RingConn-Forschung in npj Digital Medicine: Was die neue PPG-Studie zeigt

Wie zuverlässig können Smart Rings physiologische Signale erfassen – und kann es einen Unterschied machen, ob Daten nur an einer Hand oder gleichzeitig an beiden Händen gemessen werden?

Genau dieser Frage ist ein gemeinsames Forschungsteam der Shanghai Jiao Tong University, Ninenovo – der Muttergesellschaft von RingConn – und des Mianyang Central Hospital nachgegangen.

Die Studie „Large-scale bilateral cardiovascular monitoring via wearable rings“ wurde im Juli 2026 in npj Digital Medicine, einer wissenschaftlichen Fachzeitschrift des Nature Portfolio, veröffentlicht.

Die Forschenden analysierten 97.559 valide PPG-Samples von 1.810 Teilnehmerinnen und Teilnehmern. Damit entstand ein groß angelegter Datensatz, der erstmals systematisch untersucht, welchen zusätzlichen Informationswert synchron erfasste optische Pulssignale von beiden Händen für das Wearable-Monitoring liefern können.

Eine neue Frage für Wearables: Sind linke und rechte Hand wirklich gleich?

Photoplethysmographie, kurz PPG, gehört zu den wichtigsten Sensortechnologien moderner Gesundheits-Wearables.

Ein optischer Sensor sendet Licht in die Haut und analysiert, wie sich die Lichtreflexion mit dem pulsierenden Blutvolumen verändert. Aus diesen Signalen können Algorithmen unter anderem Herzfrequenz und weitere physiologische Trends ableiten.

Mehr über die technische Grundlage erfährst du in unserem Leitfaden Wie funktioniert ein Smart Ring? Technik & Sensoren.

Die meisten Wearable-Systeme messen PPG jedoch nur an einer Körperstelle – beispielsweise an einem Finger oder einer Hand.

Dahinter steckt eine wichtige Annahme: Dass ein Signal auf der linken und rechten Körperseite ausreichend ähnlich ist, sodass der Messort keine entscheidende Rolle spielt.

Doch stimmt das immer?

Die neue Studie untersucht genau diese bisher nur begrenzt erforschte Frage.

97.559 PPG-Samples von 1.810 Teilnehmenden

Für die Untersuchung wurde ein groß angelegter Datensatz mit gleichzeitig an beiden Händen getragenen Ring-Sensoren aufgebaut.

Insgesamt analysierte das Forschungsteam:

• 1.810 Teilnehmerinnen und Teilnehmer
• 97.559 valide PPG-Samples
• synchron erfasste Signale von linker und rechter Hand
• 7.478 gepaarte Blutdruckmessungen
• 12 unterschiedliche KI-Modellarchitekturen

Die intelligenten Ringsysteme und die notwendige technische Unterstützung wurden von Ninenovo bereitgestellt. Das klinische Team des Mianyang Central Hospital unterstützte die Rekrutierung der Teilnehmenden sowie die Datenerhebung.

Professor Cheng Chen und sein Team an der Shanghai Jiao Tong University führten die wissenschaftliche Arbeit gemeinsam mit den beteiligten Forschungspartnern durch.

Die vollständige wissenschaftliche Publikation ist im Nature Portfolio Journal npj Digital Medicine verfügbar.

Was ist bilaterales PPG?

„Bilateral“ bedeutet in diesem Zusammenhang, dass PPG-Signale gleichzeitig auf beiden Körperseiten erfasst werden.

Statt beispielsweise nur einen Ring an einem Finger zu verwenden, liegen zeitlich synchronisierte Signale von linker und rechter Hand vor.

Dadurch können Algorithmen untersuchen:

• wie ähnlich die Signale beider Hände sind
• wann sich die Signalqualität zwischen den Seiten unterscheidet
• ob sich Informationen aus beiden Seiten kombinieren lassen
• ob Unterschiede zwischen den Seiten Hinweise auf die Messzuverlässigkeit geben

Damit geht die Forschungsfrage über das klassische Prinzip „mehr Daten sind besser“ hinaus.

Entscheidend ist vielmehr:

Von wo stammen die Daten – und wie konsistent sind sie?

Das stärkste Ergebnis zeigte sich bei der Herzfrequenz

Die deutlichsten Verbesserungen beobachteten die Forschenden bei der Herzfrequenzschätzung.

Als Maß verwendeten sie den mittleren absoluten Fehler, Mean Absolute Error beziehungsweise MAE.

Vereinfacht beschreibt dieser Wert, wie weit die vorhergesagte Herzfrequenz im Durchschnitt vom Referenzwert entfernt liegt.

Besonders interessant ist der letzte Punkt.

Wenn die Signale der beiden Hände stärker miteinander übereinstimmten, verbesserte sich die Herzfrequenzschätzung zusätzlich. Gegenüber dem gesamten bilateralen Datensatz sank der Fehler in dieser Teilgruppe um weitere 19,3%.

Warum ist die Übereinstimmung beider Hände interessant?

