mitai-jinkendo/.claude/docs/functional/mitai_jinkendo_konzept_diagramme_auswertungen_v2.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/

---

16. Ergänzung V2 – Trainingsqualitäts-Engine je Trainingstyp

Die neue Anforderung präzisiert einen zentralen Punkt des Gesamtsystems: Trainingsqualität wird pro Trainingstyp über definierbare Regeln ermittelt. Dabei können mehrere Messparameter kombiniert werden, und je Trainingstyp stehen unterschiedliche Berechnungsstrategien zur Verfügung:

• Gewichteter Score
• Alle Regeln müssen erfüllt sein
• Mindestens N Regeln müssen erfüllt sein

Diese Architektur ist fachlich sinnvoll, muss aber sauber modelliert werden, damit aus heterogenen Sensordaten kein irreführender Einheits-Score entsteht.

16.1 Fachliche Grundsätze

1. Qualität ist nicht gleich Last.
   Dauer, Distanz, Puls, Leistung, Pace, RPE oder Kalorien beschreiben teils die externe Last, teils die interne Belastung und nur indirekt die „Qualität“. Darum sollte das System drei getrennte Konzepte führen:

   • quality_score = Wie gut erfüllt die Einheit die typ-spezifische Zielcharakteristik?
   • load_score = Wie hoch war der Trainingsreiz / die Belastung?
   • confidence_score = Wie belastbar ist die Bewertung auf Basis der verfügbaren Daten?

2. Nicht jeder Parameter ist für jeden Trainingstyp sinnvoll.
   Avg-HR und Max-HR sind bei Laufen oder HIIT oft nützlich, bei Mobility, Technik, Meditation oder leichtem Krafttraining aber nur begrenzt aussagekräftig.
   Folge: Jeder Trainingstyp erhält eine eigene Parameter-Matrix mit Relevanz, Pflichtstatus und Gewicht.

3. Subjektive und objektive Daten sollen kombiniert, aber nicht vermischt werden.
   RPE liefert eine andere Information als HR, Pace oder Distanz und sollte deshalb als eigenständiger Marker behandelt werden.

4. Regelbasierte Scoring-Engines sollten hybrid arbeiten.
   Rein gewichtete Modelle sind flexibel, aber anfällig für „falsche Positivbewertungen“. Reine all_rules_must_pass-Modelle sind oft zu hart. Fachlich am stabilsten ist meist ein Hybrid aus Gates + eigentlicher Strategie.

16.2 Empfohlene Architektur: 3-stufige Quality Engine

training_quality_engine:
  stage_1_exclusion_gates:
    purpose: "Offensichtlich unbrauchbare oder falsch klassifizierte Sessions ausfiltern"
    examples:
      - duration_min < absolute_minimum
      - missing_all_primary_metrics == true
      - training_type_mismatch_flag == true
      - manually_marked_invalid == true

  stage_2_rule_evaluation:
    purpose: "Trainingstyp-spezifische Qualitätsbewertung"
    supported_strategies:
      - weighted_score
      - all_rules_must_pass
      - at_least_n_rules

  stage_3_labeling_and_confidence:
    purpose: "Normierung, Qualitätslabel, Datenvertrauen"
    outputs:
      - quality_score_0_100
      - quality_label
      - rules_passed_count
      - rules_total_count
      - confidence_score_0_100
      - confidence_label

16.3 Empfohlene Outputs pro Einheit

activity_quality_result:
  quality_score: 0-100
  quality_label: [excellent, very_good, good, acceptable, poor, excluded]
  confidence_score: 0-100
  confidence_label: [high, medium, low]
  strategy_used: [weighted_score, all_rules_must_pass, at_least_n_rules]
  rules_passed_count: integer
  rules_total_count: integer
  mandatory_rules_passed: boolean
  parameter_breakdown:
    - parameter_key
    - raw_value
    - normalized_score_0_100
    - weight
    - passed
    - relevance
    - reason
  exclusion_reason: nullable

