Ich habe 35 Supplemente und 2 Jahre HRV-Daten getrackt. Das Ergebnis hat mich überrascht.

Ich wollte den Artikel schreiben, den jeder Biohacking-Blog verspricht und nie liefert.

„Zwei Jahre persönliche HRV-Daten. 35 Supplemente, sortiert nach Effektstärke. Statistisch validiert. Keine Bro-Science.”

Ich hatte die Daten. Ich hatte die Disziplin, alles zu tracken. Ich setzte mich hin, in der Erwartung, ein sauberes Ranking zu veröffentlichen — Gewinner oben, teure Enttäuschungen unten, ein paar klare Empfehlungen. Die Art von Post, die auf Twitter geteilt wird.

Diesen Artikel veröffentliche ich nicht. Denn sobald ich die Zahlen sauber durchgerechnet hatte, löste sich das Ranking auf — zweimal.

Was folgt, ist ein langer Walkthrough durch das, was 576 Tage Whoop-HRV (Hintergrund: Herzfrequenzvariabilität als Recovery-Biomarker) plus 38 dokumentierte Supplement-Einnahmephasen tatsächlich zu schlussfolgern erlauben. Es ist gleichzeitig eine Fallstudie darüber, wie eine sorgfältig wirkende N=1-Analyse die Person täuschen kann, die sie selbst durchführt — selbst wenn diese Person aufmerksam ist. Ich habe zwei Methodik-Fehler gemacht, die fast überlebt hätten. Beide habe ich erwischt. Es sind genau die Fehler, die jeder „Ich habe X probiert und mein HRV ist um Y% gestiegen”-Post im Internet unsichtbar macht.

Der Datensatz

Die Logging-Disziplin war der einfache Teil: Jede Supplement-Bestellung von Amazon wurde via einfachem Import-Skript einer start_date → end_date-Phase zugeordnet. Whoop syncht durchgehend. Zwei Jahre Daten, hands-off.

Was ich nicht granular genug getrackt habe — und das stellte sich als wichtiger heraus als das Tracking selbst —, war: Alkohol in Gramm pro Tag, subjektiver Stress auf einer 1–10-Skala, Reisetage, Entzündungsmarker, und eine nicht-Supplement-bezogene Variable, die ich später erwähne. Darauf kommen wir zurück.

Versuch 1: Die naive Analyse

Der offensichtliche Ansatz: Für jedes Supplement die HRV während des Einnahme-Fensters mit einer Baseline-Phase davor vergleichen.

28-Tage-Pre-Baseline. Welch’s t-test für ungleiche Varianzen. Mann-Whitney-U als nicht-parametrisches Backup. Cohen’s d für die Effektstärke. Standard-Playbook.

Das produzierte Ranking, oberer Teil:

Ein Cohen’s d über 1,5 ist in der klinischen Forschung ein massiver Effekt — größer als die meisten verschreibungspflichtigen Antihypertensiva, größer als Koffein auf Wachheit.

Hätte ich hier gestoppt, würde ich dir gerade erzählen, dass Lecithin (ein Phospholipid, das du aus zwei Eiern bekommst) meinen HRV um 78 % erhöht hat, p < 0,001.

Zwei Dinge haben mich davor bewahrt, das zu veröffentlichen.

Hinweis 1: Mehrere Supplemente mit identischen Effektstärken

Schau genauer hin. Sonnenblumen-Lecithin und L-Tyrosin zeigen exakt dieselben +32,4 ms. Butea Superba und Magnesium-Bisglycinat zeigen exakt dieselben +26,7 ms (weiter unten in der Liste).

Warum? Weil ich sie am gleichen Tag begonnen habe. Sie teilen sich dasselbe Einnahme-Fenster. Sie teilen sich dieselbe Pre-Baseline. Die Mathematik hat keine Möglichkeit, den Effekt einem von beiden zuzuordnen.

