Die Wissenschaft hinter Balance

Hier finden Sie eine Zusammenfassung der Wissenschaft, auf der Feelmo beruht, mit Quellenangaben. Die genauen Details der Algorithmen, aus denen Ihr Score entsteht, sind nicht öffentlich, doch die Ideen dahinter stützen sich auf veröffentlichte, von Fachleuten begutachtete Forschung.

Auf dieser Seite versuchen wir, Ihnen so ehrlich wie möglich zu erklären, was Feelmo misst und warum es auf diese Weise misst. Sie ist etwas länger geraten, überfliegen Sie also ruhig nur die Überschriften, die Ihr Interesse wecken.

Ihr Herzschlag ist kein Metronom

Ein gesundes Herz schlägt nicht in einem festen Takt wie eine Uhr. Der Abstand zwischen einem Schlag und dem nächsten (das R-R-Intervall) schwankt ständig in winzigen Maßen – als Reaktion auf Ihre Atmung, Ihre Haltung, Stress und Ihren Erholungszustand. Diese Schwankungen nennen wir HRV (Herzratenvariabilität).

So beschleunigt sich Ihr Herz zum Beispiel leicht, wenn Sie einatmen, und wird langsamer, wenn Sie ausatmen. Diese rhythmische, mit dem Atem synchronisierte Schwankung ist eines der Zeichen dafür, dass das parasympathische (vagale) Nervensystem, das die Erholung steuert, gut arbeitet. Umgekehrt neigen diese Schwankungen dazu, kleiner zu werden und abzuflachen, wenn Anspannung oder Stress anhalten.

Seit eine gemeinsame Arbeitsgruppe der European Society of Cardiology und der North American Society of Pacing and Electrophysiology standardisiert hat, wie HRV gemessen und physiologisch gedeutet wird (Task Force, 1996), wird HRV in Tausenden von Studien als ein Fenster genutzt, durch das sich die Funktion des autonomen Nervensystems von außen erahnen lässt (Shaffer & Ginsberg, 2017).

Worauf Feelmo schaut

HRV kennt viele Kennzahlen, doch der Balance-Score von Feelmo ist keine direkte Anzeige einer einzelnen öffentlichen Kennzahl. Er fasst mehrere aus der HRV abgeleitete Hinweise, die Messqualität und die Abweichung von Ihrer eigenen Ausgangslinie zusammen.

Zeitbereichs-Betrachtungen erfassen, wie stark die Intervalle von Schlag zu Schlag über einen Zeitraum hinweg variieren. Frequenzbereichs-Betrachtungen trennen schnellere, mit der Atmung verbundene Schwankungen von langsameren Mustern. Beide sind nützliche wissenschaftliche Perspektiven (Task Force, 1996; Shaffer & Ginsberg, 2017; Laborde et al., 2017), doch keine einzelne Perspektive sollte als direkte Antwort auf die Frage „Wie gestresst bin ich?“ behandelt werden.

Feelmo verwendet diese Ideen als Hintergrund und vergleicht dann Ihre Signale mit Ihrer eigenen Ausgangslinie und mit der Verlässlichkeit der Messung. Die genaue Zusammensetzung, Gewichtung und Umrechnungsmethode sind die geschützte Analyselogik von Feelmo und werden nicht öffentlich offengelegt.

Warum wir mit „Ihrer eigenen Ausgangslinie“ vergleichen

Der Absolutwert der HRV schwankt stark je nach Alter, Geschlecht und Konstitution. Groß angelegte Daten über neun Lebensjahrzehnte hinweg haben gezeigt, dass die HRV mit dem Alter abnimmt (Umetani et al., 1998). Mit anderen Worten: Dieselbe Zahl kann von Mensch zu Mensch etwas völlig anderes bedeuten, wenn es darum geht, „ob sie für diese Person hoch oder niedrig ist“.

Deshalb schaut Feelmo nicht darauf, wie Sie im Vergleich zu anderen abschneiden, sondern darauf, wie Sie sich im Verhältnis zu Ihrer eigenen Ausgangslinie verändern. Ob Sie höher oder niedriger liegen als die Person neben Ihnen, ist nicht der Punkt; wie Sie im Vergleich zu „Ihrem gewohnten Selbst“ dastehen – das ist die Frage, auf die es ankommt.

Aus diesem Grund ist die Balance-Anzeige auf dem Startbildschirm von einer „Aura“ umgeben, die Ihre Abweichung von Ihrer eigenen Ausgangslinie darstellt. Weniger die Score-Zahl selbst als vielmehr das behutsame Zeigen, „in welche Richtung Sie sich gerade neigen, verglichen mit Ihrem gewohnten Selbst“, ist uns wichtig.

