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)。
赵W.、范中医、南S.-B. ＆孙，P.-H。电子竞技研究的知识图谱和可持续发展：文献计量和可视化分析。可持续发展 13，https://doi.org/10.3390/su131810354 (2021)。
Scholz, TM 《电子竞技与管理简史》，17-41（Springer International Publishing，Cham，2019 年）。
Pustišek, M.、Wei, Y.、Sun, Y.、Umek, A. 和 Kos, A. 技术在运动中加速运动学习的作用。个人和普适计算 https://doi.org/10.1007/s00779-019-01274-5 (2019)。
Giblin, G.、Tor, E. 和 Parrington, L. 技术对精英运动成绩的影响。感官：心灵、大脑和文化杂志 12，https://doi.org/10.7790/sa.v12i2.436 (2016)。
Baerg, A. 大数据、体育和数字鸿沟：理论化运动员如何应对大数据监控。体育与社会问题杂志 41, 3–20, https://doi.org/10.1177/0193723516673409 (2017)。
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。知觉和运动技能 128, 1607–1622, https://doi.org/10.1177/00315125211013251。 PMID：33940988 (2021)。
Rajšp, A. 和 Fister, I. jr 智能运动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. 和 Umek, A. 智能运动设备：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.（编辑）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和分类。面向服务的计算和应用程序 15, 141–156, https://doi.org/10.1007/s11761-020-00303-z (2021)。
维尼亚尔斯，O.等人。使用多智能体强化学习的星际争霸 II 大师级别。自然 575, 350–354, https://doi.org/10.1038/s41586-019-1724-z (2019)。
贾德伯格，M.等人。通过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。科学 364, 859–865, https://doi.org/10.1126/science.aau6249 (2019)。
西尔弗，D.等人。一种通用强化学习算法，通过自对弈掌握国际象棋、将棋和围棋。科学 362, 1140–1144, https://doi.org/10.1126/science.aar6404 (2018)。
伯纳，C.等人。 Dota 2 具有大规模深度强化学习。 arXiv 预印本 arXiv:1912.06680 (2019)。
Kowalczyk-Grębska，N. 等人。实时策略视频游戏体验和结构连接 - 扩散张量成像研究。人脑图谱 39，https://doi.org/10.1002/hbm.24208 (2018)。
Green，CS 和 Bavelier，D。动作视频游戏改变视觉选择性注意力。自然 423, 534–537, https://doi.org/10.1038/nature01647 (2003)。
Green, CS 和 Bavelier, D. 学习、注意力控制和动作视频游戏。当前生物学：CB 22，R197–R206，https://doi.org/10.1016/j.cub.2012.02.012（2012）。
阿方索，F.等人。数据共享：国际医学期刊编辑委员会的一项新的编辑倡议。对编辑网络的影响。 Revista Portuguesa de Cardiologia 36, 397–403, https://doi.org/10.1016/j.repc.2017.02.001 (2017)。
Ghasemaghaei, M. 数据分析的使用是否可以提高公司决策质量？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)。
Zuiderwijk, A. 和 Spiers, H. 共享和重用开放数据：天体物理学动机的案例研究。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。访问时间：2022 年 6 月 3 日（2013 年）。
Wu, H.、Zhang, J. 和 Huang, K. MSC：《星际争霸 II》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。泽诺多 https://doi.org/10.5281/zenodo.5296788（2022）。
Białecki, A.、Białecki, P. 和 Krupiński, L. Kaszanas/SC2DatasetPreparator：1.2.0 SC2DatasetPreparator 版本。泽诺多 https://doi.org/10.5281/zenodo.5296664（2022）。
Białecki, A. 和 Białecki, P. Kaszanas/SC2MapLocaleExtractor：1.1.1 SC2MapLocaleExtractor 版本。泽诺多 https://doi.org/10.5281/zenodo.zenodo.4733264（2021）。
Białecki, A. 和 Białecki, P. Kaszanas/SC2AnonServerPy：1.0.1 SC2AnonyServerPy 版本。泽诺多 https://doi.org/10.5281/zenodo.5138313（2021）。
Białecki, A. SC2ReSet：星际争霸 II 电子竞技重玩包套装。泽诺多 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。泽诺多 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 版本。泽诺多 https://doi.org/10.5281/zenodo.6629005（2022）。
Thompson, JJ、Blair, M.、Chen, L. 和 Henrey, AJ 视频游戏遥测作为复杂技能学习研究的关键工具。 PLoS ONE 8，https://doi.org/10.1371/journal.pone.0075129 (2013)。
Lin, Z.、Gehring, J.、Khalidov, V. 和 Synnaeve, G. STARDATA：星际争霸人工智能研究数据集。 AAAI 人工智能和互动数字娱乐会议论文集 13, 50–56 (2021)。
Smerdov, A.、Zhou, B.、Lukowicz, P. 和 Somov, A. 专业和业余玩家心理生理数据的收集和验证：多模式电子竞技数据集 https://doi.org/10.48550/ARXIV.2011.00958 (2020 ）。
布劳恩，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)。
Glass, J. 和 McGregor, C. 《守望先锋》中的玩家健康分析。 2020 年 IEEE 第八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。《英雄联盟竞争中的多模式压力响应建模》。 2019 年 IEEE 游戏会议 (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的胜利。 2019 年智能计算与控制系统国际会议 (ICCS)，74–77，https://doi.org/10.1109/ICCS45141.2019.9065758 (2019)。
昂，M.等人。在大型纵向 MOBA 数据集中预测技能学习结果。 IEEE 游戏计算智能论文集，https://doi.org/10.1109/CIG.2018.8490431（IEEE，2018）。
Maymin、PZ Smart 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：在多人在线竞技场游戏中获胜的个性化选秀推荐。 2022 年 ACM 网络会议论文集，WWW '22, 3428–3439，https://doi.org/10.1145/3485447.3512278（计算机协会，美国纽约州纽约市，2022 年）。
Gourdeau, D. 和 Archambault, L. 用于职业风暴英雄和 DOTA 2 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)。
霍奇，V.等人。电子竞技获胜预测：多人在线竞技场游戏中的混合排名比赛预测 https://doi.org/10.48550/ARXIV.1711.06498 (2017)。
霍奇，V.等人。多人电子竞技获胜预测：实时职业比赛预测。 IEEE 游戏交易 1-1，https://doi.org/10.1109/TG.2019.2948469 (2019)。
卡瓦丹蒂，O.，科多塞多，V.，布利考特，J.-F。 & Kaytoue, M. 我在 MOBA 游戏中做错了什么？识别异常行为的挖掘模式。 2016 年 IEEE 国际数据科学和高级分析会议 (DSAA)，662–671，https://doi.org/10.1109/DSAA.2016.75 (2016)。
Pedrassoli Chitayat，A. 等人。 WARDS：模拟 MOBA 中的视觉价值。载于 Arai, K.、Kapoor, S. 和 Bhatia, R.（编辑）《智能计算》，63–81，https://doi.org/10.1007/978-3-030-52246-9_5（Springer International Publishing，查姆，2020）。
Sánchez-Ruiz, AA 和 Miranda, M。一种根据影响力地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)。
Stanescu, M.、Barriga, N. 和 Buro, M. 使用兰彻斯特消耗定律进行星际争霸中的战斗预测。 AAAI 人工智能和交互式数字娱乐会议论文集 11, 86–92, https://doi.org/10.1609/aiide.v11i1.12780 (2021)。
Norouzzadeh Ravari, Y.、Bakkes, S. 和 Spronck, P.《星际争霸》获胜者预测。 AAAI 人工智能和互动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》