Prolonged physical exercise is often accompanied by mild to severe dehydration. Marathon runners, as an extreme example, can lose up to 14 % of their total body water (TBW) during races in warm environments. This excess of TBW loss is considered close to life-threatening. But also moderate TBW loss can impair aerobic endurance, muscular strength, and cognitive performance. In this light, the present thesis proposes three machine learning approaches for quantitative estimation of TBW loss and two theoretical approaches for efficient, nonlinear machine learning. The former approaches support the accurate diagnosis of exercise-induced dehydration as well as recommendations on fluid intake for rehydration. The latter approaches could contribute to future wearable devices for TBW monitoring, although they are not exclusively applicable to this context. The first machine learning approach utilizes core and skin temperature to correct corrupted bioimpedance measurements, which often occur because of confounding factors during physical exercise. It therefore enables the usage of the noninvasive and portable bioimpedance technology for TBW loss estimation during physical exercise. The second machine learning approach explores the potential of sweat chloride and sweat osmolality for dehydration diagnosis. It reveals correlations between the two sweat markers and TBW loss, and it proposes quantitative TBW loss estimations based on the sweat markers. The third machine learning approach synthesizes information from seven salivary markers (amylase, chloride, cortisol, cortisone, osmolality, potassium, total proteins). It demonstrates that salivary markers provide sufficient information for quantitative TBW loss estimation, which extends previous saliva-based classifications between euhydrated and dehydration individuals. All three approaches were evaluated using measurements that were collected from ten subjects after eight consecutive, 15 min intervals of physical exercise. Among several insights, like nonlinearly increasing salivary markers during progressive dehydration, the evaluation highlighted that TBW loss estimations could be achieved with an accuracy of 0.34 l, which corresponds to about a glass of water. This accuracy was achieved using salivary markers and nonlinear machine learning. The first theoretical approach weaves the powerful kernel machinery into branch and bound (B&B) feature selection. It facilitates the recognition of complex and nonlinear data structures using the efficient B&B search method. The second theoretical approach introduces an approximation of the Gaussian radial basis function (RBF) kernel for the efficient computation of nonlinear classification decisions. It also illustrates the close relationship between the kernel approximation and the reproducing kernel Hilbert space (RKHS) that is being approximated. Both approaches were evaluated on benchmark data sets, which illustrated that they constitute valuable alternatives to state-of-the-art methods. In summary, nonlinear processing of salivary markers facilitated the most accurate TBW loss estimations, and the theoretical approaches enhanced the toolbox of efficient and nonlinear machine learning. A combination of both contributions could therefore constitute the foundation for efficient, nonlinear processing of the physiological measurements and markers, which would in turn be prerequisite to develop energy-efficient, unobtrusive wearable devices for TBW monitoring.

Lang andauernde körperliche Betätigung wird oft von milder bis ernsthafter Dehydration begleitet. Marathonläufer, als extremes Beispiel, können bis zu 14 % ihres Gesamtkörperwassers (engl. total body water, TBW) während eines Laufs in warmer Umgebung verlieren. Dieses Ausmaß an TBW-Verlust wird als nahezu lebensbedrohlich angesehen. Aber auch moderate TBW-Verluste können Ausdauer, Muskelkraft, und kognitive Leistung beeinträchtigen. In diesem Zusammenhang schlägt die vorliegende Arbeit drei Ansätze des maschinellen Lernens für die quantitative Schätzung von TBW-Verlusten und zwei theoretische Ansätze für effizientes, nichtlineares maschinelles Lernen vor. Die erstgenannten Ansätze unterstützen die präzise Diagnose von Dehydrationen sowie Empfehlungen zur Flüssigkeitsaufnahme für Rehydration. Die letztgenannten Ansätze können zukünftig zu tragbaren Systemen für TBW-Monitoring beitragen, obwohl sie nicht ausschließlich in diesem Kontext anwendbar sind. Der erste Ansatz des maschinellen Lernens nutzt Körperkern- und Hauttemperatur, um korrupte Bioimpedanz-Messwerte zu korrigieren. Korrupte Messwerte treten häufig aufgrund von Störfaktoren während körperlicher Betätigung auf. Der vorgeschlagene Ansatz ermöglicht daher den Einsatz der nicht-invasiven und tragbaren Bioimpedanz-Technologie für die TBW-Verlustschätzung während körperlicher Betätigung. Der zweite Ansatz des maschinellen Lernens untersucht das Potential von Schweiß-Chlorid und Schweiß-Osmolalität für die Diagnose von Dehydrationen. Er zeigt Zusammenhänge zwischen den beiden Schweiß-Markern und TBW-Verlust auf, und er schlägt quantitative TBW-Verlustschätzungen mit Hilfe der Schweiß-Marker vor. Der dritte Ansatz des maschinellen Lernens synthetisiert Informationen aus sieben Speichel-Markern (Amylase, Chlorid, Cortisol, Cortison, Osmolalität, Kalium, Gesamtproteine). Er zeigt, dass die Speichel-Marker ausreichend Information enthalten, um quantitative TBW-Verlustschätzungen zu ermöglichen und erweitert damit existierende Speichel-basierende Klassifikationen zwischen euhydrierten und dehydrierten Individuen. Alle drei Ansätze wurden mit Messwerten evaluiert, die von zehn Probanden nach acht aufeinanderfolgenden, 15-min Intervallen körperlicher Betätigung aufgezeichnet wurden. Unter verschiedenen Erkenntnissen, wie nichtlinear ansteigende Speichel-Marker mit fortschreitender Dehydration, zeigte die Evaluation, dass TBW Verlustschätzungen mit einer Genauigkeit von 0,34 l erreicht werden konnten, was etwa einem Glas Wasser entspricht. Diese Genauigkeit konnte durch Speichel-Marker und nichtlineares maschinelles Lernen erreicht werden. Der erste theoretische Ansatz webt die mächtige Kern-Maschinerie in die Verzweigen-und-Beschränken (engl. branch and bound, B&B) Merkmalsauswahl ein. Er ermöglicht damit die Verarbeitung komplexer und nichtlinearer Datenstrukturen unter Verwendung des effizienten B&B-Suchverfahrens. Der zweite theoretische Ansatz schlägt eine Approximation des Gaußschen Radiale-Basisfunktion (RBF) Kerns vor, um nichtlineare Klassifikationsentscheidungen effizient zu berechnen. Er veranschaulicht ebenso die enge Verwandtschaft dieser Kern-Approximation und des Hilbertraums mit reproduzierenden Kern, der approximiert wird. Beide Ansätze wurden auf Benchmark-Datensätzen evaluiert, wobei gezeigt werden konnte, dass sie wertvolle Alternativen zum Stand der Technik darstellen. Zusammenfassend wurde gezeigt, dass die nichtlineare Verarbeitung von Speichel-Markern die genausten TBW-Verlustschätzungen ermöglichte, und dass die beiden theoretischen Ansätze den Werkzeugkasten des effizienten, nichtlinearen maschinellen Lernens erweitern konnten. Eine Kombination beider Beiträge könnte damit die Grundlage für die effiziente, nichtlineare Verarbeitung der physiologischen Messwerte und Marker darstellen, welche wiederum Voraussetzung wäre, um energieeffiziente, tragbare Systeme für TBW-Monitoring zu entwickeln.