ziel-Sit&Reach | cm |
| Blutdruck-Zielbereich | Systolisch / Diastolisch | mmHg |
| Ruhepuls-Ziel | Ziel-Ruhepuls | bpm |
### 2.2 Ziel-Verwaltung
**Aktives Ziel:**
- **Unbegrenzt viele Ziele** können gleichzeitig aktiv sein
- Ein Ziel kann als **Primärziel** markiert werden – dieses bestimmt
Dashboard-Fokus und KI-Analyse-Ausrichtung
- Alle anderen aktiven Ziele sind gleichwertige Nebenziele
**Ziel-Lebenszyklus:**
```
Entwurf → Aktiv → Erreicht / Aufgegeben / Abgelaufen
```
**Ziel-Geschichte:**
- Alle vergangenen Ziele bleiben gespeichert
- Fortschrittsverlauf je Ziel einsehbar
### 2.3 Ziel-Anzeige
**Dashboard-Widget (kompakt):**
- Zeigt alle aktiven Ziele als kompakte Karten
- Je Ziel: Name + Fortschrittsbalken (aktuell vs. Zielwert in %)
- Countdown bis Zieldatum (z.B. "noch 42 Tage")
- Prognose: "auf Kurs" / "X Tage früher" / "X Tage Verzögerung"
- Klick öffnet die Ziele-Seite
**Eigene Ziele-Seite (Navigation):**
- Vollständige Übersicht aller aktiven + vergangenen Ziele
- Je Ziel: Detailansicht mit Verlauf, Trend, Prognose
- Aktionen: Ziel bearbeiten / pausieren / als erreicht markieren / löschen
- "+ Neues Ziel" Button
**Fortschrittsbalken:**
```
Gewichtsziel: 86,1 kg → 82 kg
████████░░ 72% erreicht (noch 4,1 kg)
Prognose: 30.05.2026 ✓ auf Kurs
```
**Countdown:**
- Zeigt Tage bis Zieldatum
- Farbcodierung: grün (auf Kurs) / gelb (leicht hinter Plan) / rot (deutlich hinter Plan)
### 2.4 KI-Zielvorschläge
Die KI analysiert aktuelle Werte und schlägt realistische Zielwerte vor:
**Beispiele:**
- Gewichtsziel: "Basierend auf deinem aktuellen Gewicht von 86 kg und Kalorientrend
wäre ein Ziel von 82 kg in 12 Wochen realistisch (+0,5 kg/Woche Defizit)"
- Ruhepuls-Ziel: "Dein Ruhepuls liegt bei 58 bpm. Ein Ziel von 52 bpm ist bei
konsequentem Ausdauertraining in 16 Wochen erreichbar"
- KF-Ziel: "Von 19,9% auf 16% sind ~3,9 Prozentpunkte – realistisch in 14 Wochen
bei Kaloriendefizit + Krafttraining"
**Vorschlag-Trigger:**
- Beim erstmaligen Anlegen eines Ziels
- Wenn kein aktives Ziel vorhanden
- Auf explizite Anfrage ("Neues Ziel vorschlagen")
---
## 3. Trainingsphasen
### 3.1 Unterstützte Phasen
| Phase | Erkennungsmerkmale | Empfohlene Strategie |
|-------|-------------------|---------------------|
| Kaloriendefizit | Kcal-Bilanz < -300/Tag (Ø 7T), Gewicht sinkend | Krafttraining erhalten, Cardio moderat |
| Kalorienstabilisierung | Kcal-Bilanz -100 bis +100/Tag, Gewicht stabil | Ausgeglichenes Training |
| Kalorienüberschuss | Kcal-Bilanz > +300/Tag, Gewicht steigend | Krafttraining priorisieren |
| Konditionsaufbau | >60% Cardio-Anteil, VO2Max-Trend steigend | Zone 2 Training ausbauen |
| Schnellkraft / HIIT | >40% HIIT/Schnellkraft, HF-Zonen 4-5 dominant | Erholung beachten |
| Maximalkraft-Aufbau | >50% Krafttraining, Hypertrophie/Maximalkraft | Progressive Überlastung |
| Regeneration | Trainingsvolumen -40% vs. Vorwoche, HRV niedrig | Aktive Erholung, Schlaf |
| Wettkampfvorbereitung | Nutzer-definiert mit Datum | Periodisierung, Peak-Performance |
### 3.2 Phasenerkennung
**Automatische Erkennung:**
- System analysiert letzte 14 Tage: Kalorienbilanz, Trainingstypen, Volumen, HRV, Ruhepuls
- Schlägt erkannte Phase als Benachrichtigung vor
- Erkennungs-Intervall: täglich (Hintergrund)
**Nutzer-Bestätigung:**
- Vorschlag erscheint als Banner: "Wir haben erkannt: Du befindest dich in einer
Kaloriendefizit-Phase. Stimmt das?"
- Optionen: ✓ Bestätigen / ✗ Ablehnen / ✎ Anpassen
- Manuelles Setzen jederzeit möglich
**Phasenwechsel-Erkennung:**
- Automatisch erkannt wenn Datenmuster **7 Tage konsistent** einer neuen Phase entspricht
- Erst nach dieser Stabilitätsprüfung wird der Wechsel vorgeschlagen
- Verhindert falsche Alarme bei kurzzeitigen Abweichungen (z.B. Urlaub, Krankheit)
- Nutzer wird benachrichtigt: "Phasenwechsel erkannt: Kaloriendefizit → Stabilisierung"
### 3.3 Phase und Dashboard
- Aktuelle Phase prominent auf Dashboard angezeigt (Badge/Label)
- Dashboard-Kennzahlen passen sich an Phase an:
- Kaloriendefizit: Kaloriendefizit/Tag als Hauptkennzahl
- Muskelaufbau: Proteinversorgung + Trainingsvolumen prominent
- Kondition: VO2Max-Trend + Cardio-Anteil prominent
---
## 4. Aktive Tests
### 4.1 Konzept
Aktive Tests messen Fitness-Parameter die nicht aus passivem Tracking ableitbar sind.
Jeder Test hat:
- **Durchführungsanleitung** (Schritt-für-Schritt in der App)
- **Messung** (Eingabe des Ergebnisses)
- **Auswertung** (Einordnung nach Alter/Geschlecht + Trend)
- **Testintervall** (empfohlene Wiederholung)
- **KI-Verknüpfung** (Ergebnis fließt in Analyse ein)
### 4.2 Standardtests
#### Cooper-Test (Ausdauer / VO2Max)
- **Ziel:** VO2Max-Schätzung
- **Durchführung:** 12 Minuten laufen, maximale Distanz messen
- **Eingabe:** Distanz in Metern
- **Berechnung:** `VO2Max = (Distanz - 504.9) / 44.73`
- **Intervall:** alle 4–6 Wochen
- **Anleitung in App:** Aufwärmen 5 min → 12 min laufen → Distanz eingeben
#### Stufentest (Herzfrequenz-Ausdauer)
- **Ziel:** Aerobe Schwelle, HF-Zonen kalibrieren
- **Durchführung:** Steigende Belastung (Laufen/Radfahren), HF alle 3 min notieren
- **Eingabe:** HF-Werte je Stufe (5 Stufen à 3 min)
- **Auswertung:** HF-Kurve, Schwellenbestimmung
- **Intervall:** alle 6–8 Wochen
#### Liegestützen-Test (Kraftausdauer Oberkörper)
- **Ziel:** Maximale Liegestützen ohne Pause
- **Eingabe:** Anzahl Wiederholungen
- **Einordnung:** Normwerte nach Alter/Geschlecht
- **Intervall:** alle 4 Wochen
#### Kniebeugen-Test (Kraftausdauer Unterkörper)
- **Ziel:** Maximale Kniebeugen ohne Pause
- **Eingabe:** Anzahl Wiederholungen
- **Einordnung:** Normwerte nach Alter/Geschlecht
- **Intervall:** alle 4 Wochen
#### Sit & Reach (Flexibilität)
- **Ziel:** Rumpf- und Beinflexibilität messen
- **Durchführung:** Sitzen, Beine gestreckt, Oberkörper vorbeugen, maximale Reichweite
- **Eingabe:** cm (positiv = über Fußsohle, negativ = davor)
- **Einordnung:** Normwerte nach Alter/Geschlecht
- **Intervall:** alle 4 Wochen
