Een groep wetenschappers van Skoltech's Computational and Data-Intensive Science and Engineering Center (CDISE) heeft kunstmatige intelligentie gebruikt om een ​​verband te vinden tussen de bewegingen van een eSports-speler en het vaardigheidsniveau. Hun onderzoeksresultaten tonen aan dat machine learning-methoden het vaardigheidsniveau van een speler in 77 procent van de gevallen nauwkeurig kunnen voorspellen.

In slechts een paar jaar tijd, eSports, met wortels in videogames voor kinderen, is uitgegroeid tot een volwaardige industrie met professionele teams, coaches en enorme investeringen. Zoals bij elke andere sport, een eSports-speler kan een professional of een amateur zijn, en van elkaar vertellen is essentieel voor het optimaliseren van het trainingsproces.

Masterstudenten van het Skolkovo Institute of Science and Technology (Skoltech), Moskou, Moscow Institute of Physics and Technology (MIPT) en de State University of Aerospace Instrumentation (SUAI), St. Petersburg, onder leiding van Skoltech-professoren Andrey Somov en Evgeny Burnaev, zocht naar een verband tussen de vaardigheid en lichaamsbewegingen van eSports-spelers zittend in stoelen.

"We gingen ervan uit dat er een verband zou kunnen zijn tussen de lichaamsbewegingen van een speler en het vaardigheidsniveau. het was interessant om te kijken naar de reactie van de spelers op verschillende spelgebeurtenissen, zoals moorden, doden of schietpartijen. We vermoedden dat professionele spelers en beginners anders zouden reageren op hetzelfde evenement, " legt de eerste auteur van de studie en Skoltech-masterstudent uit, Anton Smerdov.

Bij het experiment waren in totaal 19 spelers betrokken, waaronder negen professionals en 10 amateurs, die Counter-Strike:Global Offensive (CS:GO) 30 tot 60 minuten speelde. Hun vaardigheden werden geëvalueerd in speluren, vergelijkbaar met piloten, wiens vaardigheden worden beoordeeld in vlieguren. De gegevens werden verzameld met behulp van een versnellingsmeter en een in de stoel ingebedde gyroscoop.

"Vervolgens knippen we de gegevens op in sessies van drie minuten, ervan uitgaande dat drie minuten genoeg waren om het gedrag van de speler te begrijpen en een steekproef te verkrijgen die groot genoeg was voor het leren van algoritmen, " voegde Smerdov eraan toe.

De patronen die uit elke sessie werden gehaald, werden gebruikt om het gedrag van de spelers te evalueren en te controleren hoe intensief en hoe vaak ze langs elk van de drie assen bewogen of omdraaiden en achterover leunden in de stoel. Er werden in totaal 31 patronen voor elke speler verkregen, en de acht belangrijkste kenmerken werden gedefinieerd met behulp van statistische technieken. Machine learning-methoden werden vervolgens toegepast op de belangrijkste functies. De populaire random forest-methode vertoonde de beste prestaties, het correct bepalen van het vaardigheidsniveau van de speler op basis van een sessie van drie minuten in 77 procent van de gevallen. Ook, de resultaten toonden aan dat professionele spelers vaker en intensiever bewegen dan beginners, terwijl je perfect stil zit tijdens opnames en andere game-evenementen.

Gelanceerd binnen de Skoltech Introduction to Internet of Things-cursus en het Skoltech Cyber ​​Academy-initiatief, dit onderzoeksproject wordt verder ontwikkeld bij de Head Kraken eSports start-up, profiteren van de subsidies die worden verstrekt door het STRIP-programma van Skoltech en de Russische Stichting voor Basisonderzoek (RFBR).

Het team onder leiding van professoren Andrey Somov en Evgeny Burnaev bestudeert sinds 2018 de psycho-emotionele toestand en fysieke reacties van eSports-spelers op het spel met behulp van sensoren en machine learning-methoden. De verzamelde en geanalyseerde gegevens omvatten pols, huid weerstand, kijk richting, handbewegingen, milieugegevens (temperatuur, vochtigheid, CO ₂ peil), spel telemetrie, en andere parameters.