Wie Daytlas deine Daten liest.

Was jede Zahl in Daytlas bedeutet, wie sie gemittelt und verglichen wird, wo sie an Grenzen stößt und welche Forschung dahintersteht.

Von Jakub Had, dem Macher von Daytlas. Keine medizinische Fachperson: Die Gesundheitsfakten hier stammen aus den unten aufgeführten Quellen. Aktualisiert am 8. Oktober 2026. Quellen geprüft am 8. Oktober 2026.

Schlaf

Wie lange, wie effizient und wann du geschlafen hast, aus der Hauptschlafperiode jedes Tages.

Sleep Score

Ein Score von 0 bis 100 für die Nacht aus der App deines Rings, gebildet aus Einflussfaktoren wie Gesamtschlaf, Effizienz, Timing und Schlafphasen. Daytlas zeigt ihn so, wie er ankommt, und berechnet ihn nie neu.

So zeigt es Daytlas

  • Day zeigt den Score für den gewählten Tag und seine Differenz zum Durchschnitt der 30 Kalendertage davor, sobald mindestens 5 dieser Tage einen Score haben.
  • Day listet außerdem die Einflussfaktoren auf, die die App deines Rings meldet, jeden auf seiner eigenen Skala von 0 bis 100.
  • Die Werte sind nach den Bereichen eingefärbt, die die App deines Rings für ihre Scores verwendet: unter 60 „Im Blick behalten“, 60–69 „Mittel“, 70–84 „Gut“ und ab 85 „Optimal“. Eine Farbe beschreibt die Zahl, nicht deine Gesundheit.
  • Overview vergleicht den neuesten Score mit dem Durchschnitt der bis zu 7 Tage davor.

Grenzen

Die Formel gehört der App deines Rings und kann sich mit deren Updates ändern, daher sind ältere und neuere Scores nicht immer streng vergleichbar. Ein Schlaf-Score eines Consumer-Geräts kann keine Schlafstörung diagnostizieren.

Forschung

  • Khosla et al., 2018: Consumer-Schlaftechnik kann ein Gespräch mit einer medizinischen Fachperson unterstützen, ist aber nicht für die Diagnose oder Behandlung von Schlafstörungen validiert oder zugelassen.
  • de Zambotti et al., 2024: Eine Übersichtsarbeit der Sleep Research Society fand, dass Consumer-Wearables beim Schlaf inzwischen besser abschneiden als klassische Aktigrafie, mit klaren Grenzen wie falsch eingestuftem Wachsein, Nickerchen und Artefakten.
  • de Zambotti et al., 2019: Gibt einen Überblick, wie Consumer-Schlaftracker validiert werden, und warnt, dass proprietäre Algorithmen und Firmware-Updates ihre Zahlen verändern können.

Ebenfalls zitiert: Buysse, 2014

Gesamtschlaf

Die Zeit, in der du während der Hauptschlafperiode des Tages geschlafen hast, ohne die Wachzeit im Bett.

So zeigt es Daytlas

  • Hat ein Tag mehr als eine Schlafperiode, liefert die längste (der Hauptschlaf) die Schlafwerte dieses Tages. Nickerchen und Ruhephasen zählen nicht dazu; in Day kannst du eine weitere Schlafperiode trotzdem öffnen.
  • Dauern kommen in Sekunden an und werden je nach Wahl in den Einstellungen als Stunden und Minuten oder als Dezimalstunden geschrieben.
  • Monatliche Schlafzusammenfassungen zählen nur Nächte, die länger als 0 und höchstens 24 Stunden sind.

Grenzen

Wearables unterscheiden Schlaf und Wachsein gut, sind aber ungenauer als ein Schlaflabor, besonders in unruhigen Nächten. Der Schlafbedarf ist von Mensch zu Mensch verschieden; Daytlas zeigt deine Zahlen, ohne sie an einem Zielwert zu messen.

Forschung

  • Watson et al., 2015: Ein gemeinsames Gremium zweier schlafmedizinischer Fachgesellschaften empfiehlt Erwachsenen, regelmäßig 7 Stunden oder mehr pro Nacht zu schlafen.
  • Hirshkowitz et al., 2015: Ein Expertengremium hielt 7–9 Stunden für Erwachsene und 7–8 Stunden für ältere Erwachsene für angemessen und wies darauf hin, dass der Bedarf von Mensch zu Mensch verschieden ist.
  • Chinoy et al., 2021: Im Vergleich mit Schlafaufzeichnungen im Labor erkannten die meisten Consumer-Tracker Schlaf gut und Wachsein schlechter, lieferten uneinheitliche Schlafphasen und schnitten in gestörten Nächten schlechter ab.

Ebenfalls zitiert: Chaput et al., 2018

Zeit im Bett und Schlafeffizienz

In Daytlas: Zeit im Bett · Schlafeffizienz

Die Zeit im Bett ist die Länge der Hauptschlafperiode, vom Zubettgehen bis zum Aufstehen. Die Schlafeffizienz ist der Anteil dieser Zeit, den du geschlafen hast, in Prozent.

So zeigt es Daytlas

  • Beide stammen aus der Hauptschlafperiode, so wie die App deines Rings sie meldet; Daytlas berechnet die Effizienz nicht neu.
  • Day vergleicht die Nacht mit dem Durchschnitt der vorherigen 30 Tage; Trends kann sie nach Woche, Monat, Quartal oder Jahr mitteln.

Grenzen

Die Effizienz hängt davon ab, was als Zeit im Bett zählt. Lesen im Bett oder morgendliches Wachliegen senkt sie, auch wenn sich der Schlaf selbst nicht verändert hat.

Forschung

  • Ohayon et al., 2017: Fachleute waren sich einig, dass Einschlafdauer, nächtliches Erwachen, Wachzeit nach dem Einschlafen und Schlafeffizienz sinnvolle Marker für Schlafqualität sind, fanden bei den Schlafphasen aber wenig Übereinstimmung.
  • Lee et al., 2023: Elf Consumer-Schlaftracker unterschieden sich stark in der Genauigkeit der Schlafphasen im Vergleich mit Laboraufzeichnungen, und die Wearables zeigten eine systematische Verzerrung bei der Schlafeffizienz.
  • Ancoli-Israel et al., 2015: Ein Leitfaden einer Fachgesellschaft zur bewegungsbasierten Schlafmessung: was sie gut schätzt, etwa Zeitpunkt und Dauer, und wo sie Schwierigkeiten hat, etwa bei wachem, aber stillem Liegen.

Ebenfalls zitiert: Reed & Sacco, 2016

Einschlafdauer

Wie lange es nach Beginn der Schlafperiode gedauert hat, bis du eingeschlafen bist.

So zeigt es Daytlas

  • Wird in Sekunden gemeldet und in ganzen Minuten angezeigt.
  • Day vergleicht sie mit dem Durchschnitt der vorherigen 30 Tage und zeigt die Richtung einer Veränderung, ohne sie gut oder schlecht zu nennen.

Grenzen

Es ist eine Schätzung: Der genaue Moment des Einschlafens lässt sich ohne Schlaflabor schwer bestimmen. Typische Werte verändern sich außerdem mit dem Alter.

Forschung

  • Ohayon et al., 2017: Fachleute waren sich einig, dass Einschlafdauer, nächtliches Erwachen, Wachzeit nach dem Einschlafen und Schlafeffizienz sinnvolle Marker für Schlafqualität sind, fanden bei den Schlafphasen aber wenig Übereinstimmung.
  • Boulos et al., 2019: In 169 Studien mit gesunden Erwachsenen brachte jedes Lebensjahrzehnt etwa 10 Minuten weniger Schlaf und eine geringere Effizienz, während sich die Anteile von Tief- und REM-Schlaf kaum veränderten.
  • Ohayon et al., 2004: In 65 Studien mit gesunden Menschen nahmen bei Erwachsenen Gesamtschlaf, Schlafeffizienz und der Anteil von Tief- und REM-Schlaf mit dem Alter ab, während Einschlafdauer und Wachzeit zunahmen.

Tiefschlaf, Leichtschlaf, REM-Schlaf und Wachzeit

In Daytlas: Tiefschlaf · Leichtschlaf · REM-Schlaf · Wachzeit

Dein Ring schätzt, in welcher Schlafphase du dich im Lauf der Nacht befunden hast. Daytlas zeigt die Zeit in jeder Phase und in Day den Verlauf der Phasen.

So zeigt es Daytlas

  • Der Phasenverlauf nutzt 30-Sekunden-Schätzungen, wenn deine Daten sie enthalten, sonst 5-Minuten-Schätzungen, gezeichnet von der Schlafenszeit bis zum Aufwachen.
  • Die Summen der Phasen stammen aus der Hauptschlafperiode und werden in Stunden angezeigt.
  • In Trends kannst du jede Phase als Diagramm darstellen und bis zu drei weitere Messwerte überlagern.

Grenzen

Die Phasenschätzungen jedes Wearables stimmen viel weniger mit einem Schlaflabor überein als die Unterscheidung von Schlaf und Wachsein. Lies die Zeit in den Phasen als groben Trend über Wochen, nicht als genaue Zahl für eine einzelne Nacht.

Forschung

  • Boulos et al., 2019: In 169 Studien mit gesunden Erwachsenen brachte jedes Lebensjahrzehnt etwa 10 Minuten weniger Schlaf und eine geringere Effizienz, während sich die Anteile von Tief- und REM-Schlaf kaum veränderten.
  • Lee et al., 2023: Elf Consumer-Schlaftracker unterschieden sich stark in der Genauigkeit der Schlafphasen im Vergleich mit Laboraufzeichnungen, und die Wearables zeigten eine systematische Verzerrung bei der Schlafeffizienz.
  • Miller et al., 2022: Sechs Wearables, darunter ein Ring, stimmten bei Schlaf und Wachsein gut mit Laboraufzeichnungen überein, bei der genauen Schlafphase aber nur für etwa 50–65 % der Nacht.

Ebenfalls zitiert: Chinoy et al., 2021

Schlafenszeit, Aufwachzeit und Schlafmitte

In Daytlas: Schlafenszeit · Aufwachzeit · Schlafmitte

Wann deine Hauptschlafperiode begonnen und geendet hat, und die Uhrzeit genau in der Mitte dazwischen.

So zeigt es Daytlas

  • Die Zeiten folgen der lokalen Uhrzeit, die mit deinen Daten aufgezeichnet wurde, sodass eine Nacht in einer anderen Zeitzone ihre eigene Uhrzeit behält.
  • Schlafenszeiten nach Mitternacht laufen über 24:00 hinaus weiter (aus 01:30 wird 25:30), damit späte und frühe Schlafenszeiten in Diagrammen nebeneinanderliegen.
  • Wochen- und Monatsdurchschnitte von Uhrzeiten nutzen ein zirkuläres Mittel, sodass 23:00 und 01:00 im Mittel Mitternacht ergeben und nicht Mittag.
  • Your Year zeichnet jede Nacht als Balken von der Schlafenszeit bis zum Aufwachen; die durchschnittliche Schlafens- und Aufwachzeit dort nutzen dasselbe zirkuläre Mittel.
  • Korrelationen lassen Uhrzeiten außen vor, weil der Sprung um Mitternacht einen linearen Vergleich verfälscht.

Grenzen

Die Schlafenszeit ist der Beginn der Schlafperiode, die dein Ring erkannt hat, und muss nicht dem Zeitpunkt entsprechen, zu dem du schlafen gehen wolltest.

