Christopher Klenk4 Min. LesezeitForscher haben ein KI-Modell entwickelt, das deinen Puls per Kamera misst und dabei auch beim Gehen deutlich stabiler bleibt als bisherige Modelle. Du brauchst dafĂĽr keinen Brustgurt und keine Uhr, nur eine Kamera, die dein Gesicht filmt.
Die Studie zu HBP-Net ist im Februar 2026 im Fachjournal iScience erschienen. Ich habe nachgeschaut, was das Modell kann, wo es noch hapert und ob das jemals aus dem Labor in dein Training kommt.
Auf einen Blick
HBP-Net erkennt den Puls aus Gesichtsvideos, indem es für jedes Bild die Wahrscheinlichkeit eines Herzschlags berechnet, statt die ganze Pulskurve nachzubauen. In Ruhe ist es ungefähr so gut wie die besten Modelle, beim langsamen Gehen klar besser. Getestet wurde aber nur im Labor und mit wenigen Personen. Code und Bewegungsdaten sind öffentlich, ein fertiges Produkt gibt es nicht.
Immer auf dem Laufenden zu KI-Training & Analyse? Ein Klick – und du bekommst meine Artikel bei Google bevorzugt angezeigt.
Bei Google als bevorzugte Quelle hinzufügenrPPG (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.
Sobald du dich bewegst, wird es deutlich ungenauer. Kopfbewegungen, Schweiß und wechselndes Licht stören das Signal. Klassische Verfahren wie CHROM oder POS liegen in den Vergleichen dieser Studie schon bei Aufnahmen in Ruhe bei gut 2 bis knapp 8 bpm Fehler. Unter Bewegung wird das eher schlechter, und für Training nach Pulszonen ist das zu ungenau.
Der Trick: Bisherige rPPG-Modelle versuchen, die komplette Pulskurve nachzubauen, und zählen dann die Spitzen. 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 schluckt grünes Licht stärker als Gewebe mit weniger Blut. Dadurch ändert sich bei jedem Herzschlag die Hautfarbe minimal, und das wertet die KI aus. Keine Elektroden, kein Gurt, kein Hautkontakt.
Die Forscher haben HBP-Net auf drei Datensätzen getestet. In Ruhe (UBFC-rPPG) liegt der mittlere Fehler bei 0,64 bpm. Das ist gut, aber RhythmFormer schafft dort 0,50 bpm. Spannend wird es auf dem neuen Datensatz ZJXU-MOTION mit Stehen, langsamem und schnellem Gehen. Veröffentlicht sind allerdings nur Werte für Stehen und langsames Gehen. Beim Gehen liegt HBP-Net klar vor PhysNet und auch vor RhythmFormer.
Methode | MAE Ruhe (bpm) | MAE Gehen, schwaches Licht (bpm) | Parameter |
|---|---|---|---|
HBP-Net | 0,64 | 1,40 | ~0,54 Mio. |
RhythmFormer | 0,50 | 7,79 | ~3,25 Mio. |
PhysNet | 2,95 | 2,61 | ~0,77 Mio. |
POS (klassisch) | 2,44 | nicht getestet | keine Angabe |
Beim langsamen Gehen liegt der Fehler von HBP-Net je nach Licht zwischen 1,4 und 6,6 bpm. Meine Lesart: Für Pulszonen auf dem Laufband könnte so etwas irgendwann reichen. Ob es beim Laufen oder im Intervalltraining hält, hat die Studie aber nicht getestet, das ist bisher nur eine Vermutung. Den Vorteil sehe ich eher im Komfort als in der Genauigkeit, denn du trägst nichts am Körper. Die Autoren sehen in der Wahrscheinlichkeitskurve eine Grundlage für spätere HRV-Auswertungen, schreiben aber selbst, dass die Genauigkeit dafür noch nicht reicht.
Vom echten Training ist der Testaufbau noch weit weg. Im Bewegungsdatensatz sind 20 Personen, getestet wurde nach der Aufteilung im Verhältnis 3 zu 1 an etwa 5 davon. Alles lief im Labor, Tageslicht gab es nur im Stehen, draußen gar nicht. Wer damit jetzt sein Training überwachen will, sollte wissen: Das ist Forschung, kein fertiges Produkt.
Ein paar Punkte bleiben offen. Erstens die Hautfarbe: Alle 20 Personen im Bewegungsdatensatz haben eine ostasiatische Herkunft angegeben. Wie das Modell bei anderen Hauttönen abschneidet, zeigt die Studie nicht. Zweitens das Licht: Bei Tageslicht war der Fehler sogar im Stehen am größten (4,3 bpm), und einen Test draußen gibt es nicht. Positiv: Der Code auf GitHub und der Bewegungsdatensatz sind öffentlich.
Ye et al. (2026). HBP-net for robust remote heart rate estimation using heartbeat probability. iScience, 29(3), 114974. Mehr zu KI im Training findest du im Ăśberblick zu KI im Fitness.