Tatsächlich: Während des Lecithin-Fensters waren durchschnittlich 14,2 andere Supplemente gleichzeitig aktiv. Der „Lecithin-Effekt” ist der Effekt von was auch immer in meinem Körper passierte ab Ende November 2025 — was Lecithin einschließt, aber sich keineswegs darauf reduzieren lässt.

Hinweis 2: Die Pre-Baseline war keine Baseline

Ich habe die monatlichen HRV-Durchschnitte über das gesamte 19-Monats-Fenster geplottet. Hier ist alles zusammengebrochen.

Mein HRV vollzog eine 19-monatige U-Kurve. Von 87 ms Ende 2024, runter auf 41 ms im August 2025, wieder hoch auf 82 ms Anfang 2026. Ein Schwung von mehr als 45 ms — grob 2 Standardabweichungen des gesamten Datensatzes.

Dieser Tiefpunkt stellt alles in den Schatten, was ein einzelnes Supplement plausibel bewirken könnte. Und ich habe die meisten der „gewinnenden” Supplemente zwischen Oktober und Dezember 2025 begonnen — genau am Boden der U-Kurve. Ihre Pre-Baseline-Fenster fingen den Tiefpunkt ein; ihre Einnahme-Fenster fingen die Erholung zurück zur Normalität ein. Die Supplemente bekamen die Lorbeeren für Biologie, die ohnehin passiert wäre.

Die erste Lektion war im Nachhinein offensichtlich: Vorher-Nachher-Analysen sind in einem trendenden Datensatz strukturell kaputt. Was auch immer die U-Kurve verursacht hat, musste kontrolliert werden, nicht mit eingerechnet.

Versuch 2: Den Trend kontrollieren

Wenn die HRV-Bahn ihre eigene langsame Dynamik hat, ist der richtige Vergleich nicht „während des Supplements vs. die 4 Wochen davor”, sondern „während des Supplements vs. was HRV ohnehin getan hätte.”

Ich habe das mit einer rollenden 60-Tage-Median-Baseline implementiert: Für jeden Tag wird der erwartete HRV aus den umliegenden 60 Tagen berechnet. Dann berechne ich das tägliche Residuum — wie weit dieser Tag von seiner lokalen Erwartung abweicht. Ein echter Supplement-Effekt würde sich als positive (oder negative) systematische Verschiebung der Residuen im Einnahme-Fenster zeigen, mit Konfidenzintervallen, die die Null nicht einschließen.

Ich habe jedes Fenster 1000-mal gebootstrappt, um ein sauberes 95-%-Konfidenzintervall zu bekommen.

Das Ergebnis, sortiert nach Residuum:

Von 33 Supplement-Phasen mit ausreichenden Daten erreichte genau eine statistische Signifikanz. Und sie war negativ.

Der +32-ms-Lecithin-Effekt — weg. Der +27-ms-Magnesium-Effekt — weg. CoQ10, Tyrosin, PEA, P5P, Butea Superba — alle im Rauschen. Fast das gesamte Ranking aus Versuch 1 kollabierte in ein Konfidenzintervall, das die Null einschließt.

Ich hätte fast hier aufgehört. Zwei Analysen, eine Schlussfolgerung: Die meisten „Effekte” sind Timing-Artefakte. Sauber genug für einen Artikel.

Dann musste ich mich noch um eine Sache kümmern.

Versuch 3: Der Confound, den ich ausschließen musste

Es gibt eine Strecke in der Mitte meiner 19 Monate, während der eine nicht-Supplement-bezogene Variable in meinem Leben offensichtlich meinen HRV beeinflusste. Sie ist außerhalb des Themas dieses Artikels, und ich werde die Details nicht teilen — aber sie muss kontrolliert werden, deshalb markiere ich sie.

Die methodisch relevante Tatsache ist einfach: Während dieses Fensters wurde mein HRV von etwas bewegt, das nichts mit den Supplementen zu tun hatte, die ich untersuchte.