Forschung

  • Sletten et al., 2023: Ein Expertengremium war sich einig, dass gleichmäßige Schlafens- und Aufwachzeiten für Gesundheit, Sicherheit und Leistungsfähigkeit wichtig sind.
  • Fischer et al., 2017: In rund 54.000 Zeitverwendungstagebüchern lag die Schlafmitte am Wochenende mit etwa 19 Jahren am spätesten und rückte mit dem Alter früher, mit Geschlechterunterschieden, die sich um die 40 umkehrten.
  • Roenneberg et al., 2003: Erfasste den Schlafzeitpunkt getrennt an Arbeitstagen und freien Tagen und fand große Unterschiede zwischen Menschen und zwischen den beiden Arten von Tagen, wobei Lichtexposition den Schlafzeitpunkt verschob.

Ebenfalls zitiert: Berens, 2009

Schlafregelmäßigkeit

Wie gleichmäßig Zeitpunkt und Dauer deines Schlafs von Nacht zu Nacht sind. Daytlas fasst das nicht in einem einzelnen Score zusammen, sondern gibt dir Ansichten, um es zu sehen.

So zeigt es Daytlas

  • Die Schlafrhythmus-Ansicht in Your Year zeichnet jede Nacht als Balken von der Schlafenszeit bis zum Aufwachen, mit Lücken, wo Nächte fehlen.
  • Die Wochentagsansicht in Overview zeigt für jeden Wochentag den Median der Schlafenszeit oder eines anderen Messwerts, mit der mittleren Hälfte der Werte darum herum.
  • Deine Monate auf der Seite Your Year zeigen für jeden Monat den Durchschnitt und die Standardabweichung des Hauptschlafs und nennen den gleichmäßigsten Monat (die niedrigste Standardabweichung), sobald mindestens zwei Monate 7 oder mehr Nächte haben.

Grenzen

Maße für Regelmäßigkeit brauchen mehr als eine Woche an Daten, um sich einzupendeln. Diese Ansichten beschreiben deinen Schlafrhythmus; sie bewerten ihn nicht.

Forschung

  • Chaput et al., 2020: Ein späterer Schlafzeitpunkt und mehr Variabilität von Nacht zu Nacht gingen meist mit schlechteren Gesundheitsergebnissen einher, wobei die Qualität der Evidenz von sehr niedrig bis mittel reichte.
  • Windred et al., 2024: Bei rund 61.000 Teilnehmenden der UK Biobank ging ein regelmäßigerer Schlafzeitpunkt mit einem geringeren Sterberisiko einher und sagte es stärker voraus als die Schlafdauer.
  • Phillips et al., 2017: Bei 61 Studierenden, die 30 Tage lang begleitet wurden, hatten unregelmäßig Schlafende eine später eingestellte innere Uhr und schlechtere Noten; die Studie führte den Sleep Regularity Index ein.

Ebenfalls zitiert: Fischer et al., 2021

Readiness und Erholung

Der tägliche Erholungs-Score, den die App deines Rings berechnet.

Readiness Score

Ein Score von 0 bis 100 aus der App deines Rings, der Signale wie Ruhepuls, HRV, Körpertemperatur, den Schlaf der letzten Zeit und Aktivität verbindet. Daytlas zeigt ihn so, wie er ankommt, und berechnet ihn nie neu.

So zeigt es Daytlas

  • Day zeigt den Score, seine Einflussfaktoren (jeweils 0–100) und die Differenz zum Durchschnitt der vorherigen 30 Tage, sobald mindestens 5 dieser Tage einen Score haben.
  • Die Werte sind nach den Bereichen eingefärbt, die die App deines Rings für ihre Scores verwendet: unter 60 „Im Blick behalten“, 60–69 „Mittel“, 70–84 „Gut“ und ab 85 „Optimal“. Eine Farbe beschreibt die Zahl, nicht deine Gesundheit.
  • Overview mittelt den Score über die letzten 30 Tage und vergleicht ihn mit den 30 Tagen davor und mit denselben 30 Tagen ein Jahr zuvor.

Grenzen

Weil der Score aus anderen Messungen gebildet wird, korreliert er konstruktionsbedingt mit ihnen: Ein starker Zusammenhang zwischen Readiness und HRV in Trends spiegelt zum Teil wider, wie der Score gebildet wird. Erholungsmaße auf Basis der Herzfrequenz können nicht jede Art von Ermüdung auseinanderhalten.

Forschung

  • Kellmann et al., 2018: Fachleute waren sich einig, dass die Balance von Belastung und Erholung regelmäßiges Monitoring braucht, weil Reaktionen auf Training und Erholung innerhalb einer Person und zwischen Personen schwanken.
  • Düking et al., 2021: In 8 Studien hatte ein Training, das von HRV-Messungen mit Wearables gesteuert wurde, einen mittleren Effekt auf die submaximale Physiologie, aber nur einen kleinen, nicht signifikanten Effekt auf die Leistung.
  • Bellenger et al., 2016: Bei Ausdauersportlern stieg die HRV in Ruhe leicht, wenn das Training gut lief, und veränderte sich bei Überlastung kaum, daher können Herzfrequenzmaße allein nicht jede Art von Ermüdung auseinanderhalten.

Ebenfalls zitiert: Buchheit, 2014

Herzfrequenzvariabilität (HRV)

Die Schwankung deiner Herzfrequenz von Schlag zu Schlag während des Schlafs und wie du sie über die Zeit liest.

Durchschnittliche HRV

Die Herzfrequenzvariabilität ist die Schwankung der Zeit zwischen Herzschlägen. Dein Ring meldet den Durchschnitt der Nacht in Millisekunden, auf Basis von RMSSD, einem Standardmaß für die Veränderung von Schlag zu Schlag.

So zeigt es Daytlas

  • Daytlas nutzt für jeden Tag die durchschnittliche HRV der Hauptschlafperiode.
  • Day zeigt den nächtlichen HRV-Verlauf mit einer Referenzlinie beim Durchschnitt der vorherigen 30 Tage und vergleicht den Durchschnitt der Nacht damit.
  • Overview zeigt den Durchschnitt der letzten 30 Tage, seine Veränderung gegenüber den 30 Tagen davor und gegenüber demselben Zeitraum ein Jahr zuvor sowie den höchsten erfassten Tag.
  • Trends zeigt Tageswerte mit einer gestrichelten Linie für den Mittelwert der vorherigen 60 Tage und einem schattierten Band von ±1 Standardabweichung.

Grenzen

Die HRV hängt stark von den Messbedingungen ab, und eine einzelne Nacht sagt wenig. Das Band ist deine eigene Streuung, kein klinischer Bereich.

Forschung

  • Task Force, 1996: Legte die Standarddefinitionen der Maße für Herzfrequenzvariabilität fest, darunter RMSSD, und beschrieb, wie die Aufnahmebedingungen sie beeinflussen.
  • Dobbs et al., 2019: In 23 Studien wich die HRV aus tragbaren Geräten um einen kleinen, aber schwankenden Betrag vom EKG ab, was das Autorenteam für den Einsatz außerhalb des Labors als akzeptabel einstufte.
  • Cao et al., 2022: Bei 35 gesunden Erwachsenen, die zu Hause schliefen, stimmten nächtliche Herzfrequenz und RMSSD eines Rings eng mit einem Brust-EKG überein, während einige andere HRV-Maße weniger genau waren.

Ebenfalls zitiert: Laborde et al., 2017

HRV über die Zeit lesen

Die HRV unterscheidet sich stark zwischen Menschen und verändert sich mit dem Alter, deshalb ist der aufschlussreiche Vergleich der mit deinem eigenen Verlauf.

So zeigt es Daytlas

  • Daytlas vergleicht deine HRV nie mit Bevölkerungsnormen; jeder Vergleich in der App bezieht sich auf deine eigenen früheren Tage.
  • Wochendurchschnitte in Trends glätten das Rauschen von Nacht zu Nacht, bevor du viel in eine Veränderung hineinliest.
  • Verschiebungen deines Basiswerts in Overview markieren Zeitpunkte, an denen sich dein 30-Tage-Durchschnitt davor und danach um mehr als deine übliche Streuung unterscheidet.

Grenzen

Viele Dinge beeinflussen die HRV gleichzeitig, etwa Training, Alkohol, Krankheit und Stress. Eine Veränderung ist deshalb ein Anlass, auf den Kontext zu schauen, keine Erklärung.

Forschung

  • Altini & Plews, 2021: Bei 28.175 Menschen war die HRV mit höherem Alter niedriger, und die HRV von Tag zu Tag reagierte auf Belastungen wie hartes Training, Alkohol und Krankheit: empfindlich, aber nicht spezifisch.
  • Natarajan et al., 2020: Bei 8 Millionen Wearable-Nutzenden nahm die HRV mit dem Alter ab und schwankte stark im Tagesverlauf, während sich RMSSD zwischen Männern und Frauen nicht nennenswert unterschied.
  • Umetani et al., 1998: Bei 260 gesunden Menschen zwischen 10 und 99 Jahren nahm die HRV mit dem Alter ab; RMSSD sank am schnellsten und blieb ab etwa dem sechsten Lebensjahrzehnt stabil.

Ebenfalls zitiert: Shaffer & Ginsberg, 2017

Herz

Ruhepuls in der Nacht, Herzfrequenz am Tag und die Schätzung des kardiovaskulären Alters.

Ruhepuls

In Daytlas: Durchschnittlicher Ruhepuls · Niedrigster Ruhepuls

Deine Herzfrequenz während der Hauptschlafperiode. Der durchschnittliche Ruhepuls ist der Mittelwert über die Periode; der niedrigste Ruhepuls ist der niedrigste Wert, den dein Ring darin aufgezeichnet hat.

So zeigt es Daytlas

  • Day zeigt den nächtlichen Herzfrequenzverlauf mit einer Referenzlinie beim Durchschnitt der vorherigen 30 Tage und vergleicht beide Werte mit ihren 30-Tage-Durchschnitten.
  • „Dein Körper im Zeitverlauf“ in Overview und das zugehörige Zusammenhangsdiagramm nutzen den niedrigsten Ruhepuls.
  • Trends und Tag Lab können beide zeigen.

Grenzen

Jeder Mensch hat seinen eigenen normalen Ruhepuls, und er verändert sich mit der Jahreszeit, dem Schlaf und vielem mehr. Bevölkerungsstudien bringen den Ruhepuls im Durchschnitt mit der langfristigen Gesundheit in Verbindung; Daytlas wendet diese Ergebnisse nicht auf dich an.

Forschung

  • Zhang et al., 2016: In 46 zusammengefassten Kohortenstudien ging ein höherer Ruhepuls im Durchschnitt mit einer höheren Sterblichkeit einher; das beschreibt Bevölkerungen, nicht eine einzelne Person.
  • Stone et al., 2021: Im Vergleich mit einem Mehrkanal-EKG maßen sieben Consumer-Technologien den Ruhepuls genau, während ihre RMSSD-Genauigkeit stark schwankte.
  • Quer et al., 2020: Bei 92.457 Wearable-Nutzenden war der Ruhepuls jeder Person über die Zeit recht stabil, doch was normal war, unterschied sich zwischen Menschen um bis zu 70 bpm, mit einem kleinen jahreszeitlichen Muster.

Ebenfalls zitiert: Speed et al., 2023

Herzfrequenz am Tag

Die Herzfrequenz-Messpunkte, die dein Ring im Lauf des Tages außerhalb deines Schlafs aufzeichnet.

So zeigt es Daytlas

  • Day stellt jeden Messpunkt des gewählten Tages in der Zeitzone aus den Einstellungen dar (standardmäßig der dieses Geräts). Lücken von mehr als 15 Minuten bleiben als Unterbrechungen der Linie sichtbar; Messpunkte zum selben Zeitpunkt werden gemittelt.
  • Der Ruhepuls am Tag ist der Durchschnitt der Messpunkte dieses Tages, die als wach oder ruhend markiert sind. Der Wert für heute ist unvollständig.
  • Er wird mit dem Durchschnitt der vorherigen 30 Tage mit Messpunkten verglichen, sobald es mindestens 5 solche Tage gibt.
  • Importierte Exportdateien enthalten diese Messpunkte nicht, deshalb braucht diese Ansicht eine Live-Verbindung.

