Reitman, JG、Anderson-Coto, MJ、Wu, M.、Lee, JS 和 Steinkuehler, C. 电子竞技研究：文献综述。游戏与文化 15，32–50，https://doi.org/10.1177/1555412019840892 (2020)。
Chiu, W.、Fan, TCM、Nam, S.-B. 和 Sun, P.-H. 知识图谱与电子竞技研究的可持续发展：文献计量与可视化分析。可持续性 13，https://doi.org/10.3390/su131810354 (2021)。
Scholz，TM，《电子竞技和管理简史》，17–41（Springer International Publishing，Cham，2019 年）。
Pustišek, M., Wei, Y., Sun, Y., Umek, A. 和 Kos, A. 技术在加速运动学习中的作用。个人和普适计算 https://doi.org/10.1007/s00779-019-01274-5 (2019)。
Giblin, G.、Tor, E. 和 Parrington, L.《科技对精英运动表现的影响》。《Sensoria：心智、大脑与文化杂志》第 12 卷，https://doi.org/10.7790/sa.v12i2.436（2016 年）。
Baerg, A. 大数据、体育和数字鸿沟：运动员如何应对大数据监控的理论分析。《体育与社会问题杂志》41，3–20，https://doi.org/10.1177/0193723516673409（2017 年）。
Chen, MA、Spanton, K.、van Schaik, P.、Spears, I. 和 Eaves, D. 生物反馈对拳击刺拳表现和技术的影响。感知与运动技能 128，1607–1622，https://doi.org/10.1177/00315125211013251。PMID：33940988 (2021)。
Rajšp, A. & Fister, I. jr 智能体育训练智能数据分析方法的系统文献综述。应用科学 10，https://doi.org/10.3390/app10093013 (2020)。
Kos, A. & Umek, A. 智能运动装备：用于滑雪生物反馈应用的 SmartSki 原型。个人和普适计算 22，https://doi.org/10.1007/s00779-018-1146-1 (2018)。
Seif El-Nasr, M.、Drachen, A. 和 Canossa, A. (eds.) 游戏分析：最大化玩家数据的价值 (Springer London，伦敦，2013 年)。
Su, Y.、Backlund, P. 和 Engström, H. 游戏分析的综合回顾与分类。面向服务的计算与应用 15，141–156，https://doi.org/10.1007/s11761-020-00303-z (2021)。
Vinyals, O. 等人。使用多智能体强化学习实现《星际争霸 II》中的大师级水平。《自然》575，350–354，https://doi.org/10.1038/s41586-019-1724-z（2019 年）。
Jaderberg, M. 等人。基于人群的强化学习在 3D 多人游戏中实现人类水平的表现。Science 364, 859–865，https://doi.org/10.1126/science.aau6249（2019 年）。
Silver, D. 等人。一种通过自我对弈掌握国际象棋、将棋和围棋的通用强化学习算法。Science 362, 1140–1144，https://doi.org/10.1126/science.aar6404 (2018)。
Berner, C. 等人。具有大规模深度强化学习的 Dota 2。arXiv 预印本 arXiv:1912.06680 (2019)。
Kowalczyk-Grębska, N. 等人。实时战略视频游戏体验和结构连接 - 扩散张量成像研究。人脑映射 39，https://doi.org/10.1002/hbm.24208 (2018)。
Green, CS & Bavelier, D. 动作视频游戏改变视觉选择性注意。《自然》423，534–537，https://doi.org/10.1038/nature01647（2003 年）。
Green, CS & Bavelier, D. 学习、注意力控制和动作视频游戏。当代生物学：CB 22，R197–R206，https://doi.org/10.1016/j.cub.2012.02.012 (2012)。
Alfonso, F. 等。数据共享：国际医学期刊编辑委员会的一项新编辑举措。对编辑网络的影响。葡萄牙心脏病学杂志第 36 卷，397–403，https://doi.org/10.1016/j.repc.2017.02.001（2017 年）。
Ghasemaghaei，M. 数据分析的使用是否能提高公司的决策质量？知识共享和数据分析能力的作用。决策支持系统 120，14–24，https://doi.org/10.1016/j.dss.2019.03.004（2019 年）。
Zuiderwijk, A. & Spiers, H. 共享和重复使用开放数据：天体物理学动机案例研究。国际信息管理杂志 49，228–241，https://doi.org/10.1016/j.ijinfomgt.2019.05.024 (2019)。
