Schlaf-Wearables klingen nach einem gelösten Problem. Doch wer ein solches Gerät entwickelt, stößt schnell auf ein dichtes Geflecht aus messtechnischen, signalverarbeitungstechnischen und regulatorischen Herausforderungen. Die Kombination aus miniaturisierten Biosensoren, Echtzeit-Signalverarbeitung, extremen Energierestriktionen und Zertifizierungsanforderungen macht Schlaftracking zu einem der anspruchsvollsten Felder im Wearable-Sensor-Design. Dieser Artikel beantwortet die zentralen Fragen, die Teams beim Entwickeln eines Schlaf-Wearables beschäftigen.
Was misst ein Schlaftracker eigentlich genau?
Ein Schlaftracker erfasst primär physiologische Signale, aus denen Schlafzustand und Schlafqualität abgeleitet werden. Die Kernsignale sind Herzfrequenz (HR), Herzratenvariabilität (HRV), Bewegung über ein Akzelerometer und Atemfrequenz. Hochwertigere Geräte ergänzen diese Datenbasis um Blutsauerstoffsättigung (SpO2) via Pulsoxymetrie und Hauttemperatur.
Keines dieser Signale misst Schlaf direkt. Schlafphasen werden inferiert: Ein Algorithmus kombiniert HR, HRV, Bewegungsmuster und optionale EEG-Näherungswerte, um REM-, Leicht- und Tiefschlaf zu klassifizieren. Das ist der entscheidende Unterschied zur klinischen Polysomnographie, die EEG, EOG und EMG direkt auswertet.
Für das Hardware-Design bedeutet das: Jeder Sensor bringt eigene Anforderungen an Abtastrate, Auflösung und Rauschunterdrückung mit. Ein PPG-Sensor für Herzfrequenz-Monitoring und SpO2 braucht eine stabile optische Kopplung zur Haut. Schon 0,5 mm Abhebung vom Handgelenk verfälscht das Signal so stark, dass die Schlafphasenklassifikation kippt. Teams unterschätzen regelmäßig, wie sehr mechanisches Design und Tragekomfort direkt die Messqualität bestimmen.
Welche Sensorkombination ist sinnvoll?
Für ein Einstiegsprodukt reicht die Kombination aus PPG und 3-Achsen-Akzelerometer. SpO2 ist sinnvoll, wenn Schlafapnoe-Screening im Scope ist, erhöht aber den Stromverbrauch und die Zertifizierungsanforderungen erheblich. EEG-Headbands liefern genauere Schlafphasendaten, sind aber für Handgelenks-Wearables nicht praktikabel. Die Sensorauswahl muss im ersten Design-Review gegen Zielgenauigkeit, Formfaktor und Energiebudget abgewogen werden.
Wie genau können Wearables Schlafphasen erkennen?
Handgelenks-Wearables erreichen bei der Schlafphasenerkennung eine Gesamtgenauigkeit von etwa 70 bis 80 Prozent im Vergleich zur Polysomnographie. Die Erkennungsrate für REM-Schlaf liegt typischerweise niedriger als für Tiefschlaf, weil REM physiologisch dem Wachzustand ähnelt und das Bewegungssignal allein keine zuverlässige Unterscheidung erlaubt.
Der kritische Fehler in der Praxis: Teams validieren ihren Algorithmus an Labordaten und übersehen, dass Trageposition, Hauttyp und Umgebungstemperatur die PPG-Signalqualität im Feld erheblich streuen. Ein Algorithmus, der im Labor 78 Prozent Genauigkeit erreicht, kann im Feldeinsatz auf 65 Prozent fallen, wenn die Vorverarbeitung nicht robust gegen Motion Artifacts ausgelegt ist.
Für medizinische Anwendungen, etwa Schlafapnoe-Screening, reicht diese Genauigkeit für eine CE-Klasse-IIa-Zulassung in der Regel nicht aus, ohne klinische Validierungsstudien. Consumer-Health-Produkte ohne Diagnoseversprechen haben hier mehr Spielraum, müssen aber ihre Marketingaussagen präzise formulieren, um regulatorische Risiken zu vermeiden.
Warum ist die Signalverarbeitung beim Schlaftracking so komplex?
Die Signalverarbeitung beim Schlaftracking ist komplex, weil mehrere Signalquellen mit unterschiedlichen Frequenzbändern, Abtastraten und Störquellen gleichzeitig verarbeitet werden müssen, während das Gerät mit minimalem Stromverbrauch betrieben wird. Motion Artifacts, Rauschen durch schlechten Hautkontakt und biologische Variabilität zwischen Nutzern überlagern das Nutzsignal.
