Estimating spatial familiarity from gait using multi-sensor IMU data

Abstract

Räumliche Vertrautheit spielt eine entscheidende Rolle bei der Navigation des Menschen, jedoch ist ihre Vorhersage in realen Umgebungen noch wenig erforscht. Diese Arbeit untersucht, ob Merkmale des menschichen Ganges mithilfe von Machine Learning Methoden zur Vorhersage der räumlichen Vertrautheit verwendet werden können. Um diese Frage zu beantworten, werden aus Daten des Unterkörpers, die während Outdoor-Experimenten mit mehreren am Körper getragenen Inertial Measurement Units (IMUs) aufgezeichnet wurden, eine Reihe von statistischen und auf dem Gangzyklus basierenden Variablen abgeleitet. Diese Merkmale werden zur binären Klassifizierung der räumlichen Vertrautheit verwendet, wobei Vertrautheitsklassen aus einem auf Fragebögen basierenden Vertrausheitswertes unter Berücksichtig von Schwellenwerten ermittelt werden.Diese Arbeit analysiert systematisch die Vorhersageleistung von logistischer Regression, Support Vector Machines (SVM) und XGBoost, die verschiedene Klassen von Machine Learning Modellen repräsentieren. Die Modelle werden anhand unterschiedlicher Metriken verglichen und der Einfluss der Variablen analysiert. Die Ergebnisse zeigen, dass die räumliche Vertrautheit auf der Ebene von räumlich aggregierter Einheiten mit hoher Prognosegüte vorhergesagt werden kann. Unter den evaluierten Modellen erzielte das XGBoost Modell die besten Ergebnisse, allerdings auch die höchste Laufzeit. Die Analyse des Einflusses der Variablen identifiziert keine konsistent über alle Modelle hinweg dominanten Variablen.Insgesamt demonstriert diese Arbeit die Anwendbarkeit von IMU Daten zur Vorhersage kognitiv-räumlicher Zustände in realen Kontexten und liefert eine Grundlage für zukünftige Forschungsansätze hin zu individuell angepassten Navigationssystemen.

Spatial familiarity plays a critical role in human navigation, however, its prediction in real-world environments remains underexplored. This thesis investigates whether gait characteristics can be used to predict spatial familiarity using machine learning methods. To address this question, a set of statistical and gait-cycle-based features is derived from lower body data recorded via multiple body-worn inertial measurement units (IMUs) during outdoor experiments. These features are used to perform binary classification of spatial familiarity, where class labels are obtained by thresholding a familiarity score computed from participant questionnaires.The predictive performance of logistic regression, support vector machines (SVM), and XGBoost models is evaluated, representing distinct classes of machine learning models. Models are compared using classification metrics, and feature importance measures are analyzed to identify the most influential gait features. The results indicate that spatial familiarity can be predicted at the level of spatially aggregated units with strong predictive performance. Among the evaluated models, the XGBoost model achieved the best overall results while also being the most computationally expensive. Feature importance analysis does not reveal a consistent pattern of dominant gait features across models.Overall, this thesis demonstrates the feasibility of using IMU-based gait analysis for estimating cognitive-spatial states in real-world contexts and provides a foundation for future research on adaptive, personalized wayfinding assistance systems.