Białecki, A.、Gajewski, J.、Białecki, P.、Phatak, A. 和 Memmert, D. 电子竞技胜利的决定因素 - 星际争霸 II https://doi.org/10.1007/s11042-022-13373-2 (2022)。
Blair, M.、Thompson, J.、Henrey, A. 和 Chen, B. SkillCraft1 主表数据集。UCI 机器学习存储库。访问日期：2022-06-03 (2013)。
Wu, H., Zhang, J. 和 Huang, K. MSC：星际争霸 II 中的宏观管理数据集 https://doi.org/10.48550/ARXIV.1710.03131 (2017)。
Białecki, A.、Krupiński, L. 和 Białecki, P. Kaszanas/SC2InfoExtractorGo：1.2.1 SC2InfoExtractorGo 版本。Zenodo https://doi.org/10.5281/zenodo.5296788 (2022)。
Białecki, A.、Białecki, P. 和 Krupiński, L. Kaszanas/SC2DatasetPreparator：1.2.0 SC2DatasetPreparator 版本。Zenodo https://doi.org/10.5281/zenodo.5296664 (2022)。
Białecki, A. 和 Białecki, P. Kaszanas/SC2MapLocaleExtractor：1.1.1 SC2MapLocaleExtractor 发布。 Zenodo https://doi.org/10.5281/zenodo.zenodo.4733264 (2021)。
Białecki, A. & Białecki, P. Kaszanas/SC2AnonServerPy：1.0.1 SC2AnonyServerPy 版本。Zenodo https://doi.org/10.5281/zenodo.5138313 (2021)。
Białecki，A. SC2ReSet：星际争霸 II 电子竞技重播包套装。 Zenodo https://doi.org/10.5281/zenodo.5575796 (2022)。
Białecki，A.等人。 SC2EGSet：星际争霸 II 电子竞技游戏状态数据集。 Zenodo https://doi.org/10.5281/zenodo.5503997 (2023)。
Białecki, A.、Białecki, P.、Szczap, A. 和 Krupiński, L. Kaszanas/SC2_Datasets：1.0.0 SC2_Datasets 发布。Zenodo https://doi.org/10.5281/zenodo.6629005 (2022)。
Thompson, JJ、Blair, M.、Chen, L. 和 Henrey, AJ，《视频游戏遥测技术是复杂技能学习研究中的重要工具》。PLoS ONE 8，https://doi.org/10.1371/journal.pone.0075129（2013 年）。
Lin, Z., Gehring, J., Khalidov, V. 和 Synnaeve, G. STARDATA：星际争霸 AI 研究数据集。AAAI 人工智能与交互式数字娱乐会议论文集 13，50–56 (2021 年)。
Smerdov, A.、Zhou, B.、Lukowicz, P. 和 Somov, A. 收集和验证职业和业余玩家的心理生理数据：多模态电子竞技数据集 https://doi.org/10.48550/ARXIV.2011.00958 (2020)。
Braun, P. 等人。游戏数据挖掘：网络物理世界中在线游戏数据的聚类和可视化。Procedia 计算机科学 112，2259–2268，https://doi.org/10.1016/j.procs.2017.08.141（2017 年）。
Glass, J. & McGregor, C.《守望先锋》中的玩家健康分析。2020 年 IEEE 第 8 届严肃游戏和健康应用国际会议 (SeGAH)，1–5，https://doi.org/10.1109/SeGAH49190.2020.9201733 (2020)。
Blom, PM、Bakkes, S. 和 Spronck, P.《面向英雄联盟竞技中的多模态压力反应建模》。2019 年 IEEE 游戏大会 (CoG)，1–4，https://doi.org/10.1109/CIG.2019.8848004 (2019)。
Ani, R.、Harikumar, V.、Devan, AK 和 Deepa, O. 使用特征选择和集成方法预测英雄联盟中的胜利。2019 年国际智能计算和控制系统会议 (ICCS)，74–77，https://doi.org/10.1109/ICCS45141.2019.9065758 (2019)。
Aung, M. 等人。在大型纵向 MOBA 数据集中预测技能学习成果。在《IEEE 游戏计算智能会议论文集》中，https://doi.org/10.1109/CIG.2018.8490431（IEEE，2018 年）。
Maymin, PZ 聪明的击杀和毫无价值的死亡：英雄联盟的电子竞技分析。《体育定量分析杂志》17，11-27，https://doi.org/10.1515/jqas-2019-0096 (2021)。
Lee, H.、Hwang, D.、Kim, H.、Lee, B. 和 Choo, J. DraftRec：多人在线竞技场游戏中获胜的个性化草稿推荐。在 ACM Web 会议 2022 论文集，WWW '22，3428–3439，https://doi.org/10.1145/3485447.3512278（美国计算机协会，纽约州纽约，2022 年）。
