Home-based exercise is a popular physical activity of maintaining fitness, health andwellness in general. However, without proper supervision and basic knowledge of theexercises in the workout plan, there is an increased risk of injury. Considering that noteveryone is willing to attend crowded gyms or schedule professional personal trainingsessions, in this study, a novel feedback system is proposed, in the form of a mobileapplication. Accelerometer and gyroscope data were collected from 10 volunteersperforming 3 exercises, squats, lunges and bridges, with inertial sensors attachedto their back lumbar region, on both shanks and on both thighs. Each participantperformed 5 repetitions of the correct technique and 5 repetitions of 4 mistakes foreach exercise. The accuracies of 3 classifiers, a SVM, a RF and DT were comparedwith the SVM performing the best across all 3 exercises. The best location and numberof sensors was determined by examining the accuracy of a SVM model for 15 uniquemulti-sensor configurations. The best performing setup, being the configuration with 2sensors, one at the lumbar area and one at the shank, was used in exploring the efficacyof different data processing techniques. Time-domain statistical features, sensor angletimeseries and the filtered signal timeseries were evaluated as input to a NN. The timedomainfeatures performed the best achieving the highest accuracy in all 3 exercises,with an accuracy of 67% for the squats, 87% for the lunges and 75% for the hip bridges.Overall, the final model demonstrated promising capabilities of classifying exercisetechnique of basic lower-body exercises, with a real-time feedback implementationbeing a feasible solution for self-efficient fitness. / Hemmaträning är en populär typ av fysisk aktivitet för att upprätthålla kondition,hälsa och välbefinnande. Dock utan övervakning och basal kunskap om hur olikaövningar bör utföras så finns det en ökad risk för skador. Alla människor går intefrivilligt till trånga och fullsatta gym eller bokar in pass med personlig tränare. Därförföreslås i denna studie ett nytt återkopplingssytem vid träning som kan användas via enmobilapp. Data från en accelerometer och ett gyroskop har samlats in från tio frivilligapersoner. De har utfört tre olika styrkeövningar; knäböj, utfallssteg och höftlyft medtröghetssensorer placerade på deras ländrygg, på underbenen och på låren. Varjedeltagare utförde fem repetitioner med korrekt teknik och sedan fem repetitionermed fyra olika typer av felaktig teknik för varje styrkeövning. Noggrannheten förtre klassificerare, SVM, RF och DT jämfördes sedan med det SVM som presteradebäst i alla tre styrkeövningarna. Det optimala antalet sensorer tillsammans med bästplacering av dessa räknades ut genom att undersöka en SVM modell med 15 unikamultisensorkonfigurationer. Det visade sig att kombinationen med två sensorer, envid ländryggen och en på underbenet var den bästa och därför användes den föratt undersöka effektiviteten av olika databehandlingstekniker. Tidsdomänsstatistiskafunktioner, sensorvinkeltidsserier och filtrerade signaltidsserier utvärderades sominmatning till ett NN. Tidsdomänsfunktionerna presterade bäst och uppnådde högstnoggrannhet i alla tre övningarna. Detta med ett korrekt utfall av 67% för knöböj,87% för utfallsteg och 75% för höftlyft. Sammantaget visade den slutliga modellenen lovande förmåga att klassificera träningsteknik för basala styrkeövningar för nedredelen av kroppen. Samtidigt som användaren får feedback i realtid vilket gör detmöjligt att utföra effektiv träning själv hemma.
Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-329769 |
Date | January 2023 |
Creators | Chrysanthou, Andreas |
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 ; 2023:050 |
Page generated in 0.0023 seconds