# Konzept – Diagramme, Scores und regelbasierte Auswertungen für Mitai Jinkendo

**Stand:** 24.03.2026  
**Ziel:** Fachlich belastbares Konzept für Diagramme, Kennzahlen, Scores, Warnungen und regelbasierte Empfehlungen **ohne KI**, aber so strukturiert, dass ein Coding Agent es direkt umsetzen kann.  
**Basis:** Analyse des hochgeladenen Datenmodells `DATA_ARCHITECTURE.md` (Gewicht, Umfänge, Caliper, Aktivitäten, Vitalwerte, Blutdruck, Schlaf, Ernährung, geplante Recovery-/Korrelations-Logik).  

---

## 1. Zielbild

Das System soll vor einer späteren KI-Stufe bereits drei Ebenen sauber abdecken:

1. **Deskriptiv:** Was ist passiert?
   - Zeitreihen, Verteilungen, Trends, Volumina, Zielabweichungen
2. **Diagnostisch:** Was hängt wahrscheinlich zusammen?
   - Lag-basierte Zusammenhänge, Baseline-Abweichungen, Muster, Plateaus, Wechselwirkungen
3. **Präskriptiv (regelbasiert, nicht KI):** Was ist als nächste Handlung naheliegend?
   - konkrete, nachvollziehbare Hinweise mit Trigger-Logik und Vertrauensstufe

Wichtig ist, dass das System **zielabhängig** interpretiert:
- Gewichtsreduktion
- Muskel-/Kraftaufbau
- Konditions-/Ausdaueraufbau
- Körperrekomposition
- allgemeine Gesundheit
- Mischziele

Dasselbe Rohsignal kann je nach Ziel anders bewertet werden. Ein Kaloriendefizit ist z. B. bei Gewichtsreduktion oft positiv, bei Kraftaufbau aber potenziell hinderlich.

---

## 2. Fachliche Bewertung des aktuellen Datenmodells

## 2.1 Stärken des vorhandenen Modells

Das vorhandene Modell ist bereits ungewöhnlich stark, weil es mehrere Domänen zusammenführt:
- **Körper:** Gewicht, Umfänge, Caliper, BF%, LBM, FM
- **Aktivität:** Trainingstypen, Qualität, Dauer, HR, Kalorien, Fähigkeiten-Beitrag
- **Recovery / Gesundheit:** RHR, HRV, VO2max, SpO2, Atemfrequenz, Blutdruck
- **Lifestyle:** Schlafdauer, Schlafsegmente, Ernährung, Ruhetage
- **Korrelationen / spätere KI:** bereits als Richtung angelegt

Dadurch sind nicht nur Einzelcharts möglich, sondern **wirkliche Mehrfaktorauswertungen**. Das ist ein zentraler Vorteil des Modells.

## 2.2 Fachliche Schwächen / Risiken im aktuellen Konzept

### A. Recovery Score aktuell zu grob
Die aktuell vorgesehene Recovery-Logik (HRV vs. 7-Tage-Mittel, RHR invertiert, Schlafqualität) ist als Startpunkt brauchbar, aber fachlich zu fragil für harte Entscheidungen.

Probleme:
- HRV ist stark mess- und tagesformabhängig.
- Ein bloßer Quotient gegen den 7-Tage-Mittelwert ist ausreißeranfällig.
- Es fehlt eine **Messqualitätslogik**.
- Es fehlt eine **individuelle Normalzone** statt reinem Durchschnitt.
- Es fehlt eine **Kontextlogik** für Schlafschuld, Vorbelastung und Messlücken.

### B. Trainingsqualität darf nicht HR-zentriert sein
Die vorhandene `quality_label`-Logik ist für Cardio sinnvoll, aber nicht für alle Trainingstypen. Krafttraining, Mobility, Meditation oder Techniktraining dürfen nicht primär an Avg-HR/Max-HR gemessen werden.

### C. BMI nur als Nebenindikator
BMI kann angezeigt werden, sollte aber im System **nicht dominant** interpretiert werden, wenn bereits BF%, LBM und Umfänge vorliegen.

### D. Korrelationen nicht als simples Pearson auf Rohzeitreihen
Reine Pearson-Korrelationen auf gleitenden Alltagsdaten können bei Trends, Saisonmustern und Lags irreführend sein. Für Trainings- und Ernährungsdaten sind **Verzögerungen (lags)**, Detrending und Mindeststichproben deutlich robuster.

### E. Zielbezug fehlt noch als Steuerungszentrum
Fachlich entscheidend ist ein expliziter `goal_mode`, der Score-Gewichtung, Diagramm-Priorisierung und Textbewertung steuert.

---

## 3. Zwingende Analyse-Prinzipien für alle Diagramme und Scores

Diese Regeln sollten global gelten.

## 3.1 Analysefenster
Für fast alle Kennzahlen sollten parallel drei Ebenen geführt werden:
- **kurzfristig:** 7 Tage
- **mittelfristig:** 28 Tage
- **langfristig:** 90 Tage

Empfehlung:
- 7 Tage = Tagesform / Reaktion
- 28 Tage = Verhalten / Adhärenz
- 90 Tage = echte Entwicklung

## 3.2 Mindestdatenmenge / Confidence
Jede Auswertung bekommt eine **Confidence-Klasse**:
- **hoch** = ausreichend Daten, wenig Lücken, mehrere Messpunkte
- **mittel** = brauchbar, aber eingeschränkt
- **niedrig** = nur orientierend
- **nicht auswertbar** = Datenbasis zu klein

Default-Regeln:
- 7d-Auswertung nur ab **mind. 4 gültigen Tagen**
- 28d-Auswertung nur ab **mind. 18 gültigen Tagen**
- 90d-Auswertung nur ab **mind. 60 gültigen Tagen**
- Korrelationen nur ab **mind. 21 gepaarten Tageswerten**
- lag-basierte Korrelationen nur ab **mind. 28 gepaarten Tagen**

## 3.3 Ausreißerbehandlung
Für Gewicht, HRV, RHR, Blutdruck, Schlaf und Ernährung sollten extreme Einzelwerte nicht direkt in Scores laufen.