Gourdeau, D. 和 Archambault, L. 用于专业《风暴英雄》和《DOTA 2》中英雄选择的判别神经网络。IEEE Transactions on Games 1–1，https://doi.org/10.1109/TG.2020.2972463 (2020)。
Hodge, V. 等人。电子竞技中的胜利预测：多人在线战斗竞技场游戏中的混合排名比赛预测 https://doi.org/10.48550/ARXIV.1711.06498 (2017)。
Hodge, V. 等人。多人电子竞技中的胜利预测：现场专业比赛预测。IEEE Transactions on Games 1–1，https://doi.org/10.1109/TG.2019.2948469 (2019)。
Cavadenti, O.、Codocedo, V.、Boulicaut, J.-F. 和 Kaytoue, M.《我在 MOBA 游戏中做错了什么？挖掘判别异常行为的模式》。2016 年 IEEE 国际数据科学与高级分析会议 (DSAA)，第 662–671 页，https://doi.org/10.1109/DSAA.2016.75 (2016 年)。
Pedrassoli Chitayat, A. 等人。WARDS：MOBA 中视觉价值的建模。收录于 Arai, K.、Kapoor, S. 和 Bhatia, R. (eds.)《智能计算》，第 63–81 页，https://doi.org/10.1007/978-3-030-52246-9_5（Springer International Publishing，Cham，2020 年）。
Sánchez-Ruiz, AA & Miranda, M. 一种基于影响力图预测星际争霸获胜者的机器学习方法。娱乐计算 19，29–41，https://doi.org/10.1016/j.entcom.2016.11.005（2017 年）。
Stanescu, M.、Barriga, N. 和 Buro, M. 使用兰彻斯特消耗定律预测星际争霸中的战斗。《AAAI 人工智能与交互式数字娱乐会议论文集》第 11 卷，第 86–92 页，https://doi.org/10.1609/aiide.v11i1.12780 (2021 年)。
Norouzzadeh Ravari, Y.、Bakkes, S. 和 Spronck, P.《星际争霸》获胜者预测》。《AAAI 人工智能与交互式数字娱乐会议论文集》12，2–8，https://doi.org/10.1609/aiide.v12i2.12887 (2021)。
Helmke, I.、Kreymer, D. 和 Wiegand, K.《星际争霸 2》中的战斗近似模型 https://doi.org/10.48550/ARXIV.1403.1521 (2014)。
Lee, D., Kim, M.-J. 和 Ahn, CW 通过深度学习预测星际争霸 II 中的战斗结果并优化军队。专家系统及其应用 185，115592，https://doi.org/10.1016/j.eswa.2021.115592 (2021)。
Lee, CM 和 Ahn, CW 特征提取用于星际争霸 II 联赛预测。电子学 10，https://doi.org/10.3390/electronics10080909 (2021)。
Cavadenti, O.、Codocedo, V.、Boulicaut, J.-F. 和 Kaytoue, M. 当电子竞技运动员隐瞒他们的游戏时：聚类混淆矩阵以识别头像别名。2015 年 IEEE 国际数据科学与高级分析会议 (DSAA)，1-10，https://doi.org/10.1109/DSAA.2015.7344824 (2015)。
Volz, V.、Preuss, M. 和 Bonde, MK 探讨《星际争霸 II》获胜者的预测。收录于 Cazenave, T.、Saffidine, A. 和 Sturtevant, N. (eds.)《计算机游戏》，第 3-22 页，https://doi.org/10.1007/978-3-030-24337-1_1（Springer International Publishing，Cham，2019 年）。
Mathonat, R.、Boulicaut, J.-F. 和 Kaytoue, M. 一种行为模式挖掘方法，用于模拟《火箭联盟》中的玩家技能。2020 年 IEEE 游戏会议 (CoG)，第 267–274 页，https://doi.org/10.1109/CoG47356.2020.9231739 (2020 年)。
Khromov, N. 等人。电子竞技运动员和玩家：一项比较研究。IEEE 普适计算 18，31–39，https://doi.org/10.1109/MPRV.2019.2926247 (2019)。
Koposov, D. 等人。通过凝视追踪和性格特征分析电子竞技玩家的反应时间。2020 年 IEEE 第 29 届工业电子国际研讨会 (ISIE)，1560–1565，https://doi.org/10.1109/ISIE45063.2020.9152422 (2020)。
