Laufen ist eine der zugänglichsten Formen der Bewegung, die nichts weiter erfordert als ein Paar Schuhe und einen Weg. Doch für viele kann der einfache Akt des Joggens durch ein plötzliches Atmenotwerden unterbrochen werden – ein Gefühl, das den Schwung stoppt und die Freude an der Aktivität dämpft. Diese Atembeschwerden entstehen oft durch eine Diskrepanz zwischen der Art und Weise, wie eine Person sich bewegt, und wie sie atmet. In der Welt der Sportwissenschaft gibt es einen bekannten Rhythmus, bei dem der Körper natürlich danach strebt, sein Atemmuster mit seinen Schritten zu synchronisieren – eine Abstimmung, die das Laufen leichter und effizienter machen kann. Das Finden und Aufrechterhalten dieses Rhythmus ist jedoch für Anfänger schwierig, und traditionelle Methoden zur Anleitung von Läufern stützen sich oft auf das, was in der Vergangenheit passiert ist. Wenn ein Läufer plötzlich sein Tempo oder sein Atemmuster ändert, sind Systeme, die auf alten Daten reagieren, zu langsam, um zu helfen, und bieten Ratschläge an, die einen Moment zu spät kommen, um nützlich zu sein.

Um dieses Problem zu lösen, haben Forscher der Salzburg Research und der Universität Salzburg einen neuen Ansatz namens BPqu entwickelt. Dieses System ist als Echtzeit-Leitfaden konzipiert, der das Atmen eines Läufers vorhersagt, bevor es vollständig eintritt, anstatt nur darauf zu reagieren, nachdem es geschehen ist. Durch das Platzieren eines kleinen, leistungsstarken Computers direkt auf einem am Brustkorb eines Läufers befestigten Wearable-Sensor kann das System Atmen und Bewegungsdaten sofort analysieren. Das Ziel ist es, unmittelbares, intuitives Feedback zu geben, das Läufern hilft, ihren natürlichen Rhythmus zu finden, ohne den Lag, der die Nutzer älterer Technologien frustriert. Diese Arbeit stellt einen Wandel vom Beobachten der Vergangenheit hin zum Antizipieren der Gegenwart dar, mit dem Ziel, die kognitiven und emotionalen Barrieren abzubauen, die Menschen davon abhalten, Ausdauersport zu genießen.

Die zentrale Herausforderung, der das Team gegenüberstand, war die Verzögerung, die den meisten digitalen Systemen eigen ist. Wenn ein Computer Informationen verarbeitet, benötigt er Zeit, um Daten zu sammeln, die Zahlen zu berechnen und ein Signal zu senden. In einem Laufsszenario kann selbst eine Verzögerung von einem Bruchteil einer Sekunde den Unterschied zwischen einem hilfreichen Hinweis und einem verwirrenden ausmachen. Wenn einem Läufer gesagt wird, er solle ausatmen, nachdem er bereits wieder angefangen hat einzuatmen, ist die Anleitung nutzlos. Die Forscher mussten einen Weg finden, um genau zu bestimmen, an welchem Punkt im Atemzyklus sich der Läufer in diesem sehr Moment befindet, und zwar ohne Verzögerung. Sie mussten auch den nächsten Schritt im Zyklus vorhersagen, um sicherzustellen, dass die Anleitung genau dann ankommt, wenn sie benötigt wird. Um dies zu erreichen, wandten sie sich einer Art künstlicher Intelligenz bekannt als Deep Learning zu, die komplexe Muster in Daten erkennen kann, aber sie mussten diese Technologie so weit verkleinern, dass sie in ein winziges, batteriebetriebenes Gerät passt, das am Körper getragen wird.

Die Forscher bauten einen maßgeschneiderten Sensor, der sowohl die Druckveränderungen in der Brust während des Atmens als auch die Bewegung des Körpers bei jedem Schritt misst. Dieser Sensor ist mit einem kleinen Mikrocontroller verbunden, einem Chip, der leistungsstark genug ist, um komplexe Berechnungen durchzuführen, aber klein genug, um in Kleidung eingebettet zu werden. Das Team trainierte ein Computermodell mit Daten, die von neunzehn jungen Läuferinnen gesammelt wurden. Diese Teilnehmerinnen liefen mit dem Sensor, und ihre Atmung wurde sorgfältig überwacht, um eine Bibliothek von Mustern zu erstellen. Das Modell lernte, die subtilen Signale zu erkennen, die anzeigen, wann ein Läufer einatmet, wann er ausatmet und genau wann der Wechsel zwischen beiden stattfindet. Entscheidend war, dass das Modell darauf ausgelegt war, die Beziehung zwischen dem Atem und den Schritten zu betrachten, wobei es versteht, dass beide oft in einem spezifischen Rhythmus miteinander verknüpft sind.

