Studie: KI erkennt Technikfehler per Smartphone, Anfänger blieben 16 Wochen dran

Wer alleine trainiert, kennt das Problem: Du siehst dich selbst nicht. Geht der Rücken beim Deadlift rund? Fallen die Knie beim Squat nach innen? Ohne Spiegel, Trainingspartner oder Coach trainierst du im Blindflug und schleifst dir im schlimmsten Fall Fehler ein, die du erst merkst, wenn es wehtut. Ein südkoreanisches Forschungsteam hat untersucht, ob eine Smartphone-App mit KI-gestützter Echtzeit-Bewegungserkennung hier helfen kann.

Allein trainieren: Wer sagt dir, ob die Technik stimmt?

Die meisten, die zu Hause oder ohne Trainer trainieren, haben kein verlässliches Feedback zu ihrer Ausführung. Ein Spiegel zeigt nur eine Perspektive und lenkt während der Übung ab. Sich selbst zu filmen und hinterher zu analysieren ist aufwändig und hilft nicht in dem Moment, in dem der Fehler passiert. Viele trainieren deshalb mit unsauberer Technik, ohne es zu merken, und gewöhnen sich Bewegungsmuster an, die im besten Fall weniger bringen und im schlechteren Fall zu Überlastungen führen.

Diese Lücke will die App aus der Studie schließen. Sie nutzt Googles MediaPipe, ein Open-Source-Framework für Körpererkennung, um über die Smartphone-Kamera 33 Körperpunkte in Echtzeit zu erfassen. Daraus berechnet sie Gelenkwinkel und vergleicht sie mit Referenzwerten für eine saubere Ausführung. Bei Abweichungen gibt es sofort Feedback: als farbiges Skelett über dem Kamerabild (grün bei sauberer Technik, rot bei Fehlern), dazu Text- und Sprachhinweise. Alles läuft direkt auf dem Smartphone, ohne Internetverbindung und ohne Upload.

Was die Studie untersucht hat

Das Team um Seoyoon Heo (Kyungbok University) ließ 216 junge Erwachsene (Durchschnittsalter 23,8 Jahre) über 16 Wochen mit der App trainieren, die Studie lief an der Kyungwoon University in Gumi. Die Teilnehmer hatten in den sechs Monaten davor kein regelmäßiges Krafttraining gemacht und nur eingeschränkten Zugang zu einem Studio. Das Programm umfasste dreimal pro Woche je 30 Minuten mit sieben Grundübungen: Squat, Bankdrücken, Kreuzheben, Rudern mit der Langhantel, Schulterdrücken, Klimmzüge und Dips. Das Gewicht wählten die Teilnehmer selbst, die App gab dazu Empfehlungen. 146 Personen (67,6 %) schlossen das Programm ab, davon 69 % Männer.

Die Studie hatte keine Kontrollgruppe. Alle nutzten die App, eine Vergleichsgruppe mit klassischem Training oder ohne App gab es nicht. Die Veränderungen lassen sich deshalb nicht eindeutig der KI zuschreiben, sie könnten genauso gut vom strukturierten Training an sich kommen. Ganz ohne Betreuung lief das Programm übrigens auch nicht: Die Einheiten werden in der Studie als betreut beschrieben, und die Ausrüstung stellte zertifiziertes Personal.

Die Ergebnisse

Die Trainingsergebnisse fielen so aus, wie man es bei vorher Untrainierten unter einem steigernden Kraftprogramm erwarten würde (Mittelwerte):

Die Zahlen sind solide, aber nicht überraschend. Die Autoren selbst ordnen die 12,7 % Kraftzuwachs als typisch für Einsteiger ein, und das passt auch zu meiner Erfahrung als Trainer. Wichtig: Gemessen wurde laut Methodenteil an der Beinpresse, obwohl die Studie den Wert „Squat“ nennt. Ob die Ergebnisse mit Trainer oder Papierplan anders ausgefallen wären, kann die Studie ohne Vergleichsgruppe nicht sagen.

Zwei Zahlen, die ich mir genauer angeschaut habe

Zwei Punkte gehen über die erwartbaren Kraftzuwächse hinaus.