Das bedeutet zweierlei:

1. Jedes Supplement, dessen Einnahme-Fenster sich mit der Confound-Phase überlappte, hatte einen negativen Bias in seinem gemessenen Effekt — seine „Während”-Tage waren künstlich komprimiert.
2. Jedes Supplement, dessen Pre-Baseline direkt nach der Confound-Phase endete, hatte einen positiven Bias — seine Baseline fing die unterdrückten Tage ein, und sein Einnahme-Fenster fing die Regression zurück zu meiner tatsächlichen Baseline ein.

Der zweite Fall ist der gefährliche. Er ist der Grund, warum sechs Supplemente, die ich zwischen Ende Oktober und Ende November 2025 begann, riesige naive Effekte zeigten: Ihre Pre-Baselines lagen in einem confoundeten Tal, und ihre Während-Fenster lagen auf der Erholungsklippe heraus.

Zahlen am Confound

Ich habe die Analyse mit HRV-Medianen aus zwei sauberen Fenstern auf beiden Seiten der Confound-Phase verankert:

• Pre-Anker (die Monate vor der Confound-Phase): Median-HRV 60,0 ms (n=87 Tage)
• Post-Anker (die Monate nach der Confound-Phase): Median-HRV 58,1 ms (n=92 Tage)
• Tatsächlicher HRV während des Confound-Fensters: Median 52,2 ms (n=153 Tage)

Lineare Interpolation zwischen den Ankern sagt, HRV hätte während des Confound-Fensters bei etwa 59 ms „sein sollen”. Tatsächlich waren es 52 ms. Der Confound hat mich in dieser Phase im Schnitt etwa 7 ms HRV gekostet.

Ein kleiner, aber realer Effekt — und wichtig: kleiner als die volle 45-ms-U-Kurve. Das bedeutet: Der Großteil der U-Kurve wird NICHT durch diesen Confound erklärt. Der Abfall von 87 → 60 ms von Ende 2024 bis Anfang 2025 passierte, bevor die Confound-Phase begann. Der Anstieg von 58 → 82 ms ab Ende 2025 passierte komplett, nachdem sie endete. Der Confound fügte etwa 7 ms zusätzliche Kompression auf eine bereits existierende langsame Drift hinzu.

Das ist wichtig, weil es bedeutet, dass das Methodik-Problem aus Versuch 1 mit oder ohne den Confound real ist. Das Detrending in Versuch 2 war trotzdem notwendig.

Die Analyse zweifach neu laufen lassen

Ich habe den Confound auf zwei Arten korrigiert und verglichen:

Ansatz C — Harte Exklusion. Jeden Tag innerhalb des Confound-Fensters sowohl aus der Baseline als auch aus dem Einnahme-Fenster entfernen. Wenn eine Phase zu viele Tage verliert, um statistisch aussagekräftig zu sein, als „unzureichend” markieren. Das ist die konservativste Korrektur, zum Preis, dass einige Phasen unanalysierbar werden.

Ansatz D — Offset-Korrektur. Auf jeden Tag innerhalb des Confound-Fensters +6,85 ms aufaddieren (der Offset, der den tatsächlichen Fenster-Mittelwert auf die interpolierte Erwartung zurückbringt). Dann sowohl die naive Vorher-Während-Analyse ALS AUCH die rollende-Median-Residuen-Analyse auf der korrigierten Tagesserie neu laufen lassen. Das erhält alle Daten und tauscht eine kleine Modellannahme gegen statistische Power.

Beide Ansätze waren sich einig:

Was sich geändert hat:

• Die „Kreatin senkt HRV”-Story war falsch. Das Kreatin-Fenster 2025 lag zu 76 % innerhalb der Confound-Phase. Sobald du das korrigierst, fällt der scheinbare Effekt von -12 ms auf -7 ms (naiv) und auf +0,9 ms (detrendet, kein Effekt). Kreatin tat nichts mit meinem HRV — der Confound tat es.

