Schlaftracker Test: 8 Wearables gegen das Schlaflabor

In unserem Kommentar zur Kritik an Schlaftrackern haben wir eine These aufgestellt: Die Kritik an vielen Geräten ist berechtigt, aber Wearable ist nicht Wearable. Dieser Artikel liefert die Studie, auf der diese These beruht.

Wer nach einem Schlaftracker Test sucht, findet vor allem Erfahrungsberichte zu Tragekomfort, Akku und App. Meist fehlt die Frage, die über die Aussagekraft der Daten entscheidet: Wie nah kommt das Gerät an das, was ein Schlaflabor misst? Genau das hat eine Vergleichsstudie der Universität Salzburg (Topalidis et al., 2025, Preprint) untersucht, mit acht Systemen, 18 Personen, fünf Nächten pro Person und der Polysomnografie (PSG) als Referenz.

Dieser Artikel erklärt, wie die Studie aufgebaut war, was sie gefunden hat, wo ihre Grenzen liegen und was die Ergebnisse für Nutzer:innen und für Partner wie Krankenkassen oder Sensorhersteller bedeuten. sleep² war eines der acht getesteten Systeme. Wir legen die Zahlen offen, auch dort, wo sie nicht glänzen.

Warum die Polysomnografie der einzige sinnvolle Maßstab ist

Die Polysomnografie ist der Goldstandard der Schlafmedizin. Sie zeichnet Hirnströme (EEG), Augenbewegungen (EOG), Muskelspannung (EMG) und Herzaktivität (EKG) auf, und jede 30-Sekunden-Epoche wird nach den Regeln der American Academy of Sleep Medicine einem Schlafstadium zugeordnet. Selbst dieser Standard hat eine Obergrenze: Zwei erfahrene Auswerter stimmen bei denselben Aufzeichnungen zu etwa 88 % überein. Mehr Genauigkeit kann kein Gerät sinnvoll beanspruchen.

Daraus folgt eine einfache Regel für jeden Schlaftracker Test: Eine Genauigkeitsangabe ist nur belastbar, wenn sie gegen PSG gemessen wurde, Epoche für Epoche, in derselben Nacht. Vergleiche zwischen zwei Trackern oder proprietäre Sleep Scores sagen nichts darüber aus, wie gut ein Gerät den tatsächlichen Schlaf abbildet. Mehr dazu im Artikel zur Schlafanalyse mit Schlaftrackern.

Das Studiendesign: fünf Nächte zu Hause, mit Störbedingungen

Die Salzburger Studie hat die PSG zu den Teilnehmenden nach Hause gebracht. 18 Personen schliefen je fünf aufeinanderfolgende Nächte im eigenen Bett, verkabelt mit einer ambulanten Polysomnografie und parallel mit den getesteten Wearables. So kamen rund 90 aufgezeichnete Heim-PSG-Nächte und über 80.000 30-Sekunden-Epochen zusammen (Topalidis et al., 2025, Preprint, osf.io/preprints/psyarxiv/27wun_v1; aktualisierte Fassung auf Research Square).

Die fünf Nächte waren nicht alle gleich. Nach einer Eingewöhnungs- und einer normalen Nacht folgte eine Nacht mit zwei Störbedingungen zugleich: Die Teilnehmenden wurden um drei Uhr geweckt und blieben 20 Minuten wach, zehn Minuten davon still im Bett liegend, zehn Minuten auf den Beinen; außerdem war die Schlafzeit in dieser Nacht um 20 % kürzer als gewohnt (Schlafrestriktion). Danach kam eine normale Nacht, um einen möglichen Nachholeffekt zu erfassen, und zuletzt eine Nacht mit um 20 % verlängerter Bettzeit, in der die Teilnehmenden ruhig liegen bleiben sollten, auch wenn sie bereits wach waren. Das ist der entscheidende Unterschied zu vielen Herstellerstudien, die nur ruhige Nächte auswerten. Nachts aufwachen, zu kurz schlafen, wach im Bett liegen: Das sind genau die Situationen, in denen Geräte am häufigsten daneben liegen, und genau die, die Menschen mit Schlafproblemen regelmäßig erleben.

