Wie genau ist der Tiefschlafwert Ihres Wearables?

Der Tiefschlafwert Ihres Wearables ist eine Schätzung – keine direkte Messung der Zeit, die Ihr Gehirn tatsächlich im N3-Schlaf verbracht hat. Uhren und Smart Rings erkennen in der Regel zuverlässiger, ob Sie schlafen, als die genaue Schlafphase zu bestimmen. Eine einzelne Nacht mit „43 Minuten Tiefschlaf“ sollte daher nicht wie ein Ergebnis aus dem Schlaflabor interpretiert werden.

Die entscheidende Frage ist nicht, ob eine einzelne Zahl vollkommen korrekt ist. Wichtiger ist, ob dasselbe Gerät über längere Zeit ein stabiles und plausibles Muster zeigt und ob dieses Muster zu Ihrem eigenen Befinden passt. Dieser aktualisierte Leitfaden erklärt den Marktkontext, die optische Signalkette hinter PPG-basiertem Schlaftracking, die Evidenz aus PSG-Validierungsstudien und den sinnvollsten Umgang mit Ihren Daten.

Warum Daten aus Wearables zur Schlafmessung heute relevant sind

Schlaftracking hat sich von einer Nischenfunktion zu einer verbreiteten Anwendung von Unterhaltungselektronik entwickelt. IDC prognostizierte für 2024 weltweit 537,9 Millionen ausgelieferte Wearables, darunter 156,5 Millionen Smartwatches, 35,2 Millionen Fitnessarmbänder und 1,7 Millionen Smart Rings. Für Ringe erwartete IDC 2024 ein Wachstum von 88,4 % gegenüber dem Vorjahr, auch wenn dieser Markt in absoluten Zahlen deutlich kleiner blieb als der Markt für Uhren und Hearables [1].

Kommerzielle Marktschätzungen unterscheiden sich, weil manche Berichte nur tragbare Schlaftracker berücksichtigen, während andere auch Matratzen, Apps, Sensoren und klinische Geräte einbeziehen. Grand View Research schätzte den weltweiten Markt für Wearable-Schlaftracker 2023 auf rund 13,4 Milliarden USD und prognostizierte bis 2030 ein Wachstum auf etwa 27,76 Milliarden USD bei einer durchschnittlichen jährlichen Wachstumsrate von 10,8 % [2]. Diese Zahlen sind Marktprognosen und keine klinische Evidenz. Sie zeigen jedoch, warum Fragen zur Genauigkeit sowohl wirtschaftlich als auch für Nutzer zunehmend relevant sind.

Auch Bevölkerungsdaten zeigen die zunehmende Nutzung. Eine repräsentative US-Studie auf Basis von drei Erhebungswellen des Health Information National Trends Survey ergab, dass der Anteil der Erwachsenen, die Wearables zur Gesundheitsüberwachung nutzten, von 30,2 % im Jahr 2020 auf 41,1 % im Jahr 2024 stieg; 45,6 % der Nutzer gaben 2024 eine tägliche Nutzung an [3]. Langzeittracking kann Regelmäßigkeit im Tagesablauf, Veränderungen der Schlafdauer und Zusammenhänge mit dem Verhalten am Tag sichtbar machen. Solche Daten sind jedoch nur dann hilfreich, wenn Nutzer verstehen, was die Sensoren tatsächlich messen.

Längsschnittdaten sind nicht mit einer klinischen Diagnose gleichzusetzen. So nutzte das All of Us Research Program über Jahre hinweg Daten kommerzieller Wearables, um Zusammenhänge zwischen Schlafmustern und dem Risiko chronischer Erkrankungen zu untersuchen. Eine Assoziation in einem großen Beobachtungsdatensatz beweist jedoch weder, dass ein Wearable die klinische Schlafarchitektur korrekt gemessen hat, noch dass es einen bestimmten Ausgang verursacht hat [4].

Was misst Ihr Wearable tatsächlich, wenn es „Tiefschlaf“ anzeigt?

Im Schlaflabor wird N3-Schlaf anhand einer Polysomnografie (PSG) bestimmt. Dabei werden Elektroenzephalografie (EEG) zur Messung der Hirnaktivität, Elektrookulografie für Augenbewegungen, Elektromyografie für Muskeltonus sowie weitere Signale wie Herzrhythmus, Atmung und Sauerstoffsättigung kombiniert. Geschulte Fachkräfte bewerten den Schlaf in standardisierten 30-Sekunden-Epochen.

