Mehrere Smartwatches, keine doppelten Daten: der Leitfaden zur Multi-Wearable-Deduplizierung

Wenn du mehr als ein Wearable trägst, ist deine Schrittanzahl mit hoher Wahrscheinlichkeit überhöht. Nicht wegen eines Fehlers: Es ist das erwartete Verhalten eines Ökosystems, das für einzelne Geräte entwickelt wurde und von jemandem genutzt wird, der verstanden hat, dass verschiedene Werkzeuge verschiedene Dinge besser können. Ein Galaxy Watch für den Alltag, ein Smart-Ring für den Schlaf, ein Garmin für lange Läufe, ein Suunto für Segeltouren oder Bergausflüge: Jedes Gerät glänzt in seinem Kontext. Aber die Dashboard muss wissen, dass die 8.000 Morgenschritte nicht zu den 8.000 Schritten addiert werden dürfen, die Garmin während des Nachmittagslaufs auf denselben Gehsteigen aufgezeichnet hat.

Warum sich Daten duplizieren: die technische Ursache

Health Connect ist eine lokale Datenbank auf Android. Jede App mit den richtigen Berechtigungen kann Datensätze jeglichen Typs schreiben: Schritte, Herzfrequenz, Schlafsitzungen, Trainings. Health Connect weiß nicht, ob zwei Datensätze dasselbe sind, das zweimal gemessen wurde: Es gibt kein Feld "Primärquelle" und keine automatische Deduplizierung. Dies ist eine bewusste Designentscheidung, keine technische Einschränkung: Das System ist quellenunabhängig, um keinen Hersteller zu bevorzugen.

Das konkrete Problem: Wenn du während eines 10-km-Laufs sowohl eine Galaxy Watch als auch eine Garmin trägst, schreiben beide in Health Connect. Die Galaxy Watch schreibt ihre 9.847 Schritte, Garmin schreibt seine 10.124 Schritte (die Zahlen weichen ab, weil die Sensorkalibrierungen unterschiedlich sind). Eine App, die Health Connect ohne Deduplizierungslogik liest, addiert sie: Ergebnis, 19.971 Schritte für einen 10-km-Lauf. Das ist doppelt so viel. Und bei der Herzfrequenz ist es noch schlimmer: Die Durchschnittswerte werden durch Messungen in unterschiedlichen physischen Kontexten verfälscht.

Drei Duplikationsmuster, die am häufigsten auftreten

1. Summierte kumulative Datensätze: Für Schritte schreiben manche Apps kumulative Datensätze ("bisher heute aufgelaufene Schritte") statt Intraday-Datensätze. Wenn sowohl Galaxy Watch als auch Garmin Connect kumulative Datensätze verwenden, ist das Tagesende-Gesamtergebnis die Summe zweier Gesamtwerte, kein deduplizierter Gesamtwert.
2. Überlappende Schlafsitzungen: Galaxy Ring oder Oura schreiben eine Schlafsitzung 22:30-06:45. Galaxy Watch schreibt 22:35-06:40 (dieselbe Nacht, leicht unterschiedliche Fenster). Ein Aggregator, der Sitzungen nicht zeitlich clustert, zeigt zwei Schlafnächte an, verdoppelt die Gesamtstunden und verfälscht die Durchschnittswerte des Schlafscores.
3. Tägliche Durchschnittsherzfrequenz aus gemischten Quellen: Dein Polar H10 Brustgurt schreibt 147 bpm als Trainingsdurchschnitt. Die Galaxy Watch hat 72 bpm als Nachmittags-Ruhewert geschrieben. Ohne Markierung der Zeitfenster wird die Tagesdurchschnitt zu einer physikalisch bedeutungslosen Zahl.

Das beschriebene Setup: vier Wearables, vier Rollen

Um konkret zu sein: Ich arbeite mit diesem spezifischen Setup: Alltags-Smartwatch (Galaxy Watch 7), die alles im Hintergrund aufzeichnet, Smart-Ring (Galaxy Ring oder Oura Ring), der für die Schlafüberwachung mit überlegenen Sensoren im Vergleich zu Smartwatches optimiert ist, Lauf-GPS-Uhr (Garmin Forerunner) für Laufsessions mit präzisem GPS und erweiterter VO2max-Analyse, Outdoor-/Segeluhr (Suunto Race oder Suunto Ocean) für Bootsausflüge und Trekking, wo GPS-Protokollierung und Barometerhöhenmesser wichtig sind. Vier Geräte, vier Anwendungskontexte, vier Apps, die in Health Connect schreiben.

Wie die Deduplizierung funktioniert: drei konkrete Strategien

1. Winner-takes-all nach Quelle und Zeitfenster

Für die intraday Herzfrequenz und Trainingsdaten ist die zuverlässigste Methode, für jedes Zeitfenster eine Quellenpriorität festzulegen. Wenn Garmin zwischen 17:30 und 18:45 Uhr Herzfrequenzdaten geschrieben hat (Laufdauer), verwendet jedes seriöse Dashboard diese Daten und ignoriert die Daten der Galaxy Watch im selben Fenster. Galaxy Watch wird ab 18:46 Uhr wieder zur "Gewinnerin", wenn Garmin keine aktiven Datensätze mehr schreibt.

