一种基于游戏环境变量预测用户时间感知的方法技术

本发明专利技术涉及人工智能和游戏科学领域，其公开了一种基于游戏环境变量预测用户时间感知的方法，实现利用游戏元素预测用户时间感知，从而为游戏设计者提供游戏元素设计的指导。本发明专利技术通过在沉浸式虚拟环境中进行时间感知实验，实验中控制游戏环境变量来获取被试在一段时间内的时间感知数据，同时采集被试的脑电数据，制作带有时间感知标签的脑电数据集，并通过对脑电数据转换为脑电尺度图像，从而训练图像生成子模型，并融合训练的用于对脑电尺度图像进行时间感知分类的图像分类子模型，最终获得用户时间感知预测模型。基于此用户时间感知预测模型，在应用过程中，只需输入当前游戏环境变量即可获得对应的用户时间感知。境变量即可获得对应的用户时间感知。境变量即可获得对应的用户时间感知。

【技术实现步骤摘要】
一种基于游戏环境变量预测用户时间感知的方法


[0001]本专利技术涉及人工智能和游戏科学领域，具体涉及一种基于游戏环境变量预测用户时间感知的方法。

技术介绍

[0002]时间感知，即用户感觉时间流逝的快慢，在游戏科学领域上体现为重要的玩家体验的一种。如何通过改变游戏环境中的游戏元素，如背景音乐、背景颜色、游戏奖励和惩罚机制来改变玩家的时间感知，对提高玩家的游戏体验具有重要意义。
[0003]前人的研究直接构建了环境变量与用户时间感知的多重回归函数，但是研究发现，影响时间感知的环境变量与时间感知之间的关系体现出了非线性的特点，并且由于环境变量的数量稀疏，不容易提取具有多样性的特征，因此，目前还未有足够的研究，通过游戏元素预测时间感知，从而提供给游戏设计者以参考。