Empfehlung:
- primär **Rolling Median** oder **EWMA** für Trenddarstellung
- Ausreißererkennung per **Hampel Filter** oder Winsorizing
- Rohwert bleibt sichtbar, geht aber nicht ungefiltert in Score-Berechnung

## 3.4 Individuelle Baselines statt nur Normwerte
Für Sport- und Recovery-Daten sind **intraindividuelle Baselines** oft wichtiger als Populationsnormen.

Empfehlung:
- HRV, RHR, Schlafdauer, Blutdruck, Gewicht, Trainingsvolumen immer gegen
  - 7d Trend
  - 28d Baseline
  - optional 90d Baseline
  vergleichen

## 3.5 Lags immer mitdenken
Viele Effekte sind verzögert:
- Kalorienbilanz → Gewicht oft mit 2–14 Tagen Verzögerung
- Protein / Krafttraining → LBM eher mit 2–6 Wochen Verzögerung
- Trainingslast → HRV/RHR häufig mit 1–3 Tagen Verzögerung
- Schlafdefizit → Recovery / Leistung typischerweise 1–3 Tage verzögert

Darum sollen Korrelationen nie nur `lag=0` prüfen.

## 3.6 Medizinischer Sicherheitsmodus
Gesundheitsnahe Kennzahlen müssen in drei Schichten bewertet werden:
- **Info**
- **Hinweis**
- **Abklärung empfohlen**

Das System darf motivieren und priorisieren, aber **nicht diagnostizieren**.

---

## 4. Zusätzliche Felder, die fachlich sehr sinnvoll wären

Diese Felder sind nicht zwingend für die erste Umsetzung, würden aber die Qualität stark erhöhen:

### Pflichtnah für Phase 2
- `goal_mode` (weight_loss, strength, endurance, recomposition, health)
- `secondary_goals[]`
- `goal_priority_weights`
- `training_age` / Trainingserfahrung
- `measurement_time_consistency` (z. B. Gewicht morgens nüchtern ja/nein)
- `illness_flag`
- `travel_flag`
- `competition_flag`

### Sehr wertvoll
- subjektive Belastung / `session_rpe`
- subjektive Müdigkeit / `fatigue_score`
- subjektive Schlafqualität, wenn Gerätedaten fehlen
- Schrittzahl / Alltagsbewegung
- geschätzter Grundumsatz / TDEE
- Taillenumfang-zu-Körpergröße (`waist_to_height_ratio`)
- standardisierte Blutdruck-Heimmessung-Markierung

Ohne diese Felder bleiben einige Interpretationen möglich, aber weniger präzise.

---

## 5. Ziel-Modi und ihre Wirkung auf Diagramme und Scores

## 5.1 Ziel-Modi

```yaml
goal_modes:
  weight_loss:
    focus: [fettmasse, gewichtstrend, kalorienbilanz, protein_sicherung, aktivitaetsvolumen, schlaf]
  strength:
    focus: [trainingsqualitaet, protein, lbm, recovery, progressionslogik, schlaf]
  endurance:
    focus: [trainingsvolumen, intensitaetsverteilung, vo2max, recovery, schlaf, energieverfuegbarkeit]
  recomposition:
    focus: [lbm, fettmasse, protein, trainingsqualitaet, kalorienbalance, schlaf]
  health:
    focus: [bewegung, blutdruck, schlaf, gewicht, taille, regelmaessigkeit, moderates trainingsvolumen]
```

## 5.2 Score-Gewichtung je Ziel

```yaml
score_weights:
  weight_loss:
    body_progress: 0.30
    nutrition: 0.25
    activity: 0.20
    recovery: 0.15
    health_risk: 0.10
  strength:
    body_progress: 0.20
    nutrition: 0.25
    activity: 0.30
    recovery: 0.20
    health_risk: 0.05
  endurance:
    body_progress: 0.10
    nutrition: 0.20
    activity: 0.35
    recovery: 0.25
    health_risk: 0.10
  recomposition:
    body_progress: 0.30
    nutrition: 0.25
    activity: 0.25
    recovery: 0.15
    health_risk: 0.05
  health:
    body_progress: 0.20
    nutrition: 0.20
    activity: 0.20
    recovery: 0.20
    health_risk: 0.20
```

---

## 6. Kategoriemodell für Visualisierungen

Die Diagramme werden in vier Hauptgruppen ausgeliefert:
- **Körper**
- **Ernährung**
- **Aktivität**
- **Korrelation**

Jede Visualisierung erhält:
- `chart_id`
- `category`
- `title`
- `purpose`
- `required_fields`
- `optional_fields`
- `derived_metrics`
- `aggregation`
- `default_range`
- `goal_relevance`
- `interpretation_rules`
- `recommendation_rules`
- `confidence_logic`

---

## 7. Diagrammkatalog – KÖRPER

## K1. Gewichtstrend + Trendkanal + Zielprojektion

**Typ:** Linienchart mit Trendband  
**Ziel:** echte Entwicklung statt Tagesrauschen sichtbar machen

**Einzubeziehende Werte**
- `weight.value`
- Profilgröße für BMI optional
- Zielgewicht
- Startgewicht

**Berechnungen**
- Tagesgewicht (Rohwerte)
- 7d Rolling Median
- 28d Trend-Slope
- 90d Trend-Slope
- Zielprojektion auf Basis 28d-Trend
- prozentuale Zielannäherung

**Aussagen**
- Gewicht sinkt/stagniert/steigt
- Trend ist stabil oder volatil
- aktuelles Tempo ist schneller/langsamer als nachhaltiger Zielkorridor

