"AMuCS：首个大规模多模态电竞数据集揭示《反恐精英》玩家情感与生理反应的关联机制"

本研究通过构建AMuCS数据集（245名参与者），首次在真实电竞赛事环境中同步采集《反恐精英：全球攻势》玩家的ECG（心电图）、EDA（皮肤电活动）、呼吸信号等11种生理行为数据，结合连续情感标注系统，建立了目前规模最大的多模态电竞行为数据库。研究证实多模态融合可显著提升游戏状态预测准确率（f1-score达0.75），为情感计算和游戏自适应系统开发提供了重要数据支撑。

　　

在电子竞技产业爆发式增长的今天，游戏体验优化面临关键瓶颈：传统遥测技术仅能捕捉游戏内行为，却无法量化玩家真实情感状态。现有研究多局限于实验室环境的小样本（平均58人）和单一模态（约5种），且缺乏同步多玩家数据采集。这种数据缺口严重制约了情感计算模型在游戏自适应系统中的应用。

瑞士日内瓦大学社会智能与多传感实验室（Social Intelligence and MultiSensing lab, University of Geneva）的Marios Fanourakis和Guillaume Chanel团队突破性地在真实电竞赛事（SwitzerLAN/PolyLAN）中构建了AMuCS数据集。通过Lab Streaming Layer同步采集系统，记录了256名《反恐精英：全球攻势》玩家在10分钟对战中的ECG（心电图）、EDA（皮肤电活动）、呼吸信号、眼动追踪等11种模态数据，结合创新的连续无界情感标注方法（RankTrace），创建了当前规模最大（245人公开数据）、模态最丰富的电竞行为数据库。研究发现危险游戏状态下玩家自评唤醒度显著提升（z-score从-0.36增至0.12，p<0.001），多模态融合使游戏状态预测f1-score达到0.75（Cohen's Kappa=0.52），相关成果发表于《Scientific Data》。

关键技术包括：1）基于LSL的分布式同步采集系统（平均延迟<50ms）；2）Bitalino^?evolution设备采集生理信号（100Hz）；3）Tobii眼动仪（60Hz）与Intel RealSense D435深度摄像头（30Hz）的行为捕捉；4）PAGAN平台实现连续情感标注；5）源游戏日志解析（64Hz）与战斗事件检测算法。

【数据记录】
数据集包含955GB多模态数据：ECG/EDA/呼吸（100Hz）、眼动（60Hz）、座椅压力（10Hz）、深度视频等。创新性地采用音频分离技术保护参与者语音隐私，并开发了屏幕亮度量化算法（CIELAB标准）用于瞳孔反应校正。

【技术验证】
游戏阶段预测实验显示：EDA（f1-score=0.68）和面部动作单元（f1-score=0.67）单模态性能最优，而多模态融合使性能提升11%（p<0.001）。值得注意的是，训练集规模从5人增至64人时，唤醒度预测CCC（一致性相关系数）从0.141提升至0.181（p<0.01），证实大数据量对模型泛化能力的关键作用。

【数据质量】
严格的质量分级（优/可用/部分/不可用）显示：85%参与者具有可用的呼吸信号，78%具有有效ECG，但EDA信号受个体皮肤导电性差异影响较大（58%可用）。这种真实环境下的数据波动反而增强了数据集的生态效度。

该研究首次实现了真实电竞环境中的大规模多玩家同步数据采集，其创新价值体现在三方面：1）突破实验室限制，证明复杂环境下的多模态同步可行性；2）建立首个包含战斗事件标注的电竞数据集；3）验证了"生理-行为-情感"多维关联模型的有效性。数据集特别适用于：1）开发基于生理反馈的游戏难度动态调节系统；2）研究团队协作中的情感传染机制；3）优化电竞选手表现分析工具。研究存在的局限性包括EDA信号单位标准化问题，以及屏幕亮度对瞳孔数据的干扰，这些都为后续研究指明了改进方向。