Wer ein Wearable mit Herzfrequenz-Monitoring entwickelt, steht vor einem konkreten Engineering-Problem: Ein optischer Sensor muss zuverlässige Biosignale liefern, obwohl Bewegungsartefakte, wechselnde Hauttöne und begrenzte Rechenleistung auf einem batteriebetriebenen Gerät die Messgenauigkeit kontinuierlich gefährden. Gleichzeitig bestimmen Entscheidungen auf Hardware-Ebene, ob das Produkt später CE- oder FDA-zertifizierungsfähig ist. Dieser Artikel beantwortet die zentralen technischen Fragen, die Teams beim Aufbau solcher Systeme treffen müssen.

Was ist Herzfrequenz-Monitoring in einem Wearable?

Herzfrequenz-Monitoring in einem Wearable bezeichnet die kontinuierliche oder intervallbasierte Erfassung der Herzschlagrate direkt am Körper des Trägers, typischerweise über optische oder elektrische Biosensoren. Das System misst physiologische Signale, wandelt sie in digitale Werte um und verarbeitet sie entweder lokal auf einem Mikrocontroller oder überträgt die Rohdaten zur Auswertung an ein Backend. Die Kernkomponenten sind Sensor, Signalverarbeitungs-Pipeline und Kommunikationsschicht.

Das Anwendungsspektrum reicht vom Consumer-Fitnessband bis zum klinischen Patientenmonitoring. Der entscheidende Unterschied liegt nicht in der Messtechnik selbst, sondern in den Anforderungen an Messgenauigkeit, Ausfallsicherheit und regulatorische Konformität. Ein Fitness-Wearable toleriert Abweichungen von mehreren Schlägen pro Minute. Ein Gerät für das Patientenmonitoring im medizinischen Umfeld muss klinische Grenzwerte einhalten, was die gesamte Systemarchitektur beeinflusst.

Wie misst ein Wearable die Herzfrequenz technisch?

Die dominierende Methode in Wearables ist die Photoplethysmographie (PPG): Eine LED beleuchtet das Gewebe, ein Fotodetektor misst die reflektierte Lichtintensität. Da sich das Blutvolumen in den Kapillaren mit jedem Herzschlag verändert, erzeugt diese Volumenänderung ein periodisches Signal, aus dem die Herzfrequenz berechnet wird. Alternativ erfasst die Elektrokardiographie (EKG) das elektrische Signal des Herzens direkt über Elektroden auf der Haut.

PPG vs. EKG: Wann welche Methode

PPG ist kostengünstiger, benötigt weniger Strom und lässt sich mit einem einzelnen Sensor-IC im Formfaktor eines Smartwatch-Chips integrieren. Typische Sensor-ICs wie der MAX30102 oder der AFE4404 kosten bei 10.000 Einheiten zwischen 1,20 und 2,80 Euro. Der Nachteil: PPG ist anfällig für Bewegungsartefakte und liefert keine klinisch valide EKG-Kurve.

EKG-basierte Systeme erfordern mindestens zwei Elektroden mit definiertem Abstand, was den Formfaktor einschränkt. Ein Single-Lead-EKG in einem Wearable kann Vorhofflimmern erkennen, ist aber für eine vollständige kardiale Diagnose nicht ausreichend. Teams, die eine FDA-Zulassung als medizinisches Gerät anstreben, unterschätzen regelmäßig, dass ein EKG-Feature die Klassifizierung des gesamten Produkts verändern kann und damit den Zertifizierungsaufwand um Monate verlängert.

Welche Sensoren werden für die Pulsmessung verwendet?

Für die Pulsmessung in Wearables werden primär integrierte PPG-Sensor-ICs eingesetzt, die LED-Treiber, Fotodiode, Transimpedanzverstärker und ADC in einem Gehäuse kombinieren. Verbreitete Optionen sind der Maxim MAX30101, der Texas Instruments AFE4404 und der Osram SFH7072. Die Wahl des Sensors bestimmt Stromverbrauch, optische Empfindlichkeit und verfügbare Messwellenlängen.