**Regelbasierte Hinweise**
- bei Gewichtsreduktion: Warnung, wenn 28d-Trend = flach und dokumentierte Energiebilanz im Defizit
- Hinweis, wenn Gewichtsverlust sehr schnell ist und gleichzeitig LBM sinkt
- Hinweis auf Messrauschen, wenn Tagesvolatilität hoch, aber 28d-Trend stabil

**Coding-Hinweis**
- Rohwerte immer mit anzeigen, aber Standardfokus auf geglättetem Trend

---

## K2. Körperzusammensetzung: Gewicht vs. Fettmasse vs. Magermasse

**Typ:** kombinierter Linienchart oder gestapelter Flächenchart  
**Ziel:** Gewichtsänderung in Bestandteile zerlegen

**Einzubeziehende Werte**
- Gewicht
- BF%
- FM
- LBM

**Berechnungen**
- FM = Gewicht × BF%
- LBM = Gewicht × (1 - BF%)
- 28d- und 90d-Änderung von FM und LBM

**Aussagen**
- Gewichtsverlust stammt überwiegend aus Fettmasse
- Gewichtsverlust geht mit LBM-Verlust einher
- Gewicht bleibt stabil, aber Rekomposition liegt vor

**Regelbasierte Hinweise**
- positiv bei Gewichtsreduktion/Rekomposition: FM runter, LBM stabil
- kritisch bei Kraftziel: LBM sinkt trotz Training/Protein
- positiv bei Kraftziel: LBM steigt bei stabiler oder leicht sinkender FM

**Wichtig**
- BF%-Messungen via Caliper sind nützlich, aber messfehleranfällig; deshalb Confidence reduzieren, wenn Messfrequenz niedrig oder Abstände stark unregelmäßig sind

---

## K3. Umfangs-Panel als Small Multiples

**Typ:** 8 Mini-Liniencharts statt Radar als Standard  
**Ziel:** lokale Veränderungen sichtbar machen

**Einzubeziehende Werte**
- chest
- waist
- hip
- arm
- thigh_l / thigh_r
- calf_l / calf_r

**Berechnungen**
- 28d und 90d Delta je Umfang
- links-rechts Asymmetrie bei Bein/Wade
- optional Verhältnis Taille/Hüfte
- optional Taille/Körpergröße

**Aussagen**
- zentrale Adiposität verändert sich
- Muskelaufbau eher Oberkörper/Arme/Beine
- Asymmetrien wachsen oder sinken

**Regelbasierte Hinweise**
- Gewichtsverlust ohne sinkende Taille = möglicher Hinweis auf Wasser-/Mess- oder Adhärenzthema
- Taillenumfang sinkt trotz stabilem Gewicht = sehr positives Signal für Rekomposition
- starke Seitendifferenz = Asymmetrie-Hinweis

---

## K4. Rekompositions-Detektor

**Typ:** Quadranten-Chart  
**X-Achse:** 28d Δ FM  
**Y-Achse:** 28d Δ LBM

**Quadrantenlogik**
- **optimal recomposition:** FM runter, LBM rauf
- **cut with risk:** FM runter, LBM runter
- **bulk / gain:** FM rauf, LBM rauf
- **unfavorable:** FM rauf, LBM runter

**Ziel:** schnelle Interpretation komplexer Körperveränderung

**Einsatz:** besonders stark für Mischziele

---

## K5. Body Progress Score (0–100)

**Typ:** Score + Sparklines  
**Ziel:** Zielbezogene Gesamtbewertung der Körperentwicklung

**Komponenten je Zielmodus**

```yaml
body_progress_score:
  weight_loss:
    fm_change: 0.40
    waist_change: 0.25
    weight_trend: 0.20
    lbm_preservation: 0.15
  strength:
    lbm_change: 0.45
    arm_thigh_change: 0.20
    weight_trend: 0.10
    bf_stability: 0.10
    waist_stability: 0.15
  recomposition:
    fm_change: 0.35
    lbm_change: 0.35
    waist_change: 0.20
    weight_neutrality: 0.10
```

**Regel**
- Score nur anzeigen, wenn in den letzten 28 Tagen ausreichende Körperdaten vorliegen

---

## 8. Diagrammkatalog – ERNÄHRUNG

## E1. Energieaufnahme vs. geschätzter Energieverbrauch vs. Gewichtstrend

**Typ:** kombinierter Linien-/Balkenchart  
**Ziel:** Energielogik in Relation zum Gewicht sichtbar machen

**Einzubeziehende Werte**
- Kalorienaufnahme täglich
- Trainingskalorien
- optional geschätzter Grundumsatz / TDEE
- Gewichtstrend

**Berechnungen**
- tägliche Aufnahme
- 7d Durchschnitt Aufnahme
- Energieüberschuss/-defizit
- 7d geglättete Bilanz
- lagged comparison zur Gewichtsentwicklung (3d, 7d, 14d)

**Aussagen**
- Bilanz passt nicht zur Gewichtsrealität
- Wochenendeffekt vorhanden
- Intake ist hoch volatil

**Regelbasierte Hinweise**
- Gewicht sinkt nicht trotz dokumentiertem Defizit → Messlücke, Verbrauchsüberschätzung oder kurze Beobachtungsdauer möglich
- anhaltend großes Defizit + Recovery-Verschlechterung → Belastungshinweis
- deutliche Intake-Volatilität → Adhärenz-Hinweis

**Wichtige fachliche Anmerkung**
Trainingskalorien aus Wearables sind ungenau. Für Scores sollten sie mit geringerer Priorität eingehen als dokumentierte Zufuhr und Gewichtsrealität.

