La modélisation de l’expérience de jeu présente un intérêt considérable pour la conception de jeux vidéo adaptatifs. Les jeux vidéo adaptatifs utilisent l’information émotionnelle contenue dans les signaux physiologiques et les indices comportementaux pour personnaliser l’expérience de jeu vidéo, et ce dans le but de générer une expérience optimale de jeu. Afin de modéliser l’expérience de jeu, le présent projet de recherche s’est penché sur la détection du plaisir d’un joueur à partir de signaux physiologiques (électrocardiogramme, activité électrodermale, activité respiratoire et électromyogramme) et d’indices comportementaux (expressions faciales, mouvements de la tête et entrées d’un contrôleur Xbox). Dans ce travail, des modèles supervisés(SVM, Forêt d’arbres décisionnels et kNN) ont été entrainés sur un jeu de données construit à partir de la base de données FUNii, qui contient les données physio-comportementales de 219 joueurs réparties sur 362 séances de jeu de la franchise Assassin’s Creed. Une méthode pour la création de classes de plaisir à partir du facteur-fun, un outil d’annotation continue du plaisir, à également été proposée. Le meilleur modèle entrainé a permis de distinguer trois classes de plaisir avec un taux de classement de 53, 5% sur un jeu de test, une amélioration de 12,5% par rapport au meilleur résultat obtenu dans des travaux antérieurs. / Modeling the gaming experience is of considerable interest for designing adaptive video games. Adaptive video games use the emotional information contained in physiological signals and behavioral cues to personalize the video game experience,in order to generate an optimal gaming experience. With the purpose of modeling the gaming experience, this research project has focused on the detection of a player’s fun using physiological signals (electrocardiogram, electrodermal activity, respiratory activity and electromyogram) and behavioral cues (facial expressions,head movements and facial expressions and inputs from an Xbox controller). In this work, supervised machine learning models (SVM, Random Forest and kNN) were trained on a dataset built from the FUNii database, which contains the physiobehavioral data of 219 players spread over 362 game sessions of the Assassin’s Creed franchise. A method for creating fun classes from the fun factor, a tool for continuous annotation of fun, has also been proposed. The best model trained allowed to distinguish three classes of pleasure with an accuracy of 53, 5% on a test dataset, an improvement of 12, 5% compared to the best result obtained in previous works.

No description available.