論文の概要: Collection and Validation of Psychophysiological Data from Professional
and Amateur Players: a Multimodal eSports Dataset
- arxiv url: http://arxiv.org/abs/2011.00958v2
- Date: Mon, 23 Aug 2021 08:19:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 11:30:46.057725
- Title: Collection and Validation of Psychophysiological Data from Professional
and Amateur Players: a Multimodal eSports Dataset
- Title（参考訳）: プロ・アマチュア選手の心理生理学的データの収集と検証 : マルチモーダルeスポーツデータセット
- Authors: Anton Smerdov, Bo Zhou, Paul Lukowicz, Andrey Somov
- Abstract要約: リーグ・オブ・レジェンズ(League of Legends)ビデオゲームのプロチームとアマチュアチームから収集したデータセットを40時間以上の録音で提示する。
記録にはプレイヤーの生理活動、動き、脈拍、ササード、様々なセンサーから得られる。
このデータセットの重要な特徴は、5人のプレーヤーによる同時データ収集であり、チームレベルでのセンサーデータの分析を容易にする。
- 参考スコア（独自算出の注目度）: 7.135992354416602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- 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 https://github.com/smerdov/eSports Sensors Dataset.
- Abstract（参考訳）: eスポーツにおける適切なトレーニングと分析には、正確な収集と注釈付きデータが必要である。
多くのeSports研究はゲーム内データ分析にのみ焦点をあてており、eSportsのアスリートの心理生理学的データに関する以前の研究は乏しい。
本稿では,リーグ・オブ・レジェンズ(League of Legends)の22試合のプロチームとアマチュアチームから収集した40時間以上の記録データについて述べる。
記録されたデータには、様々なセンサーから得られる運動、パルス、サッケード、自己報告アフターマッチサーベイ、ゲーム内データなどプレイヤーの生理活動が含まれている。
データセットの重要な特徴は、5人のプレーヤーによる同時データ収集であり、チームレベルでのセンサーデータの分析を容易にする。
データセットの収集時に、検証を実行しました。
特に,プロ選手のストレスと集中度は相関が低く,より独立したプレースタイルであることが示される。
また,チームコミュニケーションの欠如は,アマチュア選手ほどプロ選手に影響を与えないことを示した。
データセットの他のユースケースを検討するため,我々は3分間のセンサデータのセッションを用いて,スキル予測とプレーヤの再識別のための古典的機械学習アルゴリズムを訓練した。
最高のモデルは、それぞれスキル予測のための検証セットとプレイヤーのリイド問題で0.856と0.521(0.10)の精度を達成した。
データセットはhttps://github.com/smerdov/eSports Sensors Datasetで公開されている。
関連論文リスト
- ShuttleSet: A Human-Annotated Stroke-Level Singles Dataset for Badminton
Tactical Analysis [5.609957071296952]
我々は、アノテートされたストロークレベルの記録を持つ、公開可能な最大のバドミントンシングルスデータセットであるShuttleSetを紹介する。
104セット、3,685ラリー、36,492ストロークが2018年から2021年にかけて44試合に出場し、27人の男子シングルと女子シングルが出場した。
ShuttleSetはコンピュータ支援ラベル付けツールで手動で注釈付けされ、ショットタイプを選択する際のラベル付け効率と有効性を高める。
論文 参考訳（メタデータ） (2023-06-08T05:41:42Z) - Hang-Time HAR: A Benchmark Dataset for Basketball Activity Recognition using Wrist-Worn Inertial Sensors [47.33629411771497]
本稿では,手首に装着したセンサから身体活動認識手法を評価するためのベンチマークデータセットを提案する。
データセットは、米国とドイツの2つのチームで記録され、計24人のプレーヤーが手首に慣性センサーを装着した。
論文 参考訳（メタデータ） (2023-05-22T15:25:29Z) - Impact of a Batter in ODI Cricket Implementing Regression Models from
Match Commentary [0.0]
本研究は,プレイヤーがどのような状況でどれだけコントロールしているかを判断することで,このインパクトのあるパフォーマンスの背景にある欠点を理解することを目的とする。
