Monitoring of physical exercise is an important task to evaluate and adapt exercise to provide better exercise results. The Inno-X™ device, developed by Innowearable, is a device that can be used for such monitoring. It collects data using an accelerometer and sEMG sensor. To optimize Inno-X™, this Thesis investigates how raw data from the sensors can be used to classify physical exercises and fatigue levels using machine learning. The exercises that were monitored and evaluated were cycling and squats. The workflow includes data collection, preprocessing, feature extraction and finetuning of the models. Participants engage in standardized exercise protocols to ensure reliable data. Under preprocessing, the data is scaled and filtered followed by feature extraction where time-domain and frequency-domain attributes are analyzed. Three classifiers, Random Forest (RF), Support Vector Machine (SVM), and Long Short-Term Memory (LSTM), are evaluated for their performance in fatigue detection and exercise classification. Results reveal reliable accuracy across all classifiers, with SVM demonstrating the most effective performance in fatigue detection, with an accuracy of 79.5%. The classification accuracy for the executed exercises surpassed 97% for all three employed models. In conclusion, this Thesis offers insights into the application of machine learning for exercise classification and fatigue prediction. The established data processing pipeline and the performance of the chosen classifiers indicate a potential application of these methods into real-world scenarios for precise exercise monitoring and fatigue management. / Detta examensarbete fokuserar främst på användningen av avancerademaskininlärningstekniker. Fokuspunkterna inkluderar klassificering av övningaroch förutsägelse av muskeltrötthet under träningspass, med hjälp av data somsamlats in från Inno-X-enheten av Innowearable AB.Studien innebär noggrann bearbetning, med insamling, förbehandling,extrahering av funktioner och klassificering. Deltagarna deltar i standardiseradeträningsprotokoll. Uppgifterna genomgår noggrann förbehandling, följt avfunktionsextraktion, där tidsdomän- och frekvensdomänattribut analyseras.Anmärkningsvärda funktioner som medeleffekt, total effekt, medelfrekvens,medelfrekvens och maxfrekvens bidrar till effektiviteten hosmaskininlärningsmodellerna.Tre klassificerare, Random Forest (RF), Support Vector Machine (SVM) och LongShort-Term Memory (LSTM), utvärderas för deras prestanda vidträningsklassificering och upptäckt av trötthet. Resultaten visar tillförlitlignoggrannhet för alla klassificerare, där SVM uppvisar den mest effektivaprestandan när det gäller att upptäcka trötthet för cykling och knäböj.Sammanfattningsvis ger denna avhandling insikt in i tillämpningen avmaskininlärning för träningsklassificering och förutsägelse av trötthet. Denetablerade pipelinen för databehandling och den rimliga prestandan hos de valdaklassificerarna indikerar en potentiell tillämpning av dessa metoder i verkligascenarier för exakt träningsövervakning och hantering av trötthet.