In this time of technology, with the availability of wearable sensors and copiousamounts of cheap data, new uses of machine learning emerge. Tasks that were previouslyheld-back by a lack of data and computation power are today more feasible and useful thanever. Human activity recognition (HAR) is one such task. HAR technology is especiallysought after in the fitness industry, and in health- and elderly care where monitoring physicalactivity is of importance. Artificial intelligence's ability to learn complex patterns makes it arequisite tool in HAR and recognizing activities from sensor data. In this project, wedeveloped and implemented a step counting algorithm as well as two machine learningmodels that can classify simple activities such as walking, running and climbing stairs. Themodels as well as the step counter use data from smartphone accelerometers andgyroscopes. Data was collected by the two participants and was preprocessed before beingused to build the algorithm and models. The step counter achieved an overall accuracy of91.7% when tested on different activities, signal lengths and positions of the smartphone.The HAR models were implemented with the Random Forest and Gradient Boostingmethods and obtained a test accuracy of 98.3% and 97.7%, respectively.

I dagens högteknologiska samhälle är bärbara sensorer mer tillgängligaän någonsin. Tillsammans med enorma mängder lättillgänglig data ger det upphov till nyatillämpningsområden inom maskininlärning. Tillämpningar som tidigare var orimliga attgenomföra med den bristande tillgången på data och beräkningskraft är idag mer möjligaoch mer praktiska än någonsin. Mänsklig aktivitetsigenkänning är ett sådanttillämpningsområde och är eftertraktat inom bl.a. träningsbranschen och inom sjuk- ochäldrevården, där det är viktigt att ha uppsikt över fysisk aktivitet. Artificiella intelligensensförmåga att lära sig komplexa mönster gör den till ett nödvändigt verktyg inom mänskligaktivitetsigenkänning och för att identifiera aktiviteter från sensordata. I detta projektutvecklades och implementerades en stegräknaralgoritm och två maskininlärningsmodellersom kan klassificera enkla aktiviteter som gång, spring och gång i trappor. Alla tre utnyttjarsensordata från moderna mobiltelefoners accelerometrar och gyroskop. Data samlades in avde båda projektmedlemmarna och behandlades innan det kunde användas för att konstrueraalgoritmen och modellerna. Stegräknaren uppnådde en övergripande noggrannhet på 91.7%när den testades på olika aktiviteter, signallängder och mobilpositioner.Maskininlärningsmodellerna implementerades med metoderna Random Forest och GradientBoosting och uppnådde en testnoggrannhet på 98.3% respektive 97.7%.