技术实现思路

[0004]本专利技术所要解决的技术问题是：提出一种基于游戏环境变量预测用户时间感知的方法，实现利用游戏元素预测用户时间感知，从而为游戏设计者提供游戏元素设计的指导。
[0005]本专利技术解决上述技术问题采用的技术方案是：
[0006]一种基于游戏环境变量预测用户时间感知的方法，包括以下步骤：
[0007]A、训练用户时间感知预测模型：
[0008]A1、构建训练数据集；
[0009]A2、基于训练数据集训练图像生成子模型和图像分类子模型；所述图像生成子模型用于根据游戏环境变量生成脑电图像，所述图像分类子模型用于对脑电图像进行时间感知分类；
[0010]A3、对训练完成的图像生成子模型和图像分类子模型进行融合，获得训练完成的用户时间感知预测模型；
[0011]B、执行用户时间感知预测：
[0012]在实际应用中，以当前的游戏环境变量作为输入，利用训练完成的用户时间感知预测模型获得当前游戏玩家的时间感知。
[0013]进一步的，步骤A1中，所述构建训练数据集，具体包括：
[0014]A11、在沉浸式虚拟环境中进行时间感知实验，实验中，通过控制游戏环境变量，获取被试者在实验时间内的相应游戏环境变量下的脑电数据和时间感知数据；
[0015]A12、对脑电数据进行预处理，并根据对被试者的时间感知数据的偏差的统计分析，为经过预处理后的脑电数据赋予时间感知标签，获得带有时间感知标签的脑电数据集；
[0016]A13、将带有时间感知标签的脑电数据集中的脑电数据转换为脑电尺度图像，获得训练数据集。
[0017]进一步的，步骤A11中，所述游戏环境变量包括背景颜色类别、背景音乐类别、奖励
类别和惩罚类别。
[0018]进一步的，步骤A11中，所述脑电数据包括被试者脑电的α波、β
high
波、β
low
波、χ波、θ波和δ波的六种频谱的脑电数据。
[0019]进一步的，步骤A12中，所述预处理包括：清洗采集到的无效的脑电数据。
[0020]进一步的，步骤A11中，所述脑电数据通过脑电采集设备获取，所述时间感知数据由被试者对实验时长进行估计获取。
[0021]进一步的，步骤A12中，所述根据对被试者的时间感知数据的偏差的统计分析，为经过预处理后的脑电数据赋予时间感知标签，具体包括：
[0022]对所有被试者的时间感知数据的偏差的百分比进行计算和分布区间统计，并将统计出的分布区间划分为五段，为每一段的分布区间中相应的时间感知数据赋予对应的一种时间感知标签，五种时间感知标签分别为：重度低估时间、轻度低估时间、正常估计时间、轻度高估时间和重度高估时间。
[0023]进一步的，步骤A13中，采用母小波为Morlet小波的连续小波变换方法将带有时间感知标签的脑电数据集中的脑电数据转换为脑电尺度图像。
[0024]进一步的，步骤A2中，所述图像生成子模型采用LinkNet模型，所述图像分类子模型采用ResNet50模型。
[0025]进一步的，步骤A2中，基于训练数据集训练图像生成子模型的过程中，首先对训练数据集中的脑电尺度图像进行特征提取，将提取的特征与所述脑电尺度图像对应的游戏环境变量组成特征向量；然后将所述特征向量与其转置进行矩阵相乘后获得特征图，最后将所述特征图与所述脑电尺度图像一并作为输入，以所述脑电尺度图像作为输出目标进行图像生成子模型的训练。
[0026]进一步的，步骤A2中，基于训练数据集训练图像分类子模型的过程中，以训练数据集中的脑电尺度图像作为输入，以脑电尺度图像对应的时间感知标签作为输出目标进行图像分类子模型的训练。
[0027]本专利技术的有益效果是：
[0028]通过在沉浸式虚拟环境中进行时间感知实验，实验中控制游戏环境变量来获取被试在一段时间内的时间感知数据，同时采集被试的脑电数据，制作带有时间感知标签的脑电数据集，并通过对脑电数据转换为脑电尺度图像，从而训练从游戏环境变量到脑电尺度图像的映射模型，即图像生成子模型，并融合训练的用于对脑电尺度图像进行时间感知分类的图像分类子模型，最终获得用户时间感知预测模型。基于此用户时间感知预测模型，在应用过程中，只需输入当前游戏环境变量即可获得对应的用户时间感知，从而为游戏设计者提供游戏元素设计的指导。
附图说明
[0029]图1为本专利技术实施例中的音乐节奏与平均时间估计偏差百分比Δt的误差折线图；
[0030]图2为本专利技术实施例中的LinkNet模型的模型架构；
[0031]图3为本专利技术实施例中的ResNet50模型的模型架构；
[0032]图4为本专利技术实施例中的用户时间感知预测模型的整体框架。
具体实施方式
[0033]本专利技术最终是要实现从游戏环境变量到用户时间感知的预测，而由于环境变量的数量稀疏，不容易提取具有多样性的特征，因此，本方案引入了脑电数据作为模型的中间特征。2015年纽约大学的Arnal等人证明脑电的δ(1～4Hz)和β(13～30Hz)振荡节律能反映处理时间的神经活动，由此证明，通过脑电来预测时间感知在理论上是可行的。因此，建模的关键就是要寻求游戏环境变量到脑电数据之间的映射关系，以及脑电数据到时间感知之间的映射关系。本专利技术提出的方案中，为了获得模型训练的客观样本数据，通过在沉浸式虚拟环境中进行时间感知实验，实验中控制游戏环境变量来获取被试在一段时间内的时间感知数据，同时采集被试的脑电数据，以制作带有时间感知标签的脑电数据集，用作模型的训练数据，并且，为了避免线性的脑电数据的特征提取稀疏的问题，采用连续小波变换的方法，将一维线性脑电数据转化为包含时域特征和频域特征的二维尺度图像，以此来提高特征的维度。
[0034]在模型训练过程中，以从脑电尺度图像提取的特征和图像对应的游戏环境变量特征组成的特征向量与其转置相乘后获得的特征图和脑电尺度图像作为输入，以所述脑电尺度图像作为输出目标来训练从游戏环境变量到脑电尺度图像的映射模型，即图像生成子模型。以脑电尺度图像作为输入，以脑电尺度图像对应的时间感知标签作为输出目标来训练从脑电数据到用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于游戏环境变量预测用户时间感知的方法，其特征在于，包括以下步骤：A、训练用户时间感知预测模型：A1、构建训练数据集；A2、基于训练数据集训练图像生成子模型和图像分类子模型；所述图像生成子模型用于根据游戏环境变量生成脑电图像，所述图像分类子模型用于对脑电图像进行时间感知分类；A3、对训练完成的图像生成子模型和图像分类子模型进行融合，获得训练完成的用户时间感知预测模型；B、执行用户时间感知预测：在实际应用中，以当前的游戏环境变量作为输入，利用训练完成的用户时间感知预测模型获得当前游戏玩家的时间感知。2.如权利要求1所述的一种基于游戏环境变量预测用户时间感知的方法，其特征在于，步骤A1中，所述构建训练数据集，具体包括：A11、在沉浸式虚拟环境中进行时间感知实验，实验中，通过控制游戏环境变量，获取被试者在实验时间内的相应游戏环境变量下的脑电数据和时间感知数据；A12、对脑电数据进行预处理，并根据对被试者的时间感知数据的偏差的统计分析，为经过预处理后的脑电数据赋予时间感知标签，获得带有时间感知标签的脑电数据集；A13、将带有时间感知标签的脑电数据集中的脑电数据转换为脑电尺度图像，获得训练数据集。3.如权利要求2所述的一种基于游戏环境变量预测用户时间感知的方法，其特征在于，步骤A11中，所述游戏环境变量包括背景颜色类别、背景音乐类别、奖励类别和惩罚类别，所述脑电数据包括被试者脑电的α波、β
high
波、β
low
波、χ波、θ波和δ波的六种频谱的脑电数据。4.如权利要求2所述的一种基于游戏环境变量预测用户时间感知的方法，其特征在于，步骤A12中，所述预处理包括：清洗采集到的无效的脑电数据。5.如权利要求2所述的一种基于游戏环境变量预测用户时间感知的方法，其特征在于，步骤A11中，所述脑电数据通过脑电采集设备获...

【专利技术属性】
技术研发人员：刘昱彤，谢宁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：