[论文解读] Eye Movement Feature Classification for Soccer Goalkeeper Expertise Identification in Virtual Reality

Benedikt Hosp, Florian Schultz+2 more|arXiv (Cornell University)|Sep 23, 2020

Sport Psychology and Performance参考文献 38被引用 4

一句话总结

本研究提出一种机器学习方法，通过虚拟现实（VR）模拟真实比赛场景中捕捉到的眼动特征，对足球门将的技能水平进行分类。通过对35名门将（包括专家、中级和初学者）的眼动行为进行分析，该方法实现了有希望的分类准确率，表明在沉浸式VR环境中使用眼动追踪数据可客观评估感知-认知技能水平，并为自适应训练系统提供支持。

ABSTRACT

The latest research in expertise assessment of soccer players has affirmed the importance of perceptual skills (especially for decision making) by focusing either on high experimental control or on a realistic presentation. To assess the perceptual skills of athletes in an optimized manner, we captured omnidirectional in-field scenes and showed these to 12 expert, 10 intermediate and 13 novice soccer goalkeepers on virtual reality glasses. All scenes were shown from the same natural goalkeeper perspective and ended after the return pass to the goalkeeper. Based on their gaze behavior we classified their expertise with common machine learning techniques. This pilot study shows promising results for objective classification of goalkeepers expertise based on their gaze behaviour and provided valuable insight to inform the design of training systems to enhance perceptual skills of athletes.

研究动机与目标

• 开发一种基于数据的客观方法，利用眼动特征评估足球门将的技能水平。
• 评估在沉浸式VR环境中，眼动行为是否能够区分专家、中级和初学者门将。
• 探索利用机器学习对眼动追踪数据进行实时技能水平分类在体育训练中的可行性。
• 为设计能够响应个体感知-认知优势与劣势的自适应虚拟现实训练系统提供依据。
• 为未来基于实时眼动分析的在线诊断与个性化训练系统奠定基础。

提出的方法

• 从真实比赛情境中以门将自然视角捕获360°视频刺激，以确保生态效度。
• 使用配备集成眼动追踪器的消费级VR头显，向35名参与者（12名专家、10名中级、13名初学者）呈现这些刺激。
• 提取眼动行为特征，如注视持续时间、扫视频率以及在关键比赛区域的空间分布。
• 应用标准的监督式机器学习技术（例如SVM、随机森林）基于眼动特征将参与者分类至不同技能水平。
• 使用每秒250次采样率的实时数据处理流水线，实现在线特征计算与模型推理。
• 设计多线程系统，在试验后计算高级特征（例如标准差），并将其输入预训练模型，实现实时分类。

实验结果

研究问题

• RQ1 在VR环境中，眼动特征是否能可靠地区分专家、中级和初学者足球门将？
• RQ2 沉浸式VR中的眼动行为在多大程度上反映了门将在现实世界中的感知-认知技能水平？
• RQ3 基于眼动数据训练的机器学习模型能否实现对门将技能水平的准确且客观的分类？
• RQ4 如何将基于眼动的技能水平检测集成到实时自适应训练系统中？
• RQ5 当前眼动追踪与特征提取方法在捕捉细微感知差异方面存在哪些局限性？

主要发现

• 本研究仅基于VR中眼动行为，便实现了在区分专家、中级和初学者门将方面的有希望的分类准确率。
• 与初学者相比，专家表现出更高效的眼动模式，例如更快的线索检测速度和更优的空间优先排序能力。
• 使用逼真的360°VR刺激保留了自然的眼动行为，增强了数据的生态效度。
• 机器学习模型展示了利用每秒250次采样率的在线眼动追踪数据实现实时技能水平分类的潜力。
• 结果支持基于眼动诊断实现个性化训练的可行性，通过识别个体感知弱点来实现。
• 未来工作计划扩大数据集，细化分类粒度，并将系统集成至实时自适应VR与AR训练平台。