Wer einen Wearable-Sensor für kontinuierliche Gesundheitsüberwachung entwickelt, stößt früher oder später auf dieselbe Kernfrage: Wie lange hält der Akku realistisch durch? Die Antwort hängt von mehr Variablen ab, als die meisten Teams beim ersten Designentwurf einkalkulieren. Sensorkonfiguration, Kommunikationsprotokoll, Betriebssystem-Overhead und Duty-Cycle-Strategie interagieren auf eine Weise, die im Labor oft anders aussieht als im Feldeinsatz. Dieser Artikel beantwortet die wichtigsten Fragen zur Akkulaufzeit von Wearable-Sensoren bei kontinuierlichem Patientenmonitoring und Gesundheitsmonitoring, damit Sie fundierte Designentscheidungen treffen können.

Wie lange hält der Akku eines Wearable-Sensors typischerweise?

Bei kontinuierlicher Überwachung mit aktiver Sensorik und drahtloser Übertragung liegt die realistische Akkulaufzeit eines Wearable-Sensors zwischen 12 Stunden und 7 Tagen, abhängig von Batteriekapazität, Abtastrate und Kommunikationsprotokoll. Ein typisches Herzfrequenz-Monitoring-Gerät mit 200 mAh Akku und BLE-Übertragung alle 5 Sekunden erreicht unter Laborbedingungen 3 bis 5 Tage.

Diese Spanne ist groß, weil „kontinuierliche Überwachung“ keine einheitliche Betriebsart beschreibt. Kontinuierliches Schlaftracking mit PPG-Sensor, 25 Hz Abtastrate und lokalem Datenpuffern belastet den Akku deutlich weniger als kontinuierliches Blutsauerstoff-Messen mit SpO2-Sensor, der alle 2 Sekunden aktiv leuchtet und Messwerte per BLE in Echtzeit überträgt.

Konkrete Richtwerte nach Anwendungsfall:

• Schlaftracking (PPG, 25 Hz, BLE-Sync alle 10 Minuten): 5 bis 10 Tage bei 200 mAh
• Kontinuierliches Herzfrequenz-Monitoring (PPG, 100 Hz, BLE-Notify jede Sekunde): 1 bis 3 Tage bei 200 mAh
• Medizinisches Patientenmonitoring (EKG + SpO2 + Beschleunigungssensor, kontinuierlich): 12 bis 24 Stunden bei 200 mAh
• Fitness-Monitoring mit periodischer Aktivierung (Puls alle 5 Minuten): 14 bis 30 Tage bei 200 mAh

Ein häufiger Fehler: Teams dimensionieren den Akku anhand der Spitzenleistung statt der mittleren Systemleistung über den gesamten Duty-Cycle. Das führt zu einer Unterschätzung der Laufzeit um 30 bis 50 Prozent in der frühen Designphase.

Was beeinflusst den Energieverbrauch eines Wearable-Sensors am stärksten?

Der größte Einzelfaktor beim Energieverbrauch eines Wearable-Sensors ist die Kombination aus Sensorabtastrate und Aktivierungsdauer der Sensorhardware. Ein optischer Biosensor wie ein PPG-Sensor für Herzfrequenz-Monitoring verbraucht im aktiven Messbetrieb 1 bis 5 mA, im Standby unter 10 µA. Die Abtastrate bestimmt, wie oft und wie lange dieser Übergang stattfindet.

Die fünf stärksten Einflussfaktoren in absteigender Wirkung:

1. Sensoraktivierungszeit und Abtastrate: Ein SpO2-Sensor, der 100 ms pro Messung benötigt und 10-mal pro Sekunde misst, ist 100 Prozent der Zeit aktiv. Reduziert man auf eine Messung alle 30 Sekunden, sinkt der Sensor-Duty-Cycle auf unter 1 Prozent.
2. Kommunikationsprotokoll und Übertragungsfrequenz: BLE-Advertising alle 100 ms kostet mehrere Milliampere im Sendeburst. Verbindungsintervalle unter 20 ms erhöhen den Durchschnittsverbrauch messbar.
3. Mikrocontroller-Schlaftiefe: Ein STM32 im Stop2-Modus verbraucht unter 5 µA, im Run-Modus bei 80 MHz und aktivierter FPU über 10 mA. Jede Millisekunde unnötiger Wachzeit summiert sich.
4. Displaybetrieb: Ein OLED-Display mit 1 Zoll Diagonale verbraucht im aktiven Betrieb 20 bis 40 mA. Bei Smart-Wearables mit Always-On-Display ist dies oft der dominante Verbraucher.
5. Regulatorverluste: Ein LDO mit 50 Prozent Effizienz bei niedrigem Laststrom verdoppelt effektiv den Stromverbrauch aller nachgelagerten Komponenten. Buck-Converter mit 85 bis 92 Prozent Effizienz zahlen sich bei Geräten mit variabler Last aus.

Ein typisches Versagen im Design: Der Mikrocontroller wird in den Tiefschlaf versetzt, aber ein externer Sensor-IC bleibt im Active-Mode, weil der Shutdown-Pin nicht in der Firmware angesteuert wird. Das kostet 0,5 bis 2 mA dauerhaft, was bei einem 200 mAh Akku die Laufzeit von 7 Tagen auf unter 4 Tage reduziert.

Welche Kommunikationstechnologie verbraucht bei Wearables am wenigsten Strom?

Für Wearable-Sensoren mit periodischer Datenübertragung verbraucht BLE 5.x mit optimierten Verbindungsintervallen am wenigsten Strom unter den gängigen Protokollen. Im Advertising-Modus mit 1 Sekunde Intervall liegt der Durchschnittsverbrauch bei 15 bis 50 µA. Für sporadische Datenübertragung kleiner Datenpakete ist BLE derzeit die energieeffizienteste Option mit ausreichender Reichweite für Körpernah-Anwendungen.

Vergleich der relevanten Protokolle für Gesundheitsmonitoring und biometrische Datenübertragung:

• BLE 5.x: 15 bis 50 µA Durchschnitt bei 1-Sekunden-Advertising, Reichweite 10 bis 30 m, Latenz 7 bis 20 ms. Optimal für kontinuierliches Health-Tracking mit Smartphone-Gateway.
• Zigbee: 30 bis 100 µA im Schlafmodus mit periodischem Wake-up, höherer Protokoll-Overhead als BLE, besser geeignet für Mesh-Netzwerke in stationären Umgebungen.
• NB-IoT / LTE-M: 5 bis 15 mA im aktiven Sendebetrieb, PSM-Modus ermöglicht Durchschnittswerte unter 5 µA bei langen Übertragungsintervallen (Stunden). Für Wearables mit direkter Cloud-Anbindung ohne Smartphone-Gateway relevant, aber Sendeburst-Strom erfordert Kondensator-Pufferung.
• LoRa: Sendeburst 30 bis 50 mA, Schlafstrom unter 1 µA. Bei seltenen Übertragungen (alle 15 Minuten) ergibt sich ein niedriger Durchschnitt, aber keine Echtzeitübertragung von Vitalzeichen möglich.
• Wi-Fi: 80 bis 200 mA im aktiven Sendebetrieb. Für kontinuierliche Vitalwerte-Überwachung in Wearables in der Regel nicht tragbar, außer bei stationären Patches mit Netzteilanschluss.

Eine verbreitete Fehlannahme: BLE ist immer die energieeffizienteste Wahl. Das gilt nur, wenn die Verbindungsintervalle korrekt konfiguriert sind. Ein BLE-Stack mit 7,5 ms Verbindungsintervall verbraucht 5 bis 10-mal mehr als einer mit 1000 ms Intervall. Viele Standard-Konfigurationen von Smartphone-Betriebssystemen erzwingen kurze Intervalle, was den Wearable-Verbrauch ohne Eingriff in die Stack-Parameter erhöht.

Wie kann man die Akkulaufzeit eines Wearable-Sensors verlängern?