16.4 Datenmodell für Regeln je Trainingstyp

Empfehlung: Die Quality Rules im Trainingstyp nicht mehr nur als einfache Minima speichern, sondern als vollständige Regelobjekte.

training_type_quality_config:
  strategy: weighted_score
  min_rules_required: null
  mandatory_gate_mode: any_fail_excludes
  missing_data_policy: renormalize_non_missing
  label_thresholds:
    excellent: 90
    very_good: 80
    good: 65
    acceptable: 50
    poor: 1
    excluded: 0

  parameters:
    - key: duration_min
      source: duration
      comparator: range
      unit: min
      required: true
      mandatory: true
      weight: 0.20
      min: 30
      max: 75
      tolerance_below: 10
      tolerance_above: 20
      scoring_curve: trapezoid

    - key: avg_hr
      source: avg_heart_rate
      comparator: range_relative_to_hrmax
      unit: bpm
      required: false
      mandatory: false
      weight: 0.20
      min_pct_hrmax: 0.70
      max_pct_hrmax: 0.85
      scoring_curve: trapezoid

    - key: rpe
      source: rpe
      comparator: range
      unit: borg_cr10
      required: false
      mandatory: false
      weight: 0.15
      min: 5
      max: 7
      scoring_curve: trapezoid

16.5 Unterstützte Regeltypen / Comparatoren

Die Engine sollte mindestens diese Comparatoren unterstützen:

comparators:
  - min                # Wert muss >= Grenzwert sein
  - max                # Wert muss <= Grenzwert sein
  - range              # Wert innerhalb eines Bereichs
  - target             # Zielwert, Score sinkt mit Abstand
  - range_relative_to_hrmax
  - range_relative_to_resting_hr
  - range_relative_to_baseline
  - ratio_min
  - ratio_max
  - boolean_true
  - derived_formula

16.6 Sinnvolle Scoring-Kurven

Nicht jede Regel sollte nur binär bewertet werden. Für die meisten Trainingsdaten sind weiche Übergänge fachlich besser.

scoring_curves:
  binary:
    description: "0 oder 100"
  linear:
    description: "lineare Annäherung an Zielbereich"
  trapezoid:
    description: "optimaler Bereich = 100, davor/danach weicher Abfall"
  gaussian_like:
    description: "Zielwert-orientiert, symmetrischer Abfall"
  asymmetric:
    description: "unter Ziel anders bestrafen als über Ziel"

Praxisregel:

• binary nur für harte Compliance-Vorgaben
• trapezoid für Dauer, Pace, HR, Leistung
• asymmetric für Überlastungsrisiken (z. B. „zu hart“ stärker bestrafen als „etwas zu leicht“)

16.7 Die 3 Berechnungsstrategien – fachliche Bewertung

A. weighted_score

Geeignet für: die meisten freien Trainingsformen mit mehreren Einflussgrößen

Vorteile

• robust bei teilweise fehlenden Daten
• fein abstufbar
• gut visualisierbar
• ideal für Laufen, Radfahren, allgemeine Cardio-Sessions

Risiko

• eine Session kann trotz fehlender Kernanforderung noch „gut“ aussehen, wenn Nebenparameter stark sind

Daher Empfehlung

• immer mit vorgeschalteten Mandatory Gates kombinieren

Formel

weighted_score:
  formula: sum(parameter_score_i * weight_i) / sum(active_weights_i)
  result_scale: 0_100

B. all_rules_must_pass

Geeignet für: standardisierte Protokolle, Reha-Übungen, Technik- oder Compliance-Sessions

Vorteile

• sehr klar
• leicht erklärbar
• hohe fachliche Stringenz

Risiko

• zu hart bei natürlicher Messvariabilität
• problematisch bei Sensorausfällen
• wenig differenziert

Empfehlung

• eher für „Pflichtprogramm erfüllt / nicht erfüllt“ einsetzen
• zusätzlich einen separaten soft_score berechnen, damit die UI nicht nur schwarz/weiß bleibt

C. at_least_n_rules

Geeignet für: Daten mit Lücken, Wearable-Heterogenität, flexibel definierte Trainingsformen

