Touchscreens sind eine weit verbreitete Schnittstelle zwischen Mensch und Computer, vor allem bei mobilen Geräten. Ein Nachteil gegenüber anderen Eingabemethoden stellt allerdings die Latenz zwischen einer Toucheingabe und der darauf zugeschnittenen, visuellen Reaktion dar, welche oft in deutlich spürbaren Bereichen liegt. Latenzen verschlechtern nachweislich die Performanz und Benutzererfahrung der Anwender. Aus diesem Grund haben sich viele vorangegangene Arbeiten bereits mit der Reduzierung solcher Latenzen beschäftigt, was auch Gegenstand dieser Arbeit ist. Ein vorheriger Ansatz verwendete eine Extrapolation von Fingerbewegungen, um mit Hilfe von künstlichen, trainierten, neuronalen Netzen Toucheingaben zur Latenzkompensation vorherzusagen. Aufbauend auf dem teilweisen Erfolg der erwähnten Arbeit, wurde diese Idee im vorliegenden Ansatz aufgegriffen und mit Hilfe von inertialen Messeinheiten (IMUs) eines eigens entwickelten, hochfrequenten Sensorprototyps verbessert. Die entstandenen, auf Touchtrajektorien und IMU-Daten trainierten, neuronalen Netze konnten Genauigkeitsverbesserungen bei Vorhersagen von bis zu 30% gegenüber IMU-losen Netzen aufweisen. Des Weiteren konnte mit diesen Netzen der Durchsatz von Nutzern um 15% bei Fingereingaben und um 17% bei Stifteingaben gesteigert werden, wenn die Anwender eine IMU an der Hand trugen.