I dagens samhälle har aktivitetsmätare blivit allt vanligare för att logga vår fysiska hälsa. Detta är något som även skulle kunna gynna och användas i sjukvårdssammanhang. Problemet är att dagens kommersiella aktivitetsmätare sparar personlig information och privat data på sina egna servar. Syftet med denna avhandling är därför att påbörja ett projekt där all mjukvara är open-source och där tillförlitlighet, noggrannhet och integritet är drivande attribut. En stegräknaralgoritm implementeras för smartklockor som ska kunna användas inom vården. Utvecklingen av algoritmen bygger på en existerande stegräknaralgoritm för smartphones som har skrivits om och optimerats för inbyggda system, så som aktivitetsmätare. Mjukvaran är konstruerad med ett realtidsoperativsystem där algoritmen är integrerad. För att testa algoritmen har 10 deltagare genomfört ett antal tester, både på löpband men också utomhus på varierat underlag. Den slutliga noggrannheten resulterade i en median på 92% och skulle kunna förbättras genom att vidareutveckla optimeringen med hjälp av större datamängder. Källkoden är tillgänglig för allmänheten på GitHub.

In today’s society, it is quite common to track your own health with the use of a wearable device. These devices track physical activity and physiological signals. This is a concept that could be used in healthcare-applications as well. The main issue with this lies in the fact that commercially available devices send personal data to their own servers. The goal of this thesis is therefore to set in motion a project to build an entirely open-source firmware for smart watches for use in healthcare, where reliability, accuracy and privacy are driving quality attributes. This thesis covers a step counting algorithm in addition to the firmware for the watch. To speed up the process of developing the algorithm, an existing algorithm for smartphones is used as a starting point. This algorithm is rewritten, optimized for wearable devices and tested with an existing dataset. The firmware is built with an existing RTOS implementation and the algorithm is integrated into it. To test the firmware, 10 participants conducted several test scenarios, both on a treadmill and on mixed terrain. The results of this were a median accuracy of 92% and could be improved further with more optimizations with a larger dataset. The source code is publicly available on GitHub.