#### Gleichgewichtstest (Einbeinstand)
- **Ziel:** Propriozeption, Gleichgewicht
- **Durchführung:** Einbeinstand mit geschlossenen Augen, Zeit messen
- **Eingabe:** Sekunden (bestes von 3 Versuchen)
- **Einordnung:** <10s = verbesserungswürdig, 10-30s = gut, >30s = sehr gut
- **Intervall:** alle 4 Wochen
#### Griffstärke
- **Ziel:** Allgemeine Kraftindikator, Gesundheitsmarker
- **Durchführung:** Dynamometer oder Schätzung (maximaler Händedruck)
- **Eingabe:** kg (oder subjektiv 1-5 wenn kein Gerät)
- **Intervall:** alle 4 Wochen
#### Benutzerdefinierter Test
- **Ziel:** Eigene Tests anlegen
- **Felder:** Name, Beschreibung, Einheit, Eingabetyp (Zahl/Zeit/Skala)
- **Einordnung:** Manuelle Referenzwerte (gut/mittel/verbesserungswürdig)
- **Intervall:** Frei wählbar
### 4.3 Test-Verwaltung
**Test-Historie:**
- Alle Testergebnisse chronologisch gespeichert
- Trend über Zeit sichtbar (Liniengrafik pro Test)
- Verbesserung in % seit letztem Test
**Test-Kalender:**
- Übersicht: welche Tests wann fällig
- KI empfiehlt: "Cooper-Test ist seit 5 Wochen überfällig"
**Normwerte:**
- Einordnung nach Alter (in Profil hinterlegt) und Geschlecht
- Kategorien: Sehr gut / Gut / Durchschnittlich / Verbesserungswürdig
- Quelle: Etablierte Fitness-Normtabellen
---
## 5. Vitalwerte
### 5.1 Erfasste Vitalwerte
| Vitalwert | Felder | Einheit | Warnbereich |
|-----------|--------|---------|-------------|
| Blutdruck | Systolisch + Diastolisch + Puls | mmHg | >140/90 = erhöht |
| SpO2 | Sauerstoffsättigung | % | <95% = Warnung |
| HRV | Herzratenvariabilität | ms | persönliche Baseline |
| Körpertemperatur | Temperatur | °C | >37,5°C = erhöht |
| Blutzucker | Nüchtern-Wert | mg/dl oder mmol/l | >100 mg/dl nüchtern |
### 5.2 Erfassung
- Manuelle Eingabe mit Datum + Uhrzeit
- Import aus Apple Health (wenn vorhanden)
- Messkontext optional: Nüchtern / Nach Sport / Morgens / Abends
### 5.3 Auswertung
- Trend über Zeit je Vitalwert
- Ampel-System: Grün (normal) / Gelb (Grenzbereich) / Rot (außerhalb Normbereich)
- Korrelation: Blutdruck ↔ Training, Blutdruck ↔ Gewicht
- **Hinweis in App:** Vitalwerte ersetzen keine ärztliche Diagnose
---
## 6. KI-Analyse
### 6.1 Neue KI-Platzhalter
```
{{primärziel_typ}} → "Gewichtsabnahme"
{{primärziel_wert}} → "82 kg bis 30.06.2026"
{{primärziel_fortschritt}} → "72% erreicht (4 kg von 5,5 kg)"
{{primärziel_prognose}} → "Ziel voraussichtlich in 6 Wochen erreicht"
{{aktuelle_phase}} → "Kaloriendefizit"
{{phase_seit}} → "seit 14 Tagen"
{{phase_empfehlung}} → "Krafttraining erhalten, Cardio moderat"
{{test_letzter}} → "Cooper-Test: 2.800m (VO2Max ~52) vor 3 Wochen"
{{test_faellig}} → "Sit & Reach (seit 5 Wochen nicht gemacht)"
{{vitalwerte_blutdruck}} → "125/82 mmHg (letzter Wert)"
{{vitalwerte_spo2}} → "98% (letzter Wert)"
{{vitalwerte_trend}} → "Blutdruck stabil, SpO2 normal"
{{fitness_score}} → "Kondition: gut · Kraft: durchschnittlich · Flex: verbesserungswürdig"
```
### 6.2 KI-Analyse-Funktionen
**Zielwerte vorschlagen:**
- Trigger: kein aktives Ziel oder auf Anfrage
- Basis: aktuelle Messwerte + historischer Trend + Alter/Geschlecht
- Output: konkreter Zielwert + realistischer Zeitrahmen + Begründung
**Phase automatisch erkennen:**
- Tägliche Hintergrundanalyse
- Kalorienbilanz + Trainingstypen + Gewichtstrend + HRV
- Output: Phasen-Vorschlag mit Begründung
**Test empfehlen wenn fällig:**
- Prüft Testintervall vs. letztes Ergebnis
- Output: "Cooper-Test ist seit X Wochen fällig – führe ihn durch um deinen
VO2Max-Trend zu aktualisieren"
**Fortschritt mit Prognose:**
- Lineare Extrapolation aktueller Trend → Zieldatum
- Output: "Bei aktuellem Tempo erreichst du dein Gewichtsziel in 6 Wochen
(statt geplanter 8 Wochen)"
**Empfehlungen an Phase anpassen:**
- KI-Analysen berücksichtigen aktuelle Phase
- Beispiel in Kaloriendefizit-Phase: Protein-Empfehlung erhöht,
Krafttraining-Empfehlung priorisiert, Schlafmangel-Warnung verstärkt
- Beispiel in Wettkampf-Phase: Erholungsstatus und Tapering im Fokus
---
## 7. Abgrenzung & offene Fragen
### In diesem Modul enthalten:
- 8 Zieltypen mit Primärziel-Konzept
- 8 Trainingsphasen + automatische Erkennung + Nutzerbestätigung
- 8 Standardtests + benutzerdefinierte Tests
- Normwerte-Einordnung nach Alter/Geschlecht
- 5 Vitalwerte mit Ampel-System
- 13 neue KI-Platzhalter
- 5 KI-Analyse-Funktionen
### Nicht in diesem Modul:
- Periodisierungsplaner (Makro-/Mikrozyklen) → später
- Ärztliche Auswertung / Diagnose → bewusst ausgeschlossen
- Automatische Smartwatch-Tests → v9h Connectoren
- Ernährungsplan-Generator → später
### Offene Fragen für technische Planung:
1. Ziele: eigene Tabelle `goals` oder als JSONB in `profiles`?
2. Phasenerkennung: täglicher Cron-Job im Backend oder Frontend-Berechnung?
3. Aktive Tests: generisches Schema (test_type + result_value + result_unit)
oder je Test eigene Felder?
4. Normwerte: in DB gespeichert oder als statische JSON-Datei im Backend?
5. Fitness-Score: wie wird er aus mehreren Tests aggregiert (gewichteter Durchschnitt)?
6. Vitalwerte: eigene Tabelle je Typ oder generische `vitals_log` Tabelle?
7. Phasen-Vorschlag: als Push-Notification oder nur In-App-Banner?
EOF
File diff suppressed because it is too large. Load diff
+228
View File
@@ -0,0 +1,228 @@
# Fachliche Anforderungen: Responsive UI
**Modul:** parallel zu Features (kein festes Versions-Label)
**Status:** Fachlich freigegeben, technische Implementierung ausstehend
**Letzte Aktualisierung:** März 2026
---
## 1. Überblick
Die App soll vollständig responsive sein und auf allen Bildschirmgrößen optimal
funktionieren – vom iPhone über iPad bis zum Desktop-Browser. Die PWA-Funktionalität
auf dem iPhone bleibt vollständig erhalten.
---
## 2. Breakpoints
| Bereich | Breite | Layout |
|---------|--------|--------|
| Mobile | < 1024px | Bottom Navigation (wie jetzt) |
| Desktop | ≥ 1024px | Sidebar Navigation links, Content rechts |
Ein separates Tablet-Layout (768px) wird **nicht** eingeführt – unterhalb
1024px verhält sich alles wie Mobile.