---

## E2. Protein adequacy chart (g/Tag, g/kg KG, optional g/kg LBM)

**Typ:** Linienchart mit Zielband  
**Ziel:** Protein nicht nur absolut, sondern relativ interpretieren

**Einzubeziehende Werte**
- Protein g
- Körpergewicht
- optional LBM
- Zielmodus

**Berechnungen**
- Protein absolut
- Protein g/kg Körpergewicht
- optional Protein g/kg LBM
- 7d und 28d Mittel
- Tage im Zielbereich

**Default-Referenzlogik**
- allgemeine Aktivität / Gewichtsreduktion: individueller Zielkorridor konfigurierbar
- Kraft/Rekomposition: höherer Zielkorridor
- App-seitig als konfigurierbare Logik aufsetzen, nicht als starren globalen Wert

**Mindestfachliche Defaults**
- für trainierende Personen ist höhere Proteinzufuhr als bei Inaktiven sinnvoll
- pro Mahlzeit bzw. Portion sind 20–40 g bzw. etwa 0,25 g/kg hochwertige Proteinmenge ein belastbarer Referenzanker

**Regelbasierte Hinweise**
- Kraftziel + Protein an <4 Tagen/Woche im Zielband → Protein-Hinweis
- Defizitphase + Protein unter Zielband → Hinweis auf erhöhtes LBM-Verlustrisiko

---

## E3. Makroverteilung und Wochenkonsistenz

**Typ:** 100%-gestapelter Wochenbalken + Streuungsindikator  
**Ziel:** weniger „Makro-Schönheit“, mehr Verhaltenskonsistenz

**Einzubeziehende Werte**
- Protein
- Fett
- Kohlenhydrate
- Kalorien
- optional Zucker
- optional Ballaststoffe

**Berechnungen**
- Wochenmittel je Makro
- Variationskoeffizient
- Wochenende vs. Werktag

**Aussagen**
- stark schwankende Ernährung
- proteinarm an Belastungstagen
- hoher Zuckerschwerpunkt bei gleichzeitig niedrigem Ballaststoffniveau

**Regelbasierte Hinweise**
- bei Gesundheit/Zielreduktion: hoher Zucker + niedrige Ballaststoffe → Qualitäts-Hinweis
- bei Ausdauer: Kohlenhydrate an Belastungstagen zu niedrig → Performance-Hinweis

---

## E4. Ernährungs-Adhärenz-Score (0–100)

**Typ:** Scorecard  
**Ziel:** nicht die „perfekte Ernährung“, sondern Zieltreue messen

**Komponenten**

```yaml
nutrition_score:
  weight_loss:
    calorie_target_adherence: 0.35
    protein_target_adherence: 0.25
    intake_consistency: 0.20
    fiber_or_food_quality: 0.10
    sugar_control: 0.10
  strength:
    protein_target_adherence: 0.35
    calorie_support: 0.25
    intake_consistency: 0.20
    carb_support_on_training_days: 0.20
  endurance:
    energy_adequacy: 0.30
    carb_support: 0.30
    protein_adequacy: 0.20
    intake_consistency: 0.20
```

**Hinweis**
Ballaststoffe und Zucker nur dann relevant gewichten, wenn Datenqualität ausreichend ist.

---

## E5. Energieverfügbarkeits-Warnung (heuristisch, klar als Heuristik markieren)

**Typ:** Ampel / Warnkarte  
**Ziel:** Unterversorgung erkennen, ohne klinische Diagnose zu behaupten

**Einzubeziehende Werte**
- Kalorienaufnahme
- Trainingskalorien
- Gewichtstrend
- Recovery Score
- Schlaf
- ggf. LBM

**Heuristische Trigger**
- anhaltendes großes Defizit über mehrere Tage/Wochen
- Recovery sinkt gleichzeitig
- Schlaf verschlechtert sich gleichzeitig
- LBM sinkt gleichzeitig

**Ausgabe**
- „mögliche Unterversorgung / zu aggressives Defizit“
- keine Diagnoseformulierung

---

## 9. Diagrammkatalog – AKTIVITÄT

## A1. Trainingsvolumen pro Woche

**Typ:** gestapelte Wochenbalken  
**Ziel:** Umfang und Mix sichtbar machen

**Einzubeziehende Werte**
- Dauer
- Trainingskalorien
- Trainingstyp
- quality_label

**Berechnungen**
- Einheiten pro Woche
- Minuten pro Woche
- Minuten je Kategorie
- Anteil qualitativ brauchbarer Sessions

**Aussagen**
- Training ist regelmäßig oder sprunghaft
- relevante Kategorien fehlen
- „viel trainiert“ vs. „viel dokumentiert, aber wenig qualitativ“

---

## A2. Intensitätsverteilung / Zonenbild

**Typ:** gestapelter Flächenchart oder Wochenbalken  
**Ziel:** Intensitätsmuster sichtbar machen

**Einzubeziehende Werte**
- HR-Zonen-Verteilung, sobald vorhanden
- bis dahin: `avg_hr`, `max_hr`, `quality_label`, Trainingstyp

**Fallback-Logik ohne echte Zonen**
- Proxy-Intensität in 3 Stufen:
  - niedrig
  - moderat
  - hoch
- Ableitung aus Kombination von Dauer, avg_hr, max_hr und Typ

**Aussagen**
- Ausdauerziel: zu wenig Grundlagentraining oder zu viel harte Belastung
- Gesundheit: Bewegung vorhanden, aber kaum moderat/vigorous
- Kraftziel: hohe HR ist kein Muss, daher Zonen nur begrenzt gewichten

---

## A3. Trainingsqualitäts-Matrix

**Typ:** Heatmap  
**Achsen:** Woche × Trainingstyp  
**Ziel:** Qualität nicht nur als Einzelbadge, sondern als Muster darstellen

**Einzubeziehende Werte**
- training_type
- quality_label
- duration
- avg_hr / max_hr optional

**Darstellung**
- Zellenfarbe = mittlere Qualitätsstufe
- Zellgröße optional = Anzahl Sessions

**Nutzen**
- zeigt, ob bestimmte Typen regelmäßig unter Mindestqualität bleiben
- sehr gut für Coaching und Programmsteuerung

