Können Wearables den Gang von Hunden klassifizieren? Eine Studie mit 29 Hunden

Ein quellenbasierter Studienüberblick zu Inertialsensoren, maschinellem Lernen mit tiefen neuronalen Netzen und dem Unterschied zwischen Tests mit bereits bekannten Hunden und Hunden, die beim Training nicht berücksichtigt wurden.

Forschung und Evidenz | Studienüberblick | Aktualisiert am 1. September 2026

Die kurze Antwort

Eine Studie aus dem Jahr 2026 Scientific Reports zeigte, dass ein Forschungsmodell drei Gruppen anhand kontrollierter Gangaufzeichnungen klassifizieren konnte: gesunde Hunde, Hunde mit orthopädischen Erkrankungen und Hunde mit neurologischen Erkrankungen. Bei einer zufälligen Aufteilung der Studiendaten lag die höchste Genauigkeit bei der Klassifikation in drei Gruppen bei 0.960. Wenn die Forschenden jeweils alle Aufzeichnungen einzelner Hunde zum Testen zurückhielten, lag die höchste berichtete Genauigkeit bei der binären Klassifikation bei 0.849 und bei der Klassifikation in drei Gruppen bei 0.800. Für die in der Studie untersuchte Unterscheidung zwischen orthopädischen und neurologischen Erkrankungen lag die höchste Genauigkeit bei Hunden, die im Training nicht vorkamen, bei 0.893.

Diese Zahlen beziehen sich auf ein einzelnes Forschungsmodell, eine kleine Hundegruppe sowie bestimmte Protokolle für Gehen und Traben. Sie validieren kein für Verbraucher bestimmtes Wearable, ermöglichen keine Diagnose zu Hause und zeigen nicht, dass ein Hund gefahrlos trainieren kann, nur weil ein Gerät eine eindeutige Klassifikation ausgibt.

Dieser Überblick geht folgenden Fragen nach: Wie setzte die Studie tragbare Inertialsensoren und tiefe neuronale Lernverfahren ein, um das Gangbild von Hunden zu klassifizieren, und was änderte sich, wenn das Modell auf einen Hund traf, den es im Training noch nicht gesehen hatte?

Was die Studie gemessen hat

Palez und Kollegen untersuchten 29 Hunde an der Klinik für Kleintiere der Stiftung Tierärztliche Hochschule Hannover. Die Gruppe umfasste 17 gesunde Hunde, 6 Hunde mit orthopädischen Erkrankungen und 6 Hunde mit neurologischen Erkrankungen. Die Zuordnung zu den klinischen Gruppen basierte auf allgemeinen, orthopädischen und neurologischen Untersuchungen. Bei einigen neurologischen Fällen wurde zusätzlich eine Magnetresonanztomografie durchgeführt, um die klinische Beurteilung zu unterstützen.

Die Aufzeichnungen entstanden in einem kontrollierten Testbereich. Die Hunde bewegten sich unter Führung an der Leine auf demselben Laufweg. Das Protokoll umfasste Gehen und Traben. Die Forschenden verwendeten inertiale Messeinheiten Xsens Movella DOT, die Beschleunigungs- und Kreiselsignale mit 120 Hz aufzeichneten. Sie testeten Sensoren am oberen Kopfbereich oder am oberen Rücken, am unteren Rücken nahe der Rute, am Hals beziehungsweise Halsband sowie in einer Kombination aller drei Positionen.

Das Modell erhielt sechs Signalkanäle: drei vom Beschleunigungssensor und drei vom Kreiselsensor. Die Studie verwendete ein kleines eindimensionales Faltungsnetzwerk, auf das vollständig verbundene Schichten folgten. Über alle Modelldaten hinweg berichten die Forschenden von 193 Minuten Aufzeichnungen, von denen 154 Minuten zum Training und 39 Minuten zum Testen verwendet wurden.

Die Veröffentlichung untersuchte drei miteinander verbundene Klassifikationsfragen:

1. Kann das Modell gesunde Hunde, Hunde mit orthopädischen Erkrankungen und Hunde mit neurologischen Erkrankungen voneinander unterscheiden?
2. Kann es gesunde Hunde von den beiden zusammengefassten Gruppen mit diagnostizierten Erkrankungen unterscheiden?
3. Kann es innerhalb der Hunde mit diagnostizierten Erkrankungen die orthopädische von der neurologischen Gruppe unterscheiden?

Die dritte Frage bezeichnet in dieser Veröffentlichung eine Forschungsklassifikation. Sie bedeutet nicht, dass das Modell bei einem neuen Hund im Wohnzimmer eine Diagnose stellen kann.

Warum die Aufteilung der Testdaten wichtig ist

Zunächst verwendete die Veröffentlichung eine zufällige Aufteilung im Verhältnis 80/20. Dabei wird geprüft, wie gut das Modell funktioniert, wenn Trainings- und Testdaten aus derselben Gruppe aufgezeichneter Hunde stammen. Das ist nützlich, um die Leistung innerhalb der Studie zu messen, beantwortet aber nicht die Frage, wie sich das Modell bei einem vollständig neuen Hund verhalten wird.