Vorteile

• robust gegen fehlende Messkanäle
• gut für Alltagssport und gemischte Datenquellen

Risiko

• alle Regeln werden implizit gleich wichtig, falls keine Zusatzlogik vorliegt

Empfehlung

• nur in Kombination mit mandatory_rules
• für N-Regelmodelle zusätzlich priority_groups definieren

16.8 Fachlich empfohlener Standard: Hybrid-Modell

Die beste Standardarchitektur ist nicht eine einzelne Strategie, sondern:

recommended_default_strategy:
  stage_1:
    mandatory_gates: true
  stage_2:
    primary_strategy: weighted_score
  stage_3:
    fallback_when_sparse_data: at_least_n_rules

Begründung:
So werden offensichtlich ungeeignete Sessions ausgeschlossen, gleichzeitig bleibt die Bewertung flexibel und datenrobust. Das entspricht der sportwissenschaftlichen Praxis besser als ein starres Alles-oder-Nichts-Modell.

16.9 Parameterklassifikation

Die aktuell genannten Parameter sollten fachlich in Klassen eingeteilt werden.

A. Externe Last / Umfang

• Dauer
• Distanz
• Höhenmeter
• aktive Kalorien
• Ruhekalorien
• Kalorien pro km

B. Interne Belastung / Intensität

• Durchschnittspuls
• Maximalpuls
• Minimalpuls
• RPE

C. Leistungs-/Effizienzmarker

• Pace
• Trittfrequenz
• Durchschnittsleistung

D. Zukünftige sinnvolle Ergänzungen

• Zeit in HF-Zonen
• Leistung in Zonen
• Satz-/Wiederholungsvolumen bei Krafttraining
• Intervallstruktur
• subjektive Trainingszielerfüllung
• Technik-/Skill-Flags

16.10 Parameter-Relevanz nach Trainingstyp

Die Engine sollte keine globale Gleichbehandlung der Parameter vornehmen.

Beispielhafte Relevanzmatrix

parameter_relevance_examples:
  running_endurance:
    duration: high
    distance: high
    avg_hr: high
    max_hr: medium
    pace: high
    cadence: medium
    elevation_gain: medium
    avg_power: medium
    rpe: high
    active_calories: low
    resting_calories: none
    calories_per_km: low

  intervals_hiit:
    duration: medium
    distance: medium
    avg_hr: medium
    max_hr: high
    pace: high
    cadence: medium
    avg_power: high
    rpe: high
    elevation_gain: low
    active_calories: low

  strength_general:
    duration: medium
    avg_hr: low
    max_hr: low
    min_hr: none
    rpe: medium
    active_calories: low
    resting_calories: none
    avg_power: low
    pace: none
    cadence: none
    calories_per_km: none

  walking_health:
    duration: high
    distance: medium
    avg_hr: medium
    max_hr: low
    pace: medium
    cadence: medium
    rpe: low
    elevation_gain: low

  mobility_yoga:
    duration: high
    avg_hr: none
    max_hr: none
    pace: none
    cadence: none
    rpe: low

Fachliche Korrektur:
active_calories, resting_calories und calories_per_km sollten fast nie Kernparameter der Qualität sein. Sie können Zusatzmarker sein, aber keine Primärlogik tragen, weil sie stark von Gerät, Körpermasse und Algorithmus abhängen.

16.11 Relative statt absolute Zielbereiche

Wo immer möglich, sollten Regeln relativ zur Person und nicht nur absolut formuliert werden.

Beispiele

• Avg-HR relativ zu HRmax oder besser HRR
• Pace relativ zur persönlichen 28d-Baseline oder Zielzone
• Leistung relativ zur persönlichen Baseline
• Dauer relativ zum üblichen Session-Typ-Fenster
• Kalorien pro km nur relativ und nur explorativ

Begründung:
Absolute Schwellen bestrafen Anfänger und unterschätzen Fortgeschrittene. Relative Zonen sind individualisierter.

