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, ohne Trainingspartner und ohne Coach trainierst du im Blindflug – und schleifst dir im schlimmsten Fall Fehler ein, die du erst merkst, wenn es wehtut. Ein südkoreanisches Forschungsteam hat jetzt untersucht, ob eine Smartphone-App mit KI-gestützter Echtzeit-Bewegungserkennung hier helfen kann.
Smartphone erkennt Technikfehler – und Anfänger bleiben dran
Christopher Klenk7 Min. LesezeitAuf einen Blick
146 junge Erwachsene ohne Gym-Zugang trainierten 16 Wochen mit einer App, die per Smartphone-Kamera ihre Übungsausführung in Echtzeit analysiert. Die Kraft- und Körperkompositions-Verbesserungen entsprechen dem, was bei Anfängern unter strukturiertem Training zu erwarten ist. Interessanter: Die Bewegungserkennung stimmt zu 95,8 % mit der Einschätzung von Physiotherapeuten überein – und die Teilnehmenden blieben für ein unbegleitetes Home-Programm bemerkenswert konsequent am Ball.
Das Grundproblem: Alleine trainieren heißt blind trainieren
Die meisten Trainierenden, die zu Hause oder ohne Trainer arbeiten, haben kein verlässliches Feedback zu ihrer Übungsausführung. Ein Spiegel zeigt nur eine Perspektive und lenkt während der Übung ab. Sich selbst filmen und nachträglich analysieren ist aufwändig und hilft nicht in dem Moment, in dem der Fehler passiert. Das Resultat: Viele trainieren mit suboptimaler Technik, ohne es zu merken – und gewöhnen sich Bewegungsmuster an, die im besten Fall weniger effektiv sind und im schlechteren Fall zu Überlastungen führen.
Genau hier setzt die Technologie an, die in dieser Studie untersucht wurde. Die App 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 korrekte Übungsausführung. Bei Abweichungen gibt es sofort Feedback: visuell als farbcodiertes Skelett-Overlay (grün bei sauberer Technik, rot bei Fehlern), dazu Text-Hinweise und Sprachanweisungen. Alles läuft direkt auf dem Smartphone – keine Internetverbindung nötig, keine Daten werden hochgeladen.
WAS IST MEDIAPIPE?
MediaPipe ist ein Open-Source-Framework von Google. Die Pose-Estimation-Komponente (BlazePose) erkennt 33 dreidimensionale Körperpunkte in Echtzeit auf mobilen Geräten – ohne Cloud-Anbindung. Die Technologie steckt bereits in verschiedenen Fitness- und AR-Anwendungen und ist frei verfügbar.
Was die Studie untersucht hat
Das Team um Seoyoon Heo (Kyungbok University, Südkorea) ließ 216 junge Erwachsene (Durchschnittsalter 23,8 Jahre, 69 % männlich) über 16 Wochen mit der App trainieren. Die Teilnehmenden hatten in den sechs Monaten zuvor kein regelmäßiges Krafttraining absolviert und eingeschränkten Zugang zu Fitnessstudios. Das Programm umfasste dreimal pro Woche je 30 Minuten mit sieben Grundübungen: Squat, Bench Press, Deadlift, Barbell Row, Military Press, Pull-ups und Dips. Equipment – Langhantel oder Kurzhanteln – stellten die Teilnehmenden selbst. 146 Personen (67,6 %) schlossen das Programm vollständig ab.
Die Studie war als Pre-Post-Design ohne Kontrollgruppe angelegt. Das bedeutet: Alle Teilnehmenden nutzten die App, es gab keine Vergleichsgruppe mit klassischem Training oder ohne App. Die Veränderungen lassen sich daher nicht eindeutig auf die KI-Komponente zurückführen – sie könnten genauso gut das Ergebnis des strukturierten Trainings an sich sein.
Die Ergebnisse
Die Trainingsergebnisse fielen so aus, wie man es bei vorher Untrainierten unter einem progressiven Kraftprogramm erwarten würde:
Messwert | Vorher → Nachher | Effektstärke |
|---|---|---|
1RM Squat | 34,67 → 39,06 kg (+12,7 %) | d = 1,148 (groß) |
Körperfettanteil | 23,3 → 20,0 % (−3,3 Pp.) | d = −1,373 (groß) |
Skelettmuskelmasse | 37,8 → 40,5 % (+2,19 kg) | d = 1,433 (groß) |
FMS-Score | +0,29 Punkte (Median bei 14) | d = 0,285 (klein) |
VO2max | 39,2 → 40,8 mL/kg/min (+4,8 %) | d = 0,917 (groß) |
Die Zahlen sind solide, aber nicht überraschend. Meta-Analysen zeigen, dass Anfänger unter progressivem Widerstandstraining typischerweise 10–15 % Kraftzuwachs über vergleichbare Zeiträume erzielen – unabhängig davon, ob sie mit App, Trainer oder einem festen Plan auf Papier trainieren. Was diese Studie zeigt: Das App-basierte Training produziert keine schlechteren Ergebnisse. Ob es bessere liefert als Training ohne Bewegungsanalyse, kann die Studie aufgrund des fehlenden Vergleichs nicht beantworten.
Wo es wirklich interessant wird
Zwei Aspekte stechen heraus, die über die erwartbaren Kraft-Gains hinausgehen.