---

## A4. Fähigkeiten-Balance / Ability Radar

**Typ:** Radar + Zeittrend  
**Ziel:** zeigen, welche Entwicklungsdimensionen systematisch trainiert werden

**Einzubeziehende Werte**
- `training_types.abilities`
- Aktivitäten
- Dauer / Qualität

**Berechnungen**
- wöchentlicher Ability Load je Dimension
- geglätteter 28d-Wert
- Balance-Index

**Dimensionen**
- Kraft
- Ausdauer
- Mental
- Koordination
- Mobilität

**Aussagen**
- Training ist einseitig
- Mobilität/Mental fehlen
- gute Balance oder starke Spezialisierung

**Regelbasierte Hinweise**
- bei Stagnation und sehr einseitiger Belastung → Balance-Hinweis
- bei Gesundheit/Zielbreite → zu schmale Bewegungsbasis

---

## A5. Load-Monitoring: interne Last, Monotony, Strain

**Typ:** Wochenchart mit Warnbändern  
**Ziel:** Belastungssteuerung sichtbar machen

**Wichtiger fachlicher Hinweis**
Da `session_rpe` aktuell fehlt, sollte ein **Proxy-Load** verwendet werden und klar als Proxy gekennzeichnet sein.

**Proxy-Load-Vorschlag**

```yaml
proxy_internal_load:
  formula: duration_min * intensity_factor * quality_factor
  intensity_factor:
    low: 1.0
    moderate: 1.5
    high: 2.0
  quality_factor:
    excellent: 1.15
    very_good: 1.05
    good: 1.0
    acceptable: 0.9
    poor: 0.75
    excluded: 0.0
```

**Darstellungen**
- Wochenlast
- Monotony = Wochenmittel / Wochen-Standardabweichung
- Strain = Wochenlast × Monotony

**Wichtiger Hinweis**
Monotony/Strain sind nützliche Coach-Metriken, aber **nicht als medizinische Wahrheit** interpretieren.

---

## A6. Aktivitäts-Goal-Alignment-Score (0–100)

**Typ:** Scorecard  
**Ziel:** Training im Verhältnis zum Nutzerziel bewerten

**Beispiel-Logik**

```yaml
activity_score:
  weight_loss:
    weekly_minutes: 0.25
    frequency: 0.20
    quality_sessions: 0.20
    strength_presence: 0.15
    activity_consistency: 0.20
  strength:
    strength_session_presence: 0.35
    quality_strength_sessions: 0.25
    recovery_respect: 0.15
    supportive_cardio: 0.10
    consistency: 0.15
  endurance:
    weekly_minutes: 0.25
    intensity_distribution: 0.25
    frequency: 0.20
    load_progression: 0.15
    recovery_respect: 0.15
```

---

## A7. Ruhetags-/Recovery-Compliance

**Typ:** Kalender-Heatmap  
**Ziel:** zeigen, ob Belastung und Erholung zusammenpassen

**Einzubeziehende Werte**
- geplante Ruhetage
- tatsächliche Aktivitäten
- Recovery Score
- Schlafschuld

**Aussagen**
- Ruhetag wird respektiert oder regelmäßig „durchtrainiert“
- schlechte Recovery trotz fehlender Ruhetage
- unnötig viele Ruhetage bei Leistungsziel

---

## A8. VO2max-Entwicklung

**Typ:** Linienchart  
**Ziel:** kardiorespiratorische Entwicklung sichtbar machen

**Einzubeziehende Werte**
- VO2max
- Aktivitätsvolumen
- Intensitätsverteilung
- Ruhepuls optional

**Regelbasierte Hinweise**
- steigendes Volumen ohne VO2max-Fortschritt → Programm-/Intensitätsfrage
- sinkende VO2max + sinkende Aktivität → Deconditioning-Hinweis
- bei Kraftziel nur sekundär priorisieren

---

## 10. Diagrammkatalog – KORRELATIONEN / KOMPLEXE ZUSAMMENHÄNGE

## Grundsatz
Korrelationen müssen **explizit als explorativ** gekennzeichnet sein. Sie zeigen Hinweise, keine Beweise.

Jeder Korrelationschart bekommt:
- Effektstärke
- Vorzeichen
- bestes Lag-Fenster
- Datenanzahl
- Confidence
- Text: „Hinweis“, nicht „Ursache“

---

## C1. Energie-Balance vs. Gewichtsveränderung (lagged)

**Typ:** Lag-Heatmap oder Cross-Correlation Panel  
**Ziel:** erkennen, nach wie vielen Tagen Energiebilanz und Gewicht am plausibelsten zusammenlaufen

**Einzubeziehende Werte**
- tägliche Kalorienbilanz
- 7d Gewichtsänderung

**Lags**
- 0, 3, 7, 10, 14 Tage

**Ausgabe**
- bestes Lag
- Richtung des Zusammenhangs
- Confidence

**Nutzen**
- deutlich besser als einfache Same-Day-Pearson-Korrelation

---

## C2. Protein adequacy vs. LBM-Trend

**Typ:** Scatter + Trend + 28d Fenstervergleich  
**Ziel:** erkennen, ob Proteinversorgung mit Magermasse-Stabilität oder -Anstieg einhergeht

**Einzubeziehende Werte**
- Protein g/kg
- LBM
- Krafttrainingslast

**Hinweis**
Protein nie isoliert interpretieren; Training muss als Moderator mitgedacht werden.

---

## C3. Trainingslast vs. HRV/RHR (1–3 Tage verzögert)

**Typ:** duale Lag-Auswertung  
**Ziel:** individuelle Ermüdungsreaktion erkennen

**Einzubeziehende Werte**
- Proxy-Load / Volumen
- HRV
- RHR
- Schlaf

**Lags**
- 1, 2, 3 Tage

**Aussagen**
- hohe Last führt individuell eher zu HRV-Abfall / RHR-Anstieg
- keine klare Reaktion erkennbar
- Reaktion nur bei Schlafmangel ausgeprägt