Die meisten Smartwatches und Smart Rings für Verbraucher zeichnen kein EEG auf. Stattdessen kombinieren sie meist Bewegung, Photoplethysmografie (PPG), Herzfrequenz, Puls-zu-Puls-Variabilität und je nach Gerät Temperatur- oder sauerstoffbezogene Signale. Ein proprietärer Algorithmus wandelt diese peripheren Signale in vorhergesagte Schlafphasen um.

Die Kernaussage ist einfach: Ihr Wearable „sieht“ Tiefschlaf nicht direkt. Es erkennt ein physiologisches Muster, das der Algorithmus als N3 einstuft. Eine systematische Übersichtsarbeit aus dem Jahr 2024 zu EEG-basierten Wearables zeigte große Unterschiede bei der Genauigkeit auf Epochenebene und betonte, dass viele Validierungsstudien weiterhin kontrollierte Laborstichproben statt vielfältiger häuslicher Populationen untersuchen [5].

Von optischen Photonen zu Pulsmaxima

PPG ist eine optische Messung pulsierender Veränderungen des Blutvolumens. Leuchtdioden beleuchten die Haut, während eine Fotodiode erfasst, wie viel Licht absorbiert oder zurückgestreut wird. Mit jedem Herzschlag verändert sich das arterielle Blutvolumen leicht, wodurch sich auch die gemessene optische Wellenform verändert. Grünes Licht wird häufig für die Pulsmessung am Handgelenk verwendet, weil es ein starkes pulsierendes Signal liefern kann; rote und infrarote Wellenlängen kommen oft zum Einsatz, wenn die Sauerstoffsättigung geschätzt wird.

Ein wichtiger technischer Unterschied besteht darin, dass ein PPG-Sensor die R-Zacke eines EKG nicht direkt erfasst. Die R-Zacke ist das elektrische Signal der ventrikulären Depolarisation und wird über Elektroden gemessen. Die PPG-Wellenform erscheint an einer peripheren Messstelle zeitlich später, weil sich die Druckwelle vom Herzen durch das arterielle System ausbreitet. Ein PPG-Algorithmus erkennt daher den Pulsfuß, den systolischen Peak oder einen aus Ableitungen bestimmten Referenzpunkt – nicht die elektrische R-Zacke selbst [6].

Wenn ein Gerät zusätzlich über eine EKG-Elektrode verfügt, kann es elektrische R-Zacken direkter erfassen. Bei reinen PPG-Geräten sind Puls-zu-Puls-Intervall und Pulsratenvariabilität die präziseren Begriffe. PPG-basierte Variabilität in der Verbraucherkommunikation als „HRV“ zu bezeichnen, kann vertretbar sein; PRV und EKG-abgeleitete HRV sind bei Bewegung, Gefäßveränderungen oder Arrhythmien jedoch nicht identisch.

Von Pulsintervallen zu Schlafphasen-Vorhersagen

Nach Artefaktentfernung und Bewegungskompensation kann das Gerät Herzfrequenz- und Variabilitätsmerkmale über kurze Zeitfenster berechnen. Diese werden mit Aktigrafie und – je nach Produkt – Temperatur-, Sauerstoffsättigungs- oder Atemmerkmalen kombiniert. Ein Klassifikator berechnet anschließend häufig in 30-Sekunden-Epochen die Wahrscheinlichkeit für jedes Schlafstadium. Tiefschlaf ist damit eine algorithmische Ableitung aus kardiovaskulären und bewegungsbezogenen Mustern und keine direkte Messung kortikaler langsamer Wellen.

Dieser Unterschied erklärt, warum ein Sensor für nützliche Trendbeobachtungen geeignet sein kann, ohne die klinische Definition von N3 exakt abzubilden. Die Signalqualität kann durch lockeren Sitz, geringe periphere Durchblutung, kalte Haut, ungewöhnliche Handgelenksposition, Bewegung, dunkle Umgebungsbedingungen oder Arrhythmien beeinträchtigt werden. Außerdem unterscheiden sich Algorithmen hinsichtlich Trainingsdaten, Softwareupdates, Schwellenwerten und dem Umgang mit fehlenden Epochen [7, 8].

Wie genau erfassen Wearables Tiefschlaf?

Schlaf erkennen ist einfacher als Schlafstadien bestimmen

Wearables können längere Phasen geringer Aktivität mit typischen Herzfrequenzmustern relativ gut erkennen. In einem PSG-Vergleich aus dem Jahr 2025 mit sechs Geräten am Handgelenk erkannten alle Geräte mehr als 90 % der PSG-Schlafepochen, die Spezifität für Wachphasen lag jedoch nur bei 29,39 %–52,15 %, und die Gesamtübereinstimmung war lediglich mäßig bis moderat [9]. Schlaf zu erkennen ist ein binäres Problem; Leichtschlaf von N3 oder REM zu unterscheiden ist dagegen eine Mehrklassenaufgabe mit sich überlappenden peripheren Signalen.