Das konkrete Problem: PPG-Signale für Herzfrequenz-Monitoring liegen im Frequenzbereich von 0,5 bis 4 Hz, Motion Artifacts jedoch im gleichen Band. Klassische Bandpassfilter können die Störung nicht trennen. Adaptive Filterverfahren, die das Akzelerometersignal als Referenz nutzen, sind effektiver, erhöhen aber den Rechenaufwand auf dem Mikrocontroller.
Auf einem ARM Cortex-M4 mit FPU lässt sich ein adaptiver LMS-Filter für PPG-Entstörung in Echtzeit betreiben, ohne das Energiebudget zu sprengen, wenn die Abtastrate des PPG auf 25 Hz und die Algorithmus-Zykluszeit auf 10-Sekunden-Fenster ausgelegt wird. Ein Cortex-M0+ schafft das nicht zuverlässig bei gleichzeitigem BLE-Betrieb. Die Mikrocontroller-Wahl ist also kein Implementierungsdetail, sondern bestimmt die algorithmische Machbarkeit.
Ein weiterer unterschätzter Effekt: Schlaftracking läuft 6 bis 8 Stunden kontinuierlich. Drifteffekte in Sensoren und Algorithmen, die im Kurzzeitbetrieb unsichtbar sind, akkumulieren sich über Nacht. Ohne periodische Rekalibrierung oder Drift-Kompensation im Algorithmus verschlechtert sich die Klassifikationsgenauigkeit zur zweiten Nachthälfte messbar.
Wie wirkt sich der Energieverbrauch auf das Schlaftracking aus?
Der Energieverbrauch ist die härteste Restriktion beim Schlaftracking. Ein typisches Wrist-Wearable mit 100 mAh Akku muss das gesamte Schlaftracking inklusive Sensorik, Verarbeitung und Datenpufferung in einem Gesamtbudget von unter 5 mA Durchschnittsstrom abwickeln, um 8 Stunden Laufzeit sicherzustellen.
Der PPG-Sensor ist der größte Einzelverbraucher. Grüne LEDs für HR-Messung ziehen je nach Umgebungslicht und Hautton zwischen 1 und 10 mA. Rote und infrarote LEDs für SpO2 liegen ähnlich. Duty-Cycle-Steuerung ist zwingend: LED-Pulse von 50 bis 100 Mikrosekunden bei 25 Hz Abtastrate reduzieren den effektiven LED-Strom auf unter 1 mA. Fehlt diese Optimierung, ist das Energiebudget bereits durch den Sensor erschöpft, bevor Mikrocontroller und Funk berücksichtigt werden.
Der Mikrocontroller muss zwischen Messphasen in einen Low-Power-Modus fallen. FreeRTOS und Zephyr bieten beide Tickless-Idle-Mechanismen, die den Schlaf-Modus des Controllers zwischen Tasks aktivieren. Zephyr hat hier einen Vorteil bei der Integration mit Power-Management-Frameworks für Nordic- und STM32-Plattformen, erfordert aber mehr initiales Setup als FreeRTOS. Teams, die FreeRTOS aus Vorprojekten kennen, unterschätzen den Aufwand für sauberes Power-Management in Zephyr regelmäßig.
Ein häufiger Fehler: Das Energiebudget wird im Labor bei Raumtemperatur und optimaler Hauttransparenz gemessen. Im Feld, bei dunkler Haut oder niedriger Umgebungstemperatur, regelt der PPG-Sensor die LED-Intensität automatisch hoch. Das kann den tatsächlichen Stromverbrauch um 40 bis 60 Prozent über das Laborbudget treiben.
Welche Funkkommunikation eignet sich für Schlaf-Wearables?
Für Schlaf-Wearables ist Bluetooth Low Energy (BLE) der Standard für die Datenübertragung zum Smartphone. BLE 5.x ermöglicht mit Connection Intervals von 1 bis 2 Sekunden und kurzen Verbindungsfenstern einen durchschnittlichen Funkstrom von unter 0,5 mA, was mit dem Energiebudget eines Schlaf-Wearables vereinbar ist.
Die Alternative ist lokales Puffern aller Nachtdaten im Flash und ein einmaliger Sync nach dem Aufwachen. Das reduziert die Funkaktivität auf Minuten statt Stunden und spart Energie, verschiebt aber die Latenz der Datenverfügbarkeit. Für Consumer-Apps ist das akzeptabel. Für klinisches Patientenmonitoring, bei dem Alarme in Echtzeit ausgelöst werden müssen, ist dieser Ansatz nicht geeignet.
