eSports Sensors Dataset

该数据集包含了在22场《英雄联盟》比赛中从专业和业余玩家那里收集的心理生理数据，包括生理活动、赛后调查以及游戏内数据。数据集以结构化格式呈现，每个比赛都有一个目录，每位玩家的传感器数据以及赛后的调查问卷。由于能够同时从五名玩家那里收集数据，该数据集允许进行团队级别的分析。数据规模覆盖了22场比赛，记录时间超过40小时，涉及多名玩家。研究任务包括技能预测、玩家重新识别以及团队动态分析。This dataset comprises psychophysiological data collected from professional and amateur players across 22 *League of Legends* matches, including physiological activity metrics, post-match surveys, and in-game data. It is structured with a dedicated directory for each match, which contains the sensor data and post-match questionnaire responses of every participating player. Since data can be collected simultaneously from all five players on a team, this dataset enables team-level analytical studies. Covering 22 matches with a total recording time exceeding 40 hours, the dataset involves multiple players. Supported research tasks include skill prediction, player re-identification, and team dynamics analysis.

搜集汇总

数据集介绍

构建方式

电子竞技领域的训练与分析亟需精确标注的多模态数据，然而现有研究多聚焦于游戏内数据，忽略了运动员的心理生理信号。为此，本研究构建了eSports Sensors Dataset，该数据集从10名参与者（包括职业与业余选手）在《英雄联盟》中的22场对局中同步采集，总时长超过40小时。数据采集依托一套精心设计的传感器网络，涵盖肌电图、皮肤电反应、惯性测量单元（分布于手腕、椅座及椅背）、眼动仪、脑电图头带、心率监测仪、血氧传感器、红外热像仪、环境传感器以及鼠标键盘活动记录器。每场对局还包含游戏日志与赛后自评问卷。所有设备通过Arduino板、智能手机及个人电脑协同记录，时间同步误差控制在500毫秒以内，最终按场次与选手组织为结构化目录。

特点

该数据集的核心特色在于其多维同步性与生态效度。与以往研究仅记录单名选手或单一传感器不同，本数据集实现了五名选手同时、多模态数据的采集，从而支持团队层面的心理生理动态分析。数据涵盖了从手部、头部、椅子运动到心率、瞳孔直径、面部皮肤温度等十余种信号，并辅以游戏内关键事件（如击杀、建筑摧毁）与选手主观报告。特别地，数据集包含了职业与业余选手在有无团队沟通、对阵人机或真人对手等不同条件下的对比记录，为探究技能水平对心理生理模式的影响提供了独特视角。验证分析表明，职业选手的生理信号（如皮肤电反应）团队相关性更低，反映了更独立的比赛风格。

使用方法

数据集的使用灵活多样，适用于多种电子竞技研究场景。研究者可将传感器数据切分为3分钟会话，提取37维特征（如均值），用于技能预测或选手重识别等分类任务，经典机器学习模型（如支持向量机）在技能预测上可达0.856的准确率。团队动态分析可通过计算选手间生理信号（如心率、皮肤电）的皮尔逊相关系数来评估同步性，进而比较不同沟通条件或对手类型下的团队协作模式。数据以CSV格式存储，每场对局包含独立的meta_info.json与replay.json文件，便于直接加载与预处理。建议结合Python的pandas与scikit-learn库进行特征工程与模型训练，并注意对缺失值（如脑电图数据因蓝牙干扰有70.6%缺失）进行适当处理。

背景与挑战

背景概述

电子竞技（eSports）作为一项蓬勃发展的竞技活动，近年来吸引了大量研究关注，尤其是在玩家表现分析与训练优化领域。然而，现有研究多集中于游戏内数据（如击杀数、英雄选择等），忽略了玩家生理与心理状态的动态变化对竞技表现的影响。为弥补这一空白，Smerdov等人于2021年在《IEEE Transactions on Games》上提出了eSports Sensors Dataset，由斯科尔科沃科技学院与德国人工智能研究中心联合创建。该数据集记录了10名职业与业余玩家在22场《英雄联盟》比赛中的多模态生理信号，包括心率、眼动、肌电、脑电等，并同步采集了团队级传感器数据与赛后问卷。这一开创性工作为理解玩家技能差异、团队协作机制及心理负荷提供了跨学科的研究基础，推动了电子竞技数据科学从数字域向物理域的延伸。

当前挑战

该数据集面临的核心挑战在于多模态生理信号与竞技表现之间的复杂映射关系。首先，传感器数据的高维性与噪声干扰（如蓝牙干扰导致EEG数据缺失率达70.6%）增加了特征提取与模型泛化的难度；其次，职业与业余玩家在压力、专注度等指标上的差异需通过精细的团队动力学分析（如皮尔逊相关系数）才能揭示，而现有机器学习模型（如SVM）在技能预测任务中仅达到0.856的准确率，远未实现实时、鲁棒的个体化评估。此外，数据采集过程中的硬件限制（如红外相机电池续航不足）与样本规模局限（仅10名男性参与者）制约了结论的普适性，未来需通过更大规模、更多元的参与者招募及改进的传感设备来提升数据质量与跨场景迁移能力。

常用场景

经典使用场景

在电子竞技研究领域，该数据集为探究职业与业余选手之间心理生理差异提供了宝贵的多模态资源。研究者可借助其同步采集的五人团队数据，分析选手在《英雄联盟》对战中的心率、肌电、眼动、皮肤电导等生理信号，结合赛后自评问卷与游戏内事件日志，系统评估不同技能水平选手在应激反应、专注程度与团队协作上的分化特征，从而揭示职业选手更为独立且稳定的竞技心理模式。

实际应用

在实际应用层面，该数据集支撑的技能预测系统可服务于电子竞技俱乐部的选手招募与训练反馈，通过实时监测生理指标帮助教练精准评估选手状态与成长轨迹。选手重识别模型则能用于赛事中的作弊检测，防止替赛行为。此外，团队动态分析工具可量化队员间的生理同步程度，为优化阵容搭配与沟通策略提供数据驱动的决策支持，推动电子竞技训练体系向科学化、个性化演进。

衍生相关工作

该数据集催生了一系列围绕心理生理信号与电子竞技表现关联性的经典工作，例如基于眼动数据区分职业与业余选手的视觉注视模式研究，以及利用智能座椅惯性测量单元分析选手移动行为与技能水平关系的探索。后续研究进一步扩展到多模态融合框架，将肌电、皮肤电导与心率变异性等特征纳入预测模型，验证了传感器数据在跨游戏类型（如MOBA、FPS）中的泛化能力，并为驾驶员疲劳监测、压力评估等跨领域应用提供了方法论借鉴。