Anschließend verwendeten die Forschenden eine Kreuzvalidierung, bei der jeweils ein Hund ausgelassen wurde. In jeder Runde wurden sämtliche Aufzeichnungen eines Hundes zum Testen zurückgehalten, während das Modell mit den Daten der anderen Hunde trainiert wurde. Kein Zeitfenster des zurückgehaltenen Hundes gelangte in den Trainingsdatensatz. Das ist ein anspruchsvollerer Test für individuelle Unterschiede.

Die Übersichtstabelle der Veröffentlichung nennt die folgenden besten Kombinationen aus Sensor und Bewegungsablauf:

Die Tabelle macht zwei Punkte besonders deutlich. Erstens beziehen sich Genauigkeit und F1-Wert immer auf eine bestimmte Aufgabe und Versuchsanordnung. Zweitens verändert sich das Ergebnis, wenn das Modell auf einen Hund verallgemeinert werden muss, dessen Daten nicht in den Trainingsdaten enthalten waren.

Was das Modell gelernt hat – und was damit nicht bewiesen ist

Die Studie belegt eine eng begrenzte Erkenntnis: Muster in Trägheitssignalen können einem Modell dabei helfen, die in diesem Datensatz vertretenen Gruppen zu unterscheiden. Die Platzierung der Sensoren und das Bewegungsprotokoll beeinflussten das Ergebnis. Die beste Kombination für eine Aufgabe war nicht automatisch auch die beste für eine andere.

Der Unterschied zwischen der zufälligen Aufteilung und dem Test mit zuvor nicht gesehenen Hunden ist ebenso wichtig wie der hohe Messwert. Hunde unterscheiden sich in Größe, Körperform, Gangstrategie und ihrer Fähigkeit, ein vorgegebenes Protokoll zu absolvieren. Ein Modell, das bei Aufzeichnungen vertrauter Hunde gute Ergebnisse erzielt, benötigt möglicherweise mehr Daten und umfangreichere Tests, bevor es zuverlässig auf neue Hunde angewendet werden kann.

Die Studie zeigt nicht, dass:

• ein Aktivitätstracker für den Heimgebrauch orthopädische oder neurologische Erkrankungen erkennen kann;
• eine Aufzeichnung zu Hause eine tierärztliche Untersuchung ersetzen kann;
• jede Rasse, Körperform oder jedes Gangbild in dieser Stichprobe vertreten ist;
• das Ergebnis eines Geräts einer Familie sagen kann, ob Bewegung sicher ist; oder
• die angegebenen Zahlen eine Rangliste für Wearables für Haustiere darstellen.

Die Autoren beschreiben den Ansatz als potenziell hilfreich für die klinische Unterstützung. Das ist eine mögliche Richtung für die Forschung und kein Beleg dafür, dass das Modell für den Einsatz im häuslichen Umfeld validiert wurde. Der Datensatz der Studie ist kein öffentlich zugänglicher Vergleichsmaßstab für Verbraucher. Die Autoren geben an, dass der entsprechende Autor ihn auf angemessene Anfrage zur Verfügung stellt.

Eine Einschränkung, die die Einordnung verändert

Nur zwei Hunde aus der neurologischen Gruppe konnten traben. Mehrere erkrankte Hunde konnten das Trabprotokoll nicht abschließen, sodass die Trab-Szenarien deutlich unausgewogen waren. Das ist wichtig, wenn die besten Werte in einer Zeile zum Traben erscheinen.

Außerdem war die Stichprobe klein und wurde in einer kontrollierten klinischen Umgebung erhoben. Eine Leine, ein vertrauter Weg, eine festgelegte Strecke und eine bestimmte Position des Sensors sind Bestandteil der Messung. Sie sind keine nebensächlichen Details, die man außer Acht lassen kann, wenn ein Ergebnis auf ein Zuhause, einen Park oder eine Klinik mit anderer Ausstattung übertragen wird.

Die Studie berichtet außerdem einen Unterschied zwischen der Leistung innerhalb der Stichprobe und der Leistung bei zuvor nicht gesehenen Hunden. Dieser Unterschied entspricht einer grundlegenden Regel bei der Bewertung von Forschung mit Tiersensorik: Entscheidend ist oft der einzelne Hund – nicht nur die Anzahl kurzer Signalabschnitte, die von diesem Hund stammen.

Fragen zu künftigen Aussagen über Wearables

Wenn ein Produkt aus dem Bereich der Heimtier-Technologie einen Gang- oder Gesundheitswert angibt, sollten Sie zunächst fragen, was das Modell klassifizieren soll. Fragen Sie anschließend, wie viele Hunde die Daten geliefert haben, welche Rassen und Erkrankungen einbezogen wurden, ob ganze Hunde für die Prüfung zurückgehalten wurden, welche Bewegung der Hund ausführen musste und ob der Test mit neuen Hunden in neuen Umgebungen durchgeführt wurde.