Wi-Fi scheidet für Schlaf-Wearables in der Regel aus: Der Verbindungsaufbau allein kostet 30 bis 80 mA für mehrere Sekunden, was das Nachtbudget in wenigen Sync-Zyklen aufbraucht. NB-IoT oder LTE-M sind relevant für medizinische Geräte ohne Smartphone-Abhängigkeit, etwa für stationäres Patientenmonitoring, und erhöhen die Zertifizierungsanforderungen um eine Funkzulassung nach ETSI/FCC.
Ein konkretes Risiko bei BLE: Wenn das Smartphone während der Nacht in den Energiesparmodus wechselt, bricht die BLE-Verbindung ab. Ohne Reconnect-Logik mit exponentieller Backoff-Strategie im Firmware-Design gehen Messdaten verloren oder der Tracker versucht permanent zu reconnecten und leert den Akku. Dieser Fehler taucht in Feldtests regelmäßig auf und wird im Labortest fast nie reproduziert.
Welche Zertifizierungen braucht ein Schlaf-Wearable für den Markt?
Ein Schlaf-Wearable für den europäischen Markt braucht mindestens CE-Kennzeichnung nach RED (Radio Equipment Directive) für die Funkkomponenten und UKCA für den britischen Markt. Enthält das Gerät eine medizinische Zweckbestimmung, greift zusätzlich die MDR 2017/745, was eine Klassifizierung als Medizinprodukt und eine Konformitätsbewertung durch eine benannte Stelle erfordert.
Die Abgrenzung ist entscheidend: Ein Gerät, das „Schlafphasen trackt“, ist bei sorgfältiger Formulierung ein Wellness-Produkt. Ein Gerät, das „Schlafapnoe erkennt“ oder „zur Diagnose von Schlafstörungen geeignet“ ist, fällt unter MDR Klasse IIa oder höher. Die Produktbeschreibung und das Marketing müssen vor der Zertifizierung rechtlich geprüft werden, weil nachträgliche Änderungen den gesamten Zertifizierungsprozess neu starten können.
Zeitlich und finanziell bedeutet das: RED-Zertifizierung dauert 8 bis 14 Wochen und kostet je nach Testumfang zwischen 8.000 und 20.000 Euro. Eine MDR-Konformitätsbewertung für Klasse IIa mit klinischer Bewertung dauert 12 bis 24 Monate und übersteigt schnell 100.000 Euro. Teams, die die Zertifizierungsstrategie erst nach dem Hardware-Freeze definieren, riskieren Redesigns für EMC-Compliance oder fehlende Biokompatibilitätsnachweise für hautberührende Materialien.
Für den US-Markt ist FDA 510(k) oder De Novo relevant, sobald medizinische Claims im Spiel sind. FCC-Zertifizierung für die Funkkomponenten ist Pflicht. Wir empfehlen, die Zertifizierungsstrategie bereits in der Konzeptionsphase zu definieren, weil sie PCB-Layout, Materialwahl und Softwarearchitektur direkt beeinflusst. Wenn Sie ein Schlaf-Wearable von der ersten Idee bis zur Marktreife entwickeln wollen, erfahren Sie auf unserer Oxeltech-Website, wie wir Projekte dieser Art begleiten.
Ein häufig übersehener Punkt: Auch reine Consumer-Wearables ohne Medizin-Claim müssen die RoHS-Richtlinie und REACH-Verordnung für Schadstoffe einhalten. Werden hautberührende Materialien verwendet, kommen Biokompatibilitätstests nach ISO 10993 ins Spiel, selbst wenn das Gerät kein Medizinprodukt ist. Diese Tests kosten 3.000 bis 8.000 Euro und dauern 4 bis 8 Wochen. Wer das nicht einplant, verliert Zeit kurz vor dem Launch. Wenn Sie konkrete Fragen zur Zertifizierungsstrategie oder zum technischen Scope Ihres Projekts haben, nehmen Sie gerne Kontakt mit uns auf.
Ähnliche Beiträge
- Wie funktioniert die CE-Zertifizierung für elektronische Geräte 2026?
- Wie wählt man den richtigen Mikrocontroller für ein IoT-Gerät aus?
- Was sind die größten technischen Herausforderungen bei der Wearable-Entwicklung?
- Wie genau kann ein Wearable-Sensor den Blutsauerstoff messen?
- Wie lange dauert die Entwicklung eines IoT-Geräts bis zur Serienreife?