• Die „Taurin hebt HRV um 25 ms”-Story war falsch. Taurin im August 2025 zu beginnen bedeutete, dass seine Baseline am Tiefpunkt des Trogs lag und sein Während-Fenster den gesamten Erholungsaufstieg abdeckte. Mit Offset-Korrektur schrumpft der Effekt auf +19 ms naiv; mit Detrending geht er auf buchstäblich Null. Taurin sah wie ein Top-5-Gewinner des gesamten Datensatzes aus. War es nicht.

• CoQ10 hat lautlos das Vorzeichen gewechselt. Naive Analyse sagte +2 ms; Offset-korrigiert sagte -3,7 ms; detrendet sagt Rauschen. Das naive Ergebnis war nicht mal ein „echter” Gewinner, und das korrigierte ist auch kein echter Verlierer. Aber der Vorzeichenwechsel ist eine nützliche Warnung: In einem confoundeten Datensatz sind selbst kleine naive Effekte in ihrer Richtung unzuverlässig.

• Die großen November-2025-Gewinner haben sich nicht geändert. Sonnenblumen-Lecithin, L-Tyrosin, P5P, PEA, Magnesium — ihre Startdaten liegen alle nach dem Confound-Fenster, sodass weder Hard Exclude noch Offset-Korrektur ihre naiven Zahlen ändert. Sie wurden bereits durch die detrendete Analyse erklärt (null Effekt nach Kontrolle für langsame Drift). Die Confound-Korrektur fügt weder Evidenz hinzu noch zieht sie welche ab; das Detrending hat bereits gezeigt, dass sie Artefakte waren.

Nach allen drei Korrekturen — Drift, Confound, multiple Vergleiche — zeigte genau eine Phase im gesamten 19-Monats-Datensatz noch einen statistisch signifikanten Effekt. Dieselbe wie zuvor: Omega-3 Algenöl, 21 Tage, -14 ms Residuum, 95-%-KI [-18,1, -9,6]. Und dieses Ergebnis ist mit ziemlicher Sicherheit ein Rand-Artefakt: Das 21-Tage-Fenster war zu kurz für eine stabile rollende Baseline, und diese spezifischen Tage fielen zufällig auf die zwei schlechtesten HRV-Wochen des gesamten Datensatzes (Kalenderwochen 43–45 des Jahres 2025). Das Algenöl verursachte den Einbruch nicht — es war einfach während des Einbruchs präsent.

Von 38 dokumentierten Einnahme-Phasen, mit drei unabhängigen statistischen Korrekturen angewendet, ist die Supplement-Evidenz konsistent mit: nichts Detektierbarem.

Warum N=1-Supplement-Analyse so schwer ist

Eine faire Frage nach so weit Lesen: „Warum dann überhaupt tracken?”

Weil der Datensatz eine Sache sehr klar bewiesen hat: Die Methodik, die in 99 % der Online-Supplement-Selbstversuche verwendet wird, funktioniert nicht.

Wenn jemand tweetet „Ich habe X begonnen und mein HRV ist um 15 % gestiegen”, dann macht er fast immer eines davon:

Falle 1: Die Baseline ist zu kurz

Eine 7- oder 14-Tage-Pre-Baseline kann persönliche Rhythmen nicht einfangen. Wenn die Woche davor zufällig stressig war, bekommt das Supplement die Lorbeeren für die Regression des Stresses. Mein HRV hatte eine 45-ms-U-Kurve über 19 Monate. Jeder mit einem normalen Leben hat mindestens 10–20-ms-Zyklen über Wochen.

Falle 2: Sie starten mehrere Supplemente gleichzeitig

Ich habe im November 2025 sechs Supplemente in einem Fünf-Tages-Fenster hinzugefügt. Die Daten können sie physisch nicht auseinanderhalten. Wenn du Magnesium, Ashwagandha und Omega-3 in derselben Woche startest und dein HRV steigt, hast du gelernt: „Mehr Zeug zu meiner Morgenroutine hinzufügen korreliert damit, dass ich mich besser fühle” — was hauptsächlich Placebo-nah ist.

