一种高效机器学习方法：基于符号传递熵和共识嵌套交叉验证提取eSports选手特征并分类其技能水平
人机交互
2024-07-18 v1 人工智能
计算机与社会
摘要
发现能够区分精英选手的特征对eSports教练具有极大意义，这使他们能够针对性地安排更有效的训练计划，聚焦于改进这些特征。此外，找到此类特征还能更好地评估eSports选手的技能水平，这不仅关乜教练，也关乎游戏开发者设计能自动适应玩家技能水平的游戏。传感器数据结合机器学习技术已证明在分类eSports选手方面效果良好。然而，现有方法未能提供足够关于区分高技能选手特征的信息。本文提出一种高效方法，首先寻找这些特征，然后用于分类玩家技能水平。我们首先对提取的玩家传感器数据（包括心率、手部活动等）在游戏事件前后应用时间窗口进行处理。我们使用提取的分段和符号传递熵来计算传感器之间的连接性特征。然后，通过新开发的共识嵌套交叉验证方法选择最相关的特征。这些代表身体部位和谐性的特征最终用于寻找最佳窗口大小并分类玩家技能水平。分类结果显示，通过实现90.1%的准确率显著提升了效果。此外，玩家视线位置与键盘、鼠标和手部活动之间的连接性特征是分类玩家技能水平的最具区分性特征。本文提出的方法可类似应用于其他运动员数据，potentially革新eSports和体育行业的训练项目。
引用
@article{arxiv.2407.11972,
title = {An efficient machine learning approach for extracting eSports players distinguishing features and classifying their skill levels using symbolic transfer entropy and consensus nested cross validation},
author = {Amin Noroozi and Mohammad S. Hasan and Maryam Ravan and Elham Norouzi and Ying-Ying Law},
journal= {arXiv preprint arXiv:2407.11972},
year = {2024}
}