• Grünes Licht (530 nm): Hohe Absorption durch Hämoglobin, gutes Signal-Rausch-Verhältnis bei Bewegung, aber höherer LED-Strom nötig (typisch 10 bis 50 mA Pulsstrom)
• Rotes und infrarotes Licht (660 nm / 940 nm): Erforderlich für SpO2-Messung (Blutsauerstoffmessung), tiefere Gewebedurchdringung, geringere Störanfälligkeit durch Melanin
• Mehrwellenlängen-Sensoren: Ermöglichen gleichzeitig Herzfrequenz und SpO2, erhöhen aber den Durchschnittsstromverbrauch auf 1 bis 3 mA im Continuous-Monitoring-Modus

Ein häufiger Fehler: Teams wählen einen Sensor ausschließlich nach dem Datenblatt-SNR-Wert, ohne die optische Kopplung zum Gehäuse zu berücksichtigen. Wenn der Luftspalt zwischen LED und Haut durch das Gehäusedesign variiert, verschlechtert sich die Signalqualität um Größenordnungen, die kein Algorithmus kompensieren kann. Das optische Design des Gehäuses muss parallel zur Sensorauswahl entwickelt werden, nicht nachträglich.

Wie verarbeitet die Firmware die Herzfrequenzdaten?

Die Firmware verarbeitet PPG-Rohdaten in einer mehrstufigen Pipeline: Analog-Digital-Wandlung, digitale Filterung zur Rauschunterdrückung, Bewegungsartefakt-Kompensation über einen Beschleunigungssensor (IMU-Fusion), Peak-Detection und schließlich Frequenzberechnung. Jede Stufe kostet Rechenzeit und Energie, was bei einem Cortex-M0+ mit 32 MHz und einer 200-mAh-Batterie direkt die Akkulaufzeit begrenzt.

Algorithmen-Auswahl und ihre Konsequenzen

Einfache zeitbereichsbasierte Peak-Detection-Algorithmen (Pan-Tompkins-Varianten) laufen mit unter 1 mA zusätzlichem Prozessorstrom und sind für ruhige Messszenarien ausreichend. Frequenzbereichsverfahren (FFT-basiert) liefern bessere Ergebnisse bei Bewegung, benötigen aber typischerweise 4 bis 8 mal mehr Rechenzyklen. Auf einem Cortex-M4 mit FPU ist das vertretbar; auf einem Cortex-M0+ ohne Gleitkommaeinheit erzwingt es entweder einen Chip-Wechsel oder eine Reduktion der Abtastrate.

Adaptive Algorithmen mit maschinellem Lernen verbessern die Genauigkeit bei starker Bewegung messbar, erzeugen aber zwei neue Probleme: Sie erfordern Trainingsdaten, die für das spezifische Gehäuse und die Trageposition validiert sein müssen, und sie sind in regulierten Medizinprodukten als Software of Unknown Provenance (SOUP) zu behandeln, was den IEC 62304-Dokumentationsaufwand erhöht. Wer das unterschätzt, riskiert Verzögerungen in der Zertifizierungsphase von mehreren Monaten.

Was sind typische Fehlerquellen bei der Herzfrequenzmessung?

Die häufigsten Fehlerquellen bei der Herzfrequenzmessung in Wearables sind Bewegungsartefakte, schlechter optischer Kontakt zur Haut, Umgebungslicht-Einstreuung und algorithmische Fehler bei der Peak-Detection bei niedrigen Herzfrequenzen. Jede dieser Fehlerquellen hat eine andere Ursache und erfordert eine andere Gegenmaßnahme auf System-Ebene.

• Bewegungsartefakte: Das PPG-Signal bei 1 bis 2 Hz Gehfrequenz überlagert sich mit dem Herzfrequenzsignal bei 1 bis 2,5 Hz. Ohne IMU-gestützte Artefaktunterdrückung (z.B. NLMS-Filter) liefert der Algorithmus falsche Herzfrequenzwerte. Konsequenz: Fehlerhafte Daten ohne Fehlermeldung an den Nutzer.
• Schlechter optischer Kontakt: Ein Luftspalt von 0,5 mm zwischen Sensor und Haut reduziert das Signal-Rausch-Verhältnis um bis zu 20 dB. Ursache ist oft ein zu schwaches Armband oder ein zu großes Gehäuse. Gegenmaßnahme: Kontaktqualitätsprüfung per Impedanz oder Signal-Qualitätsindex (SQI) vor jeder Messung.
• Umgebungslicht: Direktes Sonnenlicht sättigt den Fotodetektor. Abhilfe schafft ein Ambient Light Cancellation (ALC)-Algorithmus oder eine physische Abschirmung im Gehäuse. Ohne beides sind Outdoor-Messungen unzuverlässig.
• Niedrige Herzfrequenz: Peak-Detection-Algorithmen, die auf 60 bis 180 bpm optimiert sind, versagen bei einem Ruhepuls unter 50 bpm (Sportler, Schlaftracking). Das ist ein bekanntes Problem, das in Consumer-Wearables selten dokumentiert, aber regelmäßig von Nutzern gemeldet wird.

