التدريب والتحليل الصحيحان في رياضات الفيديو يتطلبان جمع بيانات دقيقة ومُشَرَّحة بشكل صحيح. تركز معظم أبحاث رياضات الفيديو حصريًا على تحليل البيانات داخل اللعبة، وهناك نقص في الأعمال السابقة التي تتضمن بيانات علم النفس والفيزيولوجيا لرياضيين رياضات الفيديو. في هذا البحث، نقدم مجموعة بيانات تم جمعها من فرق محترفة وهواة شاركت في 22 مباراة من لعبة "ليج أوف ليجيندز" (League of Legends) مع أكثر من 40 ساعة من التسجيلات. تشمل البيانات المسجلة النشاط الفيزيولوجي لللاعبين، مثل الحركات، النبض، السكادات (saccades)، والتي تم الحصول عليها من عدة أجهزة استشعار، بالإضافة إلى الاستبيان الذاتي بعد المباراة والبيانات داخل اللعبة. ميزة مهمة لمجموعة البيانات هي جمع البيانات بشكل متزامن من خمسة لاعبين، مما يسهل تحليل البيانات من الأجهزة الاستشعارية على مستوى الفريق. بعد جمع مجموعة البيانات، قمنا بإجراء التحقق منها. وتحديدًا، نوضح أن مستويات الإجهاد والتركيز لدى اللاعبين المحترفين أقل ارتباطًا، مما يعني أسلوب لعب أكثر استقلالية. كما نظهر أن غياب التواصل بين أعضاء الفريق لا يؤثر على اللاعبين المحترفين بنفس القدر الذي يؤثر على الهواة. للتحقيق في استخدامات أخرى محتملة لمجموعة البيانات، قمنا بتدريب خوارزميات التعلم الآلي التقليدية للتنبؤ بالمهارات وإعادة تحديد هوية اللاعب باستخدام جلسات لمدة ثلاث دقائق من بيانات الأجهزة الاستشعارية. حققت أفضل النماذج درجات دقة بلغت 0.856 و0.521 (0.10 لمستوى الصدفة) على مجموعة التحقق للتنبؤ بالمهارات وإعادة تحديد هوية اللاعب، على التوالي. يمكن الوصول إلى مجموعة البيانات عبر الرابط: https://github.com/smerdov/eSports Sensors Dataset.