Grenzen

Optische Herzfrequenzsensoren sind in Ruhe recht genau und bei Bewegung weniger genau.

Forschung

  • Fuller et al., 2020: In 158 Studien zählten Wearables Schritte und maßen die Herzfrequenz im Labor gut, aber keine Marke schätzte den Energieverbrauch genau.
  • Zhang et al., 2020: In 44 Studien lag die optische Herzfrequenz am Handgelenk im Schlaf, in Ruhe, beim Gehen und Laufen nah an der Referenz und war bei Krafttraining und Radfahren weniger genau.
  • Bent et al., 2020: Optische Herzfrequenzsensoren waren in Ruhe recht genau, bei Aktivität waren die Fehler etwa 30 % größer, und die Genauigkeit unterschied sich nicht signifikant zwischen Hauttönen.

Ebenfalls zitiert: Shcherbina et al., 2017

Kardiovaskuläres Alter

Eine Schätzung der App deines Rings zum Alter deines Herz-Kreislauf-Systems, basierend auf der Form deines Pulssignals und der geschätzten Pulswellengeschwindigkeit. Daytlas zeigt sie an, berechnet sie aber nicht.

So zeigt es Daytlas

  • Overview zeigt den neuesten Wert aus dem vergangenen Jahr, den Durchschnitt der Werte in den 30 Tagen davor (sobald es mindestens 5 gibt) und die letzten 90 Tage als Diagramm mit Durchschnittslinie.
  • Werte außerhalb von 18 bis 100 Jahren werden als ungültig ignoriert.
  • Importierte Exportdateien enthalten es nicht.

Grenzen

Es ist eine Schätzung der Gefäßalterung, keine klinische Messung der Arteriensteifigkeit und keine Diagnose. Schau auf den Trend über Wochen statt auf einzelne Werte.

Forschung

  • Laurent et al., 2006: Ein europäisches Expertennetzwerk fasste zusammen, wie Arteriensteifigkeit gemessen wird, unter anderem über die Pulswellengeschwindigkeit, und welche Faktoren die Messung beeinflussen.
  • Reference Values for Arterial Stiffness’ Collaboration, 2010: Bei 16.867 Menschen aus 13 europäischen Zentren stieg die Pulswellengeschwindigkeit, ein Maß für Arteriensteifigkeit, mit Alter und Blutdruck.
  • Charlton et al., 2022: Gibt einen Überblick, wie Form und Timing des optischen Pulssignals mit der Gefäßalterung zusammenhängen und wie weit solche Schätzungen validiert sind.

Ebenfalls zitiert: Allen, 2007

Aktivität

Bewegung, Anstrengung und geschätzter Energieverbrauch im Lauf des Tages.

Activity Score

Ein Score von 0 bis 100 aus der App deines Rings, der widerspiegelt, wie aktiv du warst und wie sich deine Aktivität über Tag und Woche verteilt hat. Daytlas zeigt ihn so, wie er ankommt, und berechnet ihn nie neu.

So zeigt es Daytlas

  • Day zeigt den Score, seine Einflussfaktoren (jeweils 0–100) und die Differenz zum Durchschnitt der vorherigen 30 Tage, sobald mindestens 5 dieser Tage einen Score haben.
  • Die Werte sind nach den Bereichen eingefärbt, die die App deines Rings für ihre Scores verwendet: unter 60 „Im Blick behalten“, 60–69 „Mittel“, 70–84 „Gut“ und ab 85 „Optimal“. Eine Farbe beschreibt die Zahl, nicht deine Gesundheit.
  • Der heutige Score wird mit vorherigen vollständigen Tagen verglichen, er zeigt also den Fortschritt und kein Endergebnis.

Grenzen

Die Ziele und die Formel des Scores gehören der App deines Rings. Die heutige Aktivität ist erst mit dem Ende des Tages vollständig.

Forschung

  • Bull et al., 2020: Empfiehlt Erwachsenen 150–300 Minuten moderate oder 75–150 Minuten intensive Aktivität pro Woche und weniger Zeit im Sitzen.
  • Ekelund et al., 2019: In zusammengefassten Beschleunigungsmesser-Daten von rund 36.000 Erwachsenen ging jede körperliche Aktivität, auch leichte, mit einer geringeren Sterblichkeit einher, mit dem steilsten Unterschied bei niedrigem Aktivitätsniveau.
  • de Zambotti et al., 2019: Gibt einen Überblick, wie Consumer-Schlaftracker validiert werden, und warnt, dass proprietäre Algorithmen und Firmware-Updates ihre Zahlen verändern können.

Schritte und Gehstrecken-Äquivalent

In Daytlas: Schritte · Gehstrecken-Äquivalent

Die Schritte, die dein Ring im Lauf des Tages gezählt hat, und das Gehstrecken-Äquivalent: die Aktivität des Tages, ausgedrückt als Gehstrecke.

So zeigt es Daytlas

  • Strecken kommen in Metern an und werden je nach Wahl in den Einstellungen in Kilometern oder Meilen angezeigt.
  • Day vergleicht einen Tag mit dem Durchschnitt der vorherigen 30 Tage; der bisherige heutige Tag wird mit vorherigen vollständigen Tagen verglichen.
  • Your Year kann jeden Tag des Jahres nach Schritten einfärben.

Grenzen

Schrittzählungen von Wearables halten in Labortests gut stand, unterscheiden sich aber zwischen Geräten und Aktivitäten. Vergleiche daher deine eigenen Tage miteinander, nicht verschiedene Geräte.

Forschung

  • Banach et al., 2023: In Kohortenstudien gingen mehr tägliche Schritte mit einer geringeren Gesamt- und Herz-Kreislauf-Sterblichkeit einher, beginnend bei etwa 2.300 bis 3.900 Schritten am Tag.
  • Paluch et al., 2022: In 15 Kohorten gingen mehr tägliche Schritte mit einer geringeren Sterblichkeit einher, mit einem Abflachen bei etwa 6.000–8.000 Schritten für Erwachsene ab 60 und 8.000–10.000 für jüngere Erwachsene.
  • Fuller et al., 2020: In 158 Studien zählten Wearables Schritte und maßen die Herzfrequenz im Labor gut, aber keine Marke schätzte den Energieverbrauch genau.

Ebenfalls zitiert: Tudor-Locke et al., 2011

Aktivitäts- und Gesamtkalorien

In Daytlas: Aktivitätskalorien · Gesamtkalorien

Die geschätzte Energie, die du durch Aktivität verbrannt hast (Aktivitätskalorien), und die gesamte, einschließlich der Energie, die dein Körper in Ruhe verbraucht (Gesamtkalorien), in Kilokalorien.

So zeigt es Daytlas

  • Werden so angezeigt, wie sie gemeldet werden, und in Day mit dem Durchschnitt der vorherigen 30 Tage verglichen.
  • Trends kann beide als Diagramm zeigen, täglich oder als Wochen- und Monatsdurchschnitte.

Grenzen

Kein Consumer-Wearable schätzt den Energieverbrauch genau. Lies diese Werte als grobe Schätzungen, am nützlichsten, um deine eigenen Tage miteinander zu vergleichen.

Forschung

  • Fuller et al., 2020: In 158 Studien zählten Wearables Schritte und maßen die Herzfrequenz im Labor gut, aber keine Marke schätzte den Energieverbrauch genau.
  • O’Driscoll et al., 2020: In 60 Studien hing die Genauigkeit der Energieschätzungen von Geräten an Handgelenk und Arm von der Aktivität ab, und die Herzfrequenz zusätzlich zu den Bewegungsdaten verbesserte sie.
  • Shcherbina et al., 2017: Sieben Geräte am Handgelenk maßen die Herzfrequenz im Labor recht gut, aber keines schätzte den Energieverbrauch mit einem Fehler unter 20 %.

Aktivitätsintensität und MET

In Daytlas: Durchschnittlicher MET-Wert · Hohe Aktivität · Mittlere Aktivität · Geringe Aktivität

MET, das metabolische Äquivalent, drückt Anstrengung als Vielfaches der Energie aus, die du in Ruhe verbrauchst. Dein Ring schätzt es im Lauf des Tages und teilt deine Zeit in geringe, mittlere und hohe Aktivität ein.

So zeigt es Daytlas

  • Das Diagramm zur Aktivitätsintensität in Day zeigt die MET-Schätzungen des gewählten Tages als Balken, bis zu dem Moment, in dem die Daten geladen wurden.
  • Die Zeit in jeder Intensitätsstufe kommt in Sekunden an und wird als Dauer angezeigt, so geschrieben, wie du es in den Einstellungen wählst.
  • Der durchschnittliche MET-Wert ist der gemeldete Tagesdurchschnitt.

Grenzen

Die Schwellen für die Intensität legt die App deines Rings fest, und sie müssen nicht mit den Minuten übereinstimmen, die in Empfehlungen für körperliche Aktivität gezählt werden.

Forschung

  • Bull et al., 2020: Empfiehlt Erwachsenen 150–300 Minuten moderate oder 75–150 Minuten intensive Aktivität pro Woche und weniger Zeit im Sitzen.
  • Herrmann et al., 2024: Listet den gemessenen Energieaufwand in MET für 1.114 Aktivitäten bei Erwachsenen auf, von Ruhe bis zu intensivem Sport.
  • Migueles et al., 2017: Zeigt, wie Entscheidungen wie Regeln für Nicht-Tragezeit, Definitionen gültiger Tage und Intensitätsgrenzen die Aktivitätsschätzungen eines Beschleunigungsmessers verändern.

Ebenfalls zitiert: Byrne et al., 2005

Inaktive Zeit, Ruhezeit und Nicht-Tragezeit

In Daytlas: Inaktive Zeit · Ruhezeit · Nicht-Tragezeit

Inaktive Zeit ist wache Zeit mit wenig Bewegung. Ruhezeit umfasst Ruhe und Schlaf. Nicht-Tragezeit ist die Zeit, in der der Ring nicht getragen wurde.

So zeigt es Daytlas

  • Wird in Sekunden gemeldet und als Dauer angezeigt, so geschrieben, wie du es in den Einstellungen wählst.
  • Daytlas füllt Nicht-Tragezeit nicht auf: Wenn der Ring abgelegt war, fehlen die Messwerte für diese Zeit einfach.

Grenzen

Lange Nicht-Tragezeiten machen die übrigen Aktivitätswerte des Tages unvollständig. Eine Weile stillzusitzen ist nicht dasselbe, wie insgesamt inaktiv zu sein.

Forschung

  • Tremblay et al., 2017: Legt gemeinsame Definitionen fest, die sitzendes Verhalten, also energiearmes Sitzen oder Liegen im Wachzustand, von körperlicher Inaktivität unterscheiden.
  • Patterson et al., 2018: Unabhängig von körperlicher Aktivität ging mehr Sitzen insgesamt mit einem höheren Risiko einher, das für die Sterblichkeit ab etwa 6–8 Stunden am Tag anstieg.
  • Choi et al., 2011: Validierte eine Regel, um in Beschleunigungsmesser-Daten Nicht-Tragezeit von stillem Tragen zu unterscheiden, was verändert, wie viel Zeit als sitzend gilt.

Temperatur

Wie deine Hauttemperatur in der Nacht im Vergleich zu deinem eigenen Normalwert ausfällt.

