As awareness of health risks associated with a sedentary lifestyle is raised, the demands fortechnological tools to help track one’s physical activity levels grow as well. A technologicalconcept that could be used to aid in this issue is human activity recognition (HAR), whichmaps signal data to recognisable human activity. The aim of this study is to explore thepossibilities of creating a method for utilising data collected from smart phone sensors totrack the type of human activity conducted (such as walking or running) and the quantity ofit measured in steps. This study consists of two main parts - classification and quantification.The classification part (HAR) looks at classifying the activities running, walking and cycling. Itis achieved through the machine learning algorithm SVM (support vector machine). Thequantification part comes in the form of a step counter that comes in two versions - onethat calculates the steps in a pre-recorded data, and another that is implemented as anAndroid application to calculate steps live. In both of these programs, the acceleration datais processed and the steps are then validated. The machine learning part achieved a finalaccuracy of 95% while the step counters scored 96% and 94%, respectively.

I takt med ökande medvetenhet om hälsorisker förknippade med stillasittande livsstil, ökaräven efterfrågan på tekniska verktyg som kan spåra fysisk aktivitet. Ett tekniskt koncept somkan appliceras i denna fråga är Human Activity Recognition (HAR), som använder signaldataoch klassificerar den till mänsklig aktivitet. Syftet med denna studie är att utforskamöjligheterna att använda insamlade data för att skapa en metod att spåra typen avmänsklig aktivitet som utförs (t.ex. promenad eller jogging) och hur man kan mätaaktivitetsnivån i steg. Denna studie består av två huvuddelar, klassificering och kvantifiering.Klassificeringsdelen (HAR) klassificerar aktiviteterna springa, gå och cykla. Det uppnås medhjälp av maskininlärningsmodellen SVM (support vector machine). Kvantifieringsdelenkommer i form av en stegräknare som finns i två versioner - ena beräknar stegen i enförinspelad accelerationsdata medan den andra implementeras som en mobilapp för attberäkna stegen i realtid. I båda dessa program bearbetas accelerationsdata och stegenvalideras sedan. SVM klassificeringen uppnådde en slutlig noggrannhet på 95% medanstegräknarna hade nogrannheterna 96% respektive 94%.