In der Praxis wird dies durch das Lesen von ExerciseSession-Datensätzen aus Health Connect umgesetzt: Jede Trainingssession hat eine startTime und endTime. Die Dedup-Logik nutzt diese Fenster, um zu entscheiden, welche Quelle für die Metriken innerhalb dieses Zeitfensters Priorität hat.

2. Field-Level-Merge für aggregierte Tagesmetriken

Für die tägliche Gesamtschrittzahl ist Winner-takes-all nicht die richtige Lösung: Galaxy Watch erfasst Schritte von 07:00 bis 17:29 Uhr, Garmin erfasst Schritte von 17:30 bis 18:45 Uhr. Die Summe ist korrekt, keine Duplizierung. Das Problem entsteht, wenn beide Schritte im selben Zeitfenster aufgezeichnet haben.

Der Field-Level-Merge funktioniert so: Teile den Tag in 15-Minuten-Slots auf. Behalte für jeden Slot nur den Datensatz mit dem höchsten Wert aus allen Quellen (konservativ, geht davon aus, dass der höchste Wert der genaueste ist). Summiere die Slot-Maxima: Das Ergebnis ist ein deduplizierter Tageswert. Dieser Ansatz funktioniert, weil zwei Geräte, die dieselben Schritte erfassen, ähnliche Werte produzieren (der höchste ist eine Schätzung der Wahrheit), während zwei Geräte in verschiedenen Kontexten additive Werte liefern.

3. Zeitliches Clustering für Schlafsessions

Beim Schlaf ist das Problem ein anderes: Die Schlafsessions von Oura Ring und Galaxy Watch für dieselbe Nacht überlappen sich fast vollständig, aber keine von beiden ist falsch. Sie messen einfach dasselbe mit unterschiedlichen Sensoren. Die Strategie ist Clustering: Wenn zwei Schlafsessions zu mehr als 80 % ihrer Dauer überlappen, werden sie als dieselbe Nacht gewertet. Dann wird die Quellenpriorität angewendet: Der Smart-Ring gewinnt, weil optische Sensoren am Finger für Schlafphasen statistisch präziser sind als Handgelenksensoren.

Was du selbst konfigurieren musst: die drei kritischen Einstellungen

Nicht alles lässt sich automatisieren. Es gibt drei Konfigurationen, die Eingaben des Benutzers erfordern, weil sie von persönlichen Gewohnheiten abhängen, die kein Algorithmus inferieren kann.

1. Definiere, welches Gerät deine primäre Schlafquelle ist. Wenn du sowohl eine Galaxy Watch als auch einen Smart-Ring hast, musst du das explizit angeben. FitMesh Sync fragt dich beim Onboarding danach ("Welches Gerät trägst du nachts?"). Wenn du es nicht angibst, wird Galaxy Watch als Standard verwendet, da er am häufigsten vorkommt, aber das ist eine willkürliche Wahl.
2. Deaktiviere Google Fit als Schreibquelle, falls noch aktiv. Gehe zu Health Connect > Berechtigungsverwaltung > Google Fit und stelle sicher, dass es NUR Leseberechtigung hat, keine Schreibberechtigung. Veraltetes Google Fit, das noch in Health Connect schreibt, ist die häufigste Ursache für verdreifachte Schritte in Multi-Wearable-Setups.
3. Lege Aktivitätszeiträume für bestimmte Geräte fest. Wenn du Garmin nur beim Laufen trägst (nie in Ruhe), kann das System seine Herzfrequenzdaten außerhalb der Trainingsfenster ignorieren. Ohne diese Information kann die von Garmin gemessene Ruheherzfrequenz bei einer langsamen Aktivität den Ruhewert verfälschen.

Der Suunto-Fall: Daten, die nicht über Health Connect laufen

Suunto ist die Ausnahme in diesem Szenario. Anders als Garmin (das nativ aus Garmin Connect Android in Health Connect schreibt) hat die Suunto-App auf Android keine native Health Connect-Integration für alle Datentypen. GPS-Tracks und Trainingsdaten von Suunto sind über die Suunto Sport Engine API zugänglich, nicht über Health Connect.

Das bedeutet, dass die Integration von Suunto in ein Multi-Quellen-Dashboard einen separaten Connector erfordert, der die Suunto Sport Engine API mit OAuth-Authentifizierung liest. FitMesh Sync unterstützt diese Integration separat: Gehe in Einstellungen, Bereich Geräte, und füge Suunto als OAuth-Quelle hinzu. Einmal verbunden, werden Suunto-Daten mit derselben Deduplizierungslogik in den Health Connect-Stream eingebunden.