Temperaturabweichung und -trend

In Daytlas: Temperaturabweichung · Temperaturtrend-Abweichung

Wie stark deine Hauttemperatur im Schlaf von deinem eigenen Basiswert abwich, in Grad Celsius (oder Fahrenheit, wenn du das in den Einstellungen wählst). Die Temperaturtrend-Abweichung ist eine geglättete Version, die sich langsamer verändert. Beide stammen aus der App deines Rings.

So zeigt es Daytlas

  • Day zeigt die Abweichung für den gewählten Tag und vergleicht sie mit der durchschnittlichen Abweichung der vorherigen 30 Tage.
  • „Dein Körper im Zeitverlauf“ in Overview stellt die tägliche Abweichung als Diagramm dar.
  • Trends kann beide als Diagramm zeigen, täglich oder als Wochen- und Monatsdurchschnitte.

Grenzen

Die Hauttemperatur verändert sich mit der Raumtemperatur, dem Bettzeug, dem Zeitpunkt und vielem mehr. Eine Abweichung beschreibt deine aufgezeichneten Daten; sie ist weder eine Fiebermessung noch eine Diagnose.

Forschung

  • Smith et al., 2010: Kleine kabellose Hautsensoren lieferten im Vergleich mit einer Referenz gültige Hauttemperaturwerte, wobei die Geräte je nach Umgebungstemperatur und Belastung um bis zu etwa 1 °C voneinander abwichen.
  • Harding et al., 2019: Gibt einen Überblick über Belege, dass das Einschlafen eng mit dem Abkühlen von Körper und Gehirn verbunden ist.
  • Okamoto-Mizuno & Mizuno, 2012: Raumtemperatur, Luftfeuchtigkeit und Bettzeug prägen den Schlaf; vor allem Hitze vermehrt das Wachsein und verringert Tief- und REM-Schlaf.

Ebenfalls zitiert: Kräuchi, 2007

Atmung und Blutsauerstoff

Atemfrequenz und geschätzte Sauerstoffsättigung während des Schlafs.

Atemfrequenz

Deine durchschnittliche Zahl an Atemzügen pro Minute während der Hauptschlafperiode, geschätzt aus den Signalen deines Rings.

So zeigt es Daytlas

  • Day vergleicht sie mit dem Durchschnitt der vorherigen 30 Tage; Trends und Tag Lab können sie im Zeitverlauf zeigen.

Grenzen

Die Atemfrequenz wird indirekt geschätzt und nicht mit einem Atemflusssensor gemessen, daher können kleine Veränderungen innerhalb des Messfehlers liegen.

Forschung

  • Douglas et al., 1982: Bei 19 gesunden Erwachsenen wurde die Atmung im Schlaf schneller und flacher, und die Ventilation sank im REM-Schlaf am stärksten.
  • Nicolò et al., 2020: Argumentiert, dass die Atemfrequenz schneller auf Stress, Hitze, Anstrengung und Ermüdung reagiert als die meisten anderen Vitalzeichen.
  • Charlton et al., 2018: Gibt einen Überblick über Algorithmen, die die Atemfrequenz aus Herz- und Pulssignalen schätzen, und darüber, wie ihre Genauigkeit geprüft werden sollte.

Blutsauerstoff (SpO2)

In Daytlas: Durchschnittliche Sauerstoffsättigung

Die durchschnittliche geschätzte Sauerstoffsättigung deines Bluts während des Schlafs, in Prozent. Sie ist nur verfügbar, wenn dein Ring und dein Konto sie bereitstellen.

So zeigt es Daytlas

  • Trends zeigt den nächtlichen Durchschnitt; Daytlas leitet nichts weiter daraus ab.
  • Wenn diese Daten nicht verfügbar sind, funktioniert der Rest von Daytlas ohne sie.

Grenzen

Die Pulsoximetrie ist bei Bewegung oder schlechter Durchblutung weniger genau, und Studien haben gezeigt, dass Oximeter den Sauerstoffgehalt bei Menschen mit dunklerer Haut überschätzen können. Ein Ring ist kein medizinisches Oximeter.

Forschung

  • Jiang et al., 2023: Consumer-Smartwatches unterschieden sich in der Genauigkeit des Blutsauerstoffs im Vergleich mit einem klinischen Oximeter, und manche lieferten bei etwa 30 % der Versuche keinen Wert.
  • Sjoding et al., 2020: Bei Krankenhauspatienten übersahen Pulsoximeter einen niedrigen Blutsauerstoff bei Schwarzen Patientinnen und Patienten etwa dreimal so oft wie bei weißen.
  • Gries & Brooks, 1996: Bei gesunden Schläfern lag die mediane Sauerstoffsättigung bei etwa 96,5 %, die niedrigsten Werte lagen im Durchschnitt bei etwa 90 %, und Menschen über 60 lagen etwas niedriger.

Ebenfalls zitiert: Jubran, 2015

Methoden und Statistik

Die Berechnungen hinter jedem Durchschnitt, jedem Vergleich, jeder Korrelation und jeder Hervorhebung in Daytlas.

Tage, Nächte und fehlende Daten

Jedes Diagramm beginnt mit einer Zeile pro Kalendertag, gebildet aus den Tageszusammenfassungen und Schlafperioden, die die App deines Rings liefert.

So zeigt es Daytlas

  • Schlafperioden gehören zu dem Tag, dem die App deines Rings sie zuordnet; die längste liefert die Schlafwerte dieses Tages.
  • Fehlende Werte bleiben fehlend. Daytlas füllt eine Lücke nie mit null oder einem erfundenen Wert, und Durchschnitte nutzen nur die Tage, die einen Wert haben.
  • Linien brechen ab, wo ein Tag fehlt; eine blasse gestrichelte Linie überbrückt Lücken innerhalb des Diagramms, damit du dem Trend folgen kannst, ohne sie für Daten zu halten.
  • Jeder Vergleich braucht eine Mindestzahl an Werten, die in den Abschnitten unten genannt ist. Darunter lässt Daytlas den Vergleich weg, statt zu raten.

Grenzen

Wenn Werte an bestimmten Tagen eher fehlen, zum Beispiel in Nächten, in denen du den Ring abgelegt hast, beschreiben Durchschnitte nur die aufgezeichneten Tage.

Forschung

  • Tackney et al., 2021: Schlägt vor, fehlende Wearable-Daten über die Tragezeit zu definieren, da ein Gerät, das nichts aufzeichnet, entweder nicht getragen oder nicht bewegt worden sein kann.
  • Cho et al., 2021: Forschende und Fachleute für Datenqualität nannten Vollständigkeit, Genauigkeit und Plausibilität als die wichtigsten Qualitätsprobleme von Wearable-Daten.
  • Sterne et al., 2009: Erklärt, dass die Analyse nur vollständiger Datensätze Ergebnisse verzerren kann, wenn der Grund für fehlende Daten mit den Werten selbst zusammenhängt.

Durchschnitte und Zeiträume

Wie Daytlas Tage zu Wochen, Monaten, Quartalen und Jahren zusammenfasst.

So zeigt es Daytlas

  • Trends zeigt Tageswerte oder mittelt sie nach Woche, Monat, Quartal oder Jahr. Wochen beginnen an dem Tag, der in den Einstellungen festgelegt ist (standardmäßig Montag). Jeder Zeitraum ist der einfache Mittelwert der Tage mit Wert; Uhrzeiten nutzen ein zirkuläres Mittel.
  • Jedes Diagramm in Trends zeichnet eine gestrichelte Durchschnittslinie für die angezeigten Werte.
  • Die Abschnittsüberschrift in Trends teilt die Werte deiner Auswahl in eine ältere und eine neuere Hälfte und zeigt die Differenz zwischen ihren Durchschnitten. Sie vergleicht nicht mit einem vorherigen Zeitraum.
  • Your Year fasst Tage zu Kalenderwochen zusammen, die an deinem Wochenbeginn aus den Einstellungen starten und am Anfang und Ende des Jahres abgeschnitten werden, und zu Monaten.

Grenzen

Mittelwertbildung glättet Rauschen, kann aber auch kurze Veränderungen verbergen, und sie lässt zwei Messwerte enger zusammenhängend erscheinen, als es ihre Tageswerte sind.

Forschung

  • Cremers & Klugkist, 2018: Ein Tutorial, das zeigt, dass Daten auf einem Kreis, etwa Winkel oder Uhrzeiten, eigene Methoden brauchen, weil 0 und 360 Grad derselbe Punkt sind.
  • Berens, 2009: Erklärt, warum Winkel und Tageszeiten zirkuläre Statistik wie das zirkuläre Mittel brauchen statt gewöhnlicher Durchschnitte.
  • Robinson, 1950: Zeigte, dass Korrelationen zwischen Gruppendurchschnitten stark von Korrelationen zwischen den zugrunde liegenden Einzelwerten abweichen können.

Basiswerte und Bänder

Ein Basiswert ist dein eigener Durchschnitt der letzten Zeit, der als Bezugspunkt für einen Vergleich dient.

So zeigt es Daytlas

  • Day: Jeder Wert wird mit dem Durchschnitt der 30 Kalendertage vor dem gewählten Tag verglichen, ohne den Tag selbst. Der Vergleich erscheint, sobald mindestens 5 dieser Tage einen Wert haben; sonst zeigt Day „Noch zu wenig Verlauf“.
  • Trends, Tagesansicht: Die gestrichelte Linie ist der Mittelwert der vorherigen 60 Kalendertage innerhalb deines gewählten Zeitraums, ohne den Tag selbst. Das schattierte Band umfasst ±1 Standardabweichung darum und braucht mindestens 2 frühere Werte.
  • Die Score-Karten in Overview vergleichen den neuesten Score mit dem Durchschnitt der bis zu 7 Tage davor.

Grenzen

Ein Basiswert beschreibt deine eigene jüngere Vergangenheit, keinen gesunden Bereich und keinen Zielbereich. Eine Differenz, die kleiner ist als deine übliche Streuung von Tag zu Tag, ist wahrscheinlich gewöhnliche Schwankung.

Forschung

  • Buchheit, 2014: Empfiehlt, eine Veränderung von Ruhepuls oder HRV an ihrem üblichen Fehler von Tag zu Tag und an der kleinsten relevanten Veränderung zu messen.
  • Plews et al., 2013: Argumentiert, dass sich die HRV besser mit geeigneter Mittelung über mehrere Tage verfolgen lässt als mit einzelnen Tageswerten.
  • Hopkins, 2000: Definiert den typischen Fehler, die normale Streuung wiederholter Messungen einer Person, als Maßstab dafür, ob eine Veränderung echt ist.

Ebenfalls zitiert: Plews et al., 2013

Vergleichszeiträume

Direkte Vergleiche zweier Abschnitte deines eigenen Verlaufs.

So zeigt es Daytlas

  • Letzte 30 Tage (Overview): der Durchschnitt der vergangenen 30 Kalendertage einschließlich heute, verglichen mit den 30 Tagen davor und mit denselben 30 Tagen ein Jahr zuvor. Jeder Vergleich braucht in beiden Zeiträumen mindestens 15 Werte. Der höchste erfasste Tag ist der höchste Einzelwert im aktuellen Zeitraum.
  • Dieser Monat im Vergleich zum letzten: die letzten 30 Tage gegenüber den 30 Tagen davor, als prozentuale Veränderung, für Messwerte mit mindestens 15 Werten in jedem Zeitraum, sortiert nach der Größe der Veränderung.
  • Deine Woche: die letzten 7 Kalendertage gegenüber den 60 Tagen davor; bei importiertem Verlauf die 7 Tage bis zu deinem neuesten Eintrag. Ein Messwert kommt infrage, wenn er diese Woche mindestens 4 Werte und im Basiszeitraum mindestens 30 hat; angezeigt werden die drei Messwerte, die am weitesten von ihrem Basiswert entfernt sind, gemessen in Standardabweichungen.
  • Farben zeigen nur die Richtung, nach oben oder unten, nie besser oder schlechter.