Die Genauigkeit bei Tiefschlaf variiert je nach Gerät und Studie

Eine unabhängige Studie aus dem Jahr 2025 verglich sechs kommerzielle Geräte gleichzeitig mit PSG bei 62 Erwachsenen, die eine Nacht im Schlaflabor verbrachten. Die Tabelle zeigt den Anteil der PSG-N3-Epochen, die jedes Gerät korrekt als Tiefschlaf klassifizierte. Es handelt sich um ein studienspezifisches Ergebnis und nicht um eine dauerhafte Rangliste der Marken.

*Withings fasste in dieser Studie N3 und REM in einer gemeinsamen Tiefschlafkategorie zusammen; der Wert ist daher nicht vollständig mit einer konventionellen vierstufigen N3-Schätzung vergleichbar [9]. Ergebnisse können sich mit Gerätegeneration, Firmware, Algorithmusversion, Population, Symptomen von Schlafstörungen, Körperzusammensetzung und Studiendesign verändern. Eine multizentrische Studie aus dem Jahr 2023 mit 11 Geräten berichtete Macro-F1-Werte von 0,26 bis 0,69; die Leistung variierte unter anderem mit BMI, Schlafeffizienz und Apnoe-Hypopnoe-Index [10].

Die Tiefschlaf-Gesamtdauer kann aus den falschen Gründen richtig aussehen

Angenommen, die PSG misst 70 Minuten N3 und Ihr Wearable meldet 72 Minuten. Das beweist nicht, dass das Gerät N3 korrekt erkannt hat. Es könnte 25 Minuten echten N3-Schlaf übersehen und gleichzeitig 27 Minuten eines anderen Schlafstadiums fälschlich als Tiefschlaf klassifiziert haben. Die Gesamtdauer wäre ähnlich, Zeitpunkt und Klassifikation jedoch falsch.

Deshalb berichten Validierungsstudien über Übereinstimmung auf Epochenebene, Sensitivität, Spezifität, F1-Score, Cohens Kappa und die Übereinstimmung zusammengefasster Kennwerte. In einer Oura-Gen3-Studie aus dem Jahr 2024 lag die Schlaf-Wach-Sensitivität bei etwa 94 % und die allgemeine Schlafgenauigkeit bei rund 92 %, dennoch wurde REM über 421.045 Epochen hinweg um mehrere Minuten unterschätzt [11]. In einer weiteren Studie zeigten alle drei getesteten Geräte eine geringe Intraklassenkorrelation für Tiefschlafminuten, obwohl die Schlaf-Wach-Sensitivität über 95 % lag [12].

Neuere IEEE-Arbeiten kommen aus algorithmischer Sicht zu einem ähnlichen Ergebnis. SleepPPG-Net erreichte auf öffentlichen, PSG-markierten Datensätzen einen medianen Kappa-Wert von etwa 0,75, während eine externe Transfer-Learning-Studie mit am Handgelenk getragenen Geräten für PPG eine geringere Übereinstimmung als für klinische Signale berichtete [13, 14]. Eine Smart-Ring-Studie aus dem Jahr 2025 mit synchronisierten PSG-Labels erreichte bei nur neun gesunden Teilnehmenden einen Vier-Stadien-Kappa von 0,647 [15]. Diese technischen Ergebnisse sind vielversprechend, beweisen aber nicht, dass jeder kommerzielle Schlafwert klinisch mit PSG austauschbar ist.

Was bedeuten Validierungskennzahlen?

Die Gesamtgenauigkeit auf Epochenebene kann hoch erscheinen, wenn die meisten Epochen Schlaf statt Wachzeit enthalten. Besonders aussagekräftige Arbeiten berichten klassenbezogene Ergebnisse, Konfidenzintervalle, Konfusionsmatrizen, die verwendete PSG-Auswertungsmethode sowie die genaue Geräte- und Softwareversion. Ein Wearable kann bei der Gesamtschlafzeit gut übereinstimmen und dennoch einzelne Schlafstadien falsch klassifizieren.

Was sollten Sie tun, wenn Ihr Wearable sehr wenig Tiefschlaf anzeigt?

