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.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-329281 |
Date | January 2023 |
Creators | Mehr, Mahyar |
Publisher | KTH, Medicinteknik och hälsosystem |
Source Sets | DiVA Archive at Upsalla University |
Language | English |
Detected Language | Swedish |
Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
Format | application/pdf |
Rights | info:eu-repo/semantics/openAccess |
Relation | TRITA-CBH-GRU ; 2023:052 |
Page generated in 0.003 seconds