Smerdov, A.、Burnaev, E. 和 Somov, A. 电子竞技职业玩家在比赛期间的行为：使用智能椅子获取的数据的统计分析。2019 年 IEEE SmartWorld、无处不在的智能计算、高级可信计算、可扩展计算通信、云大数据计算、人联网和智慧城市创新 (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI)，1768–1775，https://doi.org/10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00314 (2019)。
Xenopoulos, P.、Freeman, WR 和 Silva, C. 通过获胜概率分析职业和业余电子竞技之间的差异。在 ACM Web 会议 2022 论文集，WWW '22，3418–3427，https://doi.org/10.1145/3485447.3512277（美国计算机协会，纽约州纽约，2022 年）。
Jonnalagadda, A.、Frosio, I.、Schneider, S.、McGuire, M. 和 Kim, J. 竞技游戏中基于视觉的稳健作弊检测。《ACM 计算机图形学和交互技术论文集》第 4 卷，https://doi.org/10.1145/3451259 (2021 年)。
Galli, L.、Loiacono, D.、Cardamone, L. 和 Lanzi, PL，《虚幻竞技场 III 的作弊检测框架：一种机器学习方法》。2011 年 IEEE 计算智能与游戏会议 (CIG'11)，第 266–272 页，https://doi.org/10.1109/CIG.2011.6032016 (2011)。
Wang, X. 等人。SCC：一种高效的深度强化学习代理，可掌握《星际争霸 II》游戏。CoRR abs/2012.13169 https://arxiv.org/abs/2012.13169。2012.13169 (2020)。
Bednárek, D.、Krulis, M.、Yaghob, J. 和 Zavoral, F. 电子竞技游戏记录的数据预处理 - 《反恐精英：全球攻势》。269–276，https://doi.org/10.5220/0006475002690276 (2017)。
Feitosa、VRM、Maia、JGR、Moreira、LO 和 Gomes，《GAM GameVis：网络游戏数据可视化》。2015 年第 14 届巴西计算机游戏和数字娱乐研讨会 (SBGames)，70–79，https://doi.org/10.1109/SBGames.2015.21 (2015)。
Afonso, AP、Carmo, MB 和 Moucho, T. MOBA 游戏比赛分析可视化工具比较。2019 年第 23 届国际信息可视化会议 (IV)，118–126，https://doi.org/10.1109/IV.2019.00029 (2019)。
Stepanov, A. 等人。用于电子竞技数据分析的传感器和游戏同步。2019 IEEE 第 17 届工业信息学国际会议 (INDIN) 1，933–938，https://doi.org/10.1109/INDIN41052.2019.8972249 (2019)。
Korotin, A. 等人。《了解电子竞技运动员的潜力：用于数据收集和分析的传感系统》。2019 年 IEEE SmartWorld、无处不在的智能计算、高级可信计算、可扩展计算通信、云大数据计算、人联网和智慧城市创新 (SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI)，1804–1810，https://doi.org/10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00319 (2019)。
Melentev, N. 等人。使用 EEG 和机器学习预测电子竞技选手的专业水平和疲劳程度。2020 年 IEEE SENSORS，1–4，https://doi.org/10.1109/SENSORS47125.2020.9278704 (2020)。
Smerdov, A.、Somov, A.、Burnaev, E.、Zhou, B. 和 Lukowicz, P. 使用传感器数据和机器学习检测视频游戏玩家倦怠。IEEE 物联网杂志 8，16680–16691，https://doi.org/10.1109/JIOT.2021.3074740 (2021)。
Pedregosa，F.等人。 Scikit-learn：Python 中的机器学习。《机器学习研究杂志》12，2825-2830（2011 年）。
Buitinck，L. 等。机器学习软件的 API 设计：来自 scikit-learn 项目的经验。在 ECML PKDD 研讨会：数据挖掘和机器学习语言中，108–122（2013 年）。
Chen, T. 和 Guestrin, C. XGBoost：可扩展的树提升系统。第 22 届 ACM SIGKDD 国际知识发现和数据挖掘会议论文集，KDD '16，785–794，https://doi.org/10.1145/2939672.2939785（美国计算机协会，纽约州纽约，2016 年）。
Paszke, A. 等人。Pytorch：命令式高性能深度学习库。在 Wallach, H. 等人 (eds.)《神经信息处理系统进展》第 32 卷 (Curran Associates, Inc., 2019) 中。
Falcon, W. PyTorch Lightning 团队。PyTorch Lightning。Zenodo https://doi.org/10.5281/zenodo.3828935 (2019)。
留言