---
## 3. Mobile Layout (< 1024px) – unverändert
Das bestehende Mobile-Layout bleibt exakt so wie es ist:
- Bottom Navigation mit Icons + Labels
- Volle Breite, 16px seitliches Padding
- 80px Bottom-Padding für Navigation
- PWA auf iPhone funktioniert wie bisher
---
## 4. Desktop Layout (≥ 1024px)
### 4.1 Grundstruktur
```
┌─────────────────────────────────────────────┐
│ Sidebar (220px) │ Content (flex 1) │
│ │ │
│ [Logo] │ Seiteninhalt │
│ │ (max-width: 1200px, │
│ Dashboard │ zentriert) │
│ Erfassung │ │
│ Verlauf │ │
│ Analyse │ │
│ Einstellungen │ │
│ Admin │ │
│ │ │
│ [Avatar + Name] │ │
└─────────────────────────────────────────────┘
```
### 4.2 Sidebar
**Position:** Fixed links, volle Höhe (100vh)
**Breite:** 220px
**Farben:** `var(--surface)` Hintergrund, `var(--border)` rechte Trennlinie
**Inhalt von oben nach unten:**
```
┌──────────────────┐
│ [Ensō-Logo] │ ← Icon (40px) + "Mitai Jinkendo" Text
│ Mitai Jinkendo │
├──────────────────┤
│ │
│ 🏠 Dashboard │ ← Icons + Text (gleiche Nav-Items wie Bottom Nav)
│ ✏️ Erfassung │ ← Aktive Seite: var(--accent) Hintergrund (leicht)
│ 📊 Verlauf │ + var(--accent) Text + linke Akzent-Linie (3px)
│ 🧠 Analyse │
│ ⚙️ Einstellungen│
│ 👑 Admin │ ← nur sichtbar wenn role='admin'
│ │
├──────────────────┤
│ [Avatar] │ ← Nutzer-Avatar (32px) + Name + Tier-Badge
│ Lars │
│ selfhosted │
└──────────────────┘
```
**Aktive Seite hervorheben:**
```css
/* Aktiver Nav-Item Desktop */
background: var(--accent-light); /* #E1F5EE leicht grüner Hintergrund */
color: var(--accent); /* #1D9E75 grüner Text */
border-left: 3px solid var(--accent); /* linke Akzent-Linie */
border-radius: 0 8px 8px 0;
```
### 4.3 Content-Bereich
- `margin-left: 220px` (Sidebar-Breite)
- `padding: 24px 32px`
- `max-width: 1200px` (zentriert innerhalb des verfügbaren Raums)
- Kein Bottom-Padding für Navigation (Sidebar ersetzt Bottom Nav)
---
## 5. Seiten-spezifische Desktop-Layouts
### 5.1 Dashboard
**Mobile:** Alle Karten untereinander
**Desktop:** 2-spaltig oder 4-spaltig je nach Kartentyp
```
┌──────────────────────────────────────────────┐
│ Hallo Lars 👋 Mo, 20. März 2026 │
├──────────┬──────────┬──────────┬─────────────┤
│ Gewicht │ KF │ Mager- │ Kalorien │
│ 86,1 kg │ 19,9% │ masse │ 1.447 kcal │
├──────────┴──────────┴──────────┴─────────────┤
│ Ziele [Details →] │
│ ████████░░ Gewicht: 27% ████░░░░ KF: 45% │
├──────────────────────────────────────────────┤
│ Kalorien + Gewicht (Chart – volle Breite) │
└──────────────────────────────────────────────┘
```
### 5.2 Verlauf
**Mobile:** Tabs oben, Chart/Tabelle darunter
**Desktop:** Tabs links als vertikale Liste, Chart/Tabelle rechts
```
┌────────────┬─────────────────────────────────┐
│ Gewicht ← │ Chart + Tabelle │
│ Körperfett │ (nimmt volle rechte Breite) │
│ Umfänge │ │
│ Ernährung │ │
│ Aktivität │ │
└────────────┴─────────────────────────────────┘
```
### 5.3 Analyse
**Mobile:** Prompt-Liste, dann Ergebnis darunter
**Desktop:** Prompt-Liste links (300px), Ergebnis rechts
```
┌──────────────────┬──────────────────────────┐
│ Prompts │ Ergebnis / Verlauf │
│ ───────────── │ │
│ 🔍 Gesamt │ [Letzte Analyse] │
│ 🫧 Körper ← │ [Text der Analyse...] │
│ 🍽️ Ernährung │ │
│ 🏋️ Training │ [Ältere Analysen] │
│ ───────────── │ │
│ Pipeline ▶ │ │
└──────────────────┴──────────────────────────┘
```
### 5.4 Erfassung
**Mobile:** Formular volle Breite
**Desktop:** Formular zentriert, max-width 600px
```
┌──────────────────────────────────────────────┐
│ Gewicht erfassen │
│ │
│ ┌─────────────────────────────┐ │
│ │ Datum [20.03.2026] │ │
│ │ Gewicht [86,1 ] kg │ │
│ │ Notiz [ ] │ │
│ │ │ │
│ │ [Speichern] │ │
│ └─────────────────────────────┘ │
└──────────────────────────────────────────────┘
```
### 5.5 Admin-Panel
**Mobile:** Tabellen horizontal scrollbar
**Desktop:** Tabellen nutzen volle Breite, mehr Spalten sichtbar
---
## 6. Übergangsverhalten
### Fenster-Resize
- Beim Verkleinern unter 1024px: Sidebar verschwindet, Bottom Nav erscheint
- Beim Vergrößern über 1024px: Bottom Nav verschwindet, Sidebar erscheint
- Kein Flackern – CSS media queries, kein JavaScript-Resize-Listener nötig
### Aktiver Zustand synchronisiert
- Aktive Seite wird in Sidebar UND Bottom Nav korrekt hervorgehoben
- (Technisch: gleiche State-Variable, unterschiedliches Rendering)
---
## 7. Was sich nicht ändert
- Farben, CSS-Variablen, Design-Tokens bleiben identisch
- Alle Funktionen bleiben auf Desktop verfügbar
- PWA auf iPhone bleibt vollständig funktionsfähig
- Keine externen CSS-Frameworks (kein Tailwind, kein Bootstrap)
- Inline-Styles + CSS-Variablen-Ansatz bleibt erhalten
---
## 8. Abgrenzung & offene Fragen
### In diesem Modul enthalten:
- Sidebar Navigation Desktop
- Content-Bereich mit max-width
- Dashboard 4-spaltig
- Verlauf 2-spaltig (Tabs + Chart)
- Analyse 2-spaltig (Prompts + Ergebnis)
- Erfassung zentriert schmal
- Admin-Panel breite Tabellen
### Nicht in diesem Modul:
- Dark Mode – separates Feature
- Animationen / Transitions – optional später
- Collapsed Sidebar (Icon-only Modus) – optional später
### Offene Fragen für technische Planung:
1. Wird AppLayout als neue Wrapper-Komponente eingeführt oder App.jsx direkt angepasst?
2. CSS Media Queries in app.css oder CSS-in-JS (Inline-Style mit window.innerWidth)?
3. Wie wird der aktive Nav-Item-State zwischen Sidebar und Bottom Nav geteilt?
4. Verlauf-Tabs: werden sie zu einer vertikalen Liste refactored oder per CSS umgestaltet?
+227
View File
@@ -0,0 +1,227 @@
# Fachliche Anforderungen: Schlaf-Modul
**Modul:** v9d
**Status:** Fachlich freigegeben, technische Implementierung ausstehend
**Letzte Aktualisierung:** März 2026
---
## 1. Überblick
Das Schlaf-Modul ist ein eigenständiges Tracking-Modul für tägliche Schlafdaten.
Es ergänzt die bestehenden Körper-, Ernährungs- und Aktivitäts-Module um eine
zentrale Gesundheitsdimension. Schlaf wird sowohl manuell erfasst als auch aus
Apple Health / Garmin importiert. Korrelationen mit Ruhepuls, Training und Gewicht
fließen in die KI-Analyse ein.
---
## 2. Erfasste Daten
### 2.1 Pflichtfelder (Schnelleingabe)
- **Datum** – welche Nacht (Standard: letzte Nacht)
- **Schlafdauer** – in Stunden und Minuten (berechnet aus Ein-/Aufwachzeit oder direkt)
- **Schlafqualität** – subjektiv 1–5 (1 = sehr schlecht, 5 = sehr gut)
### 2.2 Optionale Felder (Detaileingabe)
- **Einschlafzeit** – Uhrzeit (z.B. 23:15)
- **Aufwachzeit** – Uhrzeit (z.B. 06:45)
- **Aufwach-Häufigkeit** – wie oft in der Nacht aufgewacht (0–10+)
- **Schlafphasen** – Dauer in Minuten je Phase:
- Tiefschlaf
- REM-Schlaf
- Leichtschlaf
- Wach (in Bett)
- **Notiz** – Freitext (z.B. "Stress, schlechte Nacht", "früh ins Bett")
### 2.3 Abgeleitete Felder (automatisch berechnet)
- **Schlafdauer** – aus Einschlafzeit + Aufwachzeit wenn nicht direkt eingegeben
- **Schlafeffizienz** – Schlafdauer / Zeit im Bett × 100% (wenn Phasen vorhanden)
- **Tiefschlaf-Anteil %** – Tiefschlaf / Gesamtschlaf × 100%
- **REM-Anteil %** – REM / Gesamtschlaf × 100%
---
## 3. Erfassungs-Modi
### 3.1 Schnelleingabe (≤ 30 Sekunden)
Minimaler Aufwand für den täglichen Gebrauch:
```
Datum: [gestern / heute Nacht]
Schlafdauer: [7] h [30] min
Qualität: ★★★★☆ (1-5 Sterne)
[Speichern]
```
### 3.2 Detaileingabe (alle Felder)
Vollständige Erfassung für Power-User oder wenn Gerätedaten vorliegen:
```
Datum: [22.03.2026]
Eingeschlafen: [23:15]
Aufgewacht: [06:45]
Schlafdauer: [7h 30min] (automatisch berechnet)
Qualität: ★★★★☆
Aufwachungen: [1]
Tiefschlaf: [95] min
REM-Schlaf: [110] min
Leichtschlaf: [230] min
Wach im Bett: [15] min
Notiz: [...]
[Speichern]
```
### 3.3 Morgendlicher Check-in
- Beim Öffnen der App morgens optional: "Wie hast du geschlafen?"