Ein Wearable-Signal kann durch zahlreiche Faktoren beeinflusst werden:

• Sensor-Haut-Kontakt
• Bewegung
• lokale Durchblutung
• Messposition
• Druck auf den Sensor
• Signalrauschen

Wenn zwei gleichzeitig erfasste Signale stark voneinander abweichen, könnte dies ein Hinweis darauf sein, dass mindestens eine Messung weniger zuverlässig ist.

Genau hier eröffnet die Studie eine interessante Forschungsrichtung:

Die Differenz zwischen zwei Sensorpositionen könnte selbst zu einer zusätzlichen Information über die Qualität eines Messsignals werden.

Das bedeutet nicht, dass zukünftig jeder Mensch zwei Smart Rings tragen muss. Die Ergebnisse liefern vielmehr neue Erkenntnisse darüber, wie Sensorposition, Signalkonsistenz und Algorithmen gemeinsam betrachtet werden können.

Das Ergebnis war nicht auf ein einzelnes KI-Modell beschränkt

Ein weiterer wichtiger Punkt der Untersuchung ist die Verwendung von 12 unterschiedlichen Modellarchitekturen.

Die Forschenden wollten damit prüfen, ob die beobachteten Vorteile lediglich durch ein bestimmtes KI-Modell entstanden oder ein allgemeineres Muster darstellen.

Über die unterschiedlichen Architekturen hinweg zeigten sich ähnliche Tendenzen.

Damit spricht das Ergebnis dafür, dass die Bedeutung bilateraler Signalinformationen nicht ausschließlich auf einer einzelnen Modellwahl beruht.

Blutdruck: Verbesserungen waren deutlich kleiner

Wissenschaftliche Glaubwürdigkeit bedeutet nicht nur, positive Ergebnisse hervorzuheben. Ebenso wichtig ist es zu zeigen, wo die Grenzen einer Technologie liegen.

Bei der Blutdruckschätzung waren die Verbesserungen deutlich geringer als bei der Herzfrequenz.

Die Studie beschreibt die Aussagekraft für die Blutdruckschätzung deshalb ausdrücklich als begrenzt.

Das ist ein wichtiger Unterschied zur Herzfrequenzanalyse.

Die Ergebnisse zeigen nicht, dass ein Smart Ring eine medizinische Blutdruckmessung ersetzen kann.

Vielmehr verdeutlichen sie, wie schwierig es ist, komplexe kardiovaskuläre Parameter allein aus optischen Wearable-Signalen zuverlässig abzuleiten.

Warum Smart Rings und klinische Geräte unterschiedliche Aufgaben erfüllen, erklären wir ausführlich im Artikel Smart Ringe vs. Klinikgeräte: Wie genau sind sie?.

Warum diese Studie für die Wearable-Forschung relevant ist

Die Bedeutung der Arbeit liegt nicht allein in einzelnen Fehlerwerten.

Sie zeigt drei grundsätzlich wichtige Punkte für die Entwicklung zukünftiger Gesundheits-Wearables.

1. Die Position eines Sensors spielt eine Rolle

Physiologische Signale sollten nicht automatisch als vollständig identisch betrachtet werden, nur weil sie am selben Körper gemessen werden.

Unterschiede zwischen linker und rechter Seite können relevante Informationen enthalten.

2. Mehr Daten allein lösen nicht jedes Problem

Ein großer Datensatz ist wertvoll, aber Signalqualität und Messposition bleiben entscheidend.

97.559 Samples sind nur dann nützlich, wenn verstanden wird, wie zuverlässig die einzelnen Signale sind.

3. Messzuverlässigkeit könnte selbst messbar werden

Wenn zwei gleichzeitig erfasste Signale miteinander verglichen werden können, eröffnet dies neue Möglichkeiten, weniger zuverlässige Messsituationen zu identifizieren.

Diese Idee könnte zukünftig auch für andere Wearable-Sensoren und Algorithmen relevant sein.

Vom Sensor zum Gesundheits-Insight

Ein Smart Ring besteht nicht nur aus Hardware.

Der gesamte Messprozess umfasst mehrere Ebenen:

1. Ein optischer Sensor erfasst Rohsignale am Finger.
2. Die Elektronik verarbeitet und filtert die Messwerte.
3. Algorithmen bewerten Signalqualität und Bewegungsartefakte.
4. Modelle leiten daraus physiologische Kennzahlen ab.
5. Die App übersetzt diese Daten in verständliche Trends.

Dadurch wird deutlich, warum wissenschaftliche Forschung nicht nur die Genauigkeit eines Sensors betrachten sollte.

Sensorposition, Signalqualität, Datenverarbeitung und Algorithmus bilden ein gemeinsames System.

Eine grundlegende Einführung findest du auf unserer Seite Was ist ein Smart Ring?.

Was bedeutet die Veröffentlichung für RingConn?

Für RingConn steht die Veröffentlichung für einen Forschungsansatz, der über Produktentwicklung allein hinausgeht.