Erstens: Die Leute blieben dran. Unter den Teilnehmenden, die das Programm abschlossen, lag die durchschnittliche Adherence bei 88 % – also 42 von 48 vorgesehenen Sessions. 76,7 % absolvierten sogar mehr als 85 % aller Sessions. Für ein 16-Wochen-Home-Training-Programm ohne persönlichen Trainer ist das ein solider Wert. Ob die Echtzeit-Rückmeldung zur Technik, die Gamification-Elemente der App (Achievements, Streak-Counter, Progress-Dashboard) oder schlicht die Studienteilnahme selbst dafür verantwortlich sind, lässt sich nicht trennen. Plausibel ist, dass gerade die Kombination aus beidem wirkt: sofortiges Feedback zur Bewegungsqualität gibt Sicherheit, Gamification gibt Struktur und kleine Erfolgserlebnisse. Den Effekt der einzelnen Komponenten kann die Studie aber nicht isolieren.
Zweitens: Die Bewegungserkennung funktioniert. Die Pose-Klassifikation der App stimmte zu 95,8 % mit der Einschätzung von Physiotherapeuten überein (ICC = 0,94). Die Key-Point-Erkennung erreichte 97,2 % Genauigkeit bei 28,6 Millisekunden Rechenzeit – schnell genug für flüssiges Echtzeit-Feedback. Für eine reine Smartphone-Kamera-Lösung ohne zusätzliche Sensoren ist das bemerkenswert. Im Klartext: Die Technik kann mittlerweile erkennen, ob du einen Squat sauber ausführst oder ob deine Knie deutlich nach innen fallen – und dir das in dem Moment sagen, in dem es passiert. Allerdings arbeitet die Erkennung mit definierten Winkel-Schwellwerten: Grobe Abweichungen werden zuverlässig erkannt, subtile Fehlhaltungen rutschen unter Umständen durch.
Gerade für Anfänger, die noch kein ausgeprägtes Körpergefühl für Bewegungsmuster haben, ist das praktisch relevant. Wer zum ersten Mal Deadlifts macht und niemanden hat, der auf die Wirbelsäulenposition achtet, bekommt damit zumindest eine Grundabsicherung. Kein Ersatz für einen erfahrenen Trainer, der auch Dinge erkennt, die eine 2D-Kamera nicht sieht – aber eine deutliche Verbesserung gegenüber komplett unüberwachtem Training. Dass kamerabasierte Bewegungsanalyse auch über reines Technik-Feedback hinaus funktioniert, zeigt die BackTracker-Studie zur Rückenschmerz-Klassifikation: Dort erkennt ein neuronales Netz aus einem simplen Video den Schmerztyp mit 92 % Genauigkeit – auf Basis derselben Grundtechnologie.
GRENZEN DER TECHNIK
Eine Smartphone-Kamera arbeitet zweidimensional. Bei Verdeckungen – etwa wenn der Torso beim Deadlift die Hüfte verdeckt – sank die Genauigkeit in der Studie um 4,3 %. Schlechte Lichtverhältnisse oder ungünstige Kamerawinkel dürften das in der Praxis weiter verschlechtern. Subtile Kompensationsmuster oder individuelle Einschränkungen kann kein 2D-System zuverlässig erkennen. Dazu kommt ein banales Praxisproblem: Das Smartphone muss stabil aufgestellt werden, im richtigen Abstand und Winkel zur Übung. Die Studie beschreibt nicht, wie die Teilnehmenden das gelöst haben – die gemessene Genauigkeit von 97,2 % stammt aus kontrollierten Bedingungen, nicht vom Handy, das gegen eine Wasserflasche lehnt.
Was wir nicht wissen
Einiges bleibt offen. Die Studie hat keine Kontrollgruppe – ob die Adherence mit App höher ist als ohne, wissen wir nicht. Die 32,4 % Drop-out-Rate (davon 10,6 % durch koreanischen Militärdienst) relativiert das Bild etwas. Die Stichprobe war jung, überwiegend männlich und auf einen koreanischen Uni-Kontext beschränkt. Wie sich die Technik bei älteren Trainierenden, bei Fortgeschrittenen oder unter weniger kontrollierten Bedingungen schlägt, ist ungeklärt.
Die App selbst ist nicht öffentlich verfügbar – es handelt sich um eine Forschungsanwendung. Ob und wann ein kommerzielles Produkt daraus entsteht, sagen die Autoren nicht. Ebenso fehlt ein Follow-up: Wir wissen nicht, ob die Teilnehmenden nach Ende der Studie weiter trainiert haben. Die Autoren fordern selbst als nächsten Schritt ein randomisiertes kontrolliertes Trial mit Vergleichsgruppe und diverserer Population.
Was du mitnehmen kannst
Die Studie beweist nicht, dass KI-gestützte Apps bessere Trainingsergebnisse liefern als herkömmliches Training. Was sie zeigt: Die Technologie für Echtzeit-Bewegungserkennung per Smartphone ist mittlerweile ausgereift genug, um Kraftübungen auf einem Niveau zu analysieren, das an professionelle Einschätzung heranreicht. Und sie scheint – zumindest in diesem Setting – dazu beizutragen, dass Anfänger über einen relevanten Zeitraum regelmäßig trainieren. Bewegungsanalyse ist damit einer der Bereiche, in denen KI im Fitness bereits heute einen konkreten Praxisnutzen liefert.
MediaPipe ist als Open-Source-Technologie frei verfügbar und läuft auf handelsüblichen Smartphones. Es ist gut möglich, dass wir diese Art von Bewegungsanalyse in den kommenden Jahren in deutlich mehr Fitness-Apps sehen werden. Wenn du zu Hause trainierst und keinen Trainingspartner hast, könnten solche Apps helfen, zumindest grobe Technikfehler früh zu erkennen – bevor sie sich einschleifen. Für Fortgeschrittene ersetzt das kein individuelles Coaching, aber als zusätzliches Auge auf die eigene Technik bei Standardübungen ist die Technologie durchaus 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)