---

## C4. Schlafdauer + Schlafregularität vs. Recovery

**Typ:** Bubble-/Quadrantenchart  
**Achsen:** Schlafdauer, Schlafregularität  
**Bubble:** Recovery Score

**Ziel:** zeigen, dass nicht nur Menge, sondern auch Regelmäßigkeit relevant ist

**Einzubeziehende Werte**
- Schlafdauer
- Bedtime/Waketime
- daraus Sleep Regularity Index oder einfacher Regularity Proxy
- Recovery Score

**Empfehlung**
Mindestens eine einfache Regularitätsmetrik ergänzen:

```yaml
sleep_regularity_proxy:
  inputs: [bedtime, waketime]
  metric: mean_absolute_shift_from_previous_day_minutes
  lower_is_better: true
```

Optional später:
- echter `Sleep Regularity Index (SRI)`

---

## C5. Blutdruck-Kontextmatrix vs. Schlaf / Training / Stress-naher Kontext

**Typ:** Matrix / Boxplots nach Kontext  
**Ziel:** nicht nur Höhe, sondern Situation verstehen

**Einzubeziehende Werte**
- systolisch
- diastolisch
- Puls
- Messkontext
- Schlaf der Vor-Nacht
- Training am selben / Vortag

**Aussagen**
- Blutdruck morgens systematisch höher
- Training scheint akut positiv/neutral/negativ assoziiert
- Stress-Kontexte sind Ausreißerträger

**Medizinischer Hinweis**
Das System soll hier eher **Screening-/Monitoring-Logik** abbilden, nicht Diagnose.

---

## C6. Plateau-Detektor

**Typ:** Ereignis-Karte / Warnpanel  
**Ziel:** „viel Einsatz, wenig Fortschritt“ identifizieren

**Plateau-Definitionen je Zielmodus**

```yaml
plateau_logic:
  weight_loss:
    condition:
      - 28d_weight_slope_flat
      - waist_change_small
      - adherence_high
  strength:
    condition:
      - activity_score_high
      - lbm_change_flat
      - recovery_low_or_variable
  endurance:
    condition:
      - volume_high
      - vo2max_flat
      - monotony_high
```

**Ausgabe**
- Plateau wahrscheinlich / möglich / nicht erkennbar
- Top-3 plausible Einflussfaktoren

---

## C7. Multi-Faktor Driver Panel

**Typ:** priorisierte Einflusskarten  
**Ziel:** ohne KI eine „Top-Treiber“-Ansicht erzeugen

**Mechanik**
Das System bewertet für ein Ziel die wichtigsten beeinflussbaren Faktoren regelbasiert:
- Energie
- Protein
- Schlafdauer
- Schlafregelmäßigkeit
- Trainingskonsistenz
- Qualitätsanteil
- Recovery
- Ruhetagsrespekt

**Ausgabe pro Faktor**
- Status: förderlich / neutral / hinderlich
- Evidenz: hoch / mittel / niedrig
- Begründung: 1 Satz

Das ist eine sehr starke Brücke zur späteren KI-Stufe.

---

## 11. Zentrale Scores

## S1. Recovery / Readiness Score (verbesserte Version)

Die bestehende Idee ist gut, sollte aber robuster umgesetzt werden.

### Eingangswerte
- HRV vs. 28d Baseline
- RHR vs. 28d Baseline
- Schlafdauer vs. Ziel
- Schlafschuld
- Schlafregularität
- Vorbelastung 1–3 Tage
- Messqualität / Datenvollständigkeit

### Empfohlene Logik
Nicht rohe Quotienten, sondern normalisierte Abweichungszonen.

```yaml
recovery_score:
  components:
    hrv_status: 0.25
    rhr_status: 0.20
    sleep_duration: 0.20
    sleep_debt: 0.10
    sleep_regularity: 0.10
    recent_load_balance: 0.10
    data_quality: 0.05
  output:
    0_39: low
    40_59: strained
    60_79: normal
    80_100: ready
```

### Zusätzliche Regeln
- Kein Score bei zu wenigen validen Datenpunkten
- Fallback-Modus ohne HRV möglich
- Separate Anzeige „Messqualität“

---

## S2. Health Risk / Health Stability Score

**Typ:** Score 0–100  
**Ziel:** allgemeine Gesundheitsstabilität abbilden

**Komponenten**
- Blutdruckstatus
- Schlafbasis
- Bewegungsbasis
- Gewicht/Umfangsrisiko
- Regelmäßigkeit

**Hinweis**
Dieser Score ist für allgemeine Gesundheit sehr sinnvoll, aber für Leistungssport sekundär.

---

## S3. Goal Progress Score (Meta-Score)

**Typ:** Zielabhängiger Gesamtscore  
**Formel:** gewichtete Summe aus Body, Nutrition, Activity, Recovery, Health Risk

**Regeln**
- nie ohne Teilscore-Transparenz anzeigen
- immer mit Treiberaufschlüsselung
- nie als „Gesundheitsnote“ formulieren

---

## S4. Data Quality Score

**Typ:** technischer Fachscore  
**Ziel:** schlechte Daten nicht mit scheinbarer Präzision interpretieren

**Komponenten**
- Messhäufigkeit
- Regelmäßigkeit
- Lücken
- Konsistenz
- Anzahl gepaarter Datenpunkte für Korrelationen

Dieser Score ist extrem wichtig. Ohne ihn werden schlechte Daten zu scheinbar präzisen Aussagen führen.

---

## 12. Regelbasierte Aussagen und Empfehlungen ohne KI

Die Formulierungen sollten knapp, neutral und nachvollziehbar sein.

