ChallengeDetect: 从生理测量中探究检测游戏挑战体验的潜力

文献标题

ChallengeDetect: Investigating the Potential of Detecting In-Game Challenge Experience from Physiological Measures

文献信息

• 主题领域: 游戏用户体验与人机交互
• 关键词: 感知挑战、电子游戏、生理信号、机器学习、玩家体验

研究背景与问题

• 发现问题或挑战: 当前的许多游戏体验测量基于离散的问卷工具（如CORGIS），无法提供持续实时的评估。此外，生理信号与游戏难度调整的结合，仍主要针对传统的生理或认知挑战，缺乏对情感挑战动态检测的研究。
• 重要性: 挑战作为电子游戏中的核心元素，涵盖认知、情感和身体等多方面经验。实时、动态地检测挑战体验，有助于理解玩家随游戏进程的体验变化，从而优化游戏设计，使其适应玩家的技能、经验与动机。
• 研究动机与相关工作:
  • CORGIS问卷虽能区分不同类型的挑战（认知、执行、情感和决策性挑战），但只能离线评估总体体验。
  • 先前研究主要利用生理信号检测情感和游戏难度，但未深入探讨与情感挑战相关的复杂体验。
  • 对现有基于机器学习的游戏体验研究进行了综述，发现多种算法可用于识别不同的玩家状态，但对不同挑战类型的全面检测尚属空白。

解决方案

• 提出方法或解决方案:
  • 设计实验收集生理信号和感知挑战数据。
  • 使用多种机器学习模型检测感知挑战。
  • 提取重要生理特征，分析其与不同类型挑战的关系。
• 创新之处:
  • 提出了全面检测多种感知挑战类型的生理信号数据处理流程。
  • 首次动态检测认知、执行、情感和决策挑战，探索它们之间的独立性和共存性。
  • 结合机器学习和特征重要性技术，优化挑战检测准确性。
• 实施步骤与关键技术:
  • 实验设计: 采用《Fallout 4》游戏构建三种不同的游戏场景，涵盖认知、执行和情感挑战类型，同时通过问卷即时捕捉玩家体验。
  • 数据处理: 从心电图（ECG）、皮肤电活动（EDA）、呼吸活动（RSP）、表面肌电（EMG）和皮肤温度（TEM）等生理信号中提取特征，并进行预处理（如滑动窗口技术）。
  • 模型训练与评估: 使用多种机器学习算法（如线性回归、支持向量机和深度学习）进行挑战检测。
  • 特征选择: 通过线性回归和随机森林模型的特征重要性技术分析关键生理特征。

研究成果

• 具体成果:
  1. 实验数据集包含32位玩家在3个游戏场景中体验的生理信号及连续性挑战经验。
  2. 检测模型在多数情况下，挑战激活检测的准确率约为80%，最高可达85%。
  3. 筛选出24个挑战相关的生理特征，揭示了各类型挑战下的显著生理信号。
• 优势:
  • 提供了动态评估感知挑战的新途径，填补了离线问卷不能连续监测体验的缺陷。
  • 优化了机器学习方法的应用，具有较高的预测准确性。
  • 挑战检测方法可为动态难度调整和实时游戏体验改善提供依据。
• 实验或评估结果:
  • 10折交叉验证中，深度学习模型（DNN4）表现最佳，平均错误率（RMSE）为0.84。
  • 在“留一玩家外”的交叉验证情况下，简单的线性回归和随机森林模型表现出更高的鲁棒性。
  • 特征重要性分析显示心电图（ECG）和表面肌电（EMG）信号是最重要的生理指标。
• 局限性与未来方向:
  • 当前模型未充分考虑挑战经验随时间发展的动态属性，需进一步研究其时间构建特性。
  • 数据集仅来自单一游戏类型，未来需扩展至其他游戏以及更广泛的用户群体。
  • 生理信号可能有一定偏差（如高唤醒状态影响检测结果），应结合其他玩家行为数据优化评估。

该研究为实时检测玩家感知挑战经验提供了新的技术框架，同时揭示了游戏体验动态评估领域的广阔潜力。