Eine häufig ignorierte Fehlerquelle ist die Temperaturabhängigkeit der LED-Emissionswellenlänge. Bei Körpertemperaturschwankungen verschiebt sich die Wellenlänge grüner LEDs um 0,1 bis 0,2 nm pro Grad Celsius. Bei SpO2-Messungen, die auf dem Verhältnis zweier Wellenlängen basieren, kann das zu systematischen Fehlern führen, die in der Kalibrierung nicht erfasst werden, wenn der Temperaturbereich nicht abgedeckt wurde.

Welche Anforderungen gelten für Wearables in der Medizintechnik?

Wearables mit Herzfrequenz-Monitoring, die als Medizinprodukte in der EU vermarktet werden, fallen unter die MDR 2017/745. Die Klassifizierung bestimmt den Aufwand: Eine einfache Herzfrequenzanzeige ohne diagnostischen Anspruch landet typischerweise in Klasse I oder IIa; ein Gerät, das Vorhofflimmern erkennt und meldet, wird als Klasse IIb oder III eingestuft. Der Unterschied bedeutet einen Mehraufwand von 12 bis 24 Monaten und Kosten im sechsstelligen Bereich für klinische Bewertung und Benannte Stelle.

Technische Normen und ihre Konsequenzen für das Hardware-Design

Für die Entwicklung relevante Normen sind IEC 60601-1 (elektrische Sicherheit), IEC 60601-1-2 (EMV), ISO 14971 (Risikomanagement) und IEC 62304 (Software-Lebenszyklus). Diese Normen beeinflussen konkrete Hardware-Entscheidungen: IEC 60601-1 schreibt Kriechstrecken und Luftabstände vor, die das PCB-Layout direkt verändern. EMV-Anforderungen nach IEC 60601-1-2 sind für Wearables strenger als für stationäre Geräte, weil das Gerät in unmittelbarer Körpernähe betrieben wird.

Wer die Zertifizierungsanforderungen erst nach dem ersten Prototyp berücksichtigt, riskiert ein komplettes PCB-Redesign. Isolationsabstände, Schutzerdung und Testpunkte müssen von Anfang an im Layout eingeplant sein. Dasselbe gilt für die Firmware: Software-Klasse B nach IEC 62304 erfordert eine vollständige Rückverfolgbarkeit von Anforderungen bis zum Testfall, was die Dokumentationslast erheblich erhöht und bei agiler Entwicklung ohne entsprechende Prozesse zum Projektrisiko wird.

Für Teams, die ein Wearable mit Gesundheitsüberwachungsfunktionen entwickeln und den Weg zur Zertifizierung noch nicht vollständig durchgeplant haben, lohnt sich eine frühe technische Abstimmung. Wir stehen für eine erste Einschätzung zur Verfügung und haben bereits über 20 Hardwareprodukte durch Zertifizierung und Serienproduktion begleitet. Die Entscheidung, welche regulatorische Strategie zum Produkt passt, beeinflusst Hardware-Architektur, Firmware-Struktur und Time-to-Market von Anfang an und sollte nicht auf die Zertifizierungsphase verschoben werden.

Ähnliche Beiträge

• Warum ist präventive Gesundheit durch Health Tracking so wichtig?
• Wie funktioniert die CE-Zertifizierung für elektronische Geräte 2026?
• Kann man ein Wearable ohne proprietäre Chips kosteneffizient entwickeln?
• Was sollte man 2026 bei der Entwicklung eines IoT-Gesundheitsgeräts beachten?
• Wie wählt man den richtigen Mikrocontroller für ein IoT-Gerät aus?