Ein Machine-Learning-Rahmenwerk für personalisierte Bewegungsempfehlungen basierend auf BMI und Fitnessbewertung

Warum intelligentere Workouts wichtig sind

Viele junge Erwachsene haben trotz Bemühungen, aktiv zu bleiben, mit Gewichtszunahme zu kämpfen. Allgemeine Empfehlungen wie „150 Minuten Sport pro Woche“ wirken oft vage und berücksichtigen nicht individuelle Unterschiede in Fitness, Körperbau oder Fortschritt. Diese Studie untersucht, ob künstliche Intelligenz einfache Fitnesstestergebnisse in hochgradig personalisierte Trainingspläne verwandeln kann, die jungen Menschen effizienter und sicherer dabei helfen, aus dem Übergewichtsbereich herauszukommen, als pauschale Richtlinien.

Fitnesstests als persönliches Profil

Die Forschenden arbeiteten mit Daten von 6.698 männlichen Studierenden im Alter von 18 bis 20 Jahren. Bei jedem Studierenden wurden Body-Mass-Index (BMI) sowie vier standardisierte Fitnesstests erhoben: ein 3.000-Meter-Lauf zur Erfassung der Ausdauer, Klimmzüge für die Oberkörperkraft, Sit-ups für die Rumpfausdauer und ein Pendellauf (Shuttle Run) für Schnelligkeit und Wendigkeit. Zusammen ergeben diese Messwerte ein ziemlich vollständiges Bild davon, wie Herz-Kreislauf-, Muskel- und Bewegungssysteme funktionieren. Anstatt jeden Test isoliert zu betrachten, wollte das Team das komplexe Muster verstehen, das dieses Fitnessprofil mit der BMI-Kategorie einer Person verbindet – Untergewicht, Normalgewicht, Übergewicht oder Adipositas.

Eine hybride KI, die Ihre Bewegung liest

Um diese Muster zu entschlüsseln, entwickelte das Team ein hybrides Machine-Learning-System, das zwei unterschiedliche Stärken kombiniert. Zuerst scannt ein eindimensionales Faltungsnetzwerk (1D-CNN), unterstützt durch einen Attention-Mechanismus, die Sequenz der Rundenzeiten beim 3.000-Meter-Lauf und berücksichtigt dabei gleichzeitig Kraft- und Sprintwerte. So kann das System Details erkennen, etwa ob jemand in den letzten Runden stark abbaut oder ein gleichmäßiges Tempo hält. Anschließend werden die verdichteten Informationen an ein gradientenverstärktes Entscheidungsmodell (Gradient Boosting) übergeben, das sehr gut darin ist, klare Kategorienabgrenzungen zu ziehen – hier die vier BMI-Gruppen. Dieser kombinierte Ansatz klassifizierte den BMI mit 94,5% Genauigkeit und übertraf deutlich Standardmodelle wie logistische Regression, Random Forests und XGBoost auf denselben Daten, während die Vorhersagen pro Person weiterhin in weniger als einer Millisekunde erfolgten.

Von Vorhersagen zu maßgeschneiderten Trainingsplänen

Der entscheidende Schritt ist die Übersetzung dieser Vorhersagen in praktikable Trainingsvorgaben. Um das System für Trainer und Kliniker nachvollziehbar zu halten, verwendeten die Forschenden eine Methode namens SHAP, die zeigt, wie stark jeder Fitnesstest eine BMI-Vorhersage in Richtung einer gesünderen oder weniger gesunden Kategorie beeinflusst. Für jeden Studierenden ordnet das Modell die wichtigsten Schwächen – etwa wenige Klimmzüge oder langsame Laufzeiten. Eine regelbasierte Engine überträgt diese Prioritäten dann auf konkrete Trainingsformen, wie mehr Oberkörperkraft-Einheiten, zusätzliches Ausdauertraining oder verstärkte Schnelligkeits- und Agility-Einheiten. Alle zwei Wochen wurden im Versuch neue Testergebnisse zurückgespeist, sodass das System Trainingsumfang hoch- oder runterfahren und die Belastung reduzieren konnte, wenn Ermüdungszeichen auf ein Überlastungsrisiko hindeuteten.

Systemtest in der Praxis

Um zu prüfen, ob dieser KI-gestützte Ansatz die Gesundheit tatsächlich verbessert, führten die Forschenden eine 12-wöchige randomisierte kontrollierte Studie mit 1.160 neuen Studierenden durch. Die eine Hälfte erhielt konventionelle Bewegungsanweisungen; die andere Hälfte folgte den personalisierten Vorgaben des Modells, einschließlich strukturierter hochintensiver Intervalle, kontinuierlicher aerober Einheiten, Krafttraining und grundlegender Ernährungsberatung. Die personalisierte Gruppe zeigte auffällige Verbesserungen: Der Gesamtanteil der übergewichtigen oder adipösen Studierenden sank um 23,5%, fast sieben von zehn übergewichtigen Teilnehmenden wechselten in den Normalbereich, und viele adipöse Teilnehmende reduzierten ihr Gewicht auf Übergewicht. Auch die Fitness verbesserte sich deutlich: etwa 15% mehr Klimmzüge, knapp 10% schnellere 3.000‑Meter‑Laufzeiten und über 10% schnellere Shuttle‑Run‑Zeiten verglichen mit der Kontrollgruppe – und das ohne Zunahme von Verletzungen.

Was das für die Alltagsgesundheit bedeutet

Für Nicht‑Fachleute lautet die Schlussfolgerung: Einfache, vertraute Tests – wie weit Sie laufen können, wie viele Klimmzüge und Sit‑ups Sie schaffen und wie schnell Sie hin und her sprinten – können in ein KI‑System einfließen, das Trainingspläne auf Ihren Körper und Ihre aktuellen Fähigkeiten zuschneidet. Die Studie zeigt, dass ein solches System nicht nur vorhersagen kann, wer ein höheres gewichtsbasiertes Risiko hat, sondern auch Trainingspläne liefern kann, die Menschen sicher zu einem gesünderen BMI verhelfen und gleichzeitig Kraft und Fitness steigern. Obwohl die bisherige Arbeit auf junge Männer in einem Setting fokussiert ist, weist sie auf eine Zukunft hin, in der Smartphone‑Apps oder klinische Tools wirklich personalisierte, kontinuierlich aktualisierte Bewegungsanleitungen für viele unterschiedliche Gruppen bereitstellen könnten.

Zitation: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

Schlüsselwörter: personalisierte Bewegung, Machine Learning im Gesundheitswesen, BMI und Fitness, Prävention von Jugendfettleibigkeit, KI-Trainingsplanung