Falle 3: Sie kontrollieren nicht für andere Änderungen

Die meisten „Supplement hat gewirkt!”-Stories sind confoundet durch: besseren Schlaf in dieser Woche, eine Deload-Woche im Training, Erholung von einer Erkältung, weniger Alkohol, eine neue Beziehung, heißes Wetter (HRV ist temperaturempfindlich), Reisen, oder — in meinem Fall — eine nicht-Supplement-bezogene Variable im Leben. Diese Variablen siehst du im Screenshot nicht.

Der Confound in meinem Datensatz ist genau die Art Sache, in die jeder ehrliche Selbstexperimentator irgendwann hineinläuft. Das echte Leben ist nicht RCT-sauber. Die Disziplin besteht nicht darin, so zu tun, als gäbe es die Confounds nicht — sondern darin, bereit zu sein, sie zu markieren und herauszuschneiden.

Falle 4: Sie veröffentlichen die Siege, nicht die Niederlagen

Diese ist die schlimmste. Hätte ich die naive Analyse oben veröffentlicht, wäre meine „Lecithin +78 %“-Behauptung schon auf Twitter. Ich würde nie veröffentlichen, dass derselbe Datensatz sagt, Kreatin habe meinen HRV in seinem 198-Tage-Fenster 2025 um 19 % gesenkt — auch „statistisch signifikant”, auch ein komplettes Artefakt von Timing und einem unrelated Confound.

Selection Bias × schlechte Methodik = eine Industrie.

Was die Daten bewiesen haben

Trotz des Negativergebnisses hat mir die Analyse echte Dinge beigebracht:

1. Langsame HRV-Drift existiert und dominiert

Eine 45-ms-U-Kurve über 19 Monate bedeutet, dass HRV seine eigene Dynamik auf Zeitskalen hat, die länger sind als die meisten Supplement-Versuche. Selbst nach Korrektur für den unrelated Confound ist die verbleibende langsame Drift immer noch enorm. Entweder du testest >6 Monate mit rotierenden On/Off-Blöcken, oder du testest gar nicht.

2. Supplement-Stacks von 15+ sind unanalysierbar

Ich nehme aktuell täglich 17 Dinge. Selbst wenn 3 davon wirken, kann ich nicht sagen, welche 3. Die Informationskosten, ein weiteres Supplement zu einem aktiven Stack hinzuzufügen, sind ungefähr null. Du kannst nur von Supplementen lernen, die du isoliert nimmst.

3. Training, Schlaf und Lebensereignisse zählen mehr, als ich zugeben will

Über die 19 Monate korrelierte der Tag-zu-Tag-HRV stärker mit dem Strain und der Schlafdauer des Vortags als mit irgendeinem Supplement-Flag. Die größten HRV-Bewegungen, die ich erklären kann, kamen von einer Urlaubswoche (Whoop-7-Tages-Durchschnitt sprang 12 ms) und von einer Strecke von 3 Nächten unter 5 Stunden Schlaf (Whoop fiel 18 ms).

Die CoQ10-Frage ist im Vakuum interessant. Sie ist nicht interessant verglichen mit hast du letzte Nacht 7 Stunden geschlafen?.

4. Die Supplemente mit echter RCT-Evidenz gehen nirgendwo hin

Ich höre nicht auf zu nehmen:

• Kreatin-Monohydrat — 30+ Jahre solide Evidenz für Kraft, Kognition, Neuroprotektion. Mein N=1 kann einen 0,5-ms-HRV-Effekt nicht detektieren; das heißt nicht, dass er nicht real ist. (Und wie wir gesehen haben, war der scheinbare „Kreatin senkte HRV”-Fund ein Confound, kein Ergebnis.)
• Omega-3 (EPA+DHA aus Fischöl) — kardiovaskuläre und entzündungshemmende Evidenz ist robust. Ich habe mitten im Jahr das Produkt gewechselt, was einer der Gründe ist, warum die „Algenöl”-Phase in dieser Analyse seltsam aussieht.
• Vitamin D3 — ich lebe auf 47° nördlicher Breite; mein Serumspiegel war vor der Supplementierung 18 ng/mL. Das ist Endokrinologie, kein Biohacking.
• Magnesium-Glycinat — der Effekt auf die Einschlafzeit ist plausibel, aber die Evidenz in meinem Datensatz kommt nicht aus dem HRV; sie kommt aus der subjektiven Einschlaflatenz.

Das Entscheidungskriterium ist nicht „ist mein Whoop gestiegen?”. Es ist „macht Mechanismus + Literatur + Kosten + Nebenwirkungsprofil das hier rational?” (Wer mit dem grundlegenden Setup anfangen will, statt erst 35 Supplemente zu kaufen, ist mit dem Biohacking Starter Kit besser bedient — ich hätte gewünscht, ich hätte 2023 dort angefangen.)

5. Was ich streiche

Nach dieser Analyse, meine Streichliste:

• Butea Superba (thailändisches Kraut) — keine RCT-Evidenz bei Männern mit normalem endokrinem Baseline-Status, meine Daten sind nicht interpretierbar, 30 € im Monat kaufen nichts.
• Lecithin in der Dosis, die ich genommen habe — Cholin-Status war über die Ernährung schon in Ordnung; die „Phospholipid-für-Kognition”-Verkaufsmasche hält bei sub-therapeutischen Dosen nicht stand.
• Uridinmonophosphat — die Evidenz für kognitive Verbesserung ist außerhalb spezifischer klinischer Populationen wackelig; ich kann keinen Effekt detektieren.
• Astaxanthin — ich liebe die Antioxidans-Story; mein Datensatz kann es bei Consumer-Dosen nicht von Placebo unterscheiden.

Das sind ~80 € im Monat zurück. Die Ersparnis finanziert die kontrollierte Crossover-Studie, die ich als Nächstes aufsetze.

Was ich für Jahr 3 anders mache

Konkret werden die nächsten 12 Monate Datensammlung anders aussehen:

Besseres tägliches Logging (One-Tap-Einträge jeden Abend):

• Alkohol in Gramm
• Subjektiver Stress 1–10
• Reisetag ja/nein
• Größere nicht-Supplement-bezogene Lifestyle-Änderungen (damit das nächste Confound-Fenster markiert wird, bevor es die Analyse kontaminiert, nicht danach)
• Ruhepuls-Varianz

Entzündungsmarker quartalsweise hinzufügen: hs-CRP, IL-6, Homocystein. Wenn ein Supplement systemisch etwas tut, zeigt es sich meist in Entzündungsmarkern, bevor es im HRV erscheint. (Eine andere Variable, die ich erst ein Jahr nach Start des Trackings begonnen habe zu monitoren, ist Blutzucker — siehe mein CGM-Experiment beim Kraftsport, das gezeigt hat, wie stark postprandiale Glukose-Spikes die nächtliche HRV drücken können.)

N=1-Crossover-Design:

2–3 Kandidaten-Supplemente auswählen, die ich ehrlich evaluieren will (aktuelle Shortlist: CoQ10, Ashwagandha-KSM-66, Bergamotte). Für jedes davon:

• 4 Wochen ON / 4 Wochen OFF / 4 Wochen ON / 4 Wochen OFF
• Während jeder ON/OFF-Transition nichts anderes am Stack ändern
• Wo möglich verblindet — Kapseln in unmarkierte Vials umpacken
• Die Hypothese (HRV-Delta on vs off) vor dem Start präregistrieren

Das sind 16 Wochen pro Supplement, mit 2–3 parallel = grob ein Jahr echte Daten. Das Ergebnis bleibt N=1. Aber es wird N=1 auf dem Niveau, das die Frage verdient.