- Zeigt Schnelleingabe direkt auf dem Dashboard
- Kann in den Einstellungen aktiviert/deaktiviert werden
- Reminder-Logik: nur anzeigen wenn noch kein Eintrag für die letzte Nacht
### 3.4 Import (Apple Health / Garmin)
- Beim CSV/Health-Import werden Schlafdaten automatisch erkannt und zugeordnet
- Importierte Daten befüllen alle verfügbaren Felder (Phasen wenn vorhanden)
- Manuelle Eingabe ergänzt oder überschreibt Importdaten für denselben Tag
- Quelle wird gespeichert (manuell / apple_health / garmin)
---
## 4. Navigation & Dashboard
### 4.1 Eigene Seite in der Navigation
- Neuer Nav-Eintrag: **Schlaf** (zwischen Verlauf und Analyse)
- Icon: Mond oder Bett-Symbol
- Zeigt: Letzte 7 Tage Übersicht + Verlauf + Eingabe-Button
### 4.2 Dashboard-Widget
- Kompaktes Widget auf dem Dashboard (unter den Hauptkennzahlen)
- Zeigt: Letzte Nacht (Dauer + Qualität) + 7-Tage-Durchschnitt
- Klick öffnet die Schlaf-Seite
- Wenn noch kein Eintrag heute: "Schlaf erfassen" Button
---
## 5. Auswertungen
### 5.1 Schlafdauer-Trend
- Zeitraum wählbar: 7 / 30 / 90 Tage
- Liniengrafik: tägliche Schlafdauer
- Referenzlinie: persönliches Schlafziel (konfigurierbar in Einstellungen)
- Durchschnittslinie: gleitender 7-Tage-Durchschnitt
- Farbcodierung: unter Ziel = orange/rot, über Ziel = grün
### 5.2 Schlafqualität-Trend
- Liniengrafik: tägliche Qualität (1–5)
- 7-Tage-Durchschnitt als Referenzlinie
- Kombiniert mit Schlafdauer in einer Grafik (zwei Y-Achsen)
### 5.3 Schlafphasen-Verteilung
- Balkengrafik: Tiefschlaf / REM / Leichtschlaf / Wach je Nacht
- Durchschnittliche Verteilung über Zeitraum
- Referenzwerte: empfohlene Anteile (Tiefschlaf 15-25%, REM 20-25%)
- Nur sichtbar wenn Phasendaten vorhanden
### 5.4 Schlafschulden-Berechnung
- Definition: Differenz zwischen Schlafziel und tatsächlichem Schlaf (kumuliert)
- Zeitraum: letzte 7 / 14 Tage
- Anzeige: "+2h 15min Schlafschuld" oder "0 – kein Defizit"
- Positiver Saldo (Übererfüllung) wird als Puffer angezeigt
### 5.5 Optimales Schlaffenster
- Berechnung aus Einschlafzeit + Schlafqualität über Zeit
- Erkennt wann Schlaf am besten war (z.B. "Beste Qualität bei Einschlafzeit 22–23 Uhr")
- Mindestdatenbasis: 14 Einträge mit Einschlafzeit
### 5.6 Korrelationen
Alle Korrelationen benötigen mindestens 14 gemeinsame Datenpunkte:
**Schlaf ↔ Ruhepuls:**
- Streudiagramm: Schlafdauer / Qualität vs. Ruhepuls nächster Morgen
- KI-Aussage: "Nach <7h Schlaf ist dein Ruhepuls Ø X bpm höher"
**Schlaf ↔ Trainingsleistung:**
- Vergleich: Trainingsintensität/-volumen nach gut vs. schlecht geschlafenen Nächten
- KI-Aussage: "Nach Nächten mit >7,5h Schlaf trainierst du Ø X% länger/intensiver"
**Schlaf ↔ Gewicht:**
- Korrelation: Schlafdauer vs. Gewichtsentwicklung (wöchentlich)
- KI-Aussage: "In Wochen mit <6h Schlaf im Schnitt +X kg Gewichtsschwankung"
---
## 6. Schlafziel (konfigurierbar)
- In den Einstellungen: "Mein Schlafziel" → Stunden + Minuten
- Standard: 7h 30min
- Wird als Referenzlinie in allen Grafiken angezeigt
- Fließt in Schlafschulden-Berechnung ein
- KI nutzt den Wert als Basis für Schlafmangel-Warnung
---
## 7. KI-Analyse
### 7.1 Neue KI-Platzhalter
```
{{schlaf_avg_dauer}} → "7h 12min (Ø 7 Tage)"
{{schlaf_avg_qualitaet}} → "3,8/5 (Ø 7 Tage)"
{{schlaf_trend_dauer}} → "sinkend / stabil / steigend"
{{schlaf_trend_qualitaet}} → "sinkend / stabil / steigend"
{{schlaf_schulden}} → "+2h 15min (letzte 7 Tage)"
{{schlaf_ziel}} → "7h 30min"
{{schlaf_optimum_fenster}} → "22:00–23:00 Uhr (beste Qualität)"
{{schlaf_tiefschlaf_anteil}} → "18% (Ø letzte 14 Tage)"
{{schlaf_rem_anteil}} → "22% (Ø letzte 14 Tage)"
{{schlaf_aufwachungen}} → "1,2x pro Nacht (Ø 7 Tage)"
{{schlaf_korrelation_puls}} → "Ruhepuls +4 bpm nach <7h Schlaf"
{{schlaf_detail}} → tabellarische Übersicht letzte 7 Nächte
```
### 7.2 KI-Analyse-Funktionen
**Schlafmangel erkennen und warnen:**
- Trigger: Schlafdurchschnitt letzte 3 Tage < (Schlafziel – 60min)
- KI-Ausgabe: Warnung + konkrete Empfehlung
- Beispiel: "Du schläfst seit 3 Tagen unter deinem Ziel. Schlafschuld: +2h 15min."
**Schlaf ↔ Trainingsleistung korrelieren:**
- Automatische Berechnung sobald genug Daten (14+ Einträge beider Module)
- KI-Ausgabe: narrative Korrelationsbeschreibung mit konkreten Zahlen
**Optimales Schlaffenster empfehlen:**
- Basierend auf historischen Einschlafzeiten + Qualitäten
- KI-Ausgabe: "Deine beste Schlafqualität erzielst du wenn du zwischen 22–23 Uhr einschläfst"
**Schlaf ↔ Gewicht:**
- Wöchentliche Korrelation
- KI-Ausgabe: "In Wochen mit mehr Schlaf zeigt dein Gewicht weniger Schwankungen"
**Schlafphasen-Verteilung kommentieren:**
- Nur wenn Phasendaten vorhanden
- Referenz: Tiefschlaf 15-25%, REM 20-25%, Leichtschlaf 50-60%
- KI-Ausgabe: "Dein Tiefschlaf-Anteil liegt bei X% – das ist [über/unter/im] empfohlenen Bereich"
---
## 8. Abgrenzung & offene Fragen
### In diesem Modul enthalten:
- Tägliche Schlaferfassung (Schnell + Detail)
- Dashboard-Widget + eigene Navigationsseite
- Morgendlicher Check-in (optional)
- Import aus Apple Health / Garmin CSV
- 5 Auswertungsansichten inkl. Korrelationen
- Konfigurierbares Schlafziel
- 12 neue KI-Platzhalter
- 5 KI-Analyse-Funktionen
### Nicht in diesem Modul:
- Automatischer Live-Sync aus Garmin/Apple Watch → v9h (Connectoren)
- Schlaf-Coaching / Schlafhygiene-Tipps → optional später
- Schnarchen / Atemaussetzer (SpO2) → Teil Vitalwerte v9e
- Push-Notification "Schlafenszeit-Reminder" → optional später
### Offene Fragen für technische Planung:
1. Neue DB-Tabelle `sleep_log` oder Erweiterung von `activity_log`?
2. Schlafphasen als separate Spalten oder als JSONB-Feld?
3. Morgendlicher Check-in: Frontend-State oder Backend-Logik (letzte Nacht bereits erfasst?)?
4. Korrelationsberechnung: im Backend (Python) oder im Frontend (JavaScript)?
5. Apple Health Export enthält Schlafphasen-Daten – welches CSV-Format wird erwartet?
EOF
+257
View File
@@ -0,0 +1,257 @@
# Fachliche Anforderungen: Trainingstypen & Herzfrequenz
**Modul:** v9d
**Status:** Fachlich freigegeben, technische Implementierung ausstehend
**Letzte Aktualisierung:** März 2026
---
## 1. Überblick
Dieses Modul erweitert die bestehende Aktivitätserfassung um eine strukturierte
Kategorisierung von Trainingstypen sowie die Erfassung und Auswertung von
Herzfrequenz-Daten. Ziel ist eine tiefere Analyse der Trainingsqualität,
Erholung und Zielerreichung.
---
## 2. Trainingstypen
### 2.1 Kategorie-Hierarchie
Jedes Training hat einen **Haupttyp** und optional einen **Untertyp**:
```
Cardio (Ausdauer)
→ Laufen
→ Radfahren
→ Schwimmen
→ Rudern
→ Sonstiges Cardio
Kraft
→ Hypertrophie (Muskelaufbau, 8-12 Wdh, mittleres Gewicht)
→ Maximalkraft (1-5 Wdh, hohes Gewicht)
→ Kraftausdauer (15+ Wdh, leichtes Gewicht)
→ Funktionell (Kettlebell, TRX, Bodyweight)
Schnellkraft / HIIT
→ HIIT (High Intensity Interval Training)
→ Explosiv (Sprints, Sprünge, Wurfübungen)
→ Circuit Training
Kampfsport / Technikkraft
→ Techniktraining (Bewegungsabläufe, Formen)
→ Sparring / Wettkampf
→ Kraft für Kampfsport (kampfsportspezifische Übungen)
Mobility & Dehnung
→ Statisches Dehnen
→ Dynamisches Dehnen
→ Yoga
→ Faszienarbeit
Erholung (aktiv)
→ Spaziergang
→ Leichtes Schwimmen
→ Regenerationseinheit
```
### 2.2 Ruhetage
Ruhetage werden als **bewusste Einheit** erfasst – nicht nur als Abwesenheit
von Training. Ein Ruhetag hat:
- Datum
- Typ: Vollständige Ruhe / Aktive Erholung
- Optional: Notiz (z.B. "Muskelkater Beine", "Reise")
Ruhetage fließen in die Wochenplanung und KI-Analyse ein.
