[論文レビュー] Collection and Validation of Psycophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset.
本論文では、プロおよびアマチュアプレイヤーを含む22試合のリーグ・オブ・レジェンダーズの試合から収集されたマルチモーダルeSportsデータセットを紹介する。このデータセットは、同期された生理的信号（例：脈拍、前後動、運動）、ゲーム内データ、および試合後のアンケートを含む。このデータセットによりチーム単位の分析が可能となり、検証の結果、プロプレイヤーはストレスと集中力の相関が低く、機械学習モデルは3分間のセンサー記録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。
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 this https URL Sensors Dataset.
研究の動機と目的
- 競技会の場面において、プロおよびアマチュアのeSportsプレイヤーから同期された心理生理的データを収集すること。
- プロプレイヤーとアマチュアプレイヤーの間でのストレスと集中力のレベルの違いを分析することで、データセットの妥当性を検証すること。
- 生理的および行動的データを用いて、チームコミュニケーションの影響がパフォーマンスに与える影響を調査すること。
- スキン予測およびプレイヤー再識別における機械学習応用を通じて、データセットの有用性を示すこと。
- 今後の研究のためのeSports分析および心理生理学分野における公開リソースを提供すること。
提案手法
- 22試合の競技会中に、5名のプレイヤーからウェアラブルセンサーを用いて脈拍、前後動、運動などの生理的信号を同時に収集する。
- ゲーム内テレメトリーデータと自己報告の試合後アンケートを統合し、行動的および知覚的アノテーションを豊富にしたデータセットを構築する。
- 3分間のセンサー記録を用いて、スキン予測およびプレイヤー再識別を実行するため、従来の機械学習モデル（例：SVM、ランダムフォレスト）を適用する。
- ストレスと集中力のレベルの間の相関分析を含む、生理的パターンの統計的検証を実施し、プレイヤーのレベル別に分析する。
- モデルの性能を評価するために、データセット上で交差検証を実施し、比較のためのランダムレベルのベースラインを確立する。
- 再現性および今後の研究を支援するため、専用リポジトリを通じてデータセットを公開する。
実験結果
リサーチクエスチョン
- RQ1プロプレイヤーとアマチュアプレイヤーの間で、競技会環境下におけるストレスと集中力のレベルに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の欠如が、プロプレイヤーとアマチュアプレイヤーの両者に与える生理的ストレスとパフォーマンスへの影響は、どの程度顕著か？
- RQ3短時間の3分間のゲームプレイ中に収集された心理生理的データは、プレイヤーのスキンレベルを正確に予測するために使用可能か？
- RQ4短時間のゲームプレイセグメントからのみの生理的センサー記録を用いて、個々のプレイヤーを信頼性高く再識別できるか？
- RQ5マルチプレイヤーのeSports試合における同期された生理的データのチームレベル分析から、どのようなインサイトが得られるか？
主な発見
- プロプレイヤーは、アマチュアプレイヤーと比較してストレスと集中力の相関が低く、より独立的で安定したプレイスタイルを示している。
- チームコミュニケーションの欠如がプロプレイヤーに与える負の影響は、アマチュアプレイヤーに比べて顕著に小さいことが示され、コミュニケーションの断絶に対する耐性がより高いことが示唆された。
- 機械学習モデルは、3分間のセンサー記録を用いてスキン予測の検証精度が0.856に達した。
- プレイヤー再識別モデルの検証精度は0.521に達し、0.10のランダムレベルよりも顕著に高く、個々の生理的シグネイチャの独自性が裏付けられた。
- リーグ・オブ・レジェンダーズの試合における5つのポジションすべてにわたる、複数プレイヤーの同期データ収集により、このデータセットは強固なチームレベル分析を可能にしている。
- このデータセットは、提供されたURLを通じて公開されており、eSportsにおける心理生理的分析分野の再現性および今後の研究を支援している。
より良い研究を、今すぐ始めましょう
論文の読解から最終レビューまで、研究時間を劇的に削減しましょう。
クレジットカード登録不要
このレビューはAIが作成し、人間の編集者が確認しました。