Infrarot-Thermografie auf Deep-Learning-Basis zeigt reproduzierbare einheitliche und individuelle thermoregulatorische Reaktionen beim Laufen

Den Körper beim Erwärmen beobachten

Wenn wir laufen, erledigt unser Körper leise mehrere Aufgaben gleichzeitig: Muskeln bewegen, Sauerstoff bereitstellen und überschüssige Wärme abgeben. Diese Studie untersucht eine neue Methode, dieses Zusammenspiel in Echtzeit zu beobachten — durch den Einsatz von Wärmebildkameras und künstlicher Intelligenz, um zu verfolgen, wie sich die Hauttemperatur von Läufern während der Belastung verändert. Die Arbeit legt nahe, dass einfache, berührungsfreie Wärmebilder der Beine sowohl gemeinsame Muster, die die meisten Läufer teilen, als auch subtile, persönliche Unterschiede, die mit der Leistungsfähigkeit zusammenhängen, offenbaren können.

Wärme fotografieren, während Menschen laufen

Die Forschenden luden elf gesunde, ausdauertrainierte junge Erwachsene in ein kontrolliertes Labor ein. Jede Person absolvierte drei Laufbänderuntersuchungen an zwei verschiedenen Tagen. Die Gesamtarbeit in jedem Lauf war gleich, die Intensitätsmuster unterschieden sich jedoch: einer war konstant, ein anderer wechselte von konstant zu Intervallen und der dritte machte die umgekehrte Reihenfolge. Während die Teilnehmenden liefen, erfasste das Team Herzfrequenz, Atmung, Körperkerntemperatur (mit internen und externen Sensoren), wahrgenommene Anstrengung, Schweißverlust und — entscheidend — Wärmeverläufe an den Waden mit einer hochauflösenden Infrarotkamera, die hinter dem Laufband platziert war.

Künstliche Intelligenz liest thermische Karten

Anstatt Regionen in den Wärmebildern manuell zu markieren, nutzte das Team Deep Learning — eine Form künstlicher Intelligenz — um automatisch die Waden zu erkennen und verschiedene Arten von Gefäßregionen zu trennen. Aus jedem Einzelbild berechnete das System mehrere Hauttemperaturmetriken: mittlere Waden­temperatur, Temperatur von Bereichen ohne sichtbare Gefäße sowie Temperaturen über kleinen Arterien und oberflächlichen Venen. Es maß auch „Entropie“, eine Statistik, die beschreibt, wie variiert die Temperaturmuster über die Hautoberfläche sind. Diese Messwerte wurden dann mit Herz-, Atem- und Kerntemperaturdaten synchronisiert und lieferten detaillierte Zeitreihen über Aufwärmphase, Hauptbelastungen und Erholung.

Gemeinsame Wärmemuster und persönliche Signaturen

Über alle drei Läufe stiegen und fielen die verschiedenen Hauttemperaturgrößen synchron mit Veränderungen der Laufintensität, obwohl ihre absoluten Werte variierten. Bereiche über kleinen arteriellen Gefäßen zeigten besonders starke Verknüpfungen mit Herzfrequenz und Sauerstoffverbrauch, insbesondere während hochintensiver Intervalle und der Erholung, was darauf hindeutet, dass sie sensible Marker dafür sind, wie hart der Körper arbeitet und wie schnell er nach der Belastung Wärme abgibt. Die Entropie dieser Gefäßregionen folgte der Kerntemperatur während des Aufwärmens und spiegelte wider, wie sich Wärme über die Haut verteilt, wenn der Körper sich erwärmt. Gleichzeitig gab es bemerkenswerte individuelle Unterschiede. Bei einigen Läufern — insbesondere jenen mit höherer submaximaler Laufkapazität — bewegte sich die Temperatur der nicht‑gefäßreichen Haut in die entgegengesetzte Richtung zur Kerntemperatur, wodurch größere Unterschiede zwischen tiefer Körperwärme und kühlerer Haut entstanden. Diese Differenzen deuten vermutlich auf effektivere Durchblutungsanpassungen hin, die helfen, Wärme abzuführen und gleichzeitig die Kerntemperatur zu kontrollieren.

Verlässliche Messungen an verschiedenen Tagen

Eine zentrale Frage war, ob diese thermischen Messgrößen stabil genug sind, um außerhalb eines einzelnen Tests nützlich zu sein. Die Studie ergab, dass Änderungen der nicht‑gefäßreichen Hauttemperatur, besonders während Aufwärmen, Intervallen und Erholung, innerhalb derselben Person über alle drei Läufe hinweg hoch reproduzierbar waren, selbst wenn Reihenfolge und Muster der Belastungen variierten. Auch gruppenweite Muster zeigten Konsistenz. Weniger verlässlich waren Vergleiche bestimmter kontinuierlicher Laufabschnitte, die zuvor von unterschiedlichen Belastungsformen gefolgt waren, was unterstreicht, dass die unmittelbare Belastungshistorie die Hautdurchblutung und Temperatur kurzfristig umgestalten kann. Insgesamt lieferte die automatisierte Analyse jedoch robuste, wiederholbare Signale unter gut kontrollierten Raumbedingungen.

Was das für Athleten und Gesundheitsüberwachung bedeutet

Die Ergebnisse zeigen, dass intelligente Analyse von Wärmebildern sowohl die gemeinsamen Wege, wie Menschen beim Laufen ihre Temperatur regulieren, als auch die persönlichen Unterschiede erfassen kann, die mit der Fähigkeit zusammenhängen, submaximale Geschwindigkeiten aufrechtzuerhalten. Deep Learning verwandelt einen Strom thermischer Bilder in konsistente Zahlen, die mit Herz‑, Atem‑ und Kerntemperaturdaten übereinstimmen. In Zukunft könnte eine solche berührungsfreie Überwachung Trainern und Klinikern helfen, die innere Belastung zu verfolgen, frühe Anzeichen von Überhitzung zu erkennen oder das Training anhand der Effizienz zu individualisieren, mit der ein Läufer Wärme abführt — und nicht nur anhand seiner maximalen Leistungskennwerte auf dem Papier.

Zitation: Weber, V., López, D.A., Ochmann, D.T. et al. Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running. Sci Rep 16, 10525 (2026). https://doi.org/10.1038/s41598-026-44102-6

Schlüsselwörter: Infrarot-Thermografie, Sportphysiologie, Deep Learning, Thermoregulation, Laufleistung