# KI Vermessung und Vorhersage des passenden Härtegrads SleepBase by STOLL · https://matelas.lu/sleepbase/ki-vermessung-und-vorhersage-des-passenden-haertegrads Recherchestand: 30. September 2026. Narrative Recherche, keine systematische Vollerhebung. Ein Foto kann Vorauswahl unterstützen aber keine perfekte Matratze bestimmen Fotos und Körperscans können geometrische Merkmale erfassen. Der passende Härtegrad hängt jedoch zusätzlich von Körpermasse, Gewebeverteilung, Schlaflage, Beschwerden, Vorlieben und dem konkreten Matratzenaufbau ab. Eine KI kann eine Empfehlung nur so gut lernen, wie ihr Zielwert und ihre Trainingsdaten definiert sind. Diese Analyse unterscheidet Körperrekonstruktion, Druckvorhersage und tatsächliche Komfortvorhersage. Für STOLL ist ein transparentes Assistenzsystem mit Unsicherheitsangabe und anschließender Liegeprobe plausibler als eine scheinbar exakte Diagnose aus einem einzelnen Bild. ## Vom Bild zur Geometrie Ein zweidimensionales Foto zeigt eine Projektion. Perspektive, Kleidung, Beleuchtung und Körperhaltung beeinflussen die daraus geschätzten Maße. Ein dreidimensionaler Scan kann mehr Forminformation liefern, aber ebenfalls Messfehler besitzen. Weder Foto noch Oberflächenscan erfassen automatisch Körpermasse oder die mechanischen Eigenschaften tiefer Gewebe. Die erste Qualitätsfrage lautet deshalb, welche Merkmale tatsächlich gemessen und welche nur geschätzt werden. Schulterbreite, Taillenumfang und sichtbare Kontur sind nicht dasselbe wie die Belastung in Seitenlage. Ein Algorithmus sollte fehlende Information nicht durch eine übermäßig präzise Härteangabe verdecken. ## Drei verschiedene Vorhersageaufgaben Körperhaltung erkennen, eine Druckverteilung schätzen und die angenehmste Matratze vorhersagen sind unterschiedliche Aufgaben. Die Forschungsarbeit BodyMAP untersucht die gemeinsame Schätzung von Körpermodell und dreidimensionaler Druckverteilung für Menschen im Bett. [1] Sie zeigt technische Möglichkeiten, ist aber kein allgemeiner Nachweis einer idealen Verkaufsentscheidung aus einem normalen Kundenfoto. Auch Verfahren zur Schlafpositionserkennung auf Basis weniger Drucksensoren bearbeiten primär eine Klassifikationsaufgabe. [2] Eine hohe Genauigkeit bei Rücken- oder Seitenlage sagt nichts darüber aus, ob die empfohlene Matratze langfristig Schmerzen reduziert. Ein Produkt muss nach genau dem Ziel bewertet werden, das es später verspricht. ## Der Zielwert bestimmt das Ergebnis Wenn das Modell aus bisherigen Verkäufen lernt, kann es vor allem bisherige Verkaufspraxis reproduzieren. Wenn es aus Druckminima lernt, optimiert es möglicherweise Druck auf Kosten von Beweglichkeit oder Stütze. Wenn es Zufriedenheit vorhersagt, können Marke, Preis und Service die Zielvariable beeinflussen. Ein sinnvoller Datensatz sollte deshalb mehrere getrennte Endpunkte enthalten: Komfort, Lage, Bewegung, Beschwerden und gegebenenfalls objektive Messungen. Außerdem muss das angebotene Matratzensortiment bekannt sein. Ein Härtegrad H3 eines Herstellers ist kein universeller mechanischer Standard. Die Empfehlung sollte auf konkrete Modelle oder gemessene Eigenschaften bezogen werden. ## Validierung außerhalb der Trainingsdaten Ein Modell muss an neuen Personen geprüft werden, die nicht in ähnlicher Form bereits im Training vorkommen. Werden Fotos derselben Person auf Training und Test verteilt, kann die Leistungsbewertung zu günstig ausfallen. Auch neue Kameras, andere Kleidung oder ein verändertes Sortiment können die Genauigkeit senken. Für STOLL wären Ergebnisse nach Körperbau, Alter, Mobilität und relevanten Anwendungssituationen wichtig. Eine hohe mittlere Genauigkeit kann schlechte Ergebnisse für kleinere Gruppen verdecken. Das System sollte eine Empfehlung ablehnen oder zusätzliche Messungen verlangen dürfen, wenn die Daten außerhalb seines validierten Bereichs liegen. ## Erklärbarkeit und Datenschutz Eine nützliche Erklärung benennt die entscheidenden Merkmale und die verbleibende Unsicherheit. „Die Schulterzone könnte mehr Nachgiebigkeit benötigen“ ist für eine Liegeprobe hilfreicher als eine undurchsichtige Gesamtnote. Die endgültige Auswahl berücksichtigt die Rückmeldung der Person und bleibt korrigierbar. Körperbilder sind personenbezogene Daten und können je nach Verarbeitung besonders sensible Informationen enthalten. Nicht jedes Foto ist automatisch ein biometrisches Datum im besonderen rechtlichen Sinn; eine Identifikations- oder Gesundheitsauswertung kann die Anforderungen aber verändern. Die eigene Gestaltungsempfehlung