16.12 Vorsicht bei Herzfrequenz-Regeln

HF-basierte Regeln sind nützlich, aber nie allein ausreichend:

• geschätzte HRmax ist fehleranfällig
• Medikamente, Stress, Hitze, Dehydrierung und Messfehler beeinflussen HR
• Krafttraining und technische Sportarten bilden sich über HF oft schlecht ab

Daher:

hr_rule_policy:
  never_use_as_only_primary_rule: true
  prefer_relative_thresholds: true
  downweight_if_hrmax_estimated_only: true
  combine_with_rpe_or_external_load: true

16.13 Umgang mit fehlenden Werten

Die Engine braucht eine explizite missing_data_policy.

missing_data_policies:
  fail:
    description: "fehlender Pflichtwert = Regel nicht bestanden"
  renormalize_non_missing:
    description: "nur vorhandene Gewichte werden neu normiert"
  impute_from_baseline:
    description: "nur für robuste Langzeitmarker verwenden"
  downgrade_confidence:
    description: "Score bleibt, Confidence sinkt"

Empfehlung

• Pflichtparameter: fail
• optionale Parameter: renormalize_non_missing + downgrade_confidence

16.14 Empfohlene Score-Logik pro Trainingstyp

16.14.1 Ausdauer – lockerer Dauerlauf

training_type_example_running_easy:
  strategy: weighted_score
  mandatory_gates:
    - key: duration_min
      comparator: min
      threshold: 20
    - key: distance_km
      comparator: min
      threshold: 2

  parameters:
    - key: duration_min
      weight: 0.25
      comparator: range
      min: 30
      max: 75
      scoring_curve: trapezoid

    - key: avg_hr
      weight: 0.20
      comparator: range_relative_to_hrmax
      min_pct_hrmax: 0.65
      max_pct_hrmax: 0.78
      scoring_curve: trapezoid

    - key: pace_relative_to_28d_baseline
      weight: 0.15
      comparator: range
      min: 0.92
      max: 1.05
      scoring_curve: trapezoid

    - key: cadence
      weight: 0.10
      comparator: range_relative_to_baseline
      min_ratio: 0.95
      max_ratio: 1.08
      scoring_curve: trapezoid

    - key: rpe
      weight: 0.20
      comparator: range
      min: 3
      max: 5
      scoring_curve: trapezoid

    - key: elevation_gain_per_km
      weight: 0.10
      comparator: max
      threshold: 35
      scoring_curve: asymmetric

16.14.2 HIIT / Intervalle

training_type_example_hiit:
  strategy: at_least_n_rules
  min_rules_required: 4
  mandatory_gates:
    - key: duration_min
      comparator: min
      threshold: 12

  parameters:
    - key: max_hr
      comparator: range_relative_to_hrmax
      min_pct_hrmax: 0.88
      max_pct_hrmax: 0.98
      mandatory: false

    - key: avg_hr
      comparator: range_relative_to_hrmax
      min_pct_hrmax: 0.75
      max_pct_hrmax: 0.90

    - key: rpe
      comparator: range
      min: 7
      max: 9

    - key: avg_power_relative_to_baseline
      comparator: min
      min_ratio: 1.03

    - key: pace_relative_to_baseline
      comparator: min
      min_ratio: 1.03

16.14.3 Krafttraining allgemein

Wichtige fachliche Einschränkung:
Mit den aktuell genannten Parametern ist Krafttrainingsqualität nur eingeschränkt beurteilbar. Wirklich gute Kraftbewertung braucht später zusätzlich:

• Satzanzahl
• Wiederholungen
• verwendete Last
• Volumenlast
• Übungstypen
• Satz-RPE oder Reps in Reserve (RIR)

Bis dahin sollte die Qualität nur vorsichtig bewertet werden.

training_type_example_strength_general:
  strategy: at_least_n_rules
  min_rules_required: 2
  mandatory_gates:
    - key: duration_min
      comparator: min
      threshold: 20

  parameters:
    - key: duration_min
      comparator: range
      min: 35
      max: 90
      weight: 0.40

    - key: rpe
      comparator: range
      min: 5
      max: 8
      weight: 0.35

    - key: avg_hr
      comparator: min
      threshold: 85
      weight: 0.10

    - key: active_calories
      comparator: min
      threshold: 120
      weight: 0.05

    - key: max_hr
      comparator: min
      threshold: 110
      weight: 0.10

Interpretation:
Hier ist klar: HR und Kalorien sind nur schwache Hilfsmarker. Das System sollte dies in der UI offenlegen.