Grenzen

Zwei Zeiträume können sich schon deshalb unterscheiden, weil einer ungewöhnlich hohe oder niedrige Tage enthielt; der nächste Zeitraum bewegt sich oft wieder in Richtung deines Durchschnitts.

Forschung

  • Hopkins, 2000: Definiert den typischen Fehler, die normale Streuung wiederholter Messungen einer Person, als Maßstab dafür, ob eine Veränderung echt ist.
  • Swinton et al., 2018: Legt dar, wie Messfehler, typischer Fehler und die kleinste relevante Veränderung helfen zu entscheiden, ob die Veränderung einer Person echt ist.
  • Hopkins et al., 2009: Empfiehlt, Effekte nach ihrer Größe und Präzision zu beurteilen und Standardabweichungen anzugeben, statt sich allein auf Signifikanztests zu verlassen.

Ebenfalls zitiert: Barnett et al., 2005

Mediane, Perzentile und Verteilungen

Wege, deinen typischen Bereich zu sehen statt nur eines Durchschnitts.

So zeigt es Daytlas

  • Dein üblicher Bereich, in deinem Profil: der Median und die mittlere Hälfte (25. bis 75. Perzentil) der letzten 90 Kalendertage, aus mindestens 14 erfassten Tagen. Die Leiste dahinter reicht vom 5. bis zum 95. Perzentil, damit ein einzelner seltener Tag sie nicht staucht.
  • Wochentagsmuster in Overview: der Median und die mittlere Hälfte für jeden Wochentag über deinen gesamten Verlauf, beginnend mit deinem Wochenbeginn aus den Einstellungen, jeweils mit der Zahl der Tage dahinter.
  • „Wo liegen deine letzten 30 Tage?“ in Overview: Jeder erfasste Tag wird einem von 12 gleich breiten Bereichen zugeordnet, und für jeden Bereich wird der Anteil der früheren Tage und der letzten 30 Tage gezeigt. Das braucht mindestens 10 erfasste Tage.
  • Perzentile werden linear zwischen benachbarten Werten interpoliert, eine gängige Definition in Statistiksoftware.

Grenzen

Bei nur wenigen Tagen verschieben sich Mediane und Quartile spürbar, wenn neue Tage hinzukommen. Unterschiede zwischen Wochentagen können deinen Wochenablauf widerspiegeln statt des Tages selbst.

Forschung

  • Weissgerber et al., 2015: Viele verschiedene Verteilungen können dasselbe Balken- oder Liniendiagramm ergeben; wer die ganze Verteilung zeigt, hilft den Lesenden, die Daten zu beurteilen.
  • Wittmann et al., 2006: Beschreibt sozialen Jetlag: Viele Menschen schlafen an Arbeitstagen und freien Tagen zu unterschiedlichen Zeiten, späte Chronotypen am stärksten.
  • Krzywinski & Altman, 2014: Erklärt, wie Boxplots den Median, die mittlere Hälfte der Werte und ihre Streuung zeigen, wodurch sich Verteilungen leicht vergleichen lassen.

Ebenfalls zitiert: Hyndman & Fan, 1996

Korrelationen

Eine Korrelation beschreibt, wie eng zwei Messwerte in deinen eigenen Daten gemeinsam steigen und fallen.

So zeigt es Daytlas

  • Daytlas nutzt den Korrelationskoeffizienten nach Pearson, r, von −1 bis +1, für Wertepaare desselben Tages oder, wenn du mittelst, derselben Woche, desselben Monats, Quartals oder Jahres.
  • Es zählen nur Zeiträume, in denen beide Messwerte einen Wert haben; Lücken werden nie gefüllt. Es braucht mindestens 5 Paare, und es wird kein r angezeigt, wenn einer der Messwerte nicht schwankt.
  • Uhrzeiten (Schlafenszeit, Aufwachzeit und Schlafmitte) bleiben außen vor, weil sie um Mitternacht umbrechen.
  • Die Formulierung folgt der Größe von r, unabhängig vom Vorzeichen: unter 0,2 „Kein klares lineares Muster“, unter 0,4 schwach, unter 0,7 mittel und ab 0,7 stark. Die Zahl der Paare wird mit dem Ergebnis angezeigt.

Grenzen

Eine Korrelation ist kein Ursache-Wirkungs-Zusammenhang, und Daytlas führt keine Signifikanztests durch. Bei ein paar Dutzend Paaren kann r stark schwanken, und eine Matrix mit vielen Paaren zeigt rein zufällig einige stark wirkende Werte. Tageswerte hängen von den Tagen davor ab, was zwei Messwerte zusammenhängender erscheinen lassen kann, als sie sind; dasselbe gilt für Durchschnitte und für Scores, die aus denselben Eingangswerten gebildet werden.

Forschung

  • Schober et al., 2018: Ein Tutorial dazu, wann man Pearsons r verwendet, was seine Skala von −1 bis +1 bedeutet und wie man seine Stärke deutet.
  • Dean & Dunsmuir, 2016: Zeigt, dass die Korrelation zweier Zeitreihen, deren Werte von ihrer eigenen Vergangenheit abhängen, Zusammenhänge vortäuschen kann, die es nicht gibt.
  • Schönbrodt & Perugini, 2013: Simulationen zeigten, dass Korrelationen aus kleinen Stichproben stark schwanken; in typischen Fällen brauchen stabile Schätzungen rund 250 Beobachtungen.

Ebenfalls zitiert: Benjamini & Hochberg, 1995

Verschiebungen deines Basiswerts

Zeitpunkte, um die herum sich das Niveau eines Messwerts verändert zu haben scheint und eine Weile verändert geblieben ist.

So zeigt es Daytlas

  • Für durchschnittlichen Ruhepuls, HRV, Sleep Score und Gesamtschlaf geht Daytlas deinen Verlauf in Schritten von mindestens 7 Tagen durch und vergleicht den Durchschnitt der 30 Tage vor einem Datum mit dem der 30 Tage ab diesem Datum.
  • Eine Verschiebung wird aufgeführt, wenn sich die beiden Durchschnitte um mehr als eine Standardabweichung des gesamten Verlaufs dieses Messwerts unterscheiden, beide Zeiträume mindestens 24 Werte haben und der Messwert insgesamt mindestens 60 Werte hat.
  • Verschiebungen bei einem Messwert liegen mindestens 30 Tage auseinander; die Karte zeigt die vier jüngsten.

Grenzen

Das sind beschreibende Kandidaten, keine statistisch getesteten Änderungspunkte, und sie sagen nichts darüber, warum eine Veränderung passiert ist.

Forschung

  • Truong et al., 2020: Gibt einen Überblick über Methoden, die Punkte zu finden, an denen sich eine Zeitreihe verschiebt, jeweils aufgebaut aus einer Kostenfunktion, einem Suchverfahren und einer Begrenzung der Zahl der Änderungen.
  • Aminikhanghahi & Cook, 2017: Gibt einen Überblick über Methoden zur Erkennung abrupter Veränderungen in Zeitreihen und vergleicht sie, von überwachten bis zu unüberwachten Algorithmen.
  • Barnett et al., 2005: Erklärt, warum auf ungewöhnlich hohe oder niedrige Werte meist Werte näher am Durchschnitt folgen, was wie eine echte Veränderung aussehen kann.

Vergleiche im Tag Lab

Wie sich deine erfassten Messwerte an den Tagen nach einer Gewohnheit unterscheiden, die du in der App deines Rings markiert hast.

So zeigt es Daytlas

  • Eine Markierung gilt für jeden Tag von ihrem Start- bis zu ihrem Enddatum, und Markierungen mit demselben Namen werden zusammengefasst.
  • Für jeden Messwert vergleicht Daytlas den Durchschnitt an Tagen, die auf einen markierten Tag folgen, mit dem Durchschnitt an allen anderen erfassten Tagen.
  • Jede Gruppe braucht mindestens 5 Tage mit einem Wert, und die Zahl der Tage in jeder Gruppe wird angezeigt.
  • Verglichen werden durchschnittliche HRV, durchschnittlicher Ruhepuls, Sleep Score, Readiness Score, Gesamtschlaf, Tiefschlaf und Atemfrequenz, sortiert nach der Größe der Differenz im Verhältnis zum Vergleichsdurchschnitt.

Grenzen

Das sind unbereinigte Durchschnitte. Ein unmarkierter Tag beweist nicht, dass die Gewohnheit fehlte, andere Gewohnheiten und Tagesabläufe können einen Unterschied erklären, und ein paar ungewöhnliche Tage können eine kleine Gruppe verschieben. Bei sieben gleichzeitig verglichenen Messwerten kann einer rein zufällig abweichen. Lies einen Unterschied als Frage, nicht als Ergebnis.

Forschung

  • Shaffer et al., 2018: Prüfte 54 veröffentlichte N-of-1-Studien mit jeweils einer Person, fand, dass vielen die Angaben fehlten, um ihre Ergebnisse zu beurteilen, und forderte mehr Sorgfalt.
  • Daza, 2018: Legt dar, wann ein Zusammenhang in den selbst erfassten Daten einer Person als Effekt gelesen werden könnte, unter Berücksichtigung von Trends, Übertragungseffekten und Autokorrelation.
  • Barnett et al., 2005: Erklärt, warum auf ungewöhnlich hohe oder niedrige Werte meist Werte näher am Durchschnitt folgen, was wie eine echte Veränderung aussehen kann.

Ebenfalls zitiert: Bender & Lange, 2001

Meilensteine, Serien und Rekorde

Serien hoher Scores und deine höchsten und niedrigsten erfassten Werte.

So zeigt es Daytlas

  • Eine Serie zählt aufeinanderfolgende Kalendertage mit einem Sleep Score oder Readiness Score von 85 oder mehr. Ein fehlender Tag beendet eine Serie, und die aktuelle Serie zählt nur, wenn der neueste Score von heute oder gestern ist.
  • Die längste Serie ist die längste solche Folge in deinem Verlauf; die höchste erfasste HRV ist dein höchster einzelner Nachtdurchschnitt.
  • Your Year nennt den höchsten und den niedrigsten Tag und, aus Monaten mit mindestens 7 erfassten Tagen, den höchsten und den niedrigsten Monat.

Grenzen

Rekorde sind per Definition Extremwerte, und die Werte nach einem Rekord bewegen sich meist wieder in Richtung deines Durchschnitts. Höher und niedriger beschreiben Werte, nicht deine Gesundheit.

Forschung

  • Gilovich et al., 1985: Wurfstatistiken stützten den Glauben von Spielern und Fans an Trefferserien („heiße Hand“) nicht, was nahelegt, dass Menschen Serien in weitgehend zufälligen Abfolgen sehen.
  • Barnett et al., 2005: Erklärt, warum auf ungewöhnlich hohe oder niedrige Werte meist Werte näher am Durchschnitt folgen, was wie eine echte Veränderung aussehen kann.
  • Morton & Torgerson, 2003: Zeigt, wie die Regression zur Mitte eine Veränderung wie die Wirkung einer Maßnahme aussehen lassen kann, obwohl sie teilweise Zufall ist.

Your Year und deine Monate

Ansichten über das ganze Jahr, die Jahreszeiten und Schwankungen zeigen statt einzelner Tage.