lautet deshalb, nur notwendige Daten zu erfassen, lokale Verarbeitung zu bevorzugen und eine Beratung ohne Foto zu ermöglichen. [3] ## Datenleckage und scheinbar hohe Modellgenauigkeit Wenn mehrere Aufnahmen derselben Person sowohl im Training als auch im Test vorkommen, kann ein Modell wiedererkennbare Merkmale nutzen. Der Test wirkt dann unabhängiger, als er ist. Ähnliche Probleme entstehen, wenn die spätere Zielinformation indirekt bereits in den Eingaben enthalten ist. Für eine faire Bewertung werden Personen und möglichst auch Aufnahmebedingungen sauber getrennt. Zusätzlich sollte ein externer Test mit neuen Geräten oder einem anderen Standort erfolgen. Die Genauigkeit muss zur eigentlichen Aufgabe passen: Zentimeterfehler einer Körpermessung, Klassifikationsgenauigkeit einer Lage und späterer Komfort sind verschiedene Ergebnisse. Eine einzige hohe Prozentzahl kann diese Unterschiede nicht ersetzen. ## Hypothetischer Fall einer exakten H3 Empfehlung Ein Fotoalgorithmus empfiehlt H3 mit einer scheinbaren Sicherheit von 98 Prozent. Ohne Definition des Zielwerts ist diese Zahl kaum interpretierbar. Bedeutet sie Übereinstimmung mit früheren Verkäuferurteilen, mit einer Produktkategorie oder mit langfristigem Komfort? STOLL sollte die Empfehlung in prüfbare Merkmale übersetzen. Welche Körperregion benötigt voraussichtlich mehr Nachgiebigkeit, welche Modelle stehen zur Auswahl und welche Unsicherheit bleibt? Eine anschließende Liegeprobe kann die Hypothese bestätigen oder korrigieren. Eine exakte Zahl ist nur dann hilfreich, wenn ihre Bedeutung und Kalibrierung nachgewiesen sind. ## Empfehlungssystem als lernender Service Rückmeldungen nach dem Kauf können ein System verbessern, sofern sie freiwillig, strukturiert und datenschutzgerecht erhoben werden. Dabei sollten Reklamationen und Abbrüche ebenso berücksichtigt werden wie zufriedene Kunden. Sonst lernt das Modell aus einer verzerrten Auswahl. Änderungen am Sortiment, an Bezügen oder an Herstellungsprozessen können die Zuordnung verändern. Ein Modell benötigt deshalb Versionierung und erneute Prüfung. Für STOLL ist ein transparent gepflegtes Assistenzsystem plausibler als eine einmal trainierte vermeintlich universelle Körperformel. ## Vergleich ### Foto Günstige geometrische Hinweise Grenze: Perspektive und Kleidung begrenzen Aussage ### 3D Scan Detailliertere Oberfläche Grenze: Keine vollständige Gewebemechanik ### Druckmessung Belastung auf konkreter Unterlage Grenze: Kein alleiniger Komfortstandard ### Liegeprobe mit Feedback Erfasst persönliche Passung Grenze: Kurzfristig und erwartungsabhängig ## Messung ### Messfehler der Körpermaße Gegen Referenz messen Grenze: Nach Körpergruppen ausweisen ### Empfehlungsqualität Neue Personen und Produkte Grenze: Keine Datenüberschneidung ### Unsicherheit Kalibrierte Angabe oder Ablehnung Grenze: Keine Scheingenauigkeit ### Langzeitnutzen Nachbetreuung und Beschwerden Grenze: Verkaufserfolg nicht als Gesundheitsziel ## Prüfplan Ein eigener Pilot sollte zunächst gegen eine einfache transparente Beratungsregel antreten. Das Modell erhält nur notwendige Merkmale und empfiehlt mehrere plausible Optionen statt eines angeblich perfekten Ergebnisses. Eine unabhängige Gruppe prüft die Vorschläge ohne Kenntnis des Modellurteils. Nach mehreren Wochen werden Komfort und relevante Beschwerden erfasst. Trainings- und Testpersonen bleiben strikt getrennt. Änderungen am Sortiment lösen eine erneute Prüfung aus. Die Einführung erfolgt erst, wenn Nutzen gegenüber der bisherigen Beratung und Fehler in wichtigen Untergruppen nachvollziehbar sind. ## Beratung STOLL kann KI zur strukturierten Vorauswahl nutzen, sollte aber Messung, Schätzung und Empfehlung sichtbar unterscheiden. Eine alternative Beratung ohne Körperbild bleibt sinnvoll. Der Kunde erhält eine verständliche Begründung und probiert die vorgeschlagenen Systeme aus. Aussagen über einen aus dem Foto sicher bestimmten idealen Härtegrad sind ohne umfangreiche externe Validierung nicht gerechtfertigt. ## Quellen 1. [BodyMAP Jointly Predicting Body Mesh and 3D Applied Pressure Map](https://arxiv.org/abs/2404.03183) — Originale Forschungsarbeit; keine allgemeine Komfortvorhersage. 2. [Sleep Posture Detection via Embedded Machine Learning](https://www.mdpi.com/1424-8220/25/2/458) — Primärarbeit zur Positionsklassifikation. 3. [Datenschutz Grundverordnung EU 2016 679](https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX%3A32016R0679) — Primärrecht; konkrete rechtliche Einordnung hängt vom Einsatz ab.