## 12.1 Beispiel-Statements – Gewichtsreduktion

### Positiv
- „Dein 28-Tage-Trend zeigt eine stabile Gewichtsabnahme innerhalb eines nachhaltigen Bereichs.“
- „Der Taillenumfang sinkt parallel zum Gewicht. Das spricht für echten Fortschritt.“
- „Die Magermasse ist trotz Defizit stabil. Das ist in einer Reduktionsphase ein gutes Signal.“

### Neutral / Beobachtung
- „Die Tageswerte schwanken deutlich, der 28-Tage-Trend ist aber nahezu stabil.“
- „Die dokumentierte Kalorienbilanz spricht für ein Defizit, das Gewicht reagiert bisher aber nur schwach.“

### Kritisch
- „Die Magermasse sinkt parallel zur Gewichtsabnahme. Prüfe Defizithöhe, Protein und Krafttraining.“
- „Der Gewichtsverlauf stagniert seit 4 Wochen trotz hoher Dokumentationsrate.“
- „Das Defizit wirkt im Verhältnis zu Recovery und Schlaf aktuell eher aggressiv.“

## 12.2 Beispiel-Statements – Kraftaufbau
- „Dein Trainingsmuster ist konsistent, die Körperdaten zeigen aber noch keinen klaren LBM-Anstieg.“
- „Die Proteinzufuhr liegt an mehreren Tagen unter dem Zielbereich für dein Kraftziel.“
- „Recovery und Schlaf sprechen aktuell gegen weitere Steigerung der Trainingslast.“
- „Deine Ability-Balance ist stark kraftlastig, Mobilität und Regeneration sind schwach ausgeprägt.“

## 12.3 Beispiel-Statements – Ausdauer
- „Die Wochenminuten steigen, aber die Intensitätsverteilung ist unausgeglichen.“
- „VO2max verbessert sich trotz Trainingsvolumen derzeit nicht sichtbar.“
- „Die letzten Wochen zeigen hohe Monotonie. Das spricht für wenig Variation in der Belastung.“

## 12.4 Beispiel-Statements – Gesundheit
- „Dein Schlaf liegt wiederholt unter 7 Stunden und ist unregelmäßig.“
- „Die Bewegung erfüllt den Mindestrahmen teilweise, Kraftreize fehlen jedoch.“
- „Deine Blutdruckwerte sollten im Verlauf enger beobachtet werden, insbesondere im Morgenkontext.“

---

## 13. Medizinische und fachliche Grenzlogik

## 13.1 Bewegung
Für erwachsene Personen sind als allgemeiner Gesundheitsrahmen mindestens **150–300 Minuten moderate** oder **75–150 Minuten intensive** Aktivität pro Woche plus **Muskelkräftigung an mindestens 2 Tagen/Woche** ein sinnvoller Referenzrahmen. Dieser Rahmen ist für die Kategorie „Gesundheit“ wichtig, aber nicht automatisch Leistungsoptimum. [R1]

## 13.2 Schlaf
Für Erwachsene ist **7+ Stunden Schlaf pro Nacht** ein belastbarer allgemeiner Mindestanker. Schlafdauer allein reicht aber nicht; Regelmäßigkeit und Qualität sind zusätzlich relevant. [R2][R8][R9]

## 13.3 Protein
Für Trainierende ist eine relativ höhere Proteinzufuhr fachlich sinnvoll; als gut belastbare Referenz für die Darstellung eignen sich **20–40 g pro Proteinportion** oder etwa **0,25 g/kg pro Portion**. Tagesziele sollten zielabhängig und konfigurierbar sein. [R3]

## 13.4 Blutdruck
Die App sollte sich in der Darstellung am aktuellen europäischen Begriffsrahmen orientieren: **elevated BP** bei Büro-/Praxiswerten **120–139 systolisch oder 70–89 diastolisch**, Hypertonie wie bisher ab **≥140/90 mmHg**. Für die App heißt das: Verlauf und Kontext zeigen, aber Diagnose vermeiden. [R4]

## 13.5 Trainingslast
Trainingsmonitoring ist fachlich sinnvoll, aber nie mit nur einer Kennzahl. Deshalb sollten Last, Erholung, Schlaf und Ziel-Fortschritt immer gemeinsam interpretiert werden. [R5]

---

## 14. Priorisierte Umsetzungsreihenfolge

## Phase 1 – sofort umsetzen
1. Gewichtstrend + Zielprojektion
2. Gewicht/FM/LBM-Chart
3. Umfangs-Panel
4. Energieaufnahme vs. Gewichtstrend
5. Protein adequacy chart
6. Trainingsvolumen pro Woche
7. Trainingsqualitäts-Matrix
8. Recovery Score verbessert
9. Goal Progress Score
10. einfache Korrelationen mit Confidence und Mindestdatenlogik

## Phase 2 – stark empfohlen
1. Sleep Regularity Proxy
2. Lag-Korrelationen
3. Plateaudetektor
4. Driver Panel
5. Health Stability Score
6. Ability-Balance-Radar
7. Ruhetags-/Recovery-Compliance

## Phase 3 – Vorbereitung für KI
1. Feature Store je 7/28/90 Tage
2. erklärbare Vorstufen-Texte aus Regeln
3. Ereignismarker (Infekt, Reise, Wettkampf, Stressphasen)
4. subjektive Daten (RPE, Müdigkeit, Schmerz, Motivation)

---

## 15. Konkrete technische Spezifikation für den Coding Agent

## 15.1 Chart Definition Contract

```json
{
  "chart_id": "K1_weight_trend",
  "category": "body",
  "title": "Gewichtstrend + Zielprojektion",
  "purpose": "Tagesrauschen von echter Entwicklung trennen",
  "required_fields": ["weight.date", "weight.value", "profile.target_weight"],
  "optional_fields": ["profile.height_cm"],
  "derived_metrics": [
    "weight_7d_median",
    "weight_28d_slope",
    "weight_90d_slope",
    "goal_projection_date",
    "goal_progress_pct"
  ],
  "default_range": "90d",
  "goal_relevance": ["weight_loss", "recomposition", "health"],
  "confidence_logic": {
    "7d_min_points": 4,
    "28d_min_points": 18,
    "90d_min_points": 60
  },
  "interpretation_rules": [
    "stable_downward_trend",
    "volatile_but_flat",
    "rapid_loss_with_lbm_drop"
  ],
  "recommendation_rules": [
    "review_deficit",
    "review_protein",
    "hold_course"
  ]
}
```