Verglichen wurden acht Systeme: sleep² mit dem Polar Verity Sense (Oberarm) und mit dem Polar H10 (Brustgurt), Oura Ring 3, Apple Watch Series 9, Fitbit Charge 6, Garmin (Vivoactive/Venu), WHOOP 4 und der Circul+ Ring. Alle Geräte liefen in der regulären Consumer-Version zum Studienzeitpunkt. Ein Detail ist für die Lesart wichtig: Die beiden Polar-Sensoren liefern nur das Herzsignal; die Zuordnung der Schlafstadien übernimmt der sleep²-Algorithmus. Die übrigen sechs Geräte werten mit ihrer eigenen Software aus.

Ergebnis 1: Gesamtschlafzeit

Bei der Gesamtschlafzeit lag sleep² mit dem Verity Sense im Mittel etwa 6 Minuten von der PSG entfernt, mit dem H10 etwa 12 Minuten. Zur Einordnung: Die besten Consumer-Tracker liegen hier üblicherweise 15 bis 30 Minuten daneben. Andere Geräte überschätzten die Schlafzeit im Mittel teils um bis zu einer Stunde. Oura Ring 3 und Garmin trafen die Gesamtschlafzeit im Mittel gut, schwankten dabei aber deutlich von Nacht zu Nacht.

Ein Mittelwert allein verdeckt dabei das eigentliche Muster: Bei den meisten Geräten hängt der Fehler davon ab, wie die Nacht verlaufen ist. In ruhigen Nächten stimmen die Werte, in Nächten mit viel Wachzeit wächst die Überschätzung. Wer eine halbe Stunde wach im Bett liegt und vom Tracker trotzdem durchgehenden Schlaf attestiert bekommt, erhält eine Rückmeldung, die dem eigenen Erleben widerspricht. Warum die reine Schlafdauer ohnehin nur die halbe Geschichte erzählt, erklärt unser Beitrag zu Schlafqualität statt Schlafquantität.

Ergebnis 2: Schlafstadien im Schlaftracker Test

Der härtere Maßstab ist die Vier-Klassen-Genauigkeit: Wie oft ordnet ein Gerät eine Epoche demselben Stadium zu wie die PSG (Wach, Leichtschlaf, Tiefschlaf, REM)? Die Ergebnisse im Überblick:

Die rund 84 % von sleep² (Cohen’s Kappa 0,76, mit beiden Sensoren praktisch gleich) entsprechen rund 95 % dessen, was menschliche Auswerter untereinander erreichen. Unter den Ring- und Wrist-Trackern schnitt der Oura Ring 3 mit rund 73 % am besten ab, knapp vor der Apple Watch Series 9 mit 72,3 %; danach folgen WHOOP 4 mit rund 69 %, Fitbit Charge 6 mit rund 66 %, Garmin mit rund 63 % und Circul+ mit rund 56 %. Für Oura ist das ein respektables Ergebnis und ein gutes Beispiel dafür, dass ein Ring mit optischem Sensor am Finger brauchbare Schlafdaten liefern kann, wenn ein Hersteller in Validierung investiert; die Abweichungen von der PSG schwankten bei Oura allerdings von Nacht zu Nacht stärker. Auch Apple Watch und Oura liegen in dieser Studie deutlich über dem, was in der Literatur für ihre Vorgängermodelle berichtet wurde. Am unteren Ende nähern sich die Werte dem, was informiertes Raten bei vier Klassen erreichen würde.

Cohen’s Kappa ist dabei die strengere Kennzahl, weil sie herausrechnet, was ein Gerät allein durch Zufall trifft. Ein Wert von 0,76 gilt als substanzielle Übereinstimmung, Werte zwischen 0,41 und 0,60 als moderat, darunter nur noch als ausreichend bis gering.

Die ehrliche Einordnung: Wach und Tiefschlaf

Aufgeschlüsselt nach Klassen erreichte sleep² bei REM-Schlaf etwa 90 %, bei Leichtschlaf etwa 87 %, bei Tiefschlaf etwa 79 % und bei Wach etwa 74 %. Diese Reihenfolge verdient zwei ehrliche Anmerkungen.

Erstens: Wach ist bei allen Systemen die schwächste Klasse. Wer ruhig, aber wach im Bett liegt, sieht für Bewegungs- und Herzsensoren dem Leichtschlaf sehr ähnlich. Bei den Geräten am Handgelenk wird Wachliegen überwiegend als Leichtschlaf gewertet, was Gesamtschlafzeit und Schlafeffizienz nach oben verschiebt. Auch 74 % sind hier ein guter, kein perfekter Wert.