Zahlen in Ausdrücke übersetzen

Der Balance-Score ist eine Zahl von 0 bis 100, doch Feelmo stellt diese Zahl nicht in den Vordergrund. Stattdessen übersetzt es den Score in die Ausdrücke von sechs Begleitern (Genki, Odayaka, Futsuu, Fuan, Panku und Tsukare) und stellt sie still an die Seite des Scores.

Das ist unsere Art, einen Anstieg oder Rückgang der Zahl nicht zu „gut“ oder „schlecht“ zu erklären. An einem schwankenden Tag mag „Fuan“ (unruhig) oder „Tsukare“ (müde) erscheinen; an einem ausgeglichenen Tag übersetzen „Odayaka“ (ruhig) oder „Genki“ (munter) Ihren aktuellen Zustand in sanfte, beobachtende Worte. Es ist Beobachtung, niemals Bewertung oder Diagnose.

Wann gemessen wird – warum wir Ruhe und Schlaf schätzen

Optische Sensoren am Handgelenk sind praktisch, haben aber eine Schwäche: Sie sind anfällig für Körperbewegung. Werte, die aufgenommen werden, während Sie gehen oder die Arme schwingen, sind zu verrauscht, um sich darauf verlassen zu können. Deshalb legt Feelmo Gewicht auf Bedingungen, unter denen sich die Schwankung stabil ablesen lässt – auf die Messung nach Bedarf im ruhigen Sitzen (Messen genau dann, wenn Sie es brauchen) und auf Daten, die während des Schlafs erfasst werden.

Es gibt mehrere Gründe, warum wir den Schlaf so genau betrachten.

• Während des Schlafs sind die äußeren Faktoren, die die HRV stören – Bewegung, Nahrung, Haltung, Koffein und so weiter –, am geringsten, sodass er eine Zeit ist, in der Sie jeden Tag unter nahezu identischen Bedingungen vergleichen können.
• Während des tiefen Non-REM-Schlafs dominiert nachweislich das parasympathische Nervensystem (Trinder et al., 2001), sodass dies auch eine Zeit ist, in der sich Anzeichen von Erholung eher zeigen.
• Der Zusammenhang zwischen Schlaf und HRV wurde auch in systematischen Übersichtsarbeiten aufgearbeitet (Stein & Pu, 2012).

Stress und Balance

Der Zusammenhang zwischen psychischem Stress und verringerter HRV wurde in Meta-Analysen wiederholt berichtet (Kim et al., 2018). Darüber hinaus hat eine Meta-Analyse bildgebender Studien des Gehirns ein Modell vorgeschlagen, in dem die vagale Bahn, die den präfrontalen Cortex (das denkende Gehirn) und das Herz verbindet, die HRV zu einem Marker für Stress und Gesundheit macht (Thayer et al., 2012). Einen genaueren Blick auf diese Verbindung von Gehirn und Herz finden Sie unter Die Verbindung von Gehirn und Herz.

Die Anzeigen von Stressniveau und Zustand auf dem Startbildschirm stützen sich auf diesen Forschungshintergrund. Allerdings handelt es sich dabei um „Zusammenhänge“ auf Gruppenebene.

Warum langsames Atmen wirkt

Der Grund, warum die Atem-Sessions von Feelmo (der Tab Atmen) Sie zu langsamem Atmen (etwa sechs Atemzüge pro Minute) anleiten, ist, dass Atmen in diesem Tempo dafür bekannt ist, mit dem Barorezeptorreflex (dem blutdruckregulierenden Reflex) in Resonanz zu treten und die HRV vorübergehend deutlich anzuheben (Lehrer & Gevirtz, 2014).

Bei etwa sechs Atemzügen pro Minute deckt sich die Veränderung Ihrer Herzfrequenz beim Ein- und Ausatmen genau mit dem Rhythmus des Reflexes, der den Blutdruck reguliert. Wenn diese „Resonanz“ eintritt, wird die Schwankung stark verstärkt. Die psychophysiologischen Wirkungen langsamen Atmens wurden auch in systematischen Übersichtsarbeiten berichtet, wo sie mit erhöhter parasympathischer Aktivität und einem gesteigerten Gefühl von Entspannung in Verbindung gebracht werden (Zaccaro et al., 2018; Russo et al., 2017).

Sowohl die „Beruhigen“- als auch die „Aufrichten“-Sessions sind sanfte Anstöße, die auf dieser Physiologie des Atems aufbauen.