### 2.3 Erfassung
**Bestehende Aktivitäten (Apple Health Import):**
- Beim Import wird Trainingstyp automatisch vorgeschlagen basierend auf
dem Apple Health Workout-Typ (z.B. "Running" → Cardio / Laufen)
- Nutzer kann den vorgeschlagenen Typ bestätigen oder korrigieren
- Bereits importierte Aktivitäten können nachträglich kategorisiert werden
**Manuell erfasste Aktivitäten:**
- Trainingstyp und Untertyp als Pflichtfeld beim Anlegen
- Untertyp ist optional
---
## 3. Herzfrequenz-Daten
### 3.1 Ruhepuls
**Definition:** Herzfrequenz in Ruhe, idealerweise morgens direkt nach dem
Aufwachen, vor dem Aufstehen.
**Erfassung:**
- Manuell: Nutzer gibt Wert täglich ein (ganze Zahl, Schläge/Minute)
- Import: Aus Apple Health / Garmin automatisch übernommen
- Bei beiden Quellen: Import als Standard, manuelle Eingabe ergänzt oder
überschreibt den Importwert für den jeweiligen Tag
**Bedeutung:**
- Ruhepuls-Anstieg (+5-7 bpm über persönlichem Durchschnitt) = Warnsignal
für Übertraining, Krankheit oder unzureichende Erholung
- Langfristiger Ruhepuls-Abfall = Verbesserung der Ausdauerleistung
### 3.2 HF während Training
**Felder pro Aktivitätseintrag:**
- HF Durchschnitt (bpm)
- HF Maximum (bpm)
**Erfassung:**
- Primär aus Apple Health / Garmin Import (wird automatisch befüllt)
- Manuelle Eingabe als Ergänzung wenn kein Gerät genutzt
### 3.3 HF-Zonen
**5-Zonen-Modell** (basierend auf maximaler Herzfrequenz):
| Zone | Name | % HFmax | Zweck |
|------|------|---------|-------|
| 1 | Regeneration | 50-60% | Aktive Erholung |
| 2 | Grundlagenausdauer | 60-70% | Fettverbrennung, Basis |
| 3 | Aerobe Ausdauer | 70-80% | Ausdaueraufbau |
| 4 | Anaerobe Schwelle | 80-90% | Leistungssteigerung |
| 5 | Maximale Intensität | 90-100% | Spitzenleistung |
**HFmax-Berechnung:**
- Standard-Formel: 220 - Alter
- Alternativ: Manuell vom Nutzer definierbar (aus Leistungstest)
**Auswertung:**
- Zeitverteilung in Zonen pro Training (falls HF-Kurve vorhanden)
- Oder: Zone basierend auf HF-Durchschnitt schätzen
### 3.4 HRV (Herzratenvariabilität)
**Definition:** Variation der Zeitabstände zwischen Herzschlägen.
Hohe HRV = gute Erholung / niedriger Stress.
Niedrige HRV = Belastung / Übertraining / Stress.
**Erfassung:**
- Manuell (ms, aus Smartwatch-App abgelesen)
- Import aus Apple Health (wenn vorhanden)
- Messung: morgens, gleiche Bedingungen wie Ruhepuls
**Interpretation:**
- Persönlicher Baseline-Wert wird über 4 Wochen berechnet
- Abweichung >10% unter Baseline = Warnung
### 3.5 VO2Max
**Definition:** Maximale Sauerstoffaufnahme, Indikator für aerobe Leistungsfähigkeit.
**Erfassung:**
- Import aus Apple Health / Garmin (falls Gerät berechnet)
- Alternativ: Schätzung aus Ruhepuls + HFmax (Cooper-Formel):
`VO2Max ≈ 15 × (HFmax / HF_Ruhe)`
**Anzeige:**
- Aktueller Wert + Trend
- Einordnung nach Alters-/Geschlechtsnorm (sehr gut / gut / durchschnittlich / verbesserungswürdig)
---
## 4. Auswertungen & Dashboards
### 4.1 Trainingstyp-Verteilung
- Zeitraum wählbar: letzte 4 / 8 / 12 Wochen
- Kreisdiagramm oder Balkendiagramm: Anteil je Haupttyp in %
- Zusätzlich: Anzahl Einheiten je Typ
### 4.2 Trainingshäufigkeit pro Typ
- Wochenansicht: Wie viele Einheiten je Typ pro Woche
- Trend: Vergleich aktuelle Woche vs. Durchschnitt
### 4.3 Ruhepuls-Trend
- Liniengrafik über Zeit (7 / 30 / 90 Tage)
- Persönlicher Durchschnitt als Referenzlinie
- Warnung wenn Ruhepuls >5 bpm über 7-Tage-Durchschnitt
### 4.4 HF-Zonen-Verteilung
- Pro Training: Zeitanteil in jeder Zone (falls Daten vorhanden)
- Aggregiert: Zonenverteilung der letzten 30 Tage
### 4.5 Erholungsstatus
- Kombination aus: HRV + Ruhepuls + letzter Trainingsbelastung
- Ampel-System: 🟢 Gut erholt / 🟡 Teilweise erholt / 🔴 Erholung nötig
- Empfehlung: "Heute intensives Training möglich" / "Leichtes Training empfohlen" / "Ruhetag empfohlen"
### 4.6 Wochenplanung Soll vs. Ist
- Nutzer definiert Wochenziel: z.B. "3x Kraft, 2x Cardio, 1x Mobility, 1 Ruhetag"
- Dashboard zeigt: erreicht / offen / überschritten
- Einfache Eingabe, kein komplexer Planer
---
## 5. KI-Analyse
Die KI-Analyse wird um folgende Platzhalter erweitert:
### 5.1 Übertraining erkennen
**Trigger-Bedingungen (Beispiele):**
- >5 Krafteinheiten in 7 Tagen ohne Ruhetag
- Ruhepuls-Anstieg + gleichzeitig hohe Trainingsbelastung
- HRV unter persönlicher Baseline
**KI-Ausgabe:** Warnung + konkrete Empfehlung (Ruhetag, Intensität reduzieren)
### 5.2 Ruhetag empfehlen
**Basierend auf:** HRV-Trend + Ruhepuls-Trend + Trainingsbelastung letzte 5 Tage
**KI-Ausgabe:** "Dein Erholungsstatus zeigt X – heute wäre ein Ruhetag oder leichtes Training sinnvoll"
### 5.3 Trainingstypen und Primärziel
**Beispiel Muskelaufbau:** KI erkennt wenn <40% Krafttraining → Hinweis
**Beispiel Kondition:** KI erkennt wenn <40% Cardio → Hinweis
**Voraussetzung:** Primärziel-Modul (v9e) muss implementiert sein
### 5.4 Phasen erkennen und kommentieren
**Phasen:**
- Aufbauphase: Steigende Belastung über mehrere Wochen
- Erholungsphase (Deload): Reduzierte Belastung nach intensiver Phase
- Plateau: Gleichbleibende Belastung ohne Progression
**KI-Ausgabe:** Phase benennen + situative Empfehlung
### 5.5 Neue KI-Platzhalter
```
{{trainingstyp_verteilung}} → "60% Kraft, 30% Cardio, 10% Mobility (letzte 4 Wochen)"
{{ruhetage_letzte_woche}} → Anzahl Ruhetage letzte 7 Tage
{{ruhepuls_aktuell}} → heutiger / letzter Ruhepuls
{{ruhepuls_trend}} → "sinkend / stabil / steigend"
{{hrv_aktuell}} → letzter HRV-Wert
{{hrv_baseline}} → persönlicher HRV-Durchschnitt (30 Tage)
{{erholungsstatus}} → "gut / teilweise / schlecht"
{{vo2max}} → aktueller VO2Max-Wert
{{trainingsphase}} → "Aufbau / Erholung / Plateau / unbekannt"
{{hf_zonen_verteilung}} → "Zone 2: 45%, Zone 3: 35%, Zone 4: 20%"
```
---
## 6. Abgrenzung & offene Fragen
### In diesem Modul enthalten:
- Kategorisierung bestehender + neuer Aktivitäten
- Ruhepuls, HRV, VO2Max erfassen und auswerten
- HF-Zonen berechnen und anzeigen
- Erholungsstatus-Ampel
- Wochenplanung (einfach)
- KI-Platzhalter und Analyse-Logik
### Nicht in diesem Modul (spätere Versionen):
- Periodisierungsplaner (Makrozyklen, Mikrozyklen) → v9g
- Sportart-spezifische Metriken (Pace, Watt) → v9e
- Verknüpfung mit Primärziel → v9e (Primärziel-Modul)
- Connector zu Garmin/Strava für Live-HF → v9h
### Offene Fragen für technische Planung:
1. Werden HF-Kurven (Zeit × HF) aus Apple Health importiert oder nur Avg/Max?
2. Soll HRV als eigener Tageseintrag oder als Ergänzung zum Ruhepuls-Eintrag erfasst werden?
3. Soll die Wochenplanung persistiert werden (DB) oder nur als Session-Einstellung?
@@ -0,0 +1,840 @@
# Training Type Profiles – Umfassendes Trainingsmanagement-System
**Issue:** #15 (erweitert)
**Status:** Phase 1 KOMPLETT ✅ (Foundation + Auto-Evaluation) | Phase 2 ausstehend (Admin-UI)
**Erstellt:** 2026-03-23
**Implementiert:** Phase 1 - 2026-03-23
---
## Vision
Jeder Trainingstyp erhält ein **umfassendes Profil** mit Parametern, die:
1. **Mindestanforderungen** definieren (wann ist es "echtes" Training?)
