eSports_Sensors_Dataset

该数据集包含来自10名英雄联盟玩家的超过40小时的传感器数据，涵盖手部、头部、椅子移动、心率、肌肉活动、监视器上的注视移动、皮肤电反应、脑电图、鼠标和键盘活动、面部皮肤温度以及环境数据。数据收集针对5人团队同时进行，并提供每场比赛的游戏日志和元信息。

This dataset comprises over 40 hours of sensor data from 10 League of Legends players, encompassing hand movements, head movements, chair movements, heart rate, muscle activity, gaze movements on the monitor, galvanic skin response, electroencephalogram (EEG), mouse and keyboard activities, facial skin temperature, and environmental data. The data collection was conducted simultaneously for a 5-person team, and includes game logs and metadata for each match.

原始信息汇总

数据集概述

数据来源

• 数据集包含来自10名玩家在22场《英雄联盟》比赛中的传感器数据。

数据内容

• 生理数据：
  • 手/头/椅子运动
  • 心率
  • 肌肉活动
  • 监视器上的注视运动
  • 皮肤电反应（GSR）
  • 脑电图（EEG）
  • 面部皮肤温度
• 操作数据：
  • 鼠标和键盘活动
• 环境数据：
  • 环境数据

数据收集方式

• 数据为5人团队的同步收集。

附加信息

• 提供每场比赛的游戏日志和元信息。

引用信息

• 若使用此数据集，请引用以下文献：

  @article{smerdov2020collection, title={Collection and Validation of Psychophysiological Data from Professional and Amateur Players: a Multimodal eSports Dataset}, author={Smerdov, Anton and Zhou, Bo and Lukowicz, Paul and Somov, Andrey}, journal={arXiv preprint arXiv:2011.00958}, year={2020} }

搜集汇总

数据集介绍

构建方式

该数据集通过在22场《英雄联盟》比赛中，对10名玩家进行多模态传感器数据的采集而构建。采集的数据涵盖了多种生理和行为指标，包括手部、头部及椅子的运动、心率、肌肉活动、视线在显示器上的移动、皮肤电反应（GSR）、脑电图（EEG）、鼠标和键盘活动、面部皮肤温度以及环境数据。此外，数据集还包含了每场比赛的游戏日志和元信息，确保数据的完整性和多样性。

特点

该数据集的显著特点在于其多模态数据的全面性和实时性。不仅包括传统的生理数据，如心率和肌肉活动，还引入了先进的神经科学数据，如脑电图和皮肤电反应，以及环境数据，提供了对玩家在游戏过程中生理和心理状态的全面洞察。此外，数据集的结构化设计使得研究者能够轻松地进行跨模态分析，从而深入理解电子竞技中的复杂行为和生理反应。

使用方法

该数据集适用于多种研究场景，包括但不限于电子竞技中的心理生理学研究、玩家行为分析、以及游戏设计优化。研究者可以通过分析不同模态的数据，探索玩家在游戏中的生理和心理变化，以及这些变化如何影响游戏表现。此外，数据集中的游戏日志和元信息为研究提供了丰富的上下文，使得研究者能够将生理数据与游戏行为紧密结合，进行更为深入的跨学科研究。

背景与挑战

背景概述

电子竞技（eSports）作为新兴的竞技领域，近年来吸引了广泛的研究兴趣。eSports_Sensors_Dataset由Smerdov等人于2020年创建，旨在通过多模态传感器数据深入探索职业与业余玩家在游戏中的心理和生理反应。该数据集收集了10名玩家在22场《英雄联盟》比赛中的多维度数据，包括手部、头部、椅子运动、心率、肌肉活动、视线移动、皮肤电反应、脑电图、鼠标键盘活动、面部皮肤温度及环境数据。此外，数据集还提供了每场比赛的游戏日志和元信息，为研究玩家行为与生理状态的关联提供了丰富的资源。该数据集的发布不仅推动了电子竞技领域的研究，也为心理学、生理学等交叉学科提供了新的研究视角。

当前挑战

eSports_Sensors_Dataset在构建过程中面临多项挑战。首先，多模态数据的同步采集与处理要求高精度的传感器技术，以确保数据的准确性和一致性。其次，玩家在激烈比赛中的生理和心理状态变化迅速，如何捕捉并分析这些瞬时变化是一个技术难题。此外，数据的隐私保护和伦理问题也是不可忽视的挑战，尤其是在涉及个人生理数据时。最后，如何有效整合游戏日志与生理数据，以揭示玩家行为与生理反应之间的复杂关系，是该数据集在研究应用中的核心挑战。

常用场景

经典使用场景

eSports_Sensors_Dataset的经典使用场景主要集中在电子竞技领域的心理生理学研究。通过分析玩家在游戏过程中的手部、头部、椅子运动、心率、肌肉活动、视线移动、皮肤电反应、脑电图、鼠标和键盘活动、面部皮肤温度以及环境数据，研究者能够深入探讨玩家在高压游戏环境下的生理和心理反应。这些数据为理解电子竞技选手的应激反应、疲劳程度以及技能表现提供了宝贵的多模态信息。

实际应用

在实际应用中，eSports_Sensors_Dataset可用于开发个性化的训练方案和健康监测系统。例如，教练团队可以根据玩家的心率和肌肉活动数据，调整训练强度和策略，以提高比赛表现。此外，该数据集还可用于设计心理干预措施，帮助选手在高压环境下保持最佳状态。在医疗领域，这些数据也有助于研究电子竞技对玩家身心健康的影响。

衍生相关工作

基于eSports_Sensors_Dataset，许多相关研究工作得以展开。例如，有研究利用脑电图数据分析玩家在不同游戏阶段的大脑活动模式，揭示了注意力分配和决策过程的神经机制。此外，还有研究通过分析皮肤电反应和心率变异性，开发了实时应激检测系统，为电子竞技选手提供了个性化的心理支持。这些衍生工作不仅丰富了电子竞技领域的研究内容，还为多模态数据分析技术的发展提供了新的应用场景。