Innowearable AB has developed a product called Inno-XTM that calculates musclefatigue during three exercises: squat jumps, wall sit, and leg extension. Inno-X uses an accelerometer and a surface electromyography sensor. The goal of thisproject was to create the signal processing part of a machine-learning (ML) pipeline that classifies the exercises in real-time. Data was collected from the sensors to create a training environment that could later be translated to a real-time environment using a sliding window technique. A Savitsky-Golay filter (SG), lowpass, and highpass filters were tested in order to remove noise from the signal. The best filter proved to be the SG filter. Both time and frequency domain features were used in feature extraction. The finished product used 24 features from both domains combined. These methods together with the ML algorithms created in a collabora-tive project led to a classification accuracy for the training environment of 98.62%, while the real-time environment reached 90%. By collecting a larger and more diverse dataset, and addressing the issue of leg extension and wall sit exercises being too similar, real-time classification can be further improved which will make the ML pipeline usable for Innowearables’ customers. / Innowearable AB har utvecklat en produkt som heter Inno-XTM som räknar ut muskeltröttheten vid 3  övningar: upphopp, jägarvila och benextensioner. Inno-X använder en accelerometer och en yt-elektromyografi-sensor. Målet med projektet var att skapa signalprocesseringsdelen av en machine learning (ML) pipelinesom klassificerar dessa övningar i realtid. Data samlades in från sensorerna för att skapa en träningsmiljö som sedan kunde gå  över i realtidsmiljö genom attanvända en sliding-window teknik. Savitsky-Golay (SG) filter, högpassfilter, och lågpassfilter användes för att reducera brus i sensorsignalerna. SG filtret presterade bäst. Features från både tids- och frekvensdomän användes i feature extraction. Slutprodukten använde 24 features kombinerat från båda domänen. Dessa metoder tillsammans med ML algoritmer som togs fram i ett partnerprojekt gav ett resultat i träningsmiljön på 98.62% i klassificeringsnoggrannhet och 90% för realtidsmiljön. Genom att samla större mängd data med mer diversitet och lösa problemetatiken i att jägarvila och benextensioner  är för lika, kommer realtidsklas-sifikationen förbättras vilket hade gjort att ML pipelinen blir användbar för Innowearables kunder.

Denna artikel undersöker hur man kan skapa ökad förståelse för hörselskador i vardagliga ljudmiljöer med hjälp av en realtidssimulation. Den producerade simulationen är binaural, och innefattar olika element av hörselskador såsom hörselnedsättning och tinnitus, samt sköter uppspelning av producerade ljudmiljöer i ett 4.0-surroundformat. Artikeln tar avstamp i tidigare forskning, beskrivningar av hörselskador i vetenskaplig litteratur, samt självbedriven etnografi med hörselskadade individer. Processen för framtagningen av simulationen beskrivs, och de olika steg som tagits för att anlända vid en fullständig slutprodukt redogörs. Upplevelsen utvärderas med hjälp av kvalitativa användartester med 13 deltagande studenter, där resultatet pekar på att simulationen har bidragit till en ökad förståelse för hörselskador i vardagliga ljudmiljöer. / This article explores how a real-time simulation can contribute to better understanding regarding hearing impairments in everyday sound environments. The produced simulation is binaural, and includes different elements of hearing impairment such as hearing loss and tinnitus, and handles playback of produced sound environments in a 4.0-surround format. The article is built upon previous research, descriptions of hearing impairments in scientific literature, as well as self-executed ethnography with hearing impaired individuals. The process of designing the simulation is described, as well as the different steps taken in order to arrive at a final product. The experience is evaluated through qualitative user testing with 13 participating students, where the results indicate that the simulation has contributed to a better understanding of hearing impairments in everyday sound environments.