mitai-jinkendo/.claude/docs/functional/mitai_jinkendo_konzept_diagramme_auswertungen.md

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

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

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

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

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

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

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:

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

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.

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

{
  "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

{
  "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

{
  "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/