So zeigt es Daytlas

  • Die drei Ringe zeigen Wochendurchschnitte (Wochen beginnen an deinem Wochenbeginn aus den Einstellungen und werden an den Jahresgrenzen abgeschnitten) der Scores für Schlaf, Readiness und Aktivität. Dunkler bedeutet innerhalb jedes Messwerts höher für dieses Jahr; Grau bedeutet kein Wert.
  • Der Kalender färbt jeden Tag auf einer 7-stufigen Skala vom niedrigsten bis zum höchsten Wert des gewählten Messwerts in diesem Jahr ein.
  • Deine Monate zeigen die 12 Monate bis zu deinem neuesten Eintrag: den durchschnittlichen Hauptschlaf pro Monat, seine Standardabweichung und wie viele Tage fehlen. Der längste und der gleichmäßigste Monat stammen aus Monaten mit mindestens 7 Nächten, sobald mindestens zwei Monate infrage kommen.

Grenzen

Farbskalen beziehen sich auf dein eigenes Jahr, daher kann dieselbe Farbe in verschiedenen Jahren oder bei verschiedenen Messwerten unterschiedliche Werte bedeuten.

Forschung

  • Bei et al., 2016: Argumentiert, dass die Variabilität von Nacht zu Nacht über den Durchschnitt hinaus eine eigene Dimension des Schlafs ist, und wertet 53 Studien dazu aus, womit sie zusammenhängt.
  • Lemola et al., 2013: Bei 441 Erwachsenen, die eine Woche lang erfasst wurden, ging die Variabilität der Schlafdauer von Nacht zu Nacht, mehr als ihr Durchschnitt, mit schlechterer Schlafqualität und geringerem Wohlbefinden einher.
  • Crameri et al., 2020: Zeigt, wie ungleichmäßige oder rot-grüne Farbskalen Daten verzerren, und empfiehlt wahrnehmungsgleichmäßige Skalen, die auch bei Farbsehschwäche funktionieren.

Quellen

Wie wir Quellen auswählen

  • Nur begutachtete Fachliteratur. Aktuelle Konsenserklärungen, Metaanalysen und systematische Übersichtsarbeiten kommen zuerst, weil sie viele Studien zugleich gewichten.
  • Für die Genauigkeit Validierungsstudien, die Consumer-Wearables mit Laborreferenzen vergleichen, bevorzugt aus unabhängigen Laboren oder mit mehreren Geräten. Nie das Marketing eines Herstellers.
  • Für Berechnungen Methodenartikel zu dem, was Daytlas tatsächlich tut: Basiswerte und typischer Fehler, Mittelwertbildung, zirkuläre Statistik für Uhrzeiten, Korrelation bei kleinen Stichproben und vielen Vergleichen sowie die Variabilität von Nacht zu Nacht.
  • Jede DOI wird mit dem Eintrag des Verlags abgeglichen: Sie muss auflösbar sein, und Titel, Erstautor und Jahr müssen übereinstimmen. Was wir nicht überprüfen können, lassen wir weg.
  • Die einzeiligen Zusammenfassungen stammen von uns, in einfacher Sprache. Studien beschreiben Gruppen von Menschen, nicht dich; das vollständige Bild findest du in den Artikeln selbst.

99 Quellen, zuletzt geprüft am 8. Oktober 2026. Jeder Abschnitt oben zeigt bis zu 3; hier sind alle nach Thema aufgeführt.

Schlaf

  1. Watson NF, Badr MS, Belenky G, et al. Recommended Amount of Sleep for a Healthy Adult: A Joint Consensus Statement of the American Academy of Sleep Medicine and Sleep Research Society. Journal of Clinical Sleep Medicine. 2015;11(6):591–592. doi:10.5664/jcsm.4758

    Konsenserklärung · Zitiert in Gesamtschlaf

  2. Hirshkowitz M, Whiton K, Albert SM, et al. National Sleep Foundation’s sleep time duration recommendations: methodology and results summary. Sleep Health. 2015;1(1):40–43. doi:10.1016/j.sleh.2014.12.010

    Konsenserklärung · Zitiert in Gesamtschlaf

  3. Chinoy ED, Cuellar JA, Huwa KE, et al. Performance of seven consumer sleep-tracking devices compared with polysomnography. Sleep. 2021;44(5):zsaa291. doi:10.1093/sleep/zsaa291

    Validierungsstudie · Zitiert in Gesamtschlaf, Tiefschlaf, Leichtschlaf, REM-Schlaf und Wachzeit

  4. Ohayon M, Wickwire EM, Hirshkowitz M, et al. National Sleep Foundation’s sleep quality recommendations: first report. Sleep Health. 2017;3(1):6–19. doi:10.1016/j.sleh.2016.11.006

    Konsenserklärung · Zitiert in Zeit im Bett und Schlafeffizienz, Einschlafdauer

  5. Reed DL, Sacco WP. Measuring Sleep Efficiency: What Should the Denominator Be? Journal of Clinical Sleep Medicine. 2016;12(2):263–266. doi:10.5664/jcsm.5498

    Methodenartikel · Zitiert in Zeit im Bett und Schlafeffizienz

  6. Ohayon MM, Carskadon MA, Guilleminault C, et al. Meta-Analysis of Quantitative Sleep Parameters From Childhood to Old Age in Healthy Individuals: Developing Normative Sleep Values Across the Human Lifespan. Sleep. 2004;27(7):1255–1273. doi:10.1093/sleep/27.7.1255

    Metaanalyse · Zitiert in Einschlafdauer

  7. Miller DJ, Sargent C, Roach GD. A Validation of Six Wearable Devices for Estimating Sleep, Heart Rate and Heart Rate Variability in Healthy Adults. Sensors. 2022;22(16):6317. doi:10.3390/s22166317

    Validierungsstudie · Zitiert in Tiefschlaf, Leichtschlaf, REM-Schlaf und Wachzeit

  8. de Zambotti M, Cellini N, Goldstone A, et al. Wearable Sleep Technology in Clinical and Research Settings. Medicine & Science in Sports & Exercise. 2019;51(7):1538–1557. doi:10.1249/MSS.0000000000001947

    Übersichtsarbeit · Zitiert in Sleep Score, Activity Score

  9. Khosla S, Deak MC, Gault D, et al. Consumer Sleep Technology: An American Academy of Sleep Medicine Position Statement. Journal of Clinical Sleep Medicine. 2018;14(5):877–880. doi:10.5664/jcsm.7128

    Positionspapier · Zitiert in Sleep Score

  10. Sletten TL, Weaver MD, Foster RG, et al. The importance of sleep regularity: a consensus statement of the National Sleep Foundation sleep timing and variability panel. Sleep Health. 2023;9(6):801–820. doi:10.1016/j.sleh.2023.07.016

    Konsenserklärung · Zitiert in Schlafenszeit, Aufwachzeit und Schlafmitte

  11. Roenneberg T, Wirz-Justice A, Merrow M. Life between Clocks: Daily Temporal Patterns of Human Chronotypes. Journal of Biological Rhythms. 2003;18(1):80–90. doi:10.1177/0748730402239679

    Beobachtungsstudie · Zitiert in Schlafenszeit, Aufwachzeit und Schlafmitte

  12. Phillips AJK, Clerx WM, O’Brien CS, et al. Irregular sleep/wake patterns are associated with poorer academic performance and delayed circadian and sleep/wake timing. Scientific Reports. 2017;7:3216. doi:10.1038/s41598-017-03171-4

    Beobachtungsstudie · Zitiert in Schlafregelmäßigkeit

  13. Fischer D, Klerman EB, Phillips AJK. Measuring sleep regularity: theoretical properties and practical usage of existing metrics. Sleep. 2021;44(10):zsab103. doi:10.1093/sleep/zsab103

    Methodenartikel · Zitiert in Schlafregelmäßigkeit

  14. Windred DP, Burns AC, Lane JM, et al. Sleep regularity is a stronger predictor of mortality risk than sleep duration: A prospective cohort study. Sleep. 2024;47(1):zsad253. doi:10.1093/sleep/zsad253

    Kohortenstudie · Zitiert in Schlafregelmäßigkeit

  15. Bei B, Wiley JF, Trinder J, et al. Beyond the mean: A systematic review on the correlates of daily intraindividual variability of sleep/wake patterns. Sleep Medicine Reviews. 2016;28:108–124. doi:10.1016/j.smrv.2015.06.003

    Systematische Übersichtsarbeit · Zitiert in Your Year und deine Monate

  16. Wittmann M, Dinich J, Merrow M, et al. Social Jetlag: Misalignment of Biological and Social Time. Chronobiology International. 2006;23(1–2):497–509. doi:10.1080/07420520500545979

    Beobachtungsstudie · Zitiert in Mediane, Perzentile und Verteilungen

  17. Buysse DJ. Sleep Health: Can We Define It? Does It Matter? Sleep. 2014;37(1):9–17. doi:10.5665/sleep.3298

    Übersichtsarbeit · Zitiert in Sleep Score

  18. de Zambotti M, Goldstein C, Cook J, et al. State of the science and recommendations for using wearable technology in sleep and circadian research. Sleep. 2024;47(4):zsad325. doi:10.1093/sleep/zsad325

    Übersichtsarbeit · Zitiert in Sleep Score

  19. Chaput JP, Dutil C, Sampasa-Kanyinga H. Sleeping hours: what is the ideal number and how does age impact this? Nature and Science of Sleep. 2018;10:421–430. doi:10.2147/NSS.S163071

    Übersichtsarbeit · Zitiert in Gesamtschlaf

  20. Ancoli-Israel S, Martin JL, Blackwell T, et al. The SBSM Guide to Actigraphy Monitoring: Clinical and Research Applications. Behavioral Sleep Medicine. 2015;13(sup1):S4–S38. doi:10.1080/15402002.2015.1046356

    Übersichtsarbeit · Zitiert in Zeit im Bett und Schlafeffizienz

  21. Lee T, Cho Y, Cha KS, et al. Accuracy of 11 Wearable, Nearable, and Airable Consumer Sleep Trackers: Prospective Multicenter Validation Study. JMIR mHealth and uHealth. 2023;11:e50983. doi:10.2196/50983

    Validierungsstudie · Zitiert in Zeit im Bett und Schlafeffizienz, Tiefschlaf, Leichtschlaf, REM-Schlaf und Wachzeit

  22. Boulos MI, Jairam T, Kendzerska T, et al. Normal polysomnography parameters in healthy adults: a systematic review and meta-analysis. The Lancet Respiratory Medicine. 2019;7(6):533–543. doi:10.1016/S2213-2600(19)30057-8

    Metaanalyse · Zitiert in Einschlafdauer, Tiefschlaf, Leichtschlaf, REM-Schlaf und Wachzeit

  23. Fischer D, Lombardi DA, Marucci-Wellman H, et al. Chronotypes in the US – Influence of age and sex. PLOS ONE. 2017;12(6):e0178782. doi:10.1371/journal.pone.0178782

    Beobachtungsstudie · Zitiert in Schlafenszeit, Aufwachzeit und Schlafmitte

  24. Chaput JP, Dutil C, Featherstone R, et al. Sleep timing, sleep consistency, and health in adults: a systematic review. Applied Physiology, Nutrition, and Metabolism. 2020;45(10 Suppl 2):S232–S247. doi:10.1139/apnm-2020-0032

    Systematische Übersichtsarbeit · Zitiert in Schlafregelmäßigkeit

  25. Lemola S, Ledermann T, Friedman EM. Variability of Sleep Duration Is Related to Subjective Sleep Quality and Subjective Well-Being: An Actigraphy Study. PLOS ONE. 2013;8(8):e71292. doi:10.1371/journal.pone.0071292

    Beobachtungsstudie · Zitiert in Your Year und deine Monate

Readiness und Erholung

  1. Buchheit M. Monitoring training status with HR measures: do all roads lead to Rome? Frontiers in Physiology. 2014;5:73. doi:10.3389/fphys.2014.00073