16.14.4 Gehen / Gesundheitssport

training_type_example_walking:
  strategy: weighted_score
  mandatory_gates:
    - key: duration_min
      comparator: min
      threshold: 10

  parameters:
    - key: duration_min
      weight: 0.35
      comparator: range
      min: 20
      max: 60

    - key: pace
      weight: 0.20
      comparator: range_relative_to_baseline
      min_ratio: 0.95
      max_ratio: 1.20

    - key: avg_hr
      weight: 0.20
      comparator: range_relative_to_hrmax
      min_pct_hrmax: 0.50
      max_pct_hrmax: 0.72

    - key: cadence
      weight: 0.15
      comparator: range_relative_to_baseline
      min_ratio: 0.95
      max_ratio: 1.15

    - key: elevation_gain
      weight: 0.10
      comparator: max
      threshold: 150

16.15 Label-Mapping

Der 0–100 Score sollte immer zusätzlich in ein erklärbares Label übersetzt werden.

quality_label_thresholds_default:
  excluded: 0
  poor: 1-49
  acceptable: 50-64
  good: 65-79
  very_good: 80-89
  excellent: 90-100

Empfehlung:

• Trainingstyp-spezifisch überschreibbar
• zusätzlich goal_mode-abhängig feinjustierbar

16.16 Confidence-Score

Neben dem Qualitäts-Score braucht jede Session einen Vertrauenswert.

confidence_score:
  components:
    required_data_completeness: 0.40
    optional_data_completeness: 0.15
    sensor_reliability_profile: 0.15
    baseline_availability: 0.15
    training_type_specificity: 0.15

Beispiel

• Laufen mit Dauer, Distanz, Pace, Avg-HR, Max-HR, RPE → hohe Confidence
• Krafttraining nur mit Dauer und Kalorien → niedrige Confidence

16.17 Trennung von Qualität, Dosis und Regelmäßigkeit

Für die Gesamtanalyse des Nutzers sollten drei Kennzahlen parallel geführt werden:

session_metrics:
  quality_score:
    meaning: "Wie gut war die einzelne Einheit relativ zum Ziel des Trainingstyps?"
  load_score:
    meaning: "Wie belastend war die Einheit?"
  consistency_score:
    meaning: "Wie regelmäßig wurde trainiert?"

Wichtige Folge:
Eine harte, sehr belastende Einheit kann load_score hoch, aber quality_score nur mittel haben, wenn sie nicht zum Trainingsziel passte.

16.18 Neue Visualisierungen speziell für Trainingsqualität

TQ1. Rule Fulfillment Breakdown

Typ: gestapelter Horizontalbalken pro Session
Inhalt: erfüllt / teilweise erfüllt / nicht erfüllt / nicht verfügbar
Nutzen: höchste Erklärbarkeit für den Nutzer

TQ2. Parameter Contribution Chart

Typ: Balkendiagramm
Inhalt: Beitrag jedes Parameters zum quality_score
Nutzen: zeigt, warum eine Einheit gut oder schwach bewertet wurde

TQ3. Training Type Quality Trend

Typ: Linienchart
Inhalt: 7d / 28d gleitender Qualitätsmittelwert pro Trainingstyp
Nutzen: erkennt, ob ein Typ systematisch zu leicht, zu hart oder inkonsistent trainiert wird

TQ4. Quality vs Load Quadrant

Typ: Scatterplot
Achsen: quality_score × load_score
Quadranten:

• hoch Qualität / hoch Last
• hoch Qualität / niedrig Last
• niedrig Qualität / hoch Last
• niedrig Qualität / niedrig Last

Nutzen:
Zeigt besonders wertvoll, ob der Nutzer „hart, aber unsauber“ trainiert.

