En grupp forskare från Skoltechs Computational and Data-intensive Science and Engineering Center (CDISE) har använt artificiell intelligens för att hitta ett samband mellan en eSport-spelares rörelser och färdighetsnivå. Deras forskningsresultat visar att maskininlärningsmetoder exakt kan förutsäga en spelares skicklighetsnivå i 77 procent av fallen.

På bara några år, e-sport, med rötter i videospel för barn, har utvecklats till en fullfjädrad bransch med professionella team, tränare och enorma investeringar. Som i alla andra sporter, en eSport-spelare kan vara proffs eller amatör, och att berätta för varandra är viktigt för att optimera träningsprocessen.

Masterstudenter från Skolkovo Institute of Science and Technology (Skoltech), Moskva, Moscow Institute of Physics and Technology (MIPT) och State University of Aerospace Instrumentation (SUAI), St. Petersburg, ledd av Skoltech-professorerna Andrey Somov och Evgeny Burnaev, letade efter ett samband mellan skicklighet och kroppsrörelser hos eSport-spelare sittande i stolar.

"Vi antog att det kunde finnas en koppling mellan en spelares kroppsrörelser och skicklighetsnivå. Dessutom, det var intressant att titta på spelarnas svar på olika spelhändelser, som dödar, dödsfall eller skottlossning. Vi misstänkte att professionella spelare och nybörjare skulle reagera olika på samma evenemang, " förklarar studiens första författare och Skoltech masterstudent, Anton Smerdov.

Experimentet involverade totalt 19 spelare, inklusive nio proffs och 10 amatörer, som spelade Counter-Strike:Global Offensive (CS:GO) i 30 till 60 minuter. Deras färdigheter utvärderades i speltimmar, på samma sätt som piloter, vars kompetens bedöms i flygtimmar. Data samlades in med hjälp av en accelerometer och ett gyroskop inbäddat i stolen.

"Vi skär sedan upp data i tre minuters sessioner, antar att tre minuter var tillräckligt för att förstå spelarens beteende och få ett prov som är tillräckligt stort för algoritminlärning, " tillade Smerdov.

Mönstren som extraherades från varje session användes för att utvärdera spelarnas beteende och kontrollera hur intensivt och hur ofta de rörde sig eller vände sig längs var och en av de tre axlarna och lutade sig bakåt i stolen. Totalt erhölls 31 mönster för varje spelare, och de åtta viktigaste egenskaperna definierades med hjälp av statistiska tekniker. Maskininlärningsmetoder tillämpades sedan på nyckelfunktionerna. Den populära slumpmässiga skogsmetoden visade bäst prestanda, korrekt bestämma spelarens skicklighetsnivå från en tre minuters session i 77 procent av fallen. Också, resultaten visade att professionella spelare rör sig oftare och mer intensivt än nybörjare, medan du sitter helt stilla under fotograferingar och andra spelhändelser.

Lanserades inom Skoltech Introduction to Internet of Things-kursen och Skoltech Cyber ​​Academy-initiativet, detta forskningsprojekt vidareutvecklas vid Head Kraken eSports start-up, drar nytta av bidragen från Skoltechs STRIP-program och den ryska stiftelsen för grundforskning (RFBR).

Teamet som leds av professorerna Andrey Somov och Evgeny Burnaev har studerat eSport-spelares psyko-emotionella tillstånd och fysiska reaktioner på spelet med hjälp av sensorer och maskininlärningsmetoder sedan 2018. Data som samlats in och analyserats inkluderar puls, hudmotstånd, blick riktning, handrörelser, miljödata (temperatur, fuktighet, CO ₂ nivå), speltelemetri, och andra parametrar.