    Übersichtsarbeit · Zitiert in Readiness Score, Basiswerte und Bänder

  2. Bellenger CR, Fuller JT, Thomson RL, et al. Monitoring Athletic Training Status Through Autonomic Heart Rate Regulation: A Systematic Review and Meta-Analysis. Sports Medicine. 2016;46(10):1461–1486. doi:10.1007/s40279-016-0484-2

    Metaanalyse · Zitiert in Readiness Score

  3. Kellmann M, Bertollo M, Bosquet L, et al. Recovery and Performance in Sport: Consensus Statement. International Journal of Sports Physiology and Performance. 2018;13(2):240–245. doi:10.1123/ijspp.2017-0759

    Konsenserklärung · Zitiert in Readiness Score

  4. Düking P, Zinner C, Trabelsi K, et al. Monitoring and adapting endurance training on the basis of heart rate variability monitored by wearable technologies: A systematic review with meta-analysis. Journal of Science and Medicine in Sport. 2021;24(11):1180–1192. doi:10.1016/j.jsams.2021.04.012

    Metaanalyse · Zitiert in Readiness Score

Herzfrequenzvariabilität (HRV)

  1. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart Rate Variability: Standards of Measurement, Physiological Interpretation, and Clinical Use. Circulation. 1996;93(5):1043–1065. doi:10.1161/01.CIR.93.5.1043

    Bericht zu Standards · Zitiert in Durchschnittliche HRV

  2. Laborde S, Mosley E, Thayer JF. Heart Rate Variability and Cardiac Vagal Tone in Psychophysiological Research – Recommendations for Experiment Planning, Data Analysis, and Data Reporting. Frontiers in Psychology. 2017;8:213. doi:10.3389/fpsyg.2017.00213

    Übersichtsarbeit · Zitiert in Durchschnittliche HRV

  3. Cao R, Azimi I, Sarhaddi F, et al. Accuracy Assessment of Oura Ring Nocturnal Heart Rate and Heart Rate Variability in Comparison With Electrocardiography in Time and Frequency Domains: Comprehensive Analysis. Journal of Medical Internet Research. 2022;24(1):e27487. doi:10.2196/27487

    Validierungsstudie · Zitiert in Durchschnittliche HRV

  4. Shaffer F, Ginsberg JP. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health. 2017;5:258. doi:10.3389/fpubh.2017.00258

    Übersichtsarbeit · Zitiert in HRV über die Zeit lesen

  5. Umetani K, Singer DH, McCraty R, et al. Twenty-Four Hour Time Domain Heart Rate Variability and Heart Rate: Relations to Age and Gender Over Nine Decades. Journal of the American College of Cardiology. 1998;31(3):593–601. doi:10.1016/S0735-1097(97)00554-8

    Beobachtungsstudie · Zitiert in HRV über die Zeit lesen

  6. Altini M, Plews D. What Is behind Changes in Resting Heart Rate and Heart Rate Variability? A Large-Scale Analysis of Longitudinal Measurements Acquired in Free-Living. Sensors. 2021;21(23):7932. doi:10.3390/s21237932

    Beobachtungsstudie · Zitiert in HRV über die Zeit lesen

  7. Dobbs WC, Fedewa MV, MacDonald HV, et al. The Accuracy of Acquiring Heart Rate Variability from Portable Devices: A Systematic Review and Meta-Analysis. Sports Medicine. 2019;49(3):417–435. doi:10.1007/s40279-019-01061-5

    Metaanalyse · Zitiert in Durchschnittliche HRV

  8. Natarajan A, Pantelopoulos A, Emir-Farinas H, et al. Heart rate variability with photoplethysmography in 8 million individuals: a cross-sectional study. The Lancet Digital Health. 2020;2(12):e650–e657. doi:10.1016/S2589-7500(20)30246-6

    Beobachtungsstudie · Zitiert in HRV über die Zeit lesen

Herz

  1. Quer G, Gouda P, Galarnyk M, et al. Inter- and intraindividual variability in daily resting heart rate and its associations with age, sex, sleep, BMI, and time of year: Retrospective, longitudinal cohort study of 92,457 adults. PLOS ONE. 2020;15(2):e0227709. doi:10.1371/journal.pone.0227709

    Kohortenstudie · Zitiert in Ruhepuls

  2. Stone JD, Ulman HK, Tran K, et al. Assessing the Accuracy of Popular Commercial Technologies That Measure Resting Heart Rate and Heart Rate Variability. Frontiers in Sports and Active Living. 2021;3:585870. doi:10.3389/fspor.2021.585870

    Validierungsstudie · Zitiert in Ruhepuls

  3. Zhang D, Shen X, Qi X. Resting heart rate and all-cause and cardiovascular mortality in the general population: a meta-analysis. Canadian Medical Association Journal. 2016;188(3):E53–E63. doi:10.1503/cmaj.150535

    Metaanalyse · Zitiert in Ruhepuls

  4. Bent B, Goldstein BA, Kibbe WA, et al. Investigating sources of inaccuracy in wearable optical heart rate sensors. npj Digital Medicine. 2020;3:18. doi:10.1038/s41746-020-0226-6

    Validierungsstudie · Zitiert in Herzfrequenz am Tag

  5. Charlton PH, Paliakaitė B, Pilt K, et al. Assessing hemodynamics from the photoplethysmogram to gain insights into vascular age: a review from VascAgeNet. American Journal of Physiology – Heart and Circulatory Physiology. 2022;322(4):H493–H522. doi:10.1152/ajpheart.00392.2021

    Übersichtsarbeit · Zitiert in Kardiovaskuläres Alter

  6. Reference Values for Arterial Stiffness’ Collaboration. Determinants of pulse wave velocity in healthy people and in the presence of cardiovascular risk factors: ‘establishing normal and reference values’. European Heart Journal. 2010;31(19):2338–2350. doi:10.1093/eurheartj/ehq165

    Beobachtungsstudie · Zitiert in Kardiovaskuläres Alter

  7. Speed C, Arneil T, Harle R, et al. Measure by measure: Resting heart rate across the 24-hour cycle. PLOS Digital Health. 2023;2(4):e0000236. doi:10.1371/journal.pdig.0000236

    Beobachtungsstudie · Zitiert in Ruhepuls

  8. Zhang Y, Weaver RG, Armstrong B, et al. Validity of Wrist-Worn photoplethysmography devices to measure heart rate: A systematic review and meta-analysis. Journal of Sports Sciences. 2020;38(17):2021–2034. doi:10.1080/02640414.2020.1767348

    Metaanalyse · Zitiert in Herzfrequenz am Tag

  9. Shcherbina A, Mattsson CM, Waggott D, et al. Accuracy in Wrist-Worn, Sensor-Based Measurements of Heart Rate and Energy Expenditure in a Diverse Cohort. Journal of Personalized Medicine. 2017;7(2):3. doi:10.3390/jpm7020003

    Validierungsstudie · Zitiert in Herzfrequenz am Tag, Aktivitäts- und Gesamtkalorien

  10. Laurent S, Cockcroft J, Van Bortel L, et al. Expert consensus document on arterial stiffness: methodological issues and clinical applications. European Heart Journal. 2006;27(21):2588–2605. doi:10.1093/eurheartj/ehl254

    Konsenserklärung · Zitiert in Kardiovaskuläres Alter

  11. Allen J. Photoplethysmography and its application in clinical physiological measurement. Physiological Measurement. 2007;28(3):R1–R39. doi:10.1088/0967-3334/28/3/R01

    Übersichtsarbeit · Zitiert in Kardiovaskuläres Alter

Aktivität

  1. Fuller D, Colwell E, Low J, et al. Reliability and Validity of Commercially Available Wearable Devices for Measuring Steps, Energy Expenditure, and Heart Rate: Systematic Review. JMIR mHealth and uHealth. 2020;8(9):e18694. doi:10.2196/18694

    Systematische Übersichtsarbeit · Zitiert in Herzfrequenz am Tag, Schritte und Gehstrecken-Äquivalent, Aktivitäts- und Gesamtkalorien

  2. Bull FC, Al-Ansari SS, Biddle S, et al. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. British Journal of Sports Medicine. 2020;54(24):1451–1462. doi:10.1136/bjsports-2020-102955

    Leitlinie · Zitiert in Activity Score, Aktivitätsintensität und MET

  3. Paluch AE, Bajpai S, Bassett DR, et al. Daily steps and all-cause mortality: a meta-analysis of 15 international cohorts. The Lancet Public Health. 2022;7(3):e219–e228. doi:10.1016/S2468-2667(21)00302-9

    Metaanalyse · Zitiert in Schritte und Gehstrecken-Äquivalent

  4. Tudor-Locke C, Craig CL, Brown WJ, et al. How many steps/day are enough? For adults. International Journal of Behavioral Nutrition and Physical Activity. 2011;8:79. doi:10.1186/1479-5868-8-79

    Übersichtsarbeit · Zitiert in Schritte und Gehstrecken-Äquivalent

  5. O’Driscoll R, Turicchi J, Beaulieu K, et al. How well do activity monitors estimate energy expenditure? A systematic review and meta-analysis of the validity of current technologies. British Journal of Sports Medicine. 2020;54(6):332–340. doi:10.1136/bjsports-2018-099643

    Metaanalyse · Zitiert in Aktivitäts- und Gesamtkalorien

  6. Herrmann SD, Willis EA, Ainsworth BE, et al. 2024 Adult Compendium of Physical Activities: A third update of the energy costs of human activities. Journal of Sport and Health Science. 2024;13(1):6–12. doi:10.1016/j.jshs.2023.10.010

    Systematische Übersichtsarbeit · Zitiert in Aktivitätsintensität und MET

  7. Tremblay MS, Aubert S, Barnes JD, et al. Sedentary Behavior Research Network (SBRN) – Terminology Consensus Project process and outcome. International Journal of Behavioral Nutrition and Physical Activity. 2017;14:75. doi:10.1186/s12966-017-0525-8

    Konsenserklärung · Zitiert in Inaktive Zeit, Ruhezeit und Nicht-Tragezeit

  8. Ekelund U, Tarp J, Steene-Johannessen J, et al. Dose-response associations between accelerometry measured physical activity and sedentary time and all cause mortality: systematic review and harmonised meta-analysis. BMJ. 2019;366:l4570. doi:10.1136/bmj.l4570

    Metaanalyse · Zitiert in Activity Score

  9. Banach M, Lewek J, Surma S, et al. The association between daily step count and all-cause and cardiovascular mortality: a meta-analysis. European Journal of Preventive Cardiology. 2023;30(18):1975–1985. doi:10.1093/eurjpc/zwad229

    Metaanalyse · Zitiert in Schritte und Gehstrecken-Äquivalent

  10. Byrne NM, Hills AP, Hunter GR, et al. Metabolic equivalent: one size does not fit all. Journal of Applied Physiology. 2005;99(3):1112–1119. doi:10.1152/japplphysiol.00023.2004

    Beobachtungsstudie · Zitiert in Aktivitätsintensität und MET

  11. Migueles JH, Cadenas-Sanchez C, Ekelund U, et al. Accelerometer Data Collection and Processing Criteria to Assess Physical Activity and Other Outcomes: A Systematic Review and Practical Considerations. Sports Medicine. 2017;47(9):1821–1845. doi:10.1007/s40279-017-0716-0

    Systematische Übersichtsarbeit · Zitiert in Aktivitätsintensität und MET

  12. Patterson R, McNamara E, Tainio M, et al. Sedentary behaviour and risk of all-cause, cardiovascular and cancer mortality, and incident type 2 diabetes: a systematic review and dose response meta-analysis. European Journal of Epidemiology. 2018;33(9):811–829. doi:10.1007/s10654-018-0380-1

