[论文解读] Collection and Validation of Psycophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset.

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

Artificial Intelligence in Games参考文献 52被引用 4

一句话总结

本论文介绍了一个多模态电子竞技数据集，该数据集来自22场《英雄联盟》比赛，涵盖职业与业余选手，同步采集了生理信号（如脉搏、扫视、运动）、游戏内数据及赛后调查。该数据集支持团队级分析，验证结果表明职业选手在压力与专注力之间的相关性较低，而机器学习模型在3分钟传感器数据段上实现0.856的技能预测准确率和0.521的玩家重识别准确率。

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 this https URL Sensors Dataset.

研究动机与目标

• 在竞技比赛中同步采集职业与业余电子竞技选手的心理生理数据。
• 通过分析职业与业余选手在压力与专注力水平上的差异，验证数据集的有效性。
• 利用生理与行为数据，探究团队沟通对表现的影响。
• 通过机器学习应用展示数据集的实用性，包括技能预测与玩家重识别。
• 为未来电子竞技分析与心理生理学研究提供公开可访问的资源。

提出的方法

• 使用可穿戴传感器同步采集五名选手在22场竞技比赛中的生理信号（如脉搏、扫视、运动）数据。
• 将游戏内遥测数据与赛后自报调查相结合，为数据集增加行为与感知标注。
• 应用经典机器学习模型（如SVM、随机森林）基于3分钟传感器数据段预测玩家技能并实现玩家重识别。
• 通过统计方法验证生理模式，包括不同选手层级间压力与专注力水平的相关性分析。
• 在数据集上使用交叉验证评估模型性能，并建立随机基准以供比较。
• 通过专用存储库公开发布数据集，以支持可复现性与进一步研究。

实验结果

研究问题

• RQ1 在竞技环境中，职业与业余电子竞技选手的压力与专注力水平有何差异？
• RQ2 团队沟通缺失对职业与业余选手的生理压力与表现影响程度如何？
• RQ3 能否利用短时3分钟游戏时段采集的心理生理数据准确预测玩家技能等级？
• RQ4 能否仅通过短暂游戏时段的生理传感器数据可靠地识别个体玩家？
• RQ5 在多人电子竞技比赛中，对同步生理数据进行团队级分析可获得哪些洞察？

主要发现

• 职业选手在压力与专注力之间的相关性低于业余选手，表明其游戏风格更具独立性与稳定性。
• 团队沟通缺失对职业选手的负面影响显著小于对业余选手的影响，表明职业选手对沟通中断更具韧性。
• 机器学习模型在使用3分钟传感器数据段预测玩家技能时，验证准确率达到0.856。
• 玩家重识别模型的验证准确率达到0.521，显著高于0.10的随机基准，证明个体生理特征具有独特性。
• 由于在《英雄联盟》比赛中对全部五个位置的五名选手实现了同步多玩家数据采集，该数据集支持稳健的团队级分析。
• 该数据集已通过提供的URL公开发布，支持可复现性，并推动电子竞技心理生理分析的未来研究。