Christopher Klenk3 Min. LesezeitForscher haben ein KI-Modell entwickelt, das deinen Puls per Kamera misst – und das erstmals stabil funktioniert, wenn du dich bewegst. Kein Brustgurt, keine Sportuhr, kein Hautkontakt. Nur ein Gesichtsvideo, ein Algorithmus, eine Herzfrequenz.
Das klingt nach Zukunftsmusik – ist aber Forschungsstand Februar 2026. Das Modell heißt HBP-Net, erschienen im Fachjournal iScience. Was es kann, wo es noch hapert, und ob das jemals aus dem Labor in dein Training kommt – darum geht es hier.
Auf einen Blick
HBP-Net ist ein KI-Modell, das Puls per Kamera aus Gesichtsvideos erkennt – stabiler als bisherige Verfahren, weil es einzelne Herzschläge als Wahrscheinlichkeit berechnet statt ein wackliges Signal zu rekonstruieren. Im Labor funktioniert das gut, besonders unter Bewegung. Als Produkt oder Open-Source-Tool existiert es noch nicht.
rPPG (Remote Photoplethysmography) funktioniert so: Kameras erfassen minimale Farbveränderungen in der Gesichtshaut, die durch den Blutfluss entstehen. Aus diesem Signal lässt sich der Puls ableiten. Das klappt in kontrollierten Bedingungen erstaunlich gut – bei Ruhemessungen liegen aktuelle Modelle unter 1 bpm Fehler.
Beim Sport bricht das zusammen. Kopfbewegungen, Schweiß, wechselndes Licht – all das erzeugt Artefakte, die das Signal überlagern. Klassische Verfahren wie CHROM oder POS kommen bei Bewegung auf 10 bpm Fehler und mehr. Damit sind sie für Zonen-Training unbrauchbar.
Der konzeptuelle Unterschied: Bisherige rPPG-Modelle versuchen, das vollständige Blutvolumenpuls-Signal zu rekonstruieren und zählen dann Peaks. HBP-Net überspringt diesen Schritt. Das Netz berechnet für jedes Bild im Video direkt eine Wahrscheinlichkeit, ob gerade ein Herzschlag stattfindet – daher der Name Heartbeat Probability Net.
Das Ergebnis ist eine glattere Kurve, die robuster gegen Rauschen ist. Statt einzelner spitzer Ausschläge entstehen breite Wahrscheinlichkeitshügel, aus denen der Puls berechnet wird. Mit rund 540.000 Parametern ist das Modell deutlich kleiner als Konkurrenten wie DeepPhys (~7,5 Mio.) oder RhythmFormer (~3,25 Mio.).
Remote Photoplethysmography nutzt handelsübliche Kameras, um Pulsveränderungen aus der Gesichtsfarbe zu erkennen. Blut absorbiert grünes Licht stärker als unbeblutetes Gewebe – das erzeugt bei jedem Herzschlag einen messbaren Farbshift, den eine KI auswerten kann. Keine Elektroden, kein Strap, keine Hautkontakt.
Die Forscher testeten HBP-Net auf drei Datensätzen. Für Ruhemessungen (UBFC-rPPG): 0,64 bpm mittlerer Fehler – gut, aber nicht das Beste. RhythmFormer erreicht dort 0,50 bpm. Der Unterschied wird unter Bewegung relevant: Auf dem neu eingeführten ZJXU-MOTION-Datensatz, der explizit Geh- und Laufszenarien testet, hält HBP-Net deutlich besser stand als PhysNet und bleibt mit RhythmFormer vergleichbar oder besser.
Methode | MAE Ruhe (bpm) | MAE Gehen, schwaches Licht (bpm) | Parameter |
|---|---|---|---|
HBP-Net | 0,64 | 1,788 | ~0,54 Mio. |
RhythmFormer | 0,50 | vergleichbar | ~3,25 Mio. |
PhysNet | ~1,0 | 3,2 | ~0,77 Mio. |
POS (klassisch) | 2,44 | > 10 | – |
Die Bewegungsrobustheit ist der relevante Punkt. Wenn rPPG beim Laufen oder HIIT auf 1–2 bpm Fehler kommt, ist das für Trainingszonen-Steuerung prinzipiell brauchbar. Aktuelle Wearables haben im Arm-Optical-Tracking ebenfalls 2–5 bpm Fehler bei hoher Intensität – der Vorteil liegt eher im Komfort (keine Hardware am Körper) als in der Genauigkeit. Die Autoren sehen in der Heartbeat-Wahrscheinlichkeitskurve langfristig auch Potenzial für HRV-Auswertungen, das ist aber aktuell noch nicht umgesetzt.
Gleichzeitig: Der Testaufbau ist noch weit von realen Trainingsbedingungen entfernt. 20 Personen im Bewegungsdatensatz, kontrolliertes Innenlicht, kein Outdoor-Test. Wer damit sofort sein HIIT-Monitoring upgraden will, sollte wissen, dass das der Stand der Forschung ist – kein fertiges Produkt.
Drei Punkte bleiben ungeklärt. Erstens: Wie verhält sich das Modell bei unterschiedlichen Hauttönen? Der Trainingsdatensatz ist demografisch eng – das ist ein bekanntes Problem in der rPPG-Forschung, das HBP-Net nicht löst. Zweitens: Outdoor-Performance. Direktes Sonnenlicht und wechselnde natürliche Lichtbedingungen fehlen komplett. Drittens: Kein Code, kein Datensatz-Download. Die Studie ist Open Access, das Modell nicht.
Yu et al. (2026). HBP-Net: Probabilistic heartbeat detection for robust remote heart rate estimation. iScience, 29(3), 114974. Wie weit KI im Fitness-Training heute insgesamt trägt, zeigt der Überblick zu KI im Fitness ausführlicher.
