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.

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.