Die effektivsten Maßnahmen zur Verlängerung der Akkulaufzeit eines Wearable-Sensors sind adaptive Abtastraten, aggressives Duty-Cycling aller Peripheriegeräte und die Wahl energieeffizienter Spannungsregler. Zusammen können diese Maßnahmen die Laufzeit eines bestehenden Designs um Faktor 2 bis 5 verlängern, ohne die Batteriekapazität zu erhöhen.

Adaptive Abtastrate implementieren

Statt kontinuierliches Herzfrequenz-Monitoring mit fester Rate zu betreiben, misst ein adaptives System mit 1 Hz im Ruhezustand und erhöht auf 25 Hz bei erkannter Bewegung. Der Beschleunigungssensor als Trigger verbraucht im Low-Power-Interrupt-Modus unter 20 µA und ermöglicht kontextabhängiges Sampling. Dieser Ansatz reduziert den Sensor-Energieverbrauch um 60 bis 80 Prozent in typischen Nutzungsszenarien.

Peripherie vollständig abschalten

Jeder externe IC, der nicht aktiv genutzt wird, muss über Hardware-Shutdown oder Power-Gate vollständig vom Versorgungsnetz getrennt werden. Leakage-Ströme von 100 µA über 10 ICs summieren sich auf 1 mA Dauerstrom, was 200 mAh in unter 9 Tagen aufbraucht. Die Firmware muss explizit jeden Peripherie-Zustand beim Übergang in den Schlafmodus verwalten.

Spannungsreglerarchitektur optimieren

Bei Lasten unter 10 mA sind LDOs mit niedrigem Quiescent-Current (unter 1 µA, z. B. TPS7A02) Buck-Konvertern vorzuziehen, da Buck-Regler selbst 20 bis 100 µA Eigenverbrauch haben. Bei variablen Lasten über 5 mA kehrt sich dieses Verhältnis um. Ein gemischtes System mit LDO für Sensor-Rails und Buck für den Mikrocontroller ist oft die effizienteste Architektur.

Datenpufferung statt Echtzeit-Streaming

Statt jeden Messwert sofort per BLE zu übertragen, puffert die Firmware biometrische Daten lokal und überträgt sie in Blöcken. Eine Übertragung alle 30 Sekunden statt jede Sekunde reduziert die BLE-Aktivierungszeit um Faktor 30 bei gleichem Datendurchsatz. Der Nachteil: erhöhte Latenz, die bei medizinischem Patientenmonitoring mit Alarm-Anforderungen nicht tolerierbar ist.

Welche Rolle spielt das Betriebssystem bei der Energieeffizienz von Wearables?

Das Betriebssystem eines Wearable-Sensors beeinflusst die Akkulaufzeit primär durch Tick-Rate, Idle-Strategie und die Qualität des Power-Management-Subsystems. Ein schlecht konfiguriertes RTOS kann den Mikrocontroller dauerhaft aus dem Tiefschlaf halten und damit den Grundverbrauch um Faktor 10 bis 100 erhöhen.

Zephyr RTOS und FreeRTOS sind die dominanten Optionen für energieeffiziente Embedded-Systeme in Wearables. Der entscheidende Unterschied liegt nicht in der Nennleistung, sondern in der Implementierungstiefe:

• FreeRTOS: Tick-Rate standardmäßig 1000 Hz, was den Prozessor 1000-mal pro Sekunde aufweckt. Tickless-Idle-Modus muss explizit aktiviert und für die Zielplattform implementiert werden. Ohne Tickless-Idle ist kein echter Tiefschlaf zwischen Tasks möglich.
• Zephyr RTOS: Das Power-Management-Framework ist tiefer in den Kernel integriert. Automatisches System-Power-State-Management und Device-Power-Management sind Teil der Architektur, erfordern aber korrekte Treiber-Integration. Zephyr unterstützt nativ NRF52-Familien und STM32 mit optimierten Power-Profilen.

