Aim The aim of this study was to investigate the effect of flywheel resistance training on functional neuromuscular performance in physically active youth.   Method Forty-four healthy and physically active youth between 12-14 years of age (n=19 boys & n=25 girls) volunteered to participate and were randomized into three different groups of flywheel resistance training (FRT) (n=15, body mass = 42,9 ± 8,6 kg, time to Peak Height Velocity (PHV) = - 0,8 ± 1,6), traditional strength training (TST) (n=15, body mass = 44,7 ± 10,3 kg, time to PHV = - 0,8 ± 1,5) and a control group (CON) (n=14, body mass = 43,8 ± 9,0 kg, time to PHV- 0,8 ± 1,5. Squat jump (SQ), Countermovement jump (CMJ), 10-m acceleration, 20-m speed and 30-sprint was assessed pre- and post-intervention. All training groups performed 12 resistance training sessions over a 6-week intervention. The FRT-group performed bilateral flywheel resistance squats with 4 sets of 6 repetitions with 0,025 to 0,05 kgm2 and the TST-group performed bilateral barbell squats with 4 sets of 6 repetitions at a predicted 80 %1RM, while the control group only performed their regular sports training.   Results Repeated measures two way-ANOVA, 3 x 2 (training group x time), showed no significant mean effects between groups after the intervention. A significant increase occurred in the control group for SQ; 2,4 ± 2,5 (cm) p ≤ 0,008 and CMJ; 2,2 ± 3,1 (cm) p ≤ 0,037. Both training groups increased significantly in body mass from pre- to post-tests by 2,0 ± 2,7 kg for the flywheel training group and 1,3 ± 0,9 kg in the traditional strength training group (p ≤ 0,05).   Conclusions This study indicates that flywheel training can be used as a resistance training method for youth athletes without inducing training related injuries. Flywheel resistance training resulted in a small but non-significant increase from pre to post test in squat jump and 10-m sprint. Future studies on flywheel resistance training for youth needs to investigate the implementation of longer training periods, additional training sessions, more experienced youth in resistance training and faster movement speed.

Syfte och frågeställning Syftet med denna studie är att identifiera effekten av svänghjulsträning på styrkerelaterade variabler som påverkar idrottslig prestation genom en sammanställning av befintlig vetenskaplig litteratur. Studiens frågeställning var: (1) Vilken effekt har svänghjulsträning på muskeltillväxt (hypertrofi)? (2) Vilken effekt har svänghjulsträning på utvecklingen av maximal styrka? (3) Vilken effekt har svänghjulsträning på utvecklingen av Power (effektutveckling)? (4) Vilken effekt har svänghjulsträning på horisontell förflyttning? (5) Vilken effekt har svänghjulsträning på vertikal förflyttning? Metod En metaanalys för 15 experimentella studier som uppfyllt urvalskriterierna genomfördes. De inkluderade studierna kvalitetsgranskades med Pedros skala. För att möjliggöra en sammanställning av samtliga resultat analyserades resultaten i dataprogrammet Review Manager version 5.3 med Random effekt modell och presenteras med Forest plots. Jämförelserna gjordes över en period på 4-24 veckor. Resultat Svänghjulsträning under en period av 4-24 veckor visar på en statistisk signifikant utveckling  av muskulär hypertrofi (effektstorlek 0,68), maximal styrka (1,40), Power (1,0), horisontell (0,54) och vertikal förflyttning (0,60). Slutsats Det finns stöd i litteraturen för att friska individer presterar bättre på så väl dynamiska styrketest som funktionella test efter svänghjulsträning. Evidensen är särskilt stark för att svänghjulsträning utvecklar maximal styrka och Power för tränade yngre individer samt i kortare mer intensiva block. Denna metaanalys har bara sammanställt skillnader i prestation före och efter svänghjulsträning och kan därför inte säga om effekten av svänghjulsträning är större än effekten av upprepade mätningar eller annan träning. / Aim The aim of this study was to identify the effect of the flywheel training on strength-related variables that affect athletic performance by compiling existing scientific literature. Research questions: (1) What effect does flywheel training have on muscle growth (hypertrophy)? (2) What effect does flywheel training have on the development of maximum strength? (3) What effect does flywheel training have on the development of Power (effect development)? (4) What effect does flywheel training have on the development of horizontal movement? (5) What effect does flywheel training have on the development of vertical movement? Method A meta-analysis was conducted from 15 experimental studies that met the selection criteria. The quality of included studies was reviewed by Pedro scale. In order to identify possible bias in the selection process a Funnel plot was carried out. To enable the compilation of all results an analyze with Random effect model was carried out with software Review Manager Version 5.3 and presented with Forest plots. Comparisons were made over a period of 4-24 weeks. Results Flywheel training for a period of 4-24 weeks show a statistically significant increase in effect size for muscular hypertrophy (0,49), maximum strength (1,40), Power (1,00), horizontal-(0,54) and vertical movement (0,60). Conclusions There's support in published studies that healthy individuals perform better on dynamic strength tests as wells as functional test after flywheel training. The evidence is particularly strong that flywheel training develops maximum strength and Power in trained younger individuals and in shorter more intensive blocks. This meta-analysis has just compiled the differences in performance before and after flywheel training and therefore cannot say if the effect of flywheel training is greater than the effect of repeated measurements or other exercise.

