[論文レビュー] Collection and Validation of Psychophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset

Anton Smerdov, Bo Zhou+2 more|arXiv (Cornell University)|Nov 2, 2020

Digital Games and Media被引用数 12

ひとこと要約

本論文では、22試合にわたり10名のプロおよびアマチュアリーグ・オブ・レジェンズ（LoL）プレイヤーから収集されたマルチモーダルeSportsデータセットを提示する。このデータセットには、同期された生理的センサー（例：EEG、GSR、眼動測定、モーショントラッキング、心拍数）とインゲームログが含まれる。主な発見では、プロプレイヤーはストレスと集中力の相関が低く、プレーのスタイルがより独立的であることが示された。また、機械学習モデルはセンサー情報のみを用いてスキン予測で0.856の精度、プレイヤー再識別で0.521の精度を達成した。

ABSTRACT

Proper training and analytics in eSports require accurately collected and annotated data. Most eSports research focuses exclusively on in-game data analysis, and there is a lack of prior work involving eSports athletes' psychophysiological data. In this paper, we present a dataset collected from professional and amateur teams in 22 matches in League of Legends video game with more than 40 hours of recordings. Recorded data include the players' physiological activity, e.g. movements, pulse, saccades, obtained from various sensors, self-reported aftermatch survey, and in-game data. An important feature of the dataset is simultaneous data collection from five players, which facilitates the analysis of sensor data on a team level. Upon the collection of dataset we carried out its validation. In particular, we demonstrate that stress and concentration levels for professional players are less correlated, meaning more independent playstyle. Also, we show that the absence of team communication does not affect the professional players as much as amateur ones. To investigate other possible use cases of the dataset, we have trained classical machine learning algorithms for skill prediction and player re-identification using 3-minute sessions of sensor data. Best models achieved 0.856 and 0.521 (0.10 for a chance level) accuracy scores on a validation set for skill prediction and player re-id problems, respectively. The dataset is available at https://github.com/smerdov/eSports Sensors Dataset.

研究の動機と目的

• プロおよびアマチュアeSportsプレイヤーから収集した包括的でマルチモーダルな生理的信号データセットを収集・検証すること。
• センサー情報を用いて、プロとアマチュアプレイヤーの間におけるストレス、集中力、チームダイナミクスの違いを分析すること。
• インゲームパフォーマンス指標に依存せずに、センサー情報のみを用いてプレイヤースキルの予測や個々の識別が可能かどうかを評価すること。
• ゲームメカニクスの変更に強く耐性を持つ、信頼性の高いゲームに依存しないデータソースを提供すること。
• パフォーマンス予測、異常検出、チームパフォーマンスモデリングなど、eSportsアナリティクス分野における新規研究を可能にすること。

提案手法

• EEG、GSR、眼動測定、モーションセンサー、環境センサーを含むマルチセンサーネットワークを用いて、5名のプレイヤーの同時データ収集。
• インゲームログ（例：キル、デス、スキル使用）および試合後アンケートとセンサーのデータを同期化。
• 3分間のセンサーセグメントを用いて、SVMやランダムフォレストなどの古典的機械学習モデルを用いてプレイヤースキルの予測とプレイヤー再識別を実行。
• 相関分析および信号処理を用いて、チームダイナミクス、ストレス、認知負荷を、実相手対戦 vs ボット相手対戦、通信可否の条件で評価。
• 一貫性のチェックやプロチームとアマチュアチームの間での生理的パターンの比較を通じて、データ品質を検証。
• GitHubを介したデータセット公開。試合およびプレイヤーごとに構造化されたフォルダ構成を採用し、メタデータおよび生センサーファイルを含む。

実験結果

リサーチクエスチョン

• RQ1 プロとアマチュアeSportsプレイヤーが競合試合中に示す生理的反応（例：ストレス、集中力）には、どのような差が見られるか？
• RQ2 チームコミュニケーションおよび相手の種別（実プレイヤー vs ボット）は、生理的同期性およびチームダイナミクスにどの程度影響を与えるか？
• RQ3 インゲームパフォーマンス指標に依存せず、センサー情報のみでプレイヤースキルレベルを高い精度で予測可能か？
• RQ4 瞳孔径、GSR、顔面温度などの生理的信号は、インゲームの関与度および認知負荷とどの程度相関するか？
• RQ5 チームベースのeSports環境において、マルチモーダルセンサーデータがプレイヤー再識別にどの程度の予測力を持つか？

主な発見

• プロプレイヤーは、ストレスと集中力の相関がアマチュアプレイヤーに比べ顕著に低く、より独立的で一貫性のあるプレーが特徴である。
• チームコミュニケーションの欠如は、アマチュアプレイヤーに与える影響がプロプレイヤーよりも顕著であり、プロプレイヤーは通信状態に関わらず安定した生理的状態を維持している。
• 実相手対戦では、プレイヤー間で瞳孔径の同期が高まり、より高い認知負荷と一致する高い関与度が示された。
• 顔面皮膚温度とGSR信号は、実対戦時におけるアマチュアプレイヤー間で相関が高くなる傾向があり、共通の感情的覚醒が示唆された。
• 機械学習モデルは、3分間のセンサーセグメントのみを用いて、プレイヤースキル予測で0.856の検証精度、プレイヤー再識別で0.521の精度を達成し、0.10のランダムレベルを著しく上回った。
• このデータセットは、チームダイナミクスの分析に強く耐性があり、特に高ストレス状況下でアマチュアチームにおいて生理的同期性が顕著に高まることを明らかにした。