Ninenovo stellte für die Studie die tragbaren Ringsysteme sowie technische Unterstützung bereit und war über einen Co-Autor an der wissenschaftlichen Arbeit beteiligt.

Gleichzeitig verbindet die Studie drei Perspektiven:

• akademische Forschung durch die Shanghai Jiao Tong University
• klinische Datenerhebung mit Unterstützung des Mianyang Central Hospital
• Wearable-Hardware und technische Expertise von Ninenovo und RingConn

Genau diese Zusammenarbeit ist für die Zukunft digitaler Gesundheit entscheidend.

Verbraucher-Wearables erzeugen große Mengen langfristiger physiologischer Daten. Wissenschaftliche und klinische Forschung hilft dabei zu verstehen, welche Informationen daraus zuverlässig gewonnen werden können – und wo Grenzen bestehen.

Was die Studie nicht bedeutet

Die Ergebnisse sollten nicht überinterpretiert werden.

Die Studie bedeutet nicht:

• dass jedes RingConn-Produkt medizinisch validiert wurde
• dass das Tragen von zwei Ringen grundsätzlich notwendig ist
• dass Smart Rings den Blutdruck direkt messen können
• dass bilaterale PPG-Signale eine medizinische Herz-Kreislauf-Diagnostik ersetzen
• dass ein Wearable anhand dieser Daten Erkrankungen diagnostizieren kann

Sie liefert vielmehr einen großen Forschungsdatensatz und quantitative Erkenntnisse darüber, wie bilaterale PPG-Signale für unterschiedliche Vorhersageaufgaben genutzt werden können.

Warum Transparenz bei Wearable-Forschung wichtig ist

Gesundheitsdaten wirken häufig präzise, weil sie als konkrete Zahlen dargestellt werden.

Doch eine Zahl allein sagt noch wenig darüber aus:

• wie sie gemessen wurde
• welche Sensorqualität vorlag
• welcher Algorithmus verwendet wurde
• wie groß der erwartete Fehler ist
• für welche Personengruppe ein Modell getestet wurde

Genau deshalb sind peer-reviewte Forschung, große Datensätze und transparente Fehlerangaben wichtig.

Sie helfen dabei, nicht nur zu fragen:

„Kann ein Wearable diesen Wert anzeigen?“

sondern:

„Wie zuverlässig ist dieser Wert – und unter welchen Bedingungen?“

Wie Nutzer solche Informationen im Alltag richtig einordnen können, erklären wir im Leitfaden Gesundheitsdaten aus dem Smart Ring richtig lesen.

Ein weiterer Schritt für wissenschaftlich fundierte Wearables

Wearables bewegen sich zunehmend von einfachen Schrittzählern hin zu Plattformen, die kontinuierlich physiologische Signale erfassen.

Damit steigen auch die Anforderungen:

• größere und vielfältigere Datensätze
• bessere Signalqualitätskontrolle
• transparent validierte Algorithmen
• Zusammenarbeit mit wissenschaftlichen Einrichtungen
• klare Grenzen zwischen Wellness-Tracking und medizinischer Diagnostik

Die neue Arbeit in npj Digital Medicine trägt zu genau diesem Forschungsfeld bei.

Sie zeigt besonders deutlich, dass der Messort und die Übereinstimmung physiologischer Signale eine wichtige Rolle für die Zuverlässigkeit von Wearable-Daten spielen können.

Die wichtigsten Ergebnisse auf einen Blick

Fazit

Die Veröffentlichung in npj Digital Medicine zeigt, wie akademische Forschung, klinische Datenerhebung und Wearable-Technologie zusammengeführt werden können, um grundlegende Fragen der digitalen Gesundheitsmessung zu untersuchen.

Mit 97.559 validen PPG-Samples von 1.810 Teilnehmenden liefert die Studie einen umfangreichen Blick auf die Unterschiede und Gemeinsamkeiten synchron erfasster Signale beider Hände.

Der stärkste Nutzen zeigte sich bei der Herzfrequenzschätzung. Gleichzeitig zeigen die deutlich begrenzteren Ergebnisse bei der Blutdruckschätzung, warum wissenschaftliche Transparenz genauso wichtig ist wie positive Resultate.

Für RingConn ist die Studie ein weiterer Baustein einer langfristigen Forschungsstrategie: Wearable-Technologie nicht nur kleiner und komfortabler zu machen, sondern besser zu verstehen, wie Sensorposition, Datenqualität und Algorithmen gemeinsam zuverlässigere physiologische Insights ermöglichen können.

Originalstudie in npj Digital Medicine lesen →

Hinweis: RingConn-Produkte sind keine medizinischen Geräte und sind nicht dafür vorgesehen, Krankheiten oder medizinische Zustände zu diagnostizieren, zu behandeln, zu heilen oder zu verhindern. Die in dieser Studie untersuchten Forschungsansätze dürfen nicht als Ersatz für klinische Herzfrequenz- oder Blutdruckmessungen interpretiert werden.