[论文解读] 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 12

一句话总结

本论文提出了一项多模态电子竞技数据集，从10名职业与业余《英雄联盟》玩家在22场比赛中收集，包含同步的生理心理传感器数据（如EEG、GSR、眼动追踪、运动传感器、心率）及游戏内日志。主要发现显示，职业选手表现出更低的应激-专注度相关性以及更独立的游戏风格；机器学习模型仅使用传感器数据即实现0.856的技能预测准确率与0.521的玩家身份再识别准确率。

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.

研究动机与目标

• 收集并验证一份全面的、多模态的电子竞技玩家生理心理信号数据集，涵盖职业与业余选手。
• 利用传感器数据分析职业与业余选手在应激、专注度及团队动态方面的差异。
• 评估仅使用传感器数据预测玩家技能水平与识别个体身份的可行性。
• 提供一个与游戏机制无关的稳健数据源，用于训练对游戏机制变更具有鲁棒性的模型。
• 推动电子竞技分析领域的新研究，包括表现预测、异常检测与团队表现建模。

提出的方法

• 通过包含EEG、GSR、眼动追踪、运动传感器与环境传感器的多传感器网络，同步采集五名玩家的数据。
• 将传感器数据与游戏内日志（如击杀、死亡、技能释放）及赛后自评问卷进行时间同步。
• 应用经典机器学习模型（如SVM、随机森林）基于3分钟的传感器数据段，预测玩家技能水平并执行玩家身份再识别。
• 通过相关性分析与信号处理方法，评估在不同条件下（真实对手 vs. 电脑AI对手，通信开启/禁用）的团队动态、应激与认知负荷。
• 通过一致性检查及职业与业余队伍间生理模式的对比，验证数据质量。
• 通过GitHub发布数据集，按每场比赛与每位玩家进行结构化组织，包含元数据与原始传感器文件。

实验结果

研究问题

• RQ1 在竞技比赛中，职业与业余电子竞技选手的生理心理反应（如应激、专注度）有何差异？
• RQ2 团队沟通与对手类型（真实对手 vs. 电脑AI）在多大程度上影响生理同步性与团队动态？
• RQ3 仅使用传感器数据能否以高准确率预测玩家技能等级，且独立于游戏内表现指标？
• RQ4 如瞳孔直径、GSR与面部温度等生理信号如何与游戏内参与度及认知负荷相关联？
• RQ5 在团队制电子竞技环境中，多模态传感器数据在预测玩家身份再识别方面具有多大的预测能力？

主要发现

• 职业选手的应激水平与专注度之间的相关性显著低于业余选手，表明其游戏风格更具独立性与一致性。
• 缺乏团队沟通对业余选手的影响大于职业选手，后者在不同通信条件下均能维持稳定的生理状态。
• 在对阵真实对手的比赛中，玩家之间的瞳孔直径表现出更高的同步性，表明认知负荷与参与度更高且更趋一致。
• 在真实对战中，业余选手之间的面部皮肤温度与GSR信号表现出更高的跨个体相关性，表明存在共享的情绪唤醒。
• 机器学习模型在仅使用3分钟传感器数据段的情况下，预测玩家技能的验证准确率达到0.856，玩家身份再识别准确率达到0.521，显著高于0.10的随机水平。
• 该数据集支持对团队动态的稳健分析，揭示在高压条件下，业余团队的生理同步性更为显著。