"Verfälschte" durchschnittliche Herzfrequenz: ein reales Beispiel

Das ist das Problem, das ich am wenigsten offensichtlich, aber am schädlichsten für alle finde, die Daten zur langfristigen Gesundheitsbeobachtung nutzen. Szenario: Du läufst 45 Minuten mit einem Polar H10 Brustgurt, der mit Garmin verbunden ist (zuverlässige Trainingsdaten, Durchschnitt 148 bpm). Gleichzeitig zeichnet die Galaxy Watch alle 10 Minuten im Hintergrund deine Herzfrequenz auf und sieht Werte zwischen 145 und 155 bpm (korrekt, du läufst). Nach dem Lauf sitzt du zwei Stunden mit einer Herzfrequenz von 62-68 bpm. Galaxy Watch zeichnet weiter auf.

Ein Dashboard, das die "tägliche Durchschnittsherzfrequenz" ohne Unterscheidung der Quellen berechnet, nimmt all diese Daten, addiert und dividiert sie. Das Ergebnis ist eine Zahl, die weder die Ruheherzfrequenz noch die Trainingsherzfrequenz darstellt: Es ist der Durchschnitt von Dingen, die nicht zusammen gemittelt werden sollten. Deshalb zeigt FitMesh Sync Ruheherzfrequenz (berechnet unter Ausschluss der Trainingsfenster) und Trainingsherzfrequenz (berechnet nach Aktivitätstyp) separat an, anstatt einen einzigen Tagesdurchschnitt zu zeigen.

Was FitMesh Sync automatisch erledigt

• •Automatische Erkennung von Trainingssessions: Liest ExerciseSession-Datensätze aus Health Connect und erstellt die aktive Fensterkarte für jede Quelle.
• •15-Minuten-Slot-Merge für Schritte: Nimmt das Maximum pro Slot aus allen Quellen, eliminiert Überlappungen ohne additive Daten zu verlieren (Galaxy Watch morgens + Garmin Nachmittagslauf).
• •Clustering von Schlafsessions: Gruppiert Sitzungen, die sich zu mehr als 80 % überlappen, und wendet die Priorität Ring > Smartwatch für Schlafphasen an.
• •Trennung von Ruhe- und Trainings-Herzfrequenz: Trainingsfenster werden bei der Berechnung der Ruheherzfrequenz ausgeschlossen.
• •Deduplizierung doppelter Samsung-Datensätze: Filtert Datensätze mit demselben Zeitstempel und wiederholtem source_package (der bekannte Samsung-Doppelschreib-Fehler).

Ehrliche Grenzen: Was sich noch nicht automatisieren lässt

Ich möchte nicht übertreiben, was ein Dashboard allein leisten kann. Es gibt Szenarien, die noch manuelle Eingriffe erfordern oder die Näherungswerte liefern:

• •Schwimmtraining mit überlappenden Suunto- und Galaxy Watch-Daten: Galaxy Watch erkennt Schwimmen als ExerciseSession (Typ SWIMMING), Suunto protokolliert über die Sport Engine API. Wenn sich Zeitstempel teilweise überlappen (z. B. Spurwechsel zwischen Bahnen), ist die Zusammenführung konservativ, aber nicht perfekt.
• •VO2max aus verschiedenen Quellen: Garmin berechnet seinen VO2max mit einem proprietären Algorithmus (FirstBeat), Galaxy Watch verwendet eine andere Methode. Die Schätzungen sind nicht vergleichbar: FitMesh Sync zeigt die beiden Metriken derzeit separat und führt sie nicht zusammen.
• •HRV aus Brustgurt tagsüber vs. Ring nachts: Wenn du einen Polar H10 für morgendliche HRV und den Ring für nächtliche HRV verwendest, sind die Werte in ihren jeweiligen Kontexten korrekt, aber nicht direkt vergleichbar. Das ist eine Grenze der Biometrie, nicht der Software: HRV variiert je nach Tageszeit und Körperhaltung.

Zusammenfassung

• •Health Connect dedupliziert nicht: Es ist eine quellenunabhängige Datenbank, und jede App schreibt eigenständig. Die Deduplizierungslogik muss in der aggregierenden App liegen.
• •Die drei Hauptprobleme in Multi-Wearable-Setups sind: doppelte Schritte durch überlappende kumulative Datensätze, doppelte Schlafsessions von Geräten, die dieselbe Nacht messen, und verfälschte durchschnittliche Herzfrequenz durch Messungen in verschiedenen körperlichen Kontexten.
• •Die richtige Strategie kombiniert drei komplementäre Techniken: Winner-takes-all nach Zeitfenster (intraday Herzfrequenz), 15-Minuten-Slot-Merge (Schritte) und zeitliches Clustering mit Quellenpriorität (Schlaf).
• •Zwei Dinge erfordern manuelle Konfiguration: welches Gerät du nachts trägst und die Deaktivierung von Google Fit als Schreibquelle, falls noch aktiv.
• •Suunto läuft nicht über Health Connect: Ein separater OAuth-Connector ist erforderlich. Die Daten werden dann mit derselben Dedup-Logik zusammengeführt.
• •Die tägliche durchschnittliche Herzfrequenz ohne Kontextunterscheidung ist eine physikalisch bedeutungslose Zahl: Trenne immer Ruheherzfrequenz von Trainingsherzfrequenz.