    Metaanalyse · Zitiert in Inaktive Zeit, Ruhezeit und Nicht-Tragezeit

  13. Choi L, Liu Z, Matthews CE, et al. Validation of Accelerometer Wear and Nonwear Time Classification Algorithm. Medicine & Science in Sports & Exercise. 2011;43(2):357–364. doi:10.1249/MSS.0b013e3181ed61a3

    Validierungsstudie · Zitiert in Inaktive Zeit, Ruhezeit und Nicht-Tragezeit

Temperatur

  1. Kräuchi K. The thermophysiological cascade leading to sleep initiation in relation to phase of entrainment. Sleep Medicine Reviews. 2007;11(6):439–451. doi:10.1016/j.smrv.2007.07.001

    Übersichtsarbeit · Zitiert in Temperaturabweichung und -trend

  2. Harding EC, Franks NP, Wisden W. The Temperature Dependence of Sleep. Frontiers in Neuroscience. 2019;13:336. doi:10.3389/fnins.2019.00336

    Übersichtsarbeit · Zitiert in Temperaturabweichung und -trend

  3. Okamoto-Mizuno K, Mizuno K. Effects of thermal environment on sleep and circadian rhythm. Journal of Physiological Anthropology. 2012;31:14. doi:10.1186/1880-6805-31-14

    Übersichtsarbeit · Zitiert in Temperaturabweichung und -trend

  4. Smith ADH, Crabtree DR, Bilzon JLJ, et al. The validity of wireless iButtons® and thermistors for human skin temperature measurement. Physiological Measurement. 2010;31(1):95–114. doi:10.1088/0967-3334/31/1/007

    Validierungsstudie · Zitiert in Temperaturabweichung und -trend

Atmung und Blutsauerstoff

  1. Nicolò A, Massaroni C, Schena E, et al. The Importance of Respiratory Rate Monitoring: From Healthcare to Sport and Exercise. Sensors. 2020;20(21):6396. doi:10.3390/s20216396

    Übersichtsarbeit · Zitiert in Atemfrequenz

  2. Charlton PH, Birrenkott DA, Bonnici T, et al. Breathing Rate Estimation From the Electrocardiogram and Photoplethysmogram: A Review. IEEE Reviews in Biomedical Engineering. 2018;11:2–20. doi:10.1109/RBME.2017.2763681

    Übersichtsarbeit · Zitiert in Atemfrequenz

  3. Jubran A. Pulse oximetry. Critical Care. 2015;19:272. doi:10.1186/s13054-015-0984-8

    Übersichtsarbeit · Zitiert in Blutsauerstoff (SpO2)

  4. Sjoding MW, Dickson RP, Iwashyna TJ, et al. Racial Bias in Pulse Oximetry Measurement. New England Journal of Medicine. 2020;383(25):2477–2478. doi:10.1056/NEJMc2029240

    Beobachtungsstudie · Zitiert in Blutsauerstoff (SpO2)

  5. Douglas NJ, White DP, Pickett CK, et al. Respiration during sleep in normal man. Thorax. 1982;37(11):840–844. doi:10.1136/thx.37.11.840

    Beobachtungsstudie · Zitiert in Atemfrequenz

  6. Jiang Y, Spies C, Magin J, et al. Investigating the accuracy of blood oxygen saturation measurements in common consumer smartwatches. PLOS Digital Health. 2023;2(7):e0000296. doi:10.1371/journal.pdig.0000296

    Validierungsstudie · Zitiert in Blutsauerstoff (SpO2)

  7. Gries RE, Brooks LJ. Normal Oxyhemoglobin Saturation During Sleep: How Low Does It Go? Chest. 1996;110(6):1489–1492. doi:10.1378/chest.110.6.1489

    Beobachtungsstudie · Zitiert in Blutsauerstoff (SpO2)

Methoden und Statistik

  1. Berens P. CircStat: A MATLAB Toolbox for Circular Statistics. Journal of Statistical Software. 2009;31(10):1–21. doi:10.18637/jss.v031.i10

    Methodenartikel · Zitiert in Schlafenszeit, Aufwachzeit und Schlafmitte, Durchschnitte und Zeiträume

  2. Sterne JAC, White IR, Carlin JB, et al. Multiple imputation for missing data in epidemiological and clinical research: potential and pitfalls. BMJ. 2009;338:b2393. doi:10.1136/bmj.b2393

    Methodenartikel · Zitiert in Tage, Nächte und fehlende Daten

  3. Robinson WS. Ecological Correlations and the Behavior of Individuals. American Sociological Review. 1950;15(3):351–357. doi:10.2307/2087176

    Methodenartikel · Zitiert in Durchschnitte und Zeiträume

  4. Plews DJ, Laursen PB, Stanley J, et al. Training Adaptation and Heart Rate Variability in Elite Endurance Athletes: Opening the Door to Effective Monitoring. Sports Medicine. 2013;43(9):773–781. doi:10.1007/s40279-013-0071-8

    Übersichtsarbeit · Zitiert in Basiswerte und Bänder

  5. Hopkins WG. Measures of Reliability in Sports Medicine and Science. Sports Medicine. 2000;30(1):1–15. doi:10.2165/00007256-200030010-00001

    Übersichtsarbeit · Zitiert in Basiswerte und Bänder, Vergleichszeiträume

  6. Barnett AG, van der Pols JC, Dobson AJ. Regression to the mean: what it is and how to deal with it. International Journal of Epidemiology. 2005;34(1):215–220. doi:10.1093/ije/dyh299

    Methodenartikel · Zitiert in Vergleichszeiträume, Verschiebungen deines Basiswerts, Vergleiche im Tag Lab, Meilensteine, Serien und Rekorde

  7. Hyndman RJ, Fan Y. Sample Quantiles in Statistical Packages. The American Statistician. 1996;50(4):361–365. doi:10.1080/00031305.1996.10473566

    Methodenartikel · Zitiert in Mediane, Perzentile und Verteilungen

  8. Schober P, Boer C, Schwarte LA. Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia. 2018;126(5):1763–1768. doi:10.1213/ANE.0000000000002864

    Übersichtsarbeit · Zitiert in Korrelationen

  9. Schönbrodt FD, Perugini M. At what sample size do correlations stabilize? Journal of Research in Personality. 2013;47(5):609–612. doi:10.1016/j.jrp.2013.05.009

    Methodenartikel · Zitiert in Korrelationen

  10. Truong C, Oudre L, Vayatis N. Selective review of offline change point detection methods. Signal Processing. 2020;167:107299. doi:10.1016/j.sigpro.2019.107299

    Übersichtsarbeit · Zitiert in Verschiebungen deines Basiswerts

  11. Daza EJ. Causal Analysis of Self-tracked Time Series Data Using a Counterfactual Framework for N-of-1 Trials. Methods of Information in Medicine. 2018;57(S01):e10–e21. doi:10.3414/ME16-02-0044

    Methodenartikel · Zitiert in Vergleiche im Tag Lab

  12. Tackney MS, Cook DG, Stahl D, et al. A framework for handling missing accelerometer outcome data in trials. Trials. 2021;22:379. doi:10.1186/s13063-021-05284-8

    Methodenartikel · Zitiert in Tage, Nächte und fehlende Daten

  13. Cho S, Weng C, Kahn MG, et al. Identifying Data Quality Dimensions for Person-Generated Wearable Device Data: Multi-Method Study. JMIR mHealth and uHealth. 2021;9(12):e31618. doi:10.2196/31618

    Methodenartikel · Zitiert in Tage, Nächte und fehlende Daten

  14. Cremers J, Klugkist I. One Direction? A Tutorial for Circular Data Analysis Using R With Examples in Cognitive Psychology. Frontiers in Psychology. 2018;9:2040. doi:10.3389/fpsyg.2018.02040

    Methodenartikel · Zitiert in Durchschnitte und Zeiträume

  15. Plews DJ, Laursen PB, Kilding AE, et al. Evaluating Training Adaptation With Heart-Rate Measures: A Methodological Comparison. International Journal of Sports Physiology and Performance. 2013;8(6):688–691. doi:10.1123/ijspp.8.6.688

    Methodenartikel · Zitiert in Basiswerte und Bänder

  16. Hopkins WG, Marshall SW, Batterham AM, et al. Progressive Statistics for Studies in Sports Medicine and Exercise Science. Medicine & Science in Sports & Exercise. 2009;41(1):3–12. doi:10.1249/MSS.0b013e31818cb278

    Methodenartikel · Zitiert in Vergleichszeiträume

  17. Swinton PA, Hemingway BS, Saunders B, et al. A Statistical Framework to Interpret Individual Response to Intervention: Paving the Way for Personalized Nutrition and Exercise Prescription. Frontiers in Nutrition. 2018;5:41. doi:10.3389/fnut.2018.00041

    Methodenartikel · Zitiert in Vergleichszeiträume

  18. Krzywinski M, Altman N. Visualizing samples with box plots. Nature Methods. 2014;11(2):119–120. doi:10.1038/nmeth.2813

    Methodenartikel · Zitiert in Mediane, Perzentile und Verteilungen

  19. Weissgerber TL, Milic NM, Winham SJ, et al. Beyond Bar and Line Graphs: Time for a New Data Presentation Paradigm. PLOS Biology. 2015;13(4):e1002128. doi:10.1371/journal.pbio.1002128

    Systematische Übersichtsarbeit · Zitiert in Mediane, Perzentile und Verteilungen

  20. Dean RT, Dunsmuir WTM. Dangers and uses of cross-correlation in analyzing time series in perception, performance, movement, and neuroscience: The importance of constructing transfer function autoregressive models. Behavior Research Methods. 2016;48(2):783–802. doi:10.3758/s13428-015-0611-2

    Methodenartikel · Zitiert in Korrelationen

  21. Benjamini Y, Hochberg Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B (Methodological). 1995;57(1):289–300. doi:10.1111/j.2517-6161.1995.tb02031.x

    Methodenartikel · Zitiert in Korrelationen

  22. Aminikhanghahi S, Cook DJ. A survey of methods for time series change point detection. Knowledge and Information Systems. 2017;51(2):339–367. doi:10.1007/s10115-016-0987-z

    Übersichtsarbeit · Zitiert in Verschiebungen deines Basiswerts

  23. Bender R, Lange S. Adjusting for multiple testing—when and how? Journal of Clinical Epidemiology. 2001;54(4):343–349. doi:10.1016/S0895-4356(00)00314-0

    Methodenartikel · Zitiert in Vergleiche im Tag Lab

  24. Shaffer JA, Kronish IM, Falzon L, et al. N-of-1 Randomized Intervention Trials in Health Psychology: A Systematic Review and Methodology Critique. Annals of Behavioral Medicine. 2018;52(9):731–742. doi:10.1093/abm/kax026

    Systematische Übersichtsarbeit · Zitiert in Vergleiche im Tag Lab

  25. Morton V, Torgerson DJ. Effect of regression to the mean on decision making in health care. BMJ. 2003;326(7398):1083–1084. doi:10.1136/bmj.326.7398.1083

    Methodenartikel · Zitiert in Meilensteine, Serien und Rekorde

  26. Gilovich T, Vallone R, Tversky A. The hot hand in basketball: On the misperception of random sequences. Cognitive Psychology. 1985;17(3):295–314. doi:10.1016/0010-0285(85)90010-6

    Beobachtungsstudie · Zitiert in Meilensteine, Serien und Rekorde

  27. Crameri F, Shephard GE, Heron PJ. The misuse of colour in science communication. Nature Communications. 2020;11:5444. doi:10.1038/s41467-020-19160-7

    Methodenartikel · Zitiert in Your Year und deine Monate

Einen Fehler gefunden oder eine bessere Quelle? Schreib an hadjkb@gmail.com.