Jüngste Fortschritte bei intelligenten Wearable-Systemen: von multiskaligen biomechanischen Merkmalen zur Vorhersage menschlicher Bewegungsintention

Den Körper lesen, bevor er sich bewegt

Stellen Sie sich vor, eine Smartwatch, eine Schuheinlage oder ein leichtes Exoskelett könnte erkennen, was Sie als Nächstes tun werden, und Ihnen still helfen — einen Schritt stabilisieren, bevor Sie ausrutschen, einen ermüdeten Muskel unterstützen oder einer Prothesenhand eine fast natürliche Bewegung ermöglichen. Dieser Übersichtsartikel erklärt, wie Wissenschaftler „intent-aware“ Wearables entwickeln, die die mechanischen und elektrischen Signale des Körpers lesen, um unsere nächsten Bewegungen vorherzusagen, und damit neue Möglichkeiten für Rehabilitation, sicheres Arbeiten, Sportleistung, virtuelle Realität und Mobilität eröffnen.

Wie der Körper auf den nächsten Schritt hinweist

Unser Körper verrät Hinweise auf bevorstehende Aktionen auf mehreren physikalischen Ebenen. Auf Ganzkörperniveau deuten subtile Beschleunigungsverschiebungen — oft in der Nähe der Taille gemessen — darauf hin, wie stabil unser Schwerpunkt ist und ob wir beschleunigen, abbremsen oder die Richtung ändern werden. Plötzliche Veränderungen dieser Muster können einem Ausrutscher oder einer scharfen Richtungsänderung um einen Bruchteil einer Sekunde vorausgehen und Algorithmen ein Zeitfenster geben, einen Sturz oder eine schnelle Manöverbewegung vorherzusagen. Auf der Ebene einzelner Gelenke bilden Veränderungen von Winkeln und Winkelgeschwindigkeiten an Hüfte, Knie, Knöchel, Schulter, Ellbogen und Fingern reichhaltige Bewegungs„signaturen“ für Gehen, Heben oder Greifen. Auf der tiefsten Ebene treten winzige elektrische Impulse in Muskeln, aufgezeichnet von Oberflächenelektroden auf der Haut, zehn bis mehrere hundert Millisekunden vor sichtbarer Bewegung auf und liefern eine frühe Warnung der Intention, die besonders wertvoll für die Steuerung von Prothesen und Exoskeletten ist.

Intelligente Sensoren verwoben in den Alltag

Um diese Signale zu erfassen, verteilen Ingenieure ein Netzwerk kleiner Sensoren am Körper. Inertiale Einheiten erfassen Beschleunigung und Rotation von Körpersegmenten; flexible Dehnungs- und Drucksensoren messen Gelenkbiegung und Fußkräfte; bioelektrische Sensoren überwachen Muskelaktivität, Hirnsignale und Herzrhythmen; und sogar optische, akustische und chemische Sensoren beobachten Blutfluss, Gewebeveränderungen und Schweißchemie. Diese Komponenten werden in vertraute Gegenstände verpackt — Uhren, Armbänder, intelligente Schuhe und Handschuhe — sowie in elektronische Textilien und hautähnliche Pflaster, die sich Gelenken und Muskeln anpassen. Durch das Schichten von Sensoren auf Körper-, Gelenk- und Muskel-Ebene können Designer die Bewegung vom ersten neuronalen Funken in den Muskelfasern über das Gelenkdrehmoment bis hin zu Veränderungen des gesamten Gleichgewichts verfolgen.

Maschinen beibringen, menschliche Bewegung zu lesen

Daten zu sammeln ist nur die halbe Aufgabe; die andere Hälfte besteht darin, sie schnell genug zu interpretieren, um nützlich zu sein. Frühere Systeme setzten auf handgestaltete Regeln und klassische maschinelle Lernmethoden, die sorgfältig ausgewählte Merkmale wie durchschnittliche Muskelaktivität oder Spitzenwerte von Gelenkwinkeln betrachteten und dann jedes Muster einer bekannten Aktion zuordneten. Diese Methoden sind effizient und laufen gut auf kleinen, batteriebetriebenen Geräten, haben aber Schwierigkeiten, wenn Bewegungen variabler oder lauter werden. Neuerdings werden Deep-Learning-Ansätze — Faltungs-, rekurrente und transformerartige neuronale Netze — darauf trainiert, komplexe Muster über die Zeit und über mehrere Sensoren hinweg zu erkennen. Sie können Beschleunigungs-, Druck- und Muskelsignale verschmelzen, um Gangphasen zu identifizieren, Gelenkwinkel im Voraus vorherzusagen oder das Drehmoment abzuschätzen, das ein Mensch bald erzeugen wird, oft mit Vorhersagefehlern von nur wenigen Dutzend Millisekunden.

Von Kliniken und Fabriken zu Stadien und Simulatoren

Diese intent-vorhersagenden Wearables wandern von Laborprototypen in viele reale Umgebungen. In der Rehabilitation nutzen exoskelettartige Kleidungsstücke und passive Kniebandagen Gelenkwinkel, Kräfte und Muskelaktivität, um gerade genug Unterstützung beim Gehen oder bei Therapieübungen zu geben und sich dem Fortschritt jedes Patienten anzupassen. Für Arbeiter und Industrieroboter können Körperbeschleunigungs- und Muskelsensoren Ermüdung anzeigen, unsichere Bewegungen voraussehen und Robotern erlauben, menschliche Partner vorherzusehen und mit ihnen zu koordinieren. Sportler profitieren von E-Skins und leichten Bewegungsanzügen, die Gelenkbelastung und Muskelnutzung verfolgen, um Technik zu verfeinern und Verletzungsrisiken zu reduzieren. In der virtuellen Realität nutzen intelligente Ringe und Handschuhe Fingerbewegungen und Muskelhinweise für natürlicheres Greifen und Tasten, während in Fahrzeugen Kopf- und Gliedmaßensensoren Bremsen, Spurwechsel oder Müdigkeit antizipieren, um Fahrerassistenzsysteme zu unterstützen.

Hindernisse auf dem Weg zur Alltagsnutzung

Trotz beeindruckender Genauigkeit in kontrollierten Tests ist die Einführung dieser Systeme im Alltag schwierig. Reale Umgebungen sind unordentlich: Schweiß, verrutschende Elektroden, Kleidungsverschiebungen und elektrische Störsignale können Signale verzerren, und Menschen unterscheiden sich stark in Körperform, Kraft und Bewegungsstil. Das bedeutet, dass Modelle, die an einer Gruppe trainiert wurden, oft bei einer anderen oder in neuen Aufgaben schlecht abschneiden. Flexible Sensormaterialien müssen außerdem kontinuierliches Biegen und Dehnen überstehen, ohne an Empfindlichkeit zu verlieren, und kompakte Energiespeicher müssen Multi-Sensor-Systeme über lange Zeiträume am Laufen halten. Hinzu kommen ernsthafte Datenschutzfragen durch die reichen Ströme physiologischer und Bewegungsdaten, da sie bei Missbrauch oder Lecks Gesundheitszustände, Gewohnheiten und sogar emotionale Zustände offenbaren können.

Was das für die Zukunft bedeutet

Die Autoren kommen zu dem Schluss, dass die Vorhersage menschlicher Bewegungsintention kein Science-Fiction mehr ist, aber um sie zu einer sicheren, vertrauenswürdigen Alltags-Technologie zu machen, sind Fortschritte auf mehreren Ebenen zugleich erforderlich. Intelligentere Lernmethoden müssen sich an jeden Nutzer anpassen und robust bleiben, wenn Signale schlechter werden; Sensormaterialien sollten langlebig, komfortabel und energieeffizient sein; und starke Schutzmaßnahmen sind nötig, um persönliche Bewegungs- und Gesundheitsdaten zu sichern. Wenn diese Bausteine zusammenkommen, könnten zukünftige Wearables eine nahtlose „Wahrnehmungs–Entscheidungs–Handlungs“-Schleife um den Körper bilden, still verstehen, was wir als Nächstes vorhaben, und Hilfe anbieten — sei es das Stabilisieren eines Schrittes, das Verstärken von Muskelkraft, das Leiten der Genesung oder das Vertiefen unserer Verbindung zu Maschinen und virtuellen Welten.

Zitation: Chen, S., Peng, C., Yang, B. et al. Recent advances in intelligent wearable systems: from multiscale biomechanical features towards human motion intent prediction. npj Artif. Intell. 2, 33 (2026). https://doi.org/10.1038/s44387-026-00083-5

Schlüsselwörter: tragbare Sensoren, Vorhersage menschlicher Bewegung, Biomechanik, Exoskelette, Prothesen