Um das System schnell genug für den Echtzeitgebrauch zu machen, mussten die Forscher klug vorgehen, wie sie den Computer fragen. Anstatt zu versuchen, die gesamte Atemkurve auf einmal zu erraten, was unordentlich und fehleranfällig sein kann, brachen sie das Problem in zwei einfachere Teile auf. Das System schätzt die allgemeine Form des Atemzyklus und identifiziert separat die exakten Momente, in denen der Atem vom Einatmen zum Ausatmen wechselt. Es kombiniert dann diese zwei Informationsteile, um ein vollständiges, genaues Bild des aktuellen Zustands des Läufers zu erstellen. Diese Methode ermöglichte es dem System, mit einer sehr geringen Menge an Speicher und Rechenleistung zu arbeiten, was es möglich machte, das System vollständig auf dem Wearable laufen zu lassen, ohne Daten an einen Cloud-Server oder ein Smartphone senden zu müssen.

Die Ergebnisse dieses Ansatzes waren beeindruckend. Bei Tests konnte das System den exakten Moment identifizieren, in dem ein Läufer vom Einatmen zum Ausatmen wechselte, mit einer Genauigkeit von 93,1 %. Es konnte auch bestimmen, ob der Läufer gerade einatmete oder ausatmete, mit einer Genauigkeit von 85,6 %. Vielleicht am wichtigsten ist, dass es die gesamte Atemphase mit einer Genauigkeit von 81,5 % quantifizieren konnte, und das alles ohne messbare Verzögerung. Das bedeutet, dass das System schnell genug ist, um mit einem Läufer Schritt zu halten, selbst wenn dieser plötzlich das Tempo erhöht oder sein Attermuster ändert. Die Forscher fanden heraus, dass die Kombination von Daten aus dem Atemsensor und dem Bewegungssensor besser funktionierte als die Verwendung von Atemdaten allein, da die Bewegungsdaten dem System halfen, das durch das Springen und Stoßen verursachte Rauschen herauszufiltern.

Die Studie untersuchte auch, wie gut das System unter verschiedenen Bedingungen performt. Es funktionierte am besten, wenn der Läufer in einem stetigen, vorhersehbaren Rhythmus atmete, blieb aber effektiv, selbst wenn die Atmung unregelmäßig wurde oder wenn der Läufer darum kämpfte, einen Rhythmus aufrechtzuerhalten. Das System wurde in drei verschiedenen Modi getestet: Rückblick auf das, was gerade passiert ist, Blick auf den gegenwärtigen Moment und ein Blick leicht in die Zukunft, um den nächsten Moment vorherzusagen. In allen Fällen behielt es eine hohe Genauigkeit bei, was bewies, dass es die dynamische Natur des Laufens bewältigen kann. Die Forscher merkten an, dass das System zwar hochpräzise ist, aber nicht perfekt, und dass es immer noch eine kleine Fehlermarge gibt, insbesondere wenn die Atemmuster sehr unregelmäßig sind. Die Geschwindigkeit des Systems bedeutet jedoch, dass selbst bei einem kleinen Fehler das Feedback rechtzeitig geliefert wird, um nützlich zu sein.

Diese Arbeit öffnet die Tür für eine neue Art des Lauferlebnisses. Stellen Sie sich einen Läufer vor, der eine sanfte, rhythmische Aufforderung erhalten kann, die ihm genau sagt, wann er atmen soll, was ihm hilft, einen Fluss zu finden, der sich natürlich und mühelos anfühlt. Da das System instantan arbeitet, kann es sich an plötzliche Änderungen des Tempos oder des Geländes anpassen und bietet eine Anleitung, die sich intuitiv statt roboterhaft anfühlt. Die Forscher sehen diese Technologie in smarter Kleidung integriert, die eine nahtlose Unterstützung für Läufer bietet, die vielleicht sonst aufgrund von Atemlosigkeit aufgeben würden. Durch das Beseitigen der Frustration über eine schlechte Atemkontrolle zielt die Technologie darauf ab, das Laufen angenehmer und zugänglicher zu machen und Menschen dabei zu helfen, ihre Grenzen zu überschreiten und eine tiefere Verbindung zu ihrer körperlichen Aktivität zu finden.

Der weitere Weg beinhaltet das Testen dieses Systems in realen Lageszenarien außerhalb der kontrollierten Umgebung eines Labors. Die Forscher planen zu sehen, wie Läufer auf die Anleitung reagieren, etwa in tatsächlichen Rennen oder Trainingseinheiten, und ob das System wirklich Menschen helfen kann, die kognitiven und emotionalen Barrieren zu überwinden, die das Laufen schwierig machen. Sie hoffen auch, das System so zu verfeinern, dass es für eine breitere Palette von Nutzern funktioniert, einschließlich Personen mit unterschiedlichen Fitnessleveln und Attermustern. Das ultimative Ziel ist es, ein Werkzeug zu schaffen, das nicht nur die Leistung verfolgt, sondern das menschliche Lauerlebnis aktiv verbessert und den Kampf um den Atem in einen Moment des Flows und der Freude verwandelt. Diese Forschung zeigt, dass es durch die Kombination von fortschrittlicher Computertechnik mit einem tiefen Verständnis der menschlichen Bewegung möglich ist, Technologie zu erschaffen, die sich weniger wie eine Maschine und mehr wie ein hilfreicher Begleiter beim Laufen anfühlt.