Die Genauigkeit allein kann diese Fragen nicht beantworten. Auch F1-Wert, Sensitivität, Präzision und Konfidenzintervalle müssen im Zusammenhang mit ihrer Aufgabe, Population und Aufteilung betrachtet werden. Ein Wert aus einem kontrollierten Forschungsdatensatz ist ein Beleg für genau diesen Datensatz. Er ist kein allgemeines Versprechen für jeden Hund, der ein Gerät trägt.

Eine wichtige Grenze für Tierhalterinnen und Tierhalter

Wenn Sie eine neue oder zunehmende Veränderung im Gangbild Ihres Hundes bemerken, sollten Sie sie als Beobachtung betrachten und mit einer Tierärztin oder einem Tierarzt besprechen. Eine kurze Aufnahme kann dabei helfen zu beschreiben, was Sie gesehen haben, aber ein Forschungswert kann die Ursache nicht feststellen. Verwenden Sie die Geräteklassifizierung nicht, um eine Behandlung hinauszuzögern oder zu entscheiden, dass Bewegung unbedenklich ist.

Praktische Informationen zur Pflege finden Sie in unserem Ratgeber zu Verletzungen des Sprunggelenks beim Hund. Das ist eine andere Frage als die, die dieser Studienüberblick beantwortet: Aus einer Forschungskennzahl eines Modells lassen sich keine Pflegeempfehlungen ableiten.

Zusammenfassung

Diese Studie ist hilfreich, weil sie eine Frage untersucht, die leicht zu stark zu vereinfachen ist. Tragbare Inertialsensoren erfassten Bewegungen, und ein Deep-Learning-Modell erkannte Muster, anhand derer sich die in der Studie definierten Gruppen voneinander unterscheiden ließen. Der Test mit zuvor nicht gesehenen Hunden zeigte anschließend, warum die ursprüngliche Stichprobe und das Studiendesign der Auswertung immer gemeinsam mit dem Ergebnis betrachtet werden müssen.

Die verantwortungsvolle Schlussfolgerung fällt zurückhaltend aus. Modelle zur Analyse des Hundegangbilds können Forschenden dabei helfen, Bewegungen unter festgelegten Bedingungen zu quantifizieren. Die Studie belegt weder ein Diagnosetool für zu Hause noch einen universell gültigen Gangwert oder eine Garantie für sicheres Training. Bei künftigen Aussagen sollten Sie auf eine Trennung auf Hundeebene, eine Validierung mit neuen Hunden, klare Kennzeichnungen und eine professionelle Möglichkeit zur Einordnung tatsächlicher Bewegungsveränderungen achten.

Vom Studienergebnis zu einem nützlichen Signal

Ein Wearable-Ergebnis wird aussagekräftiger, wenn es mit der normalen Bewegung desselben Hundes verglichen werden kann. Dafür sollten Untergrund, Tempo, Bewegungsrichtung und Tageszeit festgehalten werden. Anschließend sollte man nach einem Muster suchen, statt auf einen einzigen ungewöhnlichen Durchgang zu reagieren. Ein Gerät kann dabei helfen, Bewegungen aufzuzeichnen – es entscheidet jedoch nicht, ob eine Veränderung bei einem einzelnen Hund von Bedeutung ist.

Die praktische Grenze ist daher klar. Halterinnen und Halter können eine Messung nutzen, um eine Frage zu erkennen und sie einer Fachperson genauer zu beschreiben. Sie sollten eine Studienklassifizierung jedoch nicht als Diagnose für zu Hause verwenden und einen Gerätewert nicht als Ersatz für eine Untersuchung betrachten. Der Wert liegt in einem besseren Gespräch auf Grundlage wiederholter Beobachtungen, die im jeweiligen Kontext betrachtet werden.

Quellen und Hinweis zur Aktualisierung

Der Ausgangsartikel und die relevanten Tabellen wurden am 1. September 2026 geprüft. Dieser Überblick bezieht sich auf eine einzelne Studie und ist weder eine systematische Übersichtsarbeit noch eine Metaanalyse. Der Artikel beschreibt die Stichprobe, Methoden und Kennzahlen der Studie einschließlich des jeweiligen Aufgaben- und Testkontexts. Unsere Interpretation ist als solche gekennzeichnet, wenn sie über das unmittelbare Ergebnis der Studie hinausgeht.

1. Palez, N., Straß, L., Meller, S. et al. „Ganganalyse bei Hunden mithilfe von Inertialsensoren und tiefen neuronalen Lernverfahren zur Untersuchung orthopädischer und neurologischer Erkrankungen.“ Scientific Reports 16, 13966 (2026). Nature-Eintrag
2. Tabelle 5: Leistung der Mehrklassenklassifikation im Generalisierungsszenario
3. Tabelle 6: Zusammenfassung der wichtigsten Klassifikationsergebnisse

Dieser Artikel dient ausschließlich der Information und bietet weder eine tierärztliche Diagnose noch Behandlungsempfehlungen.