Erstens: Wer durchhielt, blieb dran. Wer das Programm abschloss, kam im Schnitt auf 88 % der Einheiten, also 42 von 48. 76,7 % schafften sogar mehr als 85 % aller Einheiten. Dazu gehört aber auch: 70 von 216 sind ausgestiegen, 23 davon wegen des Wehrdienstes. Ob die Echtzeit-Rückmeldung zur Technik, die Spielelemente der App (Erfolge, Serien-Zähler, Fortschrittsanzeige) oder schlicht die Studienteilnahme dafür verantwortlich sind, lässt sich nicht trennen. Meine Vermutung aus 17 Jahren als Trainer: Es ist die Kombination. Das Feedback zur Technik gibt Sicherheit, die Spielelemente geben Struktur und kleine Erfolgserlebnisse. Belegen kann die Studie das nicht.

Zweitens: Die Bewegungserkennung funktioniert. In einem separaten Test mit 30 Personen stimmte die Bewertung der App zu 95,8 % mit Physiotherapeuten überein. Die Studie nennt dazu zwei Übereinstimmungswerte (ICC 0,91 und 0,94). Die Erkennung der Körperpunkte erreichte 97,2 % bei 28,6 Millisekunden Rechenzeit, schnell genug für flüssiges Echtzeit-Feedback. Für eine reine Smartphone-Kamera ohne zusätzliche Sensoren finde ich das stark. Die Technik kann also erkennen, ob deine Knie beim Squat deutlich nach innen fallen, und dir das sagen, während es passiert. Allerdings arbeitet die Erkennung mit festen Winkel-Grenzwerten, subtile Fehler können durchrutschen. Eine ähnliche Kamera-Technik misst übrigens den Puls aus dem Gesichtsvideo, getestet beim Gehen.

Gerade für Anfänger, die noch kein gutes Gefühl für Bewegungsmuster haben, ist das praktisch relevant. Wer zum ersten Mal Kreuzheben macht und niemanden hat, der auf die Wirbelsäule achtet, bekommt damit zumindest eine Grundabsicherung. Ein erfahrener Trainer sieht trotzdem mehr, als eine 2D-Kamera erfassen kann. Meine Einschätzung: besser als gar kein Feedback, belegt hat die Studie das aber nicht. Dass kamerabasierte Bewegungsanalyse auch über Technik-Feedback hinausgeht, zeigt die BackTracker-Studie zur Rückenschmerz-Klassifikation: Dort erkennt ein neuronales Netz aus einem einfachen Video den Schmerztyp mit 92 % Genauigkeit. Auch dort steckt Kamera plus neuronales Netz dahinter.

Was offen bleibt

Einiges ist offen. Die Studie hat keine Kontrollgruppe, ob die Leute mit App öfter trainieren als ohne, sagt sie also nicht. Die Gruppe war jung und auf einen koreanischen Uni-Kontext beschränkt. Wie sich die Technik bei Älteren, bei Fortgeschrittenen oder unter weniger kontrollierten Bedingungen schlägt, ist ungeklärt.

Die App ist nicht öffentlich verfügbar, es handelt sich um eine Forschungsanwendung. Ob daraus ein Produkt wird, sagen die Autoren nicht. Ein Follow-up fehlt ebenfalls, ob die Teilnehmer nach der Studie weiter trainiert haben, ist unbekannt. Als nächsten Schritt fordern die Autoren selbst eine Studie mit zufällig zugeteilter Vergleichsgruppe und einer breiter gemischten Teilnehmergruppe.

Meine Einordnung

Die Studie beweist nicht, dass KI-gestützte Apps bessere Trainingsergebnisse liefern als herkömmliches Training. Sie zeigt, dass die Bewegungserkennung per Smartphone gut genug ist, um grobe Technikfehler bei Standardübungen zu erkennen, und dass Anfänger in diesem Setting über 16 Wochen regelmäßig trainiert haben. Für mich ist Bewegungsanalyse damit einer der Bereiche, in denen KI im Fitness den greifbarsten Nutzen hat. Diese Studie ist dafür ein Hinweis, kein Beweis.

MediaPipe ist frei verfügbar und läuft auf normalen Smartphones. Ich gehe davon aus, dass diese Art von Bewegungsanalyse in den nächsten Jahren in deutlich mehr Fitness-Apps auftaucht. Wenn du zu Hause ohne Trainingspartner trainierst, können solche Apps helfen, grobe Technikfehler früh zu erkennen, bevor sie sich einschleifen. Für Fortgeschrittene ersetzt das kein Coaching, als zusätzliches Auge bei Standardübungen finde ich die Technik aber interessant.

Quelle

Heo, S.; Choi, T.; Choi, W. (2026): Clinical Validation of an On-Device AI-Driven Real-Time Human Pose Estimation and Exercise Prescription Program; Prospective Single-Arm Quasi-Experimental Study. Healthcare, 14(4), 482. doi.org/10.3390/healthcare14040482 (Open Access)