Forudsigelig eSport:Amatører og professionelle har forskellige siddestillinger

En gruppe forskere fra Skoltechs Computational and Data-Intensive Science and Engineering Center (CDISE) har brugt kunstig intelligens til at finde en forbindelse mellem en eSports-spillers bevægelser og færdighedsniveau. Deres forskningsresultater viser, at maskinlæringsmetoder præcist kan forudsige en spillers færdighedsniveau i 77 procent af tilfældene.

På bare et par år, eSport, med rødder i videospil til børn, har udviklet sig til en fuldgyldig industri med professionelle teams, trænere og enorme investeringer. Som i enhver anden sport, en eSports -spiller kan være professionel eller amatør, og at fortælle hinanden fra hinanden er afgørende for at optimere træningsprocessen.

Kandidatstuderende fra Skolkovo Institute of Science and Technology (Skoltech), Moskva, Moscow Institute of Physics and Technology (MIPT) og State University of Aerospace Instrumentation (SUAI), Sankt Petersborg, ledet af Skoltech -professorer Andrey Somov og Evgeny Burnaev, ledte efter en sammenhæng mellem færdigheder og kropsbevægelser hos eSports -spillere siddende i stole.

"Vi antog, at der kunne være en forbindelse mellem en spillers kropsbevægelser og færdighedsniveau. Også, det var interessant at se på spillernes svar på forskellige spilbegivenheder, såsom drab, dødsfald eller skyderier. Vi havde mistanke om, at professionelle spillere og begyndere ville reagere forskelligt på den samme begivenhed, "forklarer den første forfatter af undersøgelsen og Skoltech -masterstuderende, Anton Smerdov.

Eksperimentet involverede i alt 19 spillere, herunder ni fagfolk og 10 amatører, der spillede Counter-Strike:Global Offensive (CS:GO) i 30 til 60 minutter. Deres færdigheder blev evalueret i spilletimer, på samme måde som piloter, hvis færdigheder vurderes i flyvetimer. Dataene blev indsamlet ved hjælp af et accelerometer og et gyroskop indlejret i stolen.

"Vi skærer derefter dataene op i tre minutters sessioner, forudsat at tre minutter var nok til at forstå spillerens adfærd og få en prøve, der var stor nok til algoritmelæring, "Tilføjede Smerdov.

Mønstrene udtrukket fra hver session blev brugt til at evaluere spillernes adfærd og kontrollere, hvor intensivt og hvor ofte de bevægede sig eller vendte rundt langs hver af de tre akser og lænede sig tilbage i stolen. Der blev opnået i alt 31 mønstre for hver spiller, og de otte vigtigste træk blev defineret ved hjælp af statistiske teknikker. Maskinindlæringsmetoder blev derefter anvendt på de vigtigste funktioner. Den populære tilfældige skovmetode viste den bedste ydeevne, korrekt at bestemme spillerens færdighedsniveau fra en tre minutters session i 77 procent af tilfældene. Også, resultaterne viste, at professionelle spillere bevæger sig oftere og mere intensivt end begyndere, mens du sidder helt stille under skyderier og andre spilbegivenheder.

Lanceret inden for Skoltech Introduction to Internet of Things -kurset og Skoltech Cyber ​​Academy -initiativet, dette forskningsprojekt bliver videreudviklet ved Head Kraken eSports opstart, drage fordel af tilskuddene fra Skoltechs STRIP -program og Russian Foundation for Basic Research (RFBR).

Holdet ledet af professorerne Andrey Somov og Evgeny Burnaev har undersøgt eSports-spillernes psyko-følelsesmæssige tilstand og fysiske reaktioner på spillet ved hjælp af sensorer og maskinlæringsmetoder siden 2018. De indsamlede og analyserede data omfatter puls, hudmodstand, blikretning, håndbevægelser, miljødata (temperatur, fugtighed, CO ₂ niveau), spil telemetri, og andre parametre.