私たちはOne Day Internationalの3人の著名なクリケット選手(Rohit G Sharma、David A Warner、Kene S Williamson)のキャリアに関するデータを収集しました。
我々は、各プレイヤーのデータに対して、複数の線形回帰(MLR)、ポリノミアル回帰、サポートベクトル回帰(SVR)、決定木回帰、ランダムフォレスト回帰を個別に使用し、プレイヤーがゲームに与える影響を予測する。
論文 参考訳（メタデータ） (2023-02-22T06:42:20Z) - Graph Neural Networks to Predict Sports Outcomes [0.0]
スポーツに依存しないグラフによるゲーム状態の表現を導入する。
次に、提案したグラフ表現をグラフニューラルネットワークの入力として使用し、スポーツ結果を予測する。
論文 参考訳（メタデータ） (2022-07-28T14:45:02Z) - A Survey on Video Action Recognition in Sports: Datasets, Methods and
Applications [60.3327085463545]
本稿では,スポーツ分析のための映像行動認識に関する調査を行う。
サッカー、バスケットボール、バレーボール、ホッケー、フィギュアスケート、体操、卓球、ダイビング、バドミントンなど10種以上のスポーツを紹介します。
本研究では,サッカー,バスケットボール,卓球,フィギュアスケート動作認識をサポートするPaddlePaddleを用いたツールボックスを開発した。
論文 参考訳（メタデータ） (2022-06-02T13:19:36Z) - SoccerNet-Tracking: Multiple Object Tracking Dataset and Benchmark in
Soccer Videos [62.686484228479095]
本稿では,各30の200列からなる複数物体追跡のための新しいデータセットを提案する。
データセットは、バウンディングボックスとトラックレットIDで完全に注釈付けされている。
分析の結果,サッカービデオにおける複数の選手,審判,ボール追跡が解決されるには程遠いことがわかった。
論文 参考訳（メタデータ） (2022-04-14T12:22:12Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳（メタデータ） (2022-03-10T02:37:39Z) - AI-enabled Prediction of eSports Player Performance Using the Data from
Heterogeneous Sensors [12.071865017583502]
我々は,センサのデータのみを用いて,eSportsプレーヤーのゲーム内パフォーマンスを予測する人工知能(AI)対応ソリューションについて報告する。
リカレントニューラルネットワークを用いて、マルチプレイヤーゲームにおけるゲームログから、各モーメント毎のプレイヤー性能を評価する。
提案するソリューションはプロのeスポーツチームやアマチュア選手のための学習ツールに多くの有望な応用がある。
論文 参考訳（メタデータ） (2020-12-07T07:31:53Z) - Detecting Video Game Player Burnout with the Use of Sensor Data and
Machine Learning [15.838305794790022]
本研究では,センサデータ分析に基づいて,プレイヤーが今後の出会いに勝つかどうかを予測する手法を提案する。
センサデータは、リーグ・オブ・レジェンドズ(League of Legends)の22試合の参加者10名から収集された。
われわれはTransformerやGated Recurrent Unitといった機械学習モデルを訓練し、将来一定時間後にプレイヤーが遭遇するかどうかを予測する。
論文 参考訳（メタデータ） (2020-11-29T21:16:09Z) - Vyaktitv: A Multimodal Peer-to-Peer Hindi Conversations based Dataset
for Personality Assessment [50.15466026089435]
本稿では,ピアツーピアのHindi会話データセットであるVyaktitvを提案する。
参加者の高品質な音声とビデオの録音と、会話ごとにヒングリッシュのテキストによる書き起こしで構成されている。
データセットには、収入、文化的指向など、すべての参加者のための豊富な社会デコグラフィー的特徴が含まれています。
論文 参考訳（メタデータ） (2020-08-31T17:44:28Z) - Human in Events: A Large-Scale Benchmark for Human-centric Video
Analysis in Complex Events [106.19047816743988]
我々は、Human-in-Events(Human-in-Events)またはHiEve(HiEve)という、包括的なアノテーションを備えた新しい大規模データセットを提案する。
これには、複雑なイベントにおけるアクションインスタンスの最大数(>56k)と、長時間続くトラジェクトリの最大数(>1M)が含まれている。
多様なアノテーションに基づいて、アクション認識とポーズ推定のための2つのシンプルなベースラインを提示する。
論文 参考訳（メタデータ） (2020-05-09T18:24:52Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。