Tägliches Whoop-Logging weiterführen. Dieser Teil des Systems hat tatsächlich funktioniert. Mein aktuelles Setup nutzt mittlerweile das Whoop-5-Upgrade für längere Akkulaufzeit; die HRV-Werte sind nach den ersten Firmware-Updates wieder konsistent mit der 4.0-Baseline. (Wer sich generell durch die aktuelle Wearable-Landschaft orientieren will: Wearable-Vergleich 2026 oder der direkte Smart-Ring-Vergleich Oura 4 vs RingConn vs Ultrahuman. Für längere Selbstversuche ohne Abo-Falle ist mittlerweile der Ultrahuman Ring Pro mit 15 Tagen Akku die spannendste Alternative — gleicher HRV-Output, halbe Lade-Frequenz, kein Membership-Modell.)

Die harte Wahrheit über Self-Quantified-Supplementierung

Die Supplement-Industrie ist ~170 Milliarden Dollar wert. Das Volumen an „Ich habe das probiert und fühlte mich super”-Content online ist im Grunde unendlich. Die Menge an tatsächlichen Daten ist mikroskopisch klein, und das meiste davon — inklusive der ersten beiden Analysen, die ich fast veröffentlicht hätte — ist kontaminiert durch genau die methodischen Fehler, die ich oben beschrieben habe.

Der richtige Standard für eine N=1-Schlussfolgerung ist derselbe wie für einen RCT: Könnte ein nüchterner Mensch diese Daten anschauen und meiner Schlussfolgerung widersprechen? Wenn ja, ist die Schlussfolgerung nicht reif.

Nach zwei Jahren und 35 Supplementen, drei Runden statistischer Korrektur und einem Confound, den ich gesondert anerkennen musste, habe ich einen Befund, dem ich vertraue:

Ich kann aus einer Vorher-Während-Analyse HRV-Änderungen nicht zuverlässig einzelnen Supplementen zuordnen, wenn diese Supplemente neben 10+ anderen genommen werden, gegen eine Baseline aus langsamer Drift, und mit mindestens einer unrelated Lebensvariable, die ich separat kontrollieren muss.

Das war’s. Das ist der Artikel.

Ich weiß, das ist nicht das Ranking, das alle wollen. Aber es ist das einzige Ranking, das die Daten stützen — was auch eine nützliche Sache zu wissen ist, bevor du ein weiteres Jahr und vier weitere Stellen ausgibst.

Ich veröffentliche Jahr 3 im Mai 2027. Die Methodik wird besser sein. Die Schlussfolgerungen könnten immer noch bescheiden sein. So sollte das laufen.

Ich tracke meine eigenen Daten täglich mit: Whoop 4.0 (HRV + Schlaf + Recovery), und einem selbst gebauten Mission-Control-Dashboard für den Supplement-Log.

Affiliate-Hinweis: Der Whoop-Link enthält meinen Referral ohne Mehrkosten für dich. Keine Affiliate-Links auf Supplemente — aus offensichtlichen Gründen, gegeben den Inhalt dieses Artikels.

Dies ist keine medizinische Beratung. Sprich mit deinem Arzt, bevor du etwas startest oder stoppst, das du aus gesundheitlichen Gründen nimmst.

Weiterlesen

Verwandte Artikel zu diesem Thema:

• HRV-Guide: Was Herzfrequenzvariabilität wirklich bedeutet
• HRV verbessern: 12 Methoden mit echten Daten aus 2 Jahren Selbstversuch
• CGM beim Powerlifting: 2 Sessions, 4 Stunden unsichtbare Hypoglykämie
• Ultrahuman Ring Pro Test 2026 — 15 Tage Akku, kein Abo
• Whoop 4.0 im Test — die Datenquelle
• Whoop 5.0 Upgrade — lohnt sich der Wechsel?
• Biohacking Starter-Kit: Was du wirklich brauchst