E-sports is growing and the price pools in e-sports tournaments are increasing, Valves video game DotA 2 is one of the bigger e-sports. As professional gamers train to increase their skill, new tools to help the training might become very important. Eye tracking can give an extra training dimension for the gamer. The aim of this master thesis is to develop a Visual Attention Index for DotA 2, that is, a number that reflects the player’s visual attention during a game. Interviews with gamers combined with data collection from gamers with eye trackers and statistical methods were used to find relevant metrics to use in the work. The results show that linear regression did not work very well on the data set, however, since there were a low number of test persons, further data collection and testing needs to be done before any statistically significant conclusions can be drawn. Support Vector Machines (SVM) was also used and turned out to be an effective way of separating better players from less good players. A new SVM method, based on linear programming, was also tested and found to be efficient and easy to apply on the given data set. / E-sport växer och med det växer prispengar i turneringar. Valves speltitel DotA 2 är en av de största e-sportstitlarna. När professionella spelare tränar för att bli allt duktigare så kan nya verktyg för att hjälpa träningen bli väldigt viktiga. Eye tracking (att mäta var spelaren tittar under spelets gång) kan ge en extra dimension i träningen för spelaren. målet med detta examensarbete är att ta fram ett ”Visual Attention Index” för DotA 2, det vill säga, ett index som reflekterar en spelares visuella uppmärksamhet under en match. Intervjuer med spelare kombinerat med datainsamling från spelare med eye trackers och statistiska metoder användes för att ta fram relevanta metriker att använda i arbetet. Resultaten visade att linjär regression inte lämpade sig att använda på det insamlade datat, men då antalet testpersoner var så lågt så måste mer data samlas ihop från fler personer för att kunna dra några statistisk signifikanta slutsatser. Support Vector Ma-chines (SVM) användes också, och visade sig vara en effektiv metod att separera bättre spelare från säamre. En ny SVM-metod, baserad på linjärprogrammering, testades också. Den visade sig vara både enkel och effektiv att tillämpa på det insamlade datat.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-180462 |
| Date | January 2015 |
| Creators | Aukrust Avemo, Jonas |
| Publisher | KTH, Optimeringslära och systemteori |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-MAT-E ; 2015:89 |
Page generated in 0.0018 seconds