1. Bewerten Sie nicht nur eine einzelne Nacht. Reisen, Alkohol, spätes Training, Krankheit, Stress, ein warmes Schlafzimmer und ein zu lockerer Sitz können die Schätzung beeinflussen.

2. Prüfen Sie zuerst die Gesamtschlafzeit. Eine kurze Schlafgelegenheit, häufiges Aufwachen und ein unregelmäßiger Rhythmus lassen für jedes Schlafstadium weniger Zeit. Lesen Sie dazu auch den Leitfaden „Wie viel Tiefschlaf braucht man je nach Alter?“.

3. Betrachten Sie Trends mit demselben Gerät. Vergleichen Sie mehrere Wochen unter möglichst ähnlichen Tragebedingungen. Vergleichen Sie nicht eine einzelne Nacht mit der Apple Watch mit einer Nacht mit Oura, als wären deren Tiefschlafkategorien direkt austauschbar.

4. Setzen Sie die Zahl in Beziehung zu Ihrem Befinden am Tag. Wachheit, Konzentration, Schläfrigkeit und das Gefühl, erholt zu sein, liefern wichtigen Kontext.

5. Gewichten Sie Symptome stärker als den Score. Lautes Schnarchen, Luftschnappen, beobachtete Atemaussetzer, anhaltende Schlaflosigkeit, ungewöhnliche Bewegungen, ausgeprägte Tagesschläfrigkeit oder eine nachlassende Leistungsfähigkeit am Tag sollten medizinisch abgeklärt werden. Ein Consumer-Wearable kann weder PSG noch die Beurteilung durch medizinisches Fachpersonal ersetzen.

Bei manchen Menschen entwickelt sich eine sogenannte Orthosomnie: Ein schlechter App-Wert löst Sorgen über den Schlaf aus, woraufhin die Routine immer wieder verändert wird, um die Zahl am nächsten Morgen zu „reparieren“. Nutzen Sie den Score als Werkzeug zum Erkennen von Mustern, nicht als tägliche Benotung [16].

Welche Schlafmetriken von Wearables sind nützlicher als Tiefschlafminuten?

Eine „82“ bei Oura ist nicht dieselbe Messgröße wie eine „82“ bei Fitbit, WHOOP oder ZenoBand. Selbst wenn zwei Marken dieselbe Bezeichnung verwenden, können unterschiedliche Schwellenwerte, Sensoren und Trainingsdaten zugrunde liegen. Eine Metaanalyse aus dem Jahr 2025 mit 24 Studien und 798 Teilnehmenden fand signifikante Gesamtunterschiede zwischen am Handgelenk getragenen Trackern und PSG bei Gesamtschlafzeit, Schlafeffizienz, Einschlaflatenz und Wachzeit nach dem Einschlafen [17].

Wie sollten Sie Ihren Tiefschlafwert nutzen?

Nutzen Sie ihn für praktische Fragen: Hat sich Ihr Schlaf nach einer regelmäßigen Schlafenszeit verändert? Geht eine neue Routine mit längerer Schlafdauer und weniger nächtlichem Erwachen einher? Wiederholt sich eine Veränderung über mehrere Wochen? Das sind sinnvolle Fragen im Wellness-Kontext.

Verwenden Sie einen Tiefschlafwert nicht, um eine Schlafstörung zu diagnostizieren, die exakte N3-Dauer zu belegen, Marken zu vergleichen oder Symptome und klinische Untersuchungen zu ersetzen. Ein State-of-the-Science-Review aus dem Jahr 2024 kam zu dem Schluss, dass Consumer-Wearables für langfristige Schlaf-Wach-Muster nützlich sein können. Die Evidenz stammt jedoch überproportional häufig von jüngeren, gesunden Erwachsenen in kontrollierten Umgebungen, und die Genauigkeit der Schlafstadien variiert stark [7].

Wenn Sie eine vernetzte Wellness-Routine wie ZenoWell taVNS zusammen mit kompatiblen Wearable-Daten verwenden, können Sie den Prozess als „Track, Understand, Improve“ betrachten: erfassen, verstehen und verbessern. ZenoWell taVNS ist dafür konzipiert, sanfte, nicht invasive transkutane aurikuläre Vagusnervstimulation als Teil einer personalisierten Entspannungs- und Schlaf-Wellness-Routine bereitzustellen. Wearable-Daten können helfen, Veränderungen bei Schlafdauer, nächtlichem Erwachen, Ruheherzfrequenz sowie HRV/PRV über längere Zeit zu verfolgen. taVNS-Sitzungen und tägliche Gewohnheiten liefern zusätzlichen Kontext dafür, ob sich diese Muster konsistent verändern.