## 15.2 Statement Contract

```json
{
  "statement_id": "WL_rapid_loss_lbm_drop",
  "severity": "warning",
  "goal_modes": ["weight_loss", "recomposition"],
  "conditions": [
    "weight_28d_slope < -0.75_percent_per_week",
    "lbm_28d_change < -0.5kg",
    "nutrition_score < 70 OR protein_target_days_per_week < 4"
  ],
  "message": "Der Gewichtsverlust ist aktuell relativ schnell und geht mit sinkender Magermasse einher. Prüfe Defizithöhe, Protein und Kraftreize.",
  "confidence": "derived_from_data_quality"
}
```

## 15.3 Score Contract

```json
{
  "score_id": "goal_progress_score",
  "range": [0, 100],
  "goal_mode_dependent": true,
  "components": [
    "body_progress_score",
    "nutrition_score",
    "activity_score",
    "recovery_score",
    "health_risk_score"
  ],
  "weights_source": "config/goal_weights.yaml",
  "output": {
    "value": 78,
    "label": "gut",
    "drivers_positive": ["protein_adherence", "stable_weight_trend"],
    "drivers_negative": ["sleep_irregularity"]
  }
}
```

---

## 16. Fachliches Fazit

## Aus Perspektive der Datenanalyse
Ich würde das Modell klar als **mehrdimensional leistungsfähig** einstufen. Es ist weit über einem typischen Fitness-Tracker, weil es Körper, Training, Schlaf, Vitalwerte und Ernährung zusammenführt.

## Aus Perspektive eines Sportwissenschaftlers / Gesundheitsanalysten
Der größte Mehrwert entsteht nicht durch noch mehr Einzelmetriken, sondern durch:
- **zielabhängige Interpretation**
- **Baseline-Logik statt bloßer Rohwerte**
- **lag-basierte Zusammenhänge statt naiver Gleichzeitigkeit**
- **Confidence / Datenqualität**
- **klare Trennung zwischen Gesundheitsmonitoring, Performance und Heuristik**

## Zusammengeführt
Die beste Umsetzung ist **nicht** eine endlose Sammlung bunter Charts. Die beste Umsetzung ist ein System mit:
1. wenigen, starken Standardcharts,
2. robusten Scores,
3. erklärbaren Regeln,
4. einer sauberen Brücke zur späteren KI.

Wenn diese Struktur sauber umgesetzt wird, ist bereits ohne KI ein sehr hoher fachlicher Nutzen erreichbar.

---

## 17. Referenzbasis

**[R1]** ACSM / Physical Activity Guidelines: mindestens 150–300 min moderate oder 75–150 min intensive Aktivität pro Woche plus Muskelkräftigung an mindestens 2 Tagen/Woche.  
Quelle: ACSM, Physical Activity Guidelines FAQ  
https://acsm.org/physical-activity-guidelines-faqs/

**[R2]** AASM / Sleep Research Society: Erwachsene sollten regelmäßig 7 oder mehr Stunden pro Nacht schlafen.  
Quelle: AASM  
https://aasm.org/seven-or-more-hours-of-sleep-per-night-a-health-necessity-for-adults/

**[R3]** ISSN Position Stand Protein and Exercise: allgemeine Empfehlung pro Portion etwa 0,25 g/kg bzw. 20–40 g hochwertiges Protein; höhere Gesamtzufuhr bei Trainierenden oft sinnvoll.  
Quelle: Journal of the International Society of Sports Nutrition  
https://link.springer.com/article/10.1186/s12970-017-0177-8

**[R4]** ESC 2024 Guidelines: neue Kategorie „elevated BP“ 120–139 mmHg systolisch oder 70–89 mmHg diastolisch; Hypertonie weiterhin ab ≥140/90 mmHg.  
Quelle: European Society of Cardiology  
https://www.escardio.org/news/news-room/congress-news/2024-esc-clinical-practice-guidelines-for-the-management-of-elevated-blood-pressure-and-hypertension/

**[R5]** Athlete load monitoring soll als gemeinsamer Rahmen aus Last, Reaktion und Kontext verstanden werden, nicht als Einzelmetrik.  
Quelle: Monitoring Athlete Training Loads: Consensus Statement  
https://pubmed.ncbi.nlm.nih.gov/28463642/

**[R6]** Progressive resistance training muss zielgerichtet ausgestaltet werden; starre Einheitsregeln sind fachlich ungeeignet.  
Quelle: ACSM Position Stand – Progression Models in Resistance Training for Healthy Adults  
https://pubmed.ncbi.nlm.nih.gov/19204579/

**[R7]** Für Gewichtsreduktion gelten etwa 0,5–1,0 kg/Woche allgemein als sicher und nachhaltig, aber individualisiert.  
Quelle: NICE Overweight and Obesity Management  
https://www.nice.org.uk/guidance/ng246/resources/a-guide-for-prescribing-medicines-to-manage-overweight-and-obesity-15299628589/chapter/Prescribing-reviewing-and-stopping-tirzepatide

**[R8]** Schlafregularität ist als Gesundheitsfaktor eigenständig relevant und teils prädiktiver als bloße Schlafdauer.  
Quelle: Sleep regularity is a stronger predictor of mortality risk than sleep duration  
https://pubmed.ncbi.nlm.nih.gov/37738616/

**[R9]** Für die Messung von Schlafregularität sind mehrere Metriken möglich; Auswahl hängt von Studiendauer und Ziel ab.  
Quelle: Measuring sleep regularity: theoretical properties and practical usage of existing metrics  
https://pubmed.ncbi.nlm.nih.gov/33864369/