Collecte et validation de données psychophysiologiques chez les joueurs professionnels et amateurs : un jeu de données multimodal pour les eSports

Une formation adéquate et des analyses précises en eSports nécessitent des données collectées et annotées avec exactitude. La plupart des recherches en eSports se concentrent exclusivement sur l'analyse des données en jeu, et il manque des travaux antérieurs impliquant les données psycho-physiologiques des athlètes d'eSports. Dans cet article, nous présentons un ensemble de données recueilli auprès d'équipes professionnelles et amateurs lors de 22 matchs du jeu vidéo League of Legends, comprenant plus de 40 heures d'enregistrements. Les données enregistrées incluent l'activité physiologique des joueurs, par exemple leurs mouvements, leur pouls, leurs saccades, obtenues à partir de divers capteurs, ainsi que des enquêtes auto-rapportées après les matchs et les données en jeu. Une caractéristique importante de cet ensemble de données est la collecte simultanée de données provenant de cinq joueurs, ce qui facilite l'analyse des données capteur au niveau de l'équipe. Après la collecte de l'ensemble de données, nous avons effectué sa validation. En particulier, nous démontrons que les niveaux de stress et de concentration chez les joueurs professionnels sont moins corrélés, signifiant un style de jeu plus indépendant. Nous montrons également que l'absence de communication d'équipe n'affecte pas autant les joueurs professionnels que les amateurs. Pour explorer d'autres cas d'utilisation possibles de l'ensemble de données, nous avons formé des algorithmes classiques d'apprentissage automatique pour prédire le niveau de compétence et réidentifier les joueurs à partir de sessions capteur de 3 minutes. Les meilleurs modèles ont atteint des scores d'exactitude respectifs de 0,856 et 0,521 (contre 0,10 pour un niveau aléatoire) sur un ensemble de validation pour la prédiction du niveau de compétence et le problème de réidentification des joueurs. L'ensemble de données est disponible à l'adresse suivante : https://github.com/smerdov/eSports Sensors Dataset.