Ein konkretes Versagen: Ein Team implementiert FreeRTOS mit 1000 Hz Tick-Rate und vergisst Tickless-Idle. Der STM32L4 verbraucht 1,2 mA im Idle statt 5 µA im Stop2-Modus. Bei einem 200 mAh Akku bedeutet das 7 Tage statt 1666 Tage theoretischer Idle-Laufzeit. Im realen Mischbetrieb mit Sensorik kostet dieser Fehler 60 bis 70 Prozent der möglichen Laufzeit.

Barebone-Firmware ohne RTOS ist für sehr einfache Wearables mit einem einzigen Sensor und einer Kommunikationsschnittstelle die energieoptimalste Wahl, da kein Scheduler-Overhead entsteht. Ab zwei parallelen Tasks mit unterschiedlichen Prioritäten und Timing-Anforderungen überwiegen die Vorteile eines RTOS die Overhead-Kosten.

Wann sollte man einen externen Entwicklungspartner für Wearable-Energieoptimierung hinzuziehen?

Ein externer Entwicklungspartner für Wearable-Energieoptimierung ist dann sinnvoll, wenn interne Teams die Laufzeitziele nach zwei Iterationen nicht erreichen, wenn Zertifizierungsanforderungen (CE, FCC, MDR) die Designfreiheit einschränken, oder wenn der Zeitplan keine weiteren Erprobungsschleifen erlaubt. In diesen Fällen überwiegen die Kosten für externe Expertise die Kosten weiterer interner Iterationen.

Spezifische Szenarien, in denen externe Unterstützung messbar Zeit und Kosten spart:

• EMI/EMC-Probleme im Late-Stage-Design: Wenn ein Wearable-Sensor im EMV-Vortest scheitert, kann eine Neugestaltung des PCB-Layouts 6 bis 12 Wochen kosten. Ein Partner mit DFM- und EMI-Erfahrung identifiziert kritische Pfade frühzeitig.
• Unerwarteter Stromverbrauch im Prototyp: Wenn der gemessene Verbrauch 3 bis 5-mal über dem Simulationswert liegt, ist häufig ein systemisches Problem in der Peripherie-Verwaltung oder in der Stack-Konfiguration die Ursache, das ohne Erfahrung schwer zu isolieren ist.
• Medizinische Zertifizierung nach MDR oder FDA: Power-Management-Entscheidungen müssen in der technischen Dokumentation nachvollziehbar begründet sein. Teams ohne Zertifizierungserfahrung unterschätzen diesen Aufwand regelmäßig um Faktor 2 bis 3.
• Skalierung von Prototyp auf Serienproduktion: Energieverhalten variiert zwischen Prototypen-Bauteilen und Serienteilen, besonders bei Sensoren und Funkmodulen mit Chargentoleranzen.

Wir bei Oxeltech begleiten Unternehmen durch genau diese Phasen, von der ersten Schaltungsauslegung bis zur Serienreife, mit besonderem Fokus auf Energieeffizienz und Zertifizierungsfähigkeit. Wenn Sie an einem Wearable-Projekt arbeiten und konkrete Fragen zur Systemarchitektur haben, sprechen Sie uns direkt an: Nehmen Sie Kontakt mit uns auf.

Die Entscheidung, wann externe Expertise hinzugezogen wird, hat direkte Auswirkungen auf den Time-to-Market. Ein Partner, der nach dem ersten Prototyp eingebunden wird, kann Designentscheidungen noch beeinflussen. Einer, der erst beim Zertifizierungstest hinzugezogen wird, kann nur noch Schadensbegrenzung betreiben. Für Wearables im medizinischen Bereich, wo Patientenmonitoring und biometrische Daten regulatorischen Anforderungen unterliegen, ist eine frühe Einbindung keine Option, sondern eine wirtschaftliche Notwendigkeit.

Ähnliche Artikel

• Wie funktioniert kontinuierliche Überwachung mit einem Biosensor?
• Was ist der Unterschied zwischen Firmware und Embedded Software?
• Wann sollte ein Unternehmen einen externen Hardwareentwickler beauftragen?
• Wie lange dauert die Entwicklung eines IoT-Geräts bis zur Serienreife?
• Welche Zertifizierungen braucht ein Wearable für den deutschen Markt?