Zweitens: Tiefschlaf ist für alle Geräte die am wenigsten zuverlässige Klasse, auch für sleep². Das liegt nicht nur an den Trackern. Tiefschlaf gehört auch für menschliche Auswerter zu den am wenigsten reproduzierbar bewerteten Stadien, weil die Grenze zwischen Leicht- und Tiefschlaf per Regel durch ein physiologisches Kontinuum gezogen wird. Und was ein Consumer-Gerät als „Tiefschlaf“ anzeigt, ist ein herstellereigenes Etikett, das dem klinischen Stadium N3 nicht entsprechen muss. Ein Tiefschlaf-Wert in Minuten verdient darum bei jedem Gerät mehr Skepsis als die Gesamtschlafzeit. 

Warum die Unterschiede so groß sind

Die Studie legt nahe, dass drei Faktoren zusammen entscheiden: die Signalqualität des Sensors, seine Position am Körper und ein Algorithmus, der gegen PSG trainiert wurde. Ein optischer Sensor am Handgelenk arbeitet unter schwierigeren Bedingungen als ein Sensor am Oberarm oder ein Brustgurt mit EKG-Signal. Und ein Modell, das an tausenden PSG-Nächten gelernt hat, erkennt Muster, die ein an Bewegung kalibriertes Modell nicht sieht. Dass der Circul+ Ring am Finger sitzt wie der Oura Ring und trotzdem am schlechtesten abschneidet, zeigt zugleich: Die Position allein reicht nicht; Sensor und Modell müssen zusammenpassen. Ein Schlaftracker ist kein Messgerät an sich. Er ist ein Sensor plus ein Modell, und beide müssen gegen die Referenz geprüft sein. Die Spanne von rund 56 bis 84 % innerhalb einer einzigen Gerätekategorie zeigt vor allem eines: Wearable ist nicht Wearable.

Was das für Nutzer:innen und für Partner bedeutet

Für Nutzer:innen heißt das: Die Gesamtschlafzeit ist bei validierten Systemen belastbar, einzelne Wachphasen und der Tiefschlaf bleiben bei allen Geräten die unsichersten Größen. Sinnvoll sind Trends über Wochen, nicht die Bewertung einzelner Nächte. Wer den Tracker-Wert über das eigene Körpergefühl stellt, riskiert das, was Baron et al. 2017 als Orthosomnie beschrieben haben: Die Fixierung auf die Messung verschlechtert den Schlaf.

Für Krankenkassen und Versicherer ist die Studie ein Prüfstein. Wer ein digitales Schlafprogramm finanziert, will wissen, ob die zugrunde liegende Messung stimmt, und zwar gerade in den schlechten Nächten, um die es bei Insomnie geht. Eine gegen PSG dokumentierte Genauigkeit unter Störbedingungen ist dafür die einzige belastbare Grundlage. Für Sensorhersteller zeigt die Studie, dass ein guter Sensor erst mit einem validierten Algorithmus zum Schlafmessgerät wird. Für Forschungspartner entsteht mit über 80.000 annotierten Epochen ein Datensatz, an dem sich künftige Algorithmen messen lassen. Mehr zur Versorgungsperspektive in unserem Artikel zur Insomnie-Versorgung für Versicherungen.

Grenzen der Studie

Drei Einschränkungen gehören zu jeder fairen Lesart dieses Schlaftracker Tests. Erstens: Getestet wurden die Consumer-Versionen zum Studienzeitpunkt. Hersteller aktualisieren ihre Algorithmen laufend; ein Firmware-Update kann die Werte verändern, nach oben wie nach unten. Zweitens: 18 junge, gesunde Erwachsene über je fünf Nächte ergeben auf Epochenebene eine solide Datenbasis, aber keinen Bevölkerungsquerschnitt. Für Menschen mit diagnostizierten Schlafstörungen, bei denen Wachphasen häufiger sind, sollte die Genauigkeit gesondert geprüft werden; genau dort wären die hier beschriebenen Fehler am größten. Drittens: Die Studie wurde an der Universität Salzburg durchgeführt, aus der sleep² als Spin-off hervorgegangen ist. Das ist offenzulegen. Gleiche Bedingungen und dieselbe Referenz für alle Geräte machen die Ergebnisse nachvollziehbar, ersetzen aber keine unabhängige Replikation. Die Studie ist als Preprint erschienen und befindet sich im Begutachtungsverfahren; nach der Publikation aktualisieren wir die Zahlen hier.