Einen angemessenen Trainings- und Analyseprozess im eSports erfordert die präzise Erfassung und Annotation von Daten. Die meisten eSports-Forschungen konzentrieren sich ausschließlich auf die Analyse von In-Game-Daten, wobei es bisher an Arbeiten mangelt, die sich mit den psychophysiologischen Daten der eSports-Athleten befassen. In dieser Arbeit stellen wir einen Datensatz vor, der aus 22 Matches des Videospiels "League of Legends" gesammelt wurde, wobei mehr als 40 Stunden Aufzeichnungen von professionellen und Amateurteams enthalten sind. Die erfassten Daten umfassen die physiologische Aktivität der Spieler, z.B. Bewegungen, Puls, Saccaden, die durch verschiedene Sensoren gewonnen wurden, sowie eine nach dem Match selbstberichtete Umfrage und In-Game-Daten. Eine wichtige Eigenschaft des Datensatzes ist die gleichzeitige Datenerfassung von fünf Spielern, was die Analyse von Sensordaten auf Team-Ebene erleichtert. Nach der Sammlung des Datensatzes haben wir dessen Validierung durchgeführt. Insbesondere zeigen wir, dass Stress- und Konzentrationsniveaus bei professionellen Spielern weniger korreliert sind, was auf einen unabhängigeren Spielstil hindeutet. Zudem weisen wir nach, dass das Fehlen der Teamkommunikation professionelle Spieler weniger beeinträchtigt als Amateurspieler. Um andere mögliche Anwendungsfälle des Datensatzes zu untersuchen, haben wir klassische maschinelle Lernalgorithmen für die Fähigkeitsvorhersage und die Wiedererkennung von Spielern unter Verwendung von 3-Minuten-Sessions von Sensordaten trainiert. Die besten Modelle erreichten Genauigkeitswerte von 0,856 und 0,521 (bei einem Zufallsniveau von 0,10) in der Validierungsphase für die Fähigkeitsvorhersage und das Problem der Spieler-Wiedererkennung jeweils. Der Datensatz ist unter https://github.com/smerdov/eSports Sensors Dataset verfügbar.