Предсказуемый киберспорт: движения в кресле позволяют отличить профессионального игрока от любителя

Методы машинного обучения успешно предсказывают мастерство игрока в 77 % случаев. Результаты работы были представлены на престижном форуме — V международной конференции IEEE по проблемам Интернета людей (IoP 2019), где получили приз за лучшую научную работу.

 

За последние несколько лет киберспорт прошел путь от видеоигр для школьников до целой спорт-индустрии c профессиональными командами, тренерами и большими инвестициями. Как и в любом другом спорте, кибератлеты бывают профессионалами и любителями, и понимание того, как отличить одних от других, важно для оптимизации тренировочного процесса.

 

Студенты-магистры из Сколтеха (Москва), МФТИ (Москва) и ГУАП (Cанкт-Петербург) под руководством профессоров Сколтеха Андрея Сомова и Евгения Бурнаева решили найти связь между эффективностью кибератлета в игре и характером его движений в кресле.

 

«Мы предположили, что между “стилем” движения игрока в кресле и его мастерством есть связь. В то же время было интересно посмотреть, как игроки реагируют на игровые события (когда игрок убивает, умирает, или идет перестрелка). Вряд ли профессиональные игроки и новички реагируют одинаково», — рассказывает первый автор исследования, магистрант Сколтеха Антон Смердов.

 

Для эксперимента были приглашены 19 игроков разных уровней: девять профессионалов и десять любителей. Мастерство игроков оценивали аналогично тому, как измеряют мастерство пилотов —наигранными часами. Всем было предложено играть в популярную видеоигру Counter-Strike: Global Offensive (CS:GO) от получаса до часа. Для сбора данных использовались акселерометр и гироскоп, интегрированные в кресло.

 

«Полученные данные были порезаны на трехминутные сессии, так как трех минут движений в кресле достаточно, чтобы понять поведение игрока. В то же время это увеличивает выборку для обучения алгоритмов», — поясняет Антон Смердов.

 

Из каждой сессии ученые извлекали паттерны, по которым можно оценивать поведение игрока: с какой частотой и интенсивностью он двигается или крутится в кресле для каждой из трех осей и как часто откидывается на спинку кресла. Суммарно для всех временных интервалов получился 31 паттерн на каждого игрока. С помощью методов статистики выделили восемь самых важных признаков и применили к ним методы машинного обучения.

 

Лучше всего сработал популярный метод Random Forest, продемонстрировавший семидесятисемипроценую точность при определении уровня мастерства по трехминутной сессии. Также полученные результаты показали, что профессиональные игроки в целом чаще и интенсивнее двигаются в кресле, но при этом сидят неподвижно во время перестрелок и прочих игровых событий.

 

Работа над проектом началась в рамках курса Introduction to Internet of Things и инициативы Киберакадемии Сколтеха и продолжается в рамках грантов программы Сколтеха STRIP, РФФИ и киберспортивного стартапа Head Kraken.

 

Научная группа ученых Сколтеха, занимающихся исследованиями в области определения психоэмоционального состояния кибератлетов под руководством профессоров Андрея Сомова и Евгения Бурнаева, с 2018 года применяет датчики для комплексного сбора данных, а также методы машинного обучения для изучения психологического и физического состояния игроков. Для анализа используют данные о пульсе, сопротивлении кожи, направлении взгляда, движении рук, данные об окружающей среде (температура, влажность, уровень углекислого газа), игровой телеметрии и другие.

Источник: naked-science.ru

Вы можете оставить комментарий, или ссылку на Ваш сайт.


Оставить комментарий

Вы должны войти, чтобы иметь возможность оставлять комментарии.