Normalisierter-FFMI-Rechner

Trainer, Sportwissenschafts-Apps und Forschungstagebücher erhalten den wissenschaftlichen Index und das höhennormalisierte Band in einer einzigen deterministischen JSON-Antwort. Der Pfad ist reine Arithmetik ohne Netz und ohne Zufallsseed, sodass kostenlose Browser-Prüfungen und vorausbezahlte API-Clients nie voneinander abweichen. Fehlen Magermasse oder Höhe, sind Werte nicht positiv oder liegt die Höhe außerhalb eines sicheren Erwachsenenfensters, schlägt die Anfrage mit invalid_input fehl und wird nicht berechnet.

Was der normalisierte FFMI misst und welche Eingaben Sie brauchen

Der rohe fettfreie Masseindex teilt die Magermasse durch die Höhe in Metern zum Quadrat und enthält daher noch einen Statur-Bias: kleinere Athletinnen und Athleten tendieren zu höheren Werten, größere zu niedrigeren bei gleicher Magermassedichte. Der höhennormalisierte FFMI korrigiert diesen Bias mit einer linearen Anpassung auf eine feste Referenzstatur von eins Komma acht Metern mit dem weit zitierten Koeffizienten sechs Komma eins. Die Magermasse muss bereits aus DEXA, hydrostatischer Wägung, einem qualitativ hochwertigen BIA-Gerät, Hautfalten oder einer anderen Zusammensetzungsmetode bekannt sein, der Sie vertrauen; dieser Rechner schätzt die Zusammensetzung nicht aus Gewicht und Körperfettprozent. Höhen unter null Komma drei Metern oder über drei Metern werden abgelehnt, weil sie außerhalb eines sicheren Isolat-Fensters für erwachsene Standhöhe liegen. Die Engine bildet zuerst den FFMI als lean_mass_kg geteilt durch height_m zum Quadrat, addiert dann sechs Komma eins mal eins Komma acht minus height_m und liefert beide Werte in Kilogramm pro Quadratmeter. Senden Sie lean_mass als positive endliche Zahl in Kilogramm; die Aliasse lean_mass_kg, fat_free_mass, fat_free_mass_kg, ffm und lbm werden akzeptiert, wenn Ihre Nutzlast diese Namen bereits verwendet. Senden Sie height als positive endliche Zahl in Metern; die Aliasse height_m, stature und stature_m werden akzeptiert, und height_cm, wenn Sie Zentimeter bevorzugen — die Engine teilt durch einhundert. Fehlen Magermasse oder Höhe, sind sie leer, nicht endlich oder nicht positiv, schlägt die Anfrage mit invalid_input und Feldnamen fehl. Identische Eingaben liefern stets dasselbe JSON, weil der Algorithmus nie Netz, Modell, Uhr oder Zufallsgenerator berührt.

Antwortfelder lesen und typische Fallstricke

Denken Sie daran, dass die Qualität der Magermasse das Ergebnis dominiert — schlechte Zusammensetzungseingaben erzeugen einen polierten, aber sinnlosen Index. Verwechseln Sie diesen Endpunkt nicht mit BMI, BMI Prime, BMR oder dem Gewicht-und-Körperfett-FFMI-Pfad, der die Magermasse selbst ableitet: diese beantworten andere Fragen und leben auf anderen Fähigkeiten. Extrem große Magermassewerte über der veröffentlichten Isolat-Sicherheitsgrenze werden ebenfalls abgelehnt. Behalten Sie klinische Erwartungen: dies ist eine pädagogische und planerische Schätzung, kein diagnostisches Medizinprodukt, und Nutzer mit atypischer Körperzusammensetzung oder medizinischen Bedingungen sollten professionellem Rat folgen statt einem einzelnen Index allein. Bei Erfolg spiegelt die Antwort lean_mass_kg und height_m und meldet dann ffmi, normalized_ffmi und height_adjustment. Das Feld height_adjustment ist genau sechs Komma eins mal eins Komma acht minus height_m, damit Oberflächen den Korrekturterm neben dem rohen Index zeigen können, ohne ihn neu abzuleiten. Das Feld reference_height_m ist stets eins Komma acht und coefficient stets sechs Komma eins, damit Clients die Formel dokumentieren können, ohne Konstanten fest zu verdrahten. Das Feld unit ist stets kg/m², formula formuliert den vollständigen normalisierten Ausdruck neu und method ist stets ffmi_normalized, damit nachgelagerter Code ohne Form-Schnüffeln verzweigen kann. Nutzen Sie ffmi, wenn Sie den rohen wissenschaftlichen Index für Forschungsarbeiten wollen; nutzen Sie normalized_ffmi, wenn Ihre Coaching-Literatur, Wettkampf-Prep-Notizen oder Team-Dashboards das höhenbereinigte Band zitieren.

API-Nutzung, Preise, Coaching-Abläufe und praktische Grenzen

Rufen Sie den kostenlosen normalisierten-FFMI-Rechner im Browser für schnelle Checks, Vorlesungsdemos und Kundenaufklärung auf, ohne eine Sportwissenschafts-Tabelle zu installieren. Halten Sie Anfragen klein, dokumentieren Sie den Koeffizienten sechs Komma eins für Ihre Nutzer, und Sie erhalten reproduzierbare höhenbereinigte Magermasse-Scores, ohne selbst einen vollständigen Sportwissenschafts-Stack aufzubauen. Senden Sie einen JSON-Körper mit den Pflichtfeldern lean_mass und height (oder ihren Aliassen). Nutzen Sie die vorausbezahlte API, wenn ein Fitness-SaaS, eine Team-Performance-Plattform, ein Telemedizin-Formular oder ein Forschungstagebuch einen stabilen Vertrag unter KIT-Guthaben zu $0.002 pro erfolgreichem Element braucht; Validierungsfehler verbrauchen nach Ablehnung durch die Engine nie Guthaben. Koppeln Sie diesen Endpunkt mit einem Zusammensetzungs-Workflow, der bereits fettfreie Masse speichert — DEXA-Exporte, BIA-Geräte-APIs oder Hautfalten-Tabellen — und plotten Sie normalized_ffmi über eine Saison, ohne die Magermasse jedes Mal neu aus dem Waagengewicht abzuleiten. Bevorzugen Sie Magermasse in Kilogramm und Höhe in Metern passend zur veröffentlichten Formel; sammelt Ihre Oberfläche Pfund oder Zentimeter, konvertieren Sie oder nutzen Sie height_cm vor dem Aufruf. Autoren, die SDKs ausliefern, können ffmi und normalized_ffmi direkt in Dashboards abbilden und CSV-Spalten mit Magermasse-Index und höhenbereinigtem FFMI exportieren — dieselben Zahlen, die Trainer von Hand schreiben, wenn sie die Kouri-ähnliche Korrektur auf Papier anwenden. Entspricht die Statur der Referenz von eins Komma acht Metern, ist height_adjustment null und normalized_ffmi gleich dem rohen ffmi, was ein nützlicher Smoke-Check für Integrationstests ist.