TQ5. Confidence Overlay

Typ: Punkt- oder Linien-Overlay
Inhalt: Qualitätswerte werden nach Confidence visuell abgeschwächt
Nutzen: verhindert Fehlinterpretationen bei dünner Datenlage

TQ6. Weekly Rule Heatmap

Typ: Heatmap
Achsen: Woche × Regelgruppe
Nutzen: identifiziert wiederkehrende Defizite, z. B. „zu kurz“, „zu geringe Intensität“, „fehlender RPE-Eintrag“

16.19 Regelbasierte Aussagen ohne KI

Die Engine kann bereits sehr gute nicht-KI-basierte Aussagen erzeugen.

Beispiele

• „Deine Laufeinheiten sind regelmäßig vorhanden, bleiben aber in 4 der letzten 6 Wochen unter dem Zielbereich für Dauer.“
• „Die Intensität deiner Intervall-Einheiten ist meist passend, jedoch fehlen häufig belastbare RPE-Daten; die Bewertung ist daher nur eingeschränkt sicher.“
• „Beim Krafttraining ist die aktuelle Qualitätsbewertung nur orientierend, da zentrale Kraftparameter wie Satzanzahl, Wiederholungen und Last bisher nicht erfasst werden.“
• „Du erreichst hohe Belastungswerte, aber die Zielkriterien des gewählten Trainingstyps werden nur teilweise erfüllt. Das spricht eher für Belastung als für zielgenaue Qualität.“

16.20 Empfehlungen ohne KI

Automatische Empfehlungen

rule_based_recommendations:
  - trigger: "quality_score_28d < 60 and frequency_28d >= threshold"
    message: "Du trainierst regelmäßig, triffst aber die Qualitätskriterien des Typs noch nicht stabil. Prüfe Zieltempo, Dauer und Intensitätssteuerung."

  - trigger: "confidence_score < 50"
    message: "Die Bewertung ist nur eingeschränkt belastbar. Ergänze – wenn möglich – RPE oder Herzfrequenzdaten."

  - trigger: "training_type == strength and missing_strength_specific_metrics == true"
    message: "Für Krafttraining sollten später Satzanzahl, Wiederholungen und Last ergänzt werden, da Puls- und Kaloriendaten nur begrenzt aussagekräftig sind."

  - trigger: "high_load_low_quality_pattern == true"
    message: "Mehr Belastung führt aktuell nicht automatisch zu besserer Trainingsqualität. Wahrscheinlich ist die Steuerung des Reizes noch zu ungenau."

16.21 API-/Backend-Contract für Coding Agents

POST /activity/{id}/evaluate-quality

request:
  activity_id: uuid
  profile_id: uuid
  training_type_id: uuid
  evaluation_mode: default

response:
  quality_score: 0-100
  quality_label: good
  load_score: 0-100
  confidence_score: 0-100
  strategy_used: weighted_score
  mandatory_rules_passed: true
  rules_passed_count: 5
  rules_total_count: 7
  parameter_breakdown:
    - key: duration_min
      raw_value: 42
      normalized_score: 100
      weight: 0.25
      passed: true
      contribution: 25.0
      explanation: "liegt im Zielbereich 30-75 min"
    - key: avg_hr
      raw_value: 146
      normalized_score: 82
      weight: 0.20
      passed: true
      contribution: 16.4
      explanation: "leicht oberhalb des idealen Bereichs"
  warnings:
    - "hrmax_is_estimated"
  exclusion_reason: null

16.22 Admin-UI für Trainingstyp-Regeln

Die Admin-Oberfläche sollte je Trainingstyp editierbar machen:

admin_quality_rule_editor:
  fields:
    - strategy
    - min_rules_required
    - label_thresholds
    - missing_data_policy
    - mandatory_gate_mode
    - parameter_rows[]
  parameter_rows:
    - source_field
    - comparator
    - thresholds
    - scoring_curve
    - weight
    - required
    - mandatory
    - rationale_text

Zusätzlicher Praxisnutzen:
Wenn rationale_text gepflegt wird, kann die UI dem Nutzer später direkt erklären, warum diese Regel existiert.

