CrossFit, a combination of repetitive gymnastics, weightlifting, and cardiovas- cular activities, is one of the fastest-growing forms of high-intensity training. Despite its popularity, the risks, benefits, and guidelines for CrossFit training remain poorly defined. This training method is described as empirical by its founder. Wearable sensing devices for sports performance are becoming increasingly affordable and widely used. Inertial measurement units (IMUs) are among the most commonly used sensors on these devices. Embedded machine learning refers to integrating machine learning algorithms into applications running on embedded systems. The applications are implemented as bare-metal firmware on low-performance microcontroller units (MCUs) when needed. Machine learning pipeline refers to the sequence of stages to create the above application. This project focuses on three typical devices: the Seeed Studio XIAO nRF52480, the Movesense Heart Rate 2, and a custom Reduced Instruction Set Computer (RISC-V) development board. The aim is to create a general pipeline for developing applications to characterize CrossFit movements on these devices. The characterization is based on movement classification using machine learning method. Confidential labelled data collected in previous work is used to validate the methods provided in the pipeline. The methods, libraries, examples and insights provide a foundation for implementing specific functional applications in future work. Characterizing CrossFit movements improve our understanding of the exercise mechanics and help offering useful information of training. This project also helps developers make better use of the selected devices and machine learning techniques for movement analysis. This project covers too many topics, so we only expect general pipeline stressing on offering correct implement of methods. The project follows a systematic engineering approach, offering different methods for each stage of the pipeline. These stages include setting up toolchains for development and using the typical devices to collect data, data processing, model training for CrossFit movement characterization, and model deployment within applications running on the selected devices. TensorFlow is the primary machine learning inference framework used in this project. The results suggest that machine learning is an ideal method for such analysis, as it reduces the need for labor-intensive kinesiology studies. The final documentation, together with supporting libraries, will serve as a reference for beginners and a foundation for future development. The key challenge to implement working applications of released versions is conflict between the size of robust, effective models and the limited memory capacity of only a few hundred kilobytes. This issue should be addressed by setting well-defined and reasonable requirements for the application and data collection in controlled experiments. Upgrading hardware and selecting devices suited to different scenarios should also be considered.

CrossFit, en kombination av repetitiv gymnastik, tyngdlyftning och kardio- vaskulära aktiviteter, är en av de snabbast växande formerna av högintensiv träning. Trots dess popularitet är riskerna, fördelarna och riktlinjerna för CrossFit-träning dåligt definierade. Denna träningsmetod beskrivs som empirisk av dess grundare. Bärbara sensorer för sportprestationer blir alltmer prisvärda och används i stor utsträckning. Tröghetsmätningsenheter (IMU) är bland de mest använda sensorerna på dessa enheter. Inbäddad maskininlärning avser integreringen av maskininlärningsalgoritmer i applikationer som körs på inbäddade system. Dessa applikationer implementeras som bare-metal firmware på lågpresterande mikrokontrollenheter (MCU) när det behövs. Maskininlärningspipeline syftar på de steg som behövs för att skapa ovan nämnda applikation. Detta projekt fokuserar på tre typiska enheter: Seeed Studio XIAO nRF52480, Movesense Heart Rate 2 och en specialbyggd Reduced Instruction Set Computer (RISC-V) utvecklingskort. Målet är att skapa en allmän pipeline för att utveckla applikationer för att karakterisera CrossFit-rörelser på dessa enheter. Karakteriseringen baseras på rörelseklassificering med hjälp av maskininlärningsmetoder. Konfidentiell märkt data, insamlad i tidigare arbete, används för att validera metoderna som tillhandahålls i pipelinen. Metoderna, biblioteken, exemplen och insikterna utgör en grund för att implementera specifika funktionella applikationer i framtida arbete. Att karakterisera CrossFit-rörelser kan förbättra vår förståelse för träningsmekaniken och erbjuda användbara rekommendationer till tränande. Dessutom hjälper detta projekt utvecklare att bättre utnyttja de valda enheterna och maskininlärningstekniker för rörelseanalys. Den här projektet täcker för många ämnen, Så vi förväntar oss bara en allmän pipeline med fokus på att erbjuda korrekt implementering av metoder. Projektet följer en systematisk ingenjörsmässig metod, som erbjuder olika metoder för varje steg i pipelinen. Dessa steg inkluderar att sätta upp verktygskedjor för utveckling och använda de typiska enheterna för att samla in data, databehandling, modellträning för CrossFit-rörelsekarakterisering och modellimplementering på de valda enheterna. TensorFlow används främst i detta projekt. Resultaten tyder på att maskininlärning är en idealisk metod för sådan analys, då den minskar behovet av arbetsintensiva kinetiska studier. Den slutliga dokumentationen, tillsammans med stödbibliotek, kommer att fungera som en referens för nybörjare och en grund för framtida utveckling. Den största utmaningen för att implementera fungerande applikationer av släppta versioner är konflikten mellan storleken på robusta, effektiva modeller och den begränsade minneskapaciteten på endast några hundra kilobyte. Detta problem bör lösas genom att sätta upp väldefinierade och rimliga krav för applikationen samt att samla in data i kontrollerade experiment. Uppgradering av hårdvaran och val av enheter som passar olika scenarier bör också övervägas.