2. **Intensitätsbereiche** beschreiben (Zonen: regenerativ, moderat, intensiv)
3. **Trainingswirkung** charakterisieren (welche Fähigkeiten werden trainiert?)
4. **Periodisierung** unterstützen (optimale Frequenz, Erholungsbedarf)
5. **Dynamische Bewertung** ermöglichen (ist diese konkrete Aktivität gut/schlecht?)
---
## Trainingstyp-Profil: Vollständige Parameter-Definition
### Struktur (JSONB in training_types.profile)
```json
{
"version": "1.0",
"created_at": "2026-03-23",
// ━━━ 1. MINDESTANFORDERUNGEN (Quality Gates) ━━━
"minimum_requirements": {
"enabled": true,
"rules": {
"duration_min": {
"value": 15,
"weight": 5,
"reason": "Unter 15min keine signifikante Trainingswirkung"
},
"avg_hr_min": {
"value": 100,
"weight": 3,
"reason": "Puls muss für Ausdauerreiz erhöht sein"
},
"max_hr_min": {
"value": 120,
"weight": 1,
"reason": "Maximalpuls zeigt echte Belastungsspitze"
},
"distance_km": {
"value": 1.0,
"weight": 2,
"reason": "Mindestdistanz für Lauftraining"
},
"kcal_active": {
"value": 100,
"weight": 1,
"reason": "Mindest-Energieverbrauch"
}
},
"pass_threshold": 0.6,
"fail_action": "mark_low_quality"
},
// ━━━ 2. INTENSITÄTSBEREICHE (HF-Zonen) ━━━
"intensity_zones": {
"method": "percentage_max_hr", // oder "percentage_reserve_hr"
"zones": [
{
"name": "regenerativ",
"min_percent": 50,
"max_percent": 60,
"color": "#4CAF50",
"effect": "Erholung, Grundlagenausdauer 1",
"target_duration_min": 30
},
{
"name": "grundlagenausdauer",
"min_percent": 60,
"max_percent": 70,
"color": "#2196F3",
"effect": "Aerobe Kapazität, Fettstoffwechsel",
"target_duration_min": 45
},
{
"name": "entwicklungsbereich",
"min_percent": 70,
"max_percent": 80,
"color": "#FF9800",
"effect": "VO2max-Training, Laktattoleranz",
"target_duration_min": 20
},
{
"name": "schwellentraining",
"min_percent": 80,
"max_percent": 90,
"color": "#F44336",
"effect": "Anaerobe Schwelle, Wettkampftempo",
"target_duration_min": 10
},
{
"name": "maximale_intensität",
"min_percent": 90,
"max_percent": 100,
"color": "#9C27B0",
"effect": "Maximalkraft, Sprint, HIIT",
"target_duration_min": 5
}
],
"evaluation_rules": {
"time_in_zone_required": true,
"min_time_in_target_zone_percent": 70
}
},
// ━━━ 3. TRAININGSWIRKUNG (Abilities Mapping) ━━━
"training_effects": {
"primary_abilities": [
{
"category": "konditionell",
"ability": "ausdauer",
"intensity": 5,
"description": "Hauptfokus: Aerobe Ausdauer"
},
{
"category": "konditionell",
"ability": "schnelligkeit",
"intensity": 2,
"description": "Nebenfokus: Lauftempo"
}
],
"secondary_abilities": [
{
"category": "koordinativ",
"ability": "rhythmus",
"intensity": 3,
"description": "Laufrhythmus, Schrittfrequenz"
},
{
"category": "psychisch",
"ability": "willenskraft",
"intensity": 4,
"description": "Durchhaltevermögen bei langen Läufen"
}
],
"metabolic_focus": ["aerobic", "fat_oxidation"],
"muscle_groups": ["legs_posterior", "legs_anterior", "core"],
"energy_systems": ["aerobic_oxidative", "anaerobic_lactic"]
},
// ━━━ 4. PERIODISIERUNG & FREQUENZ ━━━
"periodization": {
"recommended_frequency": {
"per_week_min": 2,
"per_week_max": 5,
"per_week_optimal": 3,
"consecutive_days_max": 2
},
"recovery_requirement": {
"hours_before_same_type": 48,
"hours_before_high_intensity": 24,
"rpe_threshold_for_extra_rest": 8
},
"progression": {
"beginner_duration_min": 20,
"intermediate_duration_min": 30,
"advanced_duration_min": 45,
"volume_increase_percent_per_week": 10
},
"deload_recommendation": {
"every_n_weeks": 4,
"volume_reduction_percent": 40
}
},
// ━━━ 5. LEISTUNGSINDIKATOREN (KPIs) ━━━
"performance_indicators": {
"primary_metrics": ["pace_min_per_km", "avg_hr", "distance_km"],
"secondary_metrics": ["kcal_per_km", "cadence", "elevation_gain"],
"benchmark_values": {
"beginner": {"pace_min_per_km": 7.0, "distance_km": 3.0},
"intermediate": {"pace_min_per_km": 6.0, "distance_km": 5.0},
"advanced": {"pace_min_per_km": 5.0, "distance_km": 10.0}
}
},
// ━━━ 6. KONTEXT & VARIANTEN ━━━
"context": {
"environment": ["outdoor", "indoor_treadmill"],
"weather_sensitivity": "high",
"equipment_required": ["running_shoes"],
"location_types": ["road", "trail", "track"],
"variants": [
{
"name": "intervall_lauf",
"modifications": {
"intensity_zones.focus": "schwellentraining",
"minimum_requirements.avg_hr_min": 140
}
},
{
"name": "long_jog",
"modifications": {
"intensity_zones.focus": "grundlagenausdauer",
"minimum_requirements.duration_min": 60
}
}
]
},
// ━━━ 7. SICHERHEIT & KONTRAINDIKATIONEN ━━━
"safety": {
"max_hr_warning": 180,
"min_recovery_hr": 100,
"contraindications": [
"acute_injury_lower_body",
"cardiovascular_episode_recent"
],
"weather_limits": {
"temp_celsius_min": -5,
"temp_celsius_max": 32,
"wind_speed_kmh_max": 40
}
},
// ━━━ 8. KI-ANALYSE KONTEXT ━━━
"ai_context": {
"questions_to_ask": [
"Wie fühlte sich dein Tempo an?",
"Hattest du Atembeschwerden?",
"Wie war die Regeneration danach?"
],
"evaluation_focus": [
"Pace-Entwicklung über Distanz",
"Herzfrequenz-Stabilität",
"Erholungspuls nach Training"
],
"comparison_metrics": [
"Tempo vs. letzte 4 Wochen",
"Durchschnittspuls bei gleicher Distanz",
"Subjektive Anstrengung (RPE) vs. objektive Daten"
]
}
}
```
---
## Dynamische Bewertung: Wie das Profil genutzt wird
### 1. Mindestanforderungen-Check (Quality Gate)
**Funktion:** `evaluate_minimum_requirements(activity, profile)`
```python
def evaluate_minimum_requirements(activity: dict, profile: dict) -> dict:
"""
Prüft ob Aktivität Mindestanforderungen erfüllt.
Returns:
{
"passed": bool,
"score": float,
"failed_rules": [{"rule": str, "expected": val, "actual": val}],
"recommendation": str
}
"""
requirements = profile['minimum_requirements']
if not requirements['enabled']:
return {"passed": True, "score": 1.0, "failed_rules": []}
total_weight = 0
passed_weight = 0
failed_rules = []
for rule_name, rule_config in requirements['rules'].items():
weight = rule_config['weight']
total_weight += weight
actual = activity.get(rule_name)
expected = rule_config['value']
if actual is not None and actual >= expected:
passed_weight += weight
else:
failed_rules.append({
"rule": rule_name,
"expected": expected,
"actual": actual,
"reason": rule_config['reason']
})
score = passed_weight / total_weight if total_weight > 0 else 1.0
passed = score >= requirements['pass_threshold']
recommendation = generate_recommendation(failed_rules, profile)
return {
"passed": passed,
"score": round(score, 2),
"failed_rules": failed_rules,
"recommendation": recommendation
}
```
### 2. Intensitäts-Bewertung (Zone Analysis)
**Funktion:** `evaluate_intensity_distribution(activity, profile)`
```python
def evaluate_intensity_distribution(activity: dict, profile: dict) -> dict:
"""
Analysiert in welcher HF-Zone das Training stattfand.