Using technology to evaluate performance is a field that previously has been limited to laboratories and high budgets. Today, the evolving of sensor technology and "internet of things" can help us provide more accessible, affordable and perhaps even more reliable feedback about performance. Still, developing such systems is not trivial and often require advanced processing methods to ensure reliability of the feedback. One such process is synchronizing data from multiple sensors.  If the sensors time is asynchronous, the presented feedback could be erroneous and give the wrong information. However, if the data is synchronized correctly it could possibly provide new insights about performance during training and rehabilitation. During this thesis a web application has been developed and used to collect data from multiple sensors during flywheel training. The data has been processed, synchronized and displayed as feedback in a user interface.The user interface displayed fatigue and bilateral asymmetry feedback from a training protocol of 15 squats at maximum intensity. 16 participants with varying background have used the interface, and evaluated it using a well known usability test. The synchronized data correlates as expected during training, but its accuracy has not yet been evaluated.The usability test resulted in an average usability score of 75, well above the tests' defined limits for "good" usability.Being able to obtain such feedback during rehabilitation in particular is deemed valuable and could be very useful in determining athletes readiness more consistently. This type of feedback is previously not available outside of a laboratory environment, but would need further development and research before it can be used and validated. It could possibly help reduce the massive spending on healthcare, and increase the longevity of athletes careers. / Att använda teknik för att utvärdera prestanda är ett område som tidigare har varit begränsat till laboratorier och höga budgetar. I dag kan utvecklingen av sensorteknik och "sakernas internet" hjälpa oss att ge mer lättillgänglig, prisvärd och kanske till och med mer tillförlitlig feedback om prestanda. Det är dock inte helt enkelt att utveckla sådana system, och ofta krävs det avancerade bearbetningsmetoder för att säkerställa att återkopplingen är tillförlitlig. En sådan process är att synkronisera data från flera sensorer.  Om sensorernas tid är asynkron kan den presenterade återkopplingen vara felaktig och ge fel information. Om uppgifterna däremot synkroniseras korrekt kan de eventuellt ge nya insikter om prestationen under träning och rehabilitering. Under denna avhandling har en webbapplikation utvecklats och använts för att samla in data från flera sensorer under svänghjulsträning. Uppgifterna har bearbetats, synkroniserats och visats som feedback i ett användargränssnitt.Användargränssnittet visade feedback om trötthet och bilateral asymmetri från ett träningsprotokoll med 15 knäböjningar vid maximal intensitet. 16 deltagare med varierande bakgrund har använt gränssnittet och utvärderat det med hjälp av ett välkänt användbarhetstest. De synkroniserade uppgifterna korrelerar som förväntat under träningen, men dess noggrannhet har ännu inte utvärderats.Användbarhetstestet resulterade i ett genomsnittligt användbarhetsbetyg på 75, vilket ligger långt över testets definierade gränser för "god" användbarhet.Att kunna få sådan återkoppling särskilt under rehabilitering bedöms som värdefullt och skulle kunna vara mycket användbart för att bestämma idrottsutövarnas beredskap på ett mer konsekvent sätt. Denna typ av feedback finns tidigare inte tillgänglig utanför en laboratoriemiljö, men skulle behöva ytterligare utveckling och forskning innan den kan användas och valideras. Den skulle eventuellt kunna bidra till att minska de enorma utgifterna för hälso- och sjukvård samt öka idrottsutövarnas livslängd.