Das Ziel besteht nicht darin, einem höheren Score hinterherzujagen oder die Tiefschlafschätzung einer einzelnen Nacht wie eine klinische Messung zu behandeln. Nutzen Sie wiederholte Daten stattdessen, um zu verstehen, wie Ihr Schlaf auf Routineveränderungen, Stress, Training, regelmäßige Schlafenszeiten und Wellness-Gewohnheiten reagiert. So entsteht eine praktische Rückkopplungsschleife: Schlaf und physiologische Trends erfassen, Faktoren hinter besseren oder schlechteren Nächten verstehen und die Schlafroutine schrittweise durch konsistente, individuell passende Anpassungen verbessern. ZenoWell taVNS und Wearable-Daten sollen eine klinische Abklärung bei anhaltenden Schlafproblemen oder auffälligen Symptomen unterstützen – nicht ersetzen.

Häufig gestellte Fragen

Wie genau erfassen Wearables Tiefschlaf?

Bei der exakten Anzahl von Tiefschlafminuten sind sie in der Regel weniger zuverlässig als bei der Unterscheidung zwischen Schlaf und Wachsein. Die Genauigkeit hängt von Gerät, Algorithmus, Population, Schlafbedingungen und Validierungsmethode ab.

Wie genau ist die Tiefschlafmessung der Apple Watch?

Die Apple Watch kann nützliche persönliche Trends liefern, ihr Tiefschlafwert ist jedoch eine algorithmische Schätzung. Eine PSG-Studie aus dem Jahr 2024 zeigte eine hohe Schlaf-Wach-Sensitivität, aber eine geringe Übereinstimmung bei Tiefschlafminuten. Eine einzelne Nacht sollte daher nicht wie ein Schlaflaborergebnis behandelt werden.

Wie genau ist der Tiefschlafwert des Oura Ring?

Oura wurde in mehreren Kohorten gegen PSG validiert und kann für langfristiges Monitoring nützlich sein. Die Schlafstadien bleiben dennoch Vorhersagen, und die Leistung eines bestimmten Modells oder einer bestimmten Softwareversion sollte nicht pauschal auf zukünftige Versionen übertragen werden.

Warum zeigt mein Wearable fast keinen Tiefschlaf an?

Das Ergebnis kann durch kurze oder fragmentierte Schlafdauer, einen ungewöhnlichen Rhythmus, Sitz- oder Sensorprobleme, normale Schwankungen von Nacht zu Nacht oder Fehler bei der Schlafstadienklassifikation entstehen. Wenn das Muster anhält und gleichzeitig Symptome auftreten, besprechen Sie es mit medizinischem Fachpersonal.

Ist ein Schlaflabor genauer?

Für Schlafarchitektur und N3-Klassifikation: ja. PSG misst Hirnaktivität und weitere physiologische Signale, die für die klinische Auswertung verwendet werden, und bleibt deshalb die Referenzmethode für Validierung und Diagnostik.

Fazit

Wearables machen Schlafdaten sichtbar, verwandeln eine Uhr oder einen Ring aber nicht in ein tragbares Schlaflabor. Behandeln Sie Tiefschlafminuten als Schätzung, achten Sie stärker auf Trends über mehrere Nächte und die Gesamtschlafdauer und orientieren Sie sich bei der Frage nach medizinischer Beratung an Symptomen – nicht an einem proprietären Score.

Quellen

[1] International Data Corporation. (2024, September 26). IDC forecasts continued growth for wearables but growth will be uneven across product categories. https://s24.q4cdn.com/622300748/files/doc_news/IDC-Forecasts-Continued-Growth-for-Wearables-But-Growth-Will-Be-Uneven-Across-Product-Categories-2024.pdf

[2] Grand View Research. (2024). Wearable sleep trackers market to reach USD 27.76 billion by 2030. https://www.grandviewresearch.com/press-release/global-wearable-sleep-trackers-market

[3] Pedroso, A. F., Dhingra, L. S., Aminorroaya, A., & Khera, R. (2026). Wearable devices and data sharing in the US. JAMA Network Open, 9(6), e2617733. https://doi.org/10.1001/jamanetworkopen.2026.17733

[4] Zheng, N. S., Annis, J., Master, H., Han, L., Gleichauf, K., Ching, J. H., ... Brittain, E. L. (2024). Sleep patterns and risk of chronic disease as measured by long-term monitoring with commercial wearable devices in the All of Us Research Program. Nature Medicine, 30, 2648–2656. https://doi.org/10.1038/s41591-024-03155-8

[5] de Gans, C. J