Returns:
{
"dominant_zone": str,
"time_in_zones": {zone: minutes},
"zone_quality": float (0-1),
"recommendation": str
}
"""
zones = profile['intensity_zones']['zones']
max_hr = activity.get('user_max_hr', 180) # From user profile
avg_hr = activity.get('avg_hr')
if not avg_hr:
return {"dominant_zone": "unknown", "zone_quality": 0}
avg_hr_percent = (avg_hr / max_hr) * 100
# Finde passende Zone
dominant_zone = None
for zone in zones:
if zone['min_percent'] <= avg_hr_percent <= zone['max_percent']:
dominant_zone = zone
break
if not dominant_zone:
return {"dominant_zone": "out_of_range", "zone_quality": 0}
# Prüfe ob Dauer passt zur Zone
duration = activity.get('duration_min', 0)
target_duration = dominant_zone['target_duration_min']
duration_quality = min(duration / target_duration, 1.0)
recommendation = f"Training in Zone '{dominant_zone['name']}' (Effekt: {dominant_zone['effect']}). "
if duration < target_duration:
recommendation += f"Für optimale Wirkung: {target_duration}min empfohlen."
return {
"dominant_zone": dominant_zone['name'],
"zone_color": dominant_zone['color'],
"zone_effect": dominant_zone['effect'],
"avg_hr_percent": round(avg_hr_percent, 1),
"duration_quality": round(duration_quality, 2),
"recommendation": recommendation
}
```
### 3. Trainingswirkung-Analyse (Abilities Development)
**Funktion:** `evaluate_training_effects(activity, profile)`
```python
def evaluate_training_effects(activity: dict, profile: dict) -> dict:
"""
Berechnet welche Fähigkeiten durch diese Aktivität trainiert wurden.
Returns:
{
"abilities_trained": [
{"category": str, "ability": str, "intensity": int, "quality": float}
],
"total_training_load": float
}
"""
effects = profile['training_effects']
intensity_eval = evaluate_intensity_distribution(activity, profile)
min_requirements_eval = evaluate_minimum_requirements(activity, profile)
# Qualitätsfaktor basierend auf Mindestanforderungen
quality_factor = min_requirements_eval['score']
abilities_trained = []
# Primary abilities mit voller Intensität
for ability in effects['primary_abilities']:
abilities_trained.append({
"category": ability['category'],
"ability": ability['ability'],
"intensity": ability['intensity'],
"quality": quality_factor,
"contribution": ability['intensity'] * quality_factor
})
# Secondary abilities mit reduzierter Intensität
for ability in effects['secondary_abilities']:
abilities_trained.append({
"category": ability['category'],
"ability": ability['ability'],
"intensity": ability['intensity'],
"quality": quality_factor * 0.7, # Sekundär = 70%
"contribution": ability['intensity'] * quality_factor * 0.7
})
total_training_load = sum(a['contribution'] for a in abilities_trained)
return {
"abilities_trained": abilities_trained,
"total_training_load": round(total_training_load, 2),
"metabolic_focus": effects['metabolic_focus'],
"muscle_groups": effects['muscle_groups']
}
```
### 4. Periodisierungs-Check (Recovery & Frequency)
**Funktion:** `evaluate_periodization_compliance(activity, profile, recent_activities)`
```python
def evaluate_periodization_compliance(
activity: dict,
profile: dict,
recent_activities: list
) -> dict:
"""
Prüft ob Aktivität zu Periodisierungs-Empfehlungen passt.
Returns:
{
"frequency_status": str,
"recovery_adequate": bool,
"warning": str | None
}
"""
periodization = profile['periodization']
activity_date = activity['date']
# Zähle gleiche Trainingstypen in letzter Woche
same_type_count = sum(
1 for a in recent_activities
if a['training_type_id'] == activity['training_type_id']
and days_between(a['date'], activity_date) <= 7
)
# Prüfe Erholungszeit
last_same_type = next(
(a for a in recent_activities
if a['training_type_id'] == activity['training_type_id']),
None
)
recovery_adequate = True
warning = None
if last_same_type:
hours_since_last = hours_between(last_same_type['date'], activity_date)
required_hours = periodization['recovery_requirement']['hours_before_same_type']
if hours_since_last < required_hours:
recovery_adequate = False
warning = f"Zu wenig Erholung: {hours_since_last}h statt {required_hours}h empfohlen"
# Frequenz-Status
optimal_freq = periodization['recommended_frequency']['per_week_optimal']
if same_type_count < optimal_freq:
frequency_status = "under_optimal"
elif same_type_count > periodization['recommended_frequency']['per_week_max']:
frequency_status = "over_optimal"
warning = "Übertraining-Risiko: Zu viele Einheiten diese Woche"
else:
frequency_status = "optimal"
return {
"frequency_status": frequency_status,
"weekly_count": same_type_count,
"recovery_adequate": recovery_adequate,
"warning": warning
}
```
### 5. Leistungsentwicklung (Performance Tracking)
**Funktion:** `evaluate_performance_development(activity, profile, historical_activities)`
```python
def evaluate_performance_development(
activity: dict,
profile: dict,
historical_activities: list
) -> dict:
"""
Vergleicht aktuelle Leistung mit Historie.
Returns:
{
"trend": str, # "improving" | "stable" | "declining"
"metrics_comparison": {metric: {"current": val, "avg_4weeks": val, "change_percent": val}},
"benchmark_level": str # "beginner" | "intermediate" | "advanced"
}
"""
kpis = profile['performance_indicators']
primary_metrics = kpis['primary_metrics']
# Berechne 4-Wochen-Durchschnitte
comparison = {}
for metric in primary_metrics:
current_value = activity.get(metric)
if not current_value:
continue
historical_values = [
a[metric] for a in historical_activities[-12:] # Letzte 12 Einheiten
if a.get(metric) is not None
]
if historical_values:
avg_historical = sum(historical_values) / len(historical_values)
change_percent = ((current_value - avg_historical) / avg_historical) * 100
comparison[metric] = {
"current": current_value,
"avg_4weeks": round(avg_historical, 2),
"change_percent": round(change_percent, 1)
}
# Trend-Bewertung
if all(c['change_percent'] > 5 for c in comparison.values()):
trend = "improving"
elif all(c['change_percent'] < -5 for c in comparison.values()):
trend = "declining"
else:
trend = "stable"
# Benchmark-Level ermitteln
benchmarks = kpis['benchmark_values']
benchmark_level = determine_benchmark_level(activity, benchmarks)
return {
"trend": trend,
"metrics_comparison": comparison,
"benchmark_level": benchmark_level
}
```
---
## Dynamische Gesamt-Bewertung
**Master-Funktion:** `evaluate_activity(activity, profile, context)`
```python
def evaluate_activity(activity: dict, profile: dict, context: dict) -> dict:
"""
Vollständige Bewertung einer Aktivität anhand des Trainingstyp-Profils.