Flywheel training is an increasingly popular training method that aids in the recovery process and promotes strength development while reducing the risk of re-injury. Additionally, automatic exercise classification offers athletes the convenience of effortlessly monitoring and tracking their training progress, enabling them to maintain consistency and achieve their fitness goals effectively. This thesis aims to investigate the feasibility and accuracy of developing a machine-learning model for classifying exercises performed on Exxentric kBox machines. The objective is to assess the model’s accuracy and determine whether the features provided by the Exxentric app are sufficient for constructing a robust classifier. To lay a strong foundation for the investigation, the research begins with a comprehensive literature review of exercise recognition studies. An exploratory data analysis is then conducted to gain valuable insights into the characteristics of the exercise data. The data preparation phase involves various techniques such as cleaning, feature engineering, scaling, sampling, and encoding to optimize the data for modeling. Moreover, signal processing techniques are employed to extract relevant features from the exercise data. A testing protocol is established, consisting of two sets of ten exercises. Each exercise is performed with a randomized number of repetitions, ranging from 5 to 12 repetitions. Data collection is carried out with the participation of ten individuals using the Exxentric App on their smartphones. Different types of classifiers are trained using data from the Exxentric database and tested on the collected data on-site, employing the generated features. Additionally, a CNN classifier is explored, utilizing only angular velocity as input. Comparative analysis is performed on the evaluation metrics of the models. In conclusion, while achieving accurate classification for all ten exercises was not fully realized, the CNN model relying on angular velocity as input exhibited promising results. Notably, squats were predicted correctly 95% of the time, which is the most prominent observation. The model also demonstrated significant accuracy in correctly identifying bent-over rows (72%), deadlifts (72.2%), standing calf raises (70.6%), and biceps curls (67%). Further research is warranted to improve the effectiveness and accuracy of exercise classification models. This includes exploring alternative input methods and refining feature engineering techniques to advance the field. / Svänghjulsträning är en alltmer populär träningsmetod som underlättar återhämtningsprocessen och främjar styrkeutveckling samtidigt som den minskar risken för nya skador. Dessutom erbjuder automatisk träningsklassificering idrottare bekvämligheten att enkelt övervaka och spåra sina träningsframsteg, vilket gör det möjligt för dem att upprätthålla konsekvens och effektivt uppnå sina träningsmål. Denna avhandling syftar till att undersöka genomförbarheten och noggrannheten hos att utveckla en maskininlärningsmodell för att klassificera övningar som utförs på Exxentric kBox-maskiner. Målet är att bedöma modellens noggrannhet och avgöra om funktionerna som tillhandahålls av Exxentric-appen är tillräckliga för att konstruera en robust klassificerare. För att lägga en stark grund för undersökningen inleds forskningen med en omfattande litteraturgenomgång av studier om igenkänning av övningar. Därefter genomförs en explorativ dataanalys för att få värdefulla insikter om egenskaperna hos övningsdatan. Dataförberedelsen innefattar olika tekniker såsom rengöring, funktionsteknik, skalning, provtagning och kodning för att optimera datan för modellering. Dessutom används signalbehandlingstekniker för att extrahera relevanta egenskaper från övningsdatan. En testprotokoll etableras, bestående av två uppsättningar med tio övningar. Varje övning utförs med ett slumpmässigt antal repetitioner, från 5 till 12 repetitioner. Insamlingen av data utförs med deltagande av tio individer som använder Exxentric-appen på sina smartphones. Olika typer av klassificerare tränas med hjälp av data från Exxentricdatabasen och testas på den insamlade datan på plats genom att använda de genererade egenskaperna. Dessutom undersöks en CNN-klassificerare som enbart använder vinkelhastighet som indata. En jämförande analys utförs på utvärderingsmåtten för modellerna. Slutsatsen är att även om det inte var möjligt att uppnå en korrekt klassificering för alla tio övningar, uppvisade CNN-modellen, med enbart vinkelhastighet som indata, lovande resultat. Noterbart är att knäböjningar korrekt förutsades 95% av tiden, vilket är den mest framträdande observationen. Modellen visade även betydande noggrannhet vid korrekt identifiering av stående rodd (72%), marklyft (72,2%), stående vadpress (70,6%) och bicepscurls (67%). Ytterligare forskning motiveras för att förbättra effektiviteten och noggrannheten hos modeller för klassificering av övningar. Detta inkluderar att utforska alternativa metoder för indata och att förbättra teknikerna för funktionsteknik för att vidareutveckla området.