16.23 Fachliches Fazit zur Trainingsscore-Erweiterung

Die von dir beschriebene Architektur ist grundsätzlich sehr gut anschlussfähig, weil sie sportartspezifische Regeln pro Trainingstyp erlaubt. Fachlich optimal wird sie aber erst dann, wenn:

1. Qualität, Last und Confidence getrennt werden
2. Parameter pro Trainingstyp unterschiedlich gewichtet werden
3. Mandatory Gates vor den eigentlichen Score geschaltet werden
4. relative, personenbezogene Zielbereiche absolute Schwellen möglichst oft ersetzen
5. Krafttraining später eigene Strukturmetriken erhält
6. RPE systematisch erfasst wird
7. fehlende Daten nicht nur den Score, sondern auch die Confidence beeinflussen

---

17. Quellen / fachliche Fundierung

Die Architektur oben orientiert sich an den folgenden belastbaren Quellen und konsensnahen Leitlinien:

1. Bourdon et al. – Monitoring Athlete Training Loads: Consensus Statement
   Kernaussage: Interne und externe Last sollten gemeinsam betrachtet werden; idealerweise werden objektive und subjektive Werkzeuge kombiniert.
   Link: https://pubmed.ncbi.nlm.nih.gov/28463642/
   Zusätzlich: https://journals.humankinetics.com/view/journals/ijspp/12/s2/article-pS2-161.pdf

2. Halson – Monitoring Training Load to Understand Fatigue in Athletes
   Kernaussage: Lastmonitoring hilft, Anpassung, Müdigkeit und Risiko von Fehlsteuerung besser zu erkennen.
   Link: https://pmc.ncbi.nlm.nih.gov/articles/PMC4213373/

3. Haddad et al. – Session-RPE Method for Training Load Monitoring: Validity, Ecological Usefulness, and Influencing Factors
   Kernaussage: sRPE ist ein praxistauglicher interner Lastmarker, der Intensität und Dauer integriert.
   Link: https://pubmed.ncbi.nlm.nih.gov/29163016/
   Zusätzlich: https://pmc.ncbi.nlm.nih.gov/articles/PMC5673663/

4. Coyne et al. – The Current State of Subjective Training Load Monitoring
   Kernaussage: subjektive und objektive Lastmaße sind nicht austauschbar; subjektive Maße erfassen zusätzliche psychophysiologische Dimensionen.
   Link: https://pmc.ncbi.nlm.nih.gov/articles/PMC6301906/
   Update/Follow-up: https://pmc.ncbi.nlm.nih.gov/articles/PMC9012875/

5. ACSM – Monitoring Aerobic Exercise Intensity / Exercise Intensity Guidance
   Kernaussage: Intensität sollte über mehrere Verfahren überwacht werden, darunter Herzfrequenz und RPE.
   Link: https://acsm.org/monitoring-aerobic-exercise-intensity/
   Zusätzlich: https://acsm.org/wp-content/uploads/2025/02/Exercise-intensity-infographic-PDF.pdf

6. ACSM – We Can and Should Do Better When Estimating Cardiorespiratory Fitness
   Kernaussage: geschätzte HRmax und indirekte Intensitätssteuerung haben individuelle Fehler; reine HR-Grenzwerte sind daher begrenzt präzise.
   Link: https://acsm.org/estimating-cardiorespiratory-fitness/

7. Tanaka et al. – Age-predicted maximal heart rate revisited
   Kernaussage: HRmax-Schätzformeln sind populationsbasiert und individuell ungenau; 208 − 0.7 × Alter ist robuster als 220 − Alter, bleibt aber eine Schätzung.
   Link: https://pubmed.ncbi.nlm.nih.gov/11153730/

8. ACSM Position Stand – Progression Models in Resistance Training for Healthy Adults
   Kernaussage: Krafttraining sollte über echte Struktur- und Progressionsmerkmale gesteuert werden; Pulsdaten allein reichen dafür nicht.
   Link: https://pubmed.ncbi.nlm.nih.gov/19204579/