Args:
activity: Die zu bewertende Aktivität
profile: Das Trainingstyp-Profil
context: {
"recent_activities": [...],
"historical_activities": [...],
"user_profile": {...}
}
Returns:
{
"evaluated_at": ISO timestamp,
"version": "1.0",
"minimum_requirements": {...},
"intensity_analysis": {...},
"training_effects": {...},
"periodization_check": {...},
"performance_development": {...},
"overall_score": float (0-1),
"quality_label": str, # "excellent" | "good" | "acceptable" | "poor"
"recommendations": [str],
"warnings": [str]
}
"""
results = {
"evaluated_at": datetime.now().isoformat(),
"version": "1.0",
"minimum_requirements": evaluate_minimum_requirements(activity, profile),
"intensity_analysis": evaluate_intensity_distribution(activity, profile),
"training_effects": evaluate_training_effects(activity, profile),
"periodization_check": evaluate_periodization_compliance(
activity, profile, context['recent_activities']
),
"performance_development": evaluate_performance_development(
activity, profile, context['historical_activities']
)
}
# Gesamt-Score berechnen (gewichtet)
weights = {
"minimum_requirements": 0.4,
"intensity_analysis": 0.2,
"periodization_check": 0.2,
"performance_development": 0.2
}
overall_score = (
results['minimum_requirements']['score'] * weights['minimum_requirements'] +
results['intensity_analysis']['duration_quality'] * weights['intensity_analysis'] +
(1.0 if results['periodization_check']['recovery_adequate'] else 0.5) * weights['periodization_check'] +
(1.0 if results['performance_development']['trend'] == 'improving' else 0.7) * weights['performance_development']
)
# Quality Label
if overall_score >= 0.9:
quality_label = "excellent"
elif overall_score >= 0.7:
quality_label = "good"
elif overall_score >= 0.5:
quality_label = "acceptable"
else:
quality_label = "poor"
# Recommendations sammeln
recommendations = []
warnings = []
if not results['minimum_requirements']['passed']:
for failed in results['minimum_requirements']['failed_rules']:
recommendations.append(
f"{failed['rule']}: {failed['reason']} (Ist: {failed['actual']}, Soll: {failed['expected']})"
)
if results['periodization_check']['warning']:
warnings.append(results['periodization_check']['warning'])
results.update({
"overall_score": round(overall_score, 2),
"quality_label": quality_label,
"recommendations": recommendations,
"warnings": warnings
})
return results
```
---
## DB-Schema (Erweitert)
```sql
-- Training Types: Vollständiges Profil
ALTER TABLE training_types ADD COLUMN profile JSONB DEFAULT NULL;
-- Activity Log: Evaluation Results
ALTER TABLE activity_log ADD COLUMN evaluation JSONB DEFAULT NULL;
-- Beispiel-Daten:
UPDATE training_types SET profile = '{...siehe oben...}'::jsonb
WHERE name_de = 'Laufen';
```
---
## User Interface: Aktivitäts-Detail-Ansicht
```
┌────────────────────────────────────────────────────────────────┐
│ 🏃 Laufen - 23. März 2026 │
├────────────────────────────────────────────────────────────────┤
│ │
│ ━━━ ZUSAMMENFASSUNG ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ Gesamtbewertung: ⭐⭐⭐⭐⭐ Exzellent (Score: 0.92) │
│ │
│ 45 Minuten · 5.2 km · Ø 142 bpm (79% Max-HF) · 380 kcal │
│ │
│ ━━━ MINDESTANFORDERUNGEN ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ ✅ Dauer: 45min (≥ 15min erforderlich) │
│ ✅ Ø Herzfrequenz: 142 bpm (≥ 100 bpm) │
│ ✅ Max. Herzfrequenz: 165 bpm (≥ 120 bpm) │
│ ✅ Distanz: 5.2 km (≥ 1.0 km) │
│ │
│ ━━━ INTENSITÄTSANALYSE ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ Trainingszone: Entwicklungsbereich (70-80% Max-HF) │
│ Effekt: VO2max-Training, Laktattoleranz │
│ │
│ [████████████████████░░] 79% Max-HF │
│ │
│ Zeitverteilung: │
│ • Regenerativ (50-60%): 0 min │
│ • Grundlagenausdauer (60-70%): 8 min │
│ • Entwicklungsbereich (70-80%): 32 min ✅ Optimal │
│ • Schwellentraining (80-90%): 5 min │
│ │
│ ━━━ TRAININGSWIRKUNG ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ Trainierte Fähigkeiten: │
│ • Ausdauer (Konditionell): ●●●●● (5/5) - Primärfokus │
│ • Schnelligkeit (Konditionell): ●●○○○ (2/5) - Nebenfokus │
│ • Rhythmus (Koordinativ): ●●●○○ (3/5) - Sekundär │
│ • Willenskraft (Psychisch): ●●●●○ (4/5) - Sekundär │
│ │
│ Gesamte Trainingsbelastung: 18.2 Punkte │
│ │
│ ━━━ PERIODISIERUNG ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ Frequenz diese Woche: 3 Einheiten ✅ Optimal (2-5 empfohlen) │
│ Erholung seit letztem Lauf: 52 Stunden ✅ Ausreichend │
│ Nächstes Training empfohlen: Frühestens in 48h │
│ │
│ ━━━ LEISTUNGSENTWICKLUNG ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ Trend: ↗ Verbesserung │
│ │
│ Pace: 8:39 min/km (Ø 4 Wochen: 9:15 min/km) +6.5% schneller │
│ Ø HF: 142 bpm (Ø 4 Wochen: 148 bpm) -4% niedriger │
│ │
│ Dein Level: Fortgeschritten (Intermediate) │
│ │
│ ━━━ EMPFEHLUNGEN ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ │
│ │
│ ✨ Exzellentes Training! Du trainierst im optimalen │
│ Entwicklungsbereich für VO2max-Verbesserung. │
│ │
│ 💡 Deine Pace verbessert sich stetig bei gleichzeitig │
│ niedrigerer Herzfrequenz - klares Zeichen für bessere │
│ Ausdauerkapazität. │
│ │
│ 📅 Nächste Schritte: │
│ • 1-2 Tage Regeneration │
│ • Dann: Langer, langsamer Lauf (60-70% Max-HF, 60min) │
│ │
└────────────────────────────────────────────────────────────────┘
```
---
## Implementierungs-Phasen
### Phase 1: Foundation (MVP)
1. DB-Migration: `profile` Spalte in training_types
2. DB-Migration: `evaluation` Spalte in activity_log
3. Backend: `evaluate_activity()` Master-Funktion
4. Backend: Evaluation beim INSERT/UPDATE
### Phase 2: Profile Editor (Admin-UI)
5. Admin-UI: Trainingstyp-Profil-Editor (JSON-basiert)
6. Admin-UI: Profile-Templates für Top 5 Trainingstypen
7. Admin-UI: Preview-Funktion (wie wird evaluiert?)
### Phase 3: User Experience
8. Frontend: Aktivitäts-Detail-Ansicht mit allen Bewertungen
9. Frontend: Badge-System (Excellent/Good/Acceptable/Poor)
10. Frontend: Trainingswirkungs-Visualisierung
### Phase 4: Advanced Features
11. KI-Integration: Nutze Evaluation-Daten für Prompts
12. Periodisierungs-Warnungen im Dashboard
13. Leistungsentwicklung-Charts
14. Historische Re-Evaluation (Batch-Job)
**Geschätzter Aufwand:** 12-16 Stunden (komplett)
---
## Offene Fragen
1. **Profil-Komplexität:** Alle Parameter von Anfang an oder iterativ erweitern?
2. **User-Anpassbarkeit:** Soll User eigene Profile erstellen können?
3. **Performance:** JSONB-Queries optimiert genug für große Datenmengen?
4. **UI-Komplexität:** Ist die Detail-Ansicht zu überladen?
5. **Backward Compatibility:** Was passiert mit Aktivitäten ohne Profil?
---
---
## Implementierungs-Status
### Phase 1: Foundation ✅ KOMPLETT (23.03.2026)
**Phase 1.1: Database & Core Engine** ✅
- ✅ Migration 013: training_parameters Tabelle (16 Standard-Parameter)
- ✅ Migration 014: training_types.profile + activity_log.evaluation + triggers
- ✅ rule_engine.py: RuleEvaluator mit 9 Operatoren
- ✅ rule_engine.py: IntensityZoneEvaluator für HF-Zonen
- ✅ rule_engine.py: TrainingEffectsEvaluator für Fähigkeiten
- ✅ profile_evaluator.py: TrainingProfileEvaluator (7 Dimensionen)
- ✅ evaluation_helper.py: Parameter-Loading + Context-Loading + Batch-Evaluation
- ✅ routers/evaluation.py: API-Endpoints für manuelle Evaluation
- ✅ Commit: 1b9cd6d
**Phase 1.2: Auto-Evaluation** ✅
- ✅ activity.py: create_activity() → Auto-Evaluation nach INSERT
- ✅ activity.py: update_activity() → Auto-Evaluation nach UPDATE
- ✅ activity.py: import_activity_csv() → Auto-Evaluation nach CSV-Import
- ✅ activity.py: bulk_categorize_activities() → Auto-Evaluation nach Bulk-Update
- ✅ Fehlerbehandlung mit try/except (verhindert Blockierung bei Evaluation-Fehlern)
- ✅ Commit: e119537
**Backend Implementation:** 100% komplett
- Parameter-Registry: extensibel via SQL
- Regel-System: flexibel, unterstützt >= und <= (Laufen vs. Meditation)
- 7 Dimensionen: Minimum Requirements, Intensity Zones, Training Effects, Periodization, Performance, Safety, AI Context
- Evaluation-Results in activity_log.evaluation gespeichert
**Getestet:** Syntax-Check bestanden (py_compile)
### Phase 2: Admin-UI 🔲 Ausstehend
**Aufgaben:**
- Admin-UI: Parameter-Registry-Verwaltung (CRUD)
- Admin-UI: Trainingstyp-Profil-Editor (JSON-Editor mit Syntax-Highlighting)
- Admin-UI: Profile-Templates für Top 5 Trainingstypen (Laufen, Radfahren, Schwimmen, Krafttraining, Meditation)
- Admin-UI: Preview-Funktion (Test-Evaluation mit Beispiel-Aktivität)
- Validation: Profil-Schema-Validator
**Geschätzter Aufwand:** 4-6 Stunden
### Phase 3: User-UI 🔲 Ausstehend
**Aufgaben:**
- Frontend: ActivityDetailPage mit vollständiger Evaluation-Anzeige
- Frontend: Quality Badges (excellent/good/acceptable/poor) in Listen
- Frontend: Filter nach Quality Label
- Frontend: Trainingswirkungs-Visualisierung (Fähigkeiten-Übersicht)
- Frontend: Dashboard-Stats (Durchschnitt Quality Score)
**Geschätzter Aufwand:** 4-6 Stunden
### Phase 4: Advanced Features 🔲 Future
**Optional:**
- KI-Integration: Nutze Evaluation-Daten in AI-Prompts
- Periodisierungs-Warnungen im Dashboard
- Leistungsentwicklung-Charts
- Historische Re-Evaluation (Batch-Job über Admin-Panel)
**Was denkst du zu diesem erweiterten Ansatz?**
File diff suppressed because it is too large. Load diff
File diff suppressed because it is too large. Load diff