Quantitative Estimation of Total Body Water Loss During Physical Exercise - Arbeitsgemeinschaft der Universitätsverlage

1.0Arbeitsgemeinschaft der Universitätsverlagehttps://universitaetsverlage.euXMLRPChttps://universitaetsverlage.eu/author/xmlrpc/Quantitative Estimation of Total Body Water Loss During Physical Exercise - Arbeitsgemeinschaft der Universitätsverlagerich600338<blockquote class="wp-embedded-content"><a href="https://universitaetsverlage.eu/bucher-e-books/titel/quantitative-estimation-of-total-body-water-loss-during-physical-exercise-ebook/">Quantitative Estimation of Total Body Water Loss During Physical Exercise</a></blockquote> <script type='text/javascript'> <![CDATA[//><!]]> </script><iframe sandbox="allow-scripts" security="restricted" src="https://universitaetsverlage.eu/bucher-e-books/titel/quantitative-estimation-of-total-body-water-loss-during-physical-exercise-ebook/embed/" width="600" height="338" title="„Quantitative Estimation of Total Body Water Loss During Physical Exercise“ — Arbeitsgemeinschaft der Universitätsverlage" frameborder="0" marginwidth="0" marginheight="0" scrolling="no" class="wp-embedded-content"></iframe>https://universitaetsverlage.eu/wp-content/uploads/asolmerce/image-9783961470945.jpg10281497Lang 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.