Über Licht und Bewegung

Es gibt auch einen Hintergrund dafür, warum das Gewohnheitsprotokoll im Tab Wohlbefinden Sonnenlicht und Aktivität behandelt.

• Licht ist einer der stärksten Umweltfaktoren, die den menschlichen zirkadianen Rhythmus (die innere Uhr), den Schlaf und die Stimmung beeinflussen (Blume et al., 2019). Ein Eintrag über morgendliches Sonnenlicht ist ein kleiner Hinweis auf dem Weg zu einer gut eingestellten inneren Uhr.
• Regelmäßige Bewegung wird in Meta-Analysen mit einer erhöhten HRV in Verbindung gebracht (Sandercock et al., 2005). Auch angesammelte Schritte werden auf lange Sicht zu einem Fundament, das Ihre Balance trägt.

Das sind keine Vorgaben dessen, was Sie tun „sollten“, sondern sanfte Hinweise, um die Verbindung zwischen Ihrer Balance und Ihrem Alltag zu bemerken.

Was wir über den Score sagen können

Der Balance-Score integriert mehrere Körpersignale, darunter aus der HRV abgeleitete Hinweise, und übersetzt sie in einen einzigen Score von 0 bis 100.

• Die konkrete Struktur und Gewichtung dieser Integration werden als Geschäftsgeheimnis nicht offengelegt.
• Der Score entsteht, nachdem auch berücksichtigt wurde, „wie verlässlich wir in jener Nacht oder jener Session tatsächlich messen konnten (die Qualität der Messung)“.
• Die Gültigkeit der Analyse wird im Rahmen eines gemeinsamen Forschungsprojekts mit der Keio University laufend überprüft.

Das Prinzip von Feelmo ist es, über Ihre Balance zu wachen, statt Ihre Gefühle zu erraten. Statt über die Emotion selbst zu urteilen, wollen wir behutsam darüber wachen, wie gut Ihr autonomes Nervensystem im Gleichgewicht ist – auf Ihrem eigenen Maßstab.

Was es bedeutet, am Handgelenk zu messen

Die Apple Watch liest mit einem optischen Sensor Ihre Pulswelle aus und schätzt daraus die R-R-Intervalle. Unter Ruhebedingungen ist bestätigt worden, dass die aus der Apple Watch abgeleitete HRV gut mit der EKG-basierten Messung übereinstimmt (Hernando et al., 2018).

Feelmo liest HRV, Herzfrequenz, Schlaf und mehr auf dem Gerät aus der Apple Watch / HealthKit aus. Weil die Genauigkeit bei kräftiger Körperbewegung sinkt, ergibt es auch aus diesem Grund Sinn, dass wir Gewicht auf Daten legen, die während Ruhe und Schlaf erfasst werden.

Es selbst überprüfen – die N-of-1-Idee

Selbst wenn von etwas gesagt wird, dass es im Durchschnitt über eine Gruppe hinweg „wirkt“, bedeutet das nicht zwangsläufig, dass es auf Sie zutrifft. Deshalb baut die Analyse der Gewohnheitswirkung von Feelmo (Welche Gewohnheiten Ihnen helfen, Feelmo Premium) auf der N-of-1-Idee des personenbezogenen Vergleichs auf: Sie prüft für Sie einzeln, ob eine Gewohnheit wie das Atmen Ihre eigene Balance tatsächlich bewegt.

Nicht zu bestätigen „es wirkt für alle“, sondern „es wirkt für Sie“, anhand Ihrer eigenen Daten – das ist eine Sichtweise, die jeden Einzelnen in den Mittelpunkt stellt.

Die Forschungsfelder hinter Feelmo

Feelmo ist so gestaltet, dass es nicht eine einzelne Theorie, sondern mehrere Felder integriert. Hier geben wir einen Überblick darüber, „auf welchen Disziplinen es aufbaut“. Beachten Sie, dass die konkreten Algorithmen, Rechenmethoden und Parameter die eigene Technologie von Feelmo sind und auf dieser Seite nicht offengelegt werden (wir stellen nur die Namen der Felder und die Ideen vor).

• Autonome Neurowissenschaft und Herzratenvariabilität – die Tendenz des Gleichgewichts zwischen Ruhe und Anspannung aus dem Wackeln Ihres Herzschlags ablesen (Einzelheiten finden Sie in der ersten Hälfte dieser Seite).
• Affektwissenschaft und Psychophysiologie – auf Grundlage psychologischer Rahmenmodelle, die Zustände entlang mehrerer Achsen erfassen, drücken wir Ihren aktuellen Zustand in wenigen sanften Kategorien aus (die sechs Ausdrücke).
• Signalverarbeitung und Zeitreihenanalyse – im Schlaf und in Ruhe erfasste Herzdaten sorgfältig danach unterscheiden, was Rauschen und was bedeutsame Veränderung ist. Wir berücksichtigen auch, „wie verlässlich wir in jenem Moment messen konnten“.
• Statistik und maschinelles Lernen – wir gehen davon aus, dass ein Score nicht als einzelner Punkt, sondern als „Spanne“ zu erfassen ist, und behandeln den Abstand zu „Ihrem eigenen Standard“ statistisch.
• Entscheidungswissenschaft – aus Ihren Daten allmählich „die Art des Einstimmens lernen, die zu dieser Person in dieser Situation passt“.
• Kausale Inferenz – Denkweisen einbeziehen, die sorgfältig zwischen „bloßer Korrelation“ und „etwas, das wirklich zusammenzuhängen scheint“ unterscheiden.
• Personalisierungsmethodik (die N-of-1-Idee) – darauf schauen, „was zu Ihnen passt“, mit jedem Einzelnen als Hauptfigur statt dem Gruppendurchschnitt.
• Chronobiologie – dieselbe Zahl kann je nach Tageszeit oder Wochentag etwas anderes bedeuten. Wir beziehen tägliche und wöchentliche Rhythmen mit ein.
• Verhaltenswissenschaft – wir drängen Sie nicht, immer weiterzumachen. Statt Vorgaben oder Wettbewerb bringen wir kleine Ansammlungen still in Worte.
• Balance und Ethik – unsere Formulierungen vermeiden Diagnose und definitive Aussagen und halten sich im Rahmen von Tendenzen und Selbstfürsorge. Lernen und Analyse werden auf dem Gerät abgeschlossen, und das Eigentum an den Daten gehört Ihnen.

Quellen

1. Task Force of the European Society of Cardiology and the North American Society of Pacing and Electrophysiology. Heart rate variability: standards of measurement, physiological interpretation and clinical use. Circulation. 1996;93(5):1043–1065.
2. Shaffer F, Ginsberg JP. An Overview of Heart Rate Variability Metrics and Norms. Frontiers in Public Health. 2017;5:258.
3. Laborde S, Mosley E, Thayer JF. Heart Rate Variability and Cardiac Vagal Tone in Psychophysiological Research – Recommendations for Experiment Planning, Data Analysis, and Data Reporting. Frontiers in Psychology. 2017;8:213.
4. Trinder J, Kleiman J, Carrington M, et al. Autonomic activity during human sleep as a function of time and sleep stage. Journal of Sleep Research. 2001;10(4):253–264.
5. Stein PK, Pu Y. Heart rate variability, sleep and sleep disorders. Sleep Medicine Reviews. 2012;16(1):47–66.
6. Kim HG, Cheon EJ, Bai DS, Lee YH, Koo BH. Stress and Heart Rate Variability: A Meta-Analysis and Review of the Literature. Psychiatry Investigation. 2018;15(3):235–245.
7. Thayer JF, Åhs F, Fredrikson M, Sollers JJ, Wager TD. A meta-analysis of heart rate variability and neuroimaging studies: implications for heart rate variability as a marker of stress and health. Neuroscience & Biobehavioral Reviews. 2012;36(2):747–756.
8. Lehrer PM, Gevirtz R. Heart rate variability biofeedback: how and why does it work? Frontiers in Psychology. 2014;5:756.
9. Zaccaro A, Piarulli A, Laurino M, et al. How Breath-Control Can Change Your Life: A Systematic Review on Psycho-Physiological Correlates of Slow Breathing. Frontiers in Human Neuroscience. 2018;12:353.
10. Russo MA, Santarelli DM, O'Rourke D. The physiological effects of slow breathing in the healthy human. Breathe (Sheffield). 2017;13(4):298–309.
11. Umetani K, Singer DH, McCraty R, Atkinson M. Twenty-four hour time domain heart rate variability and heart rate: relations to age and gender over nine decades. Journal of the American College of Cardiology. 1998;31(3):593–601.
12. Hernando D, Roca S, Sancho J, Alesanco Á, Bailón R. Validation of the Apple Watch for Heart Rate Variability Measurements during Relax and Mental Stress in Healthy Subjects. Sensors (Basel). 2018;18(8):2619.
13. Blume C, Garbazza C, Spitschan M. Effects of light on human circadian rhythms, sleep and mood. Somnologie. 2019;23(3):147–156.
14. Sandercock GR, Bromley PD, Brodie DA. Effects of exercise on heart rate variability: inferences from meta-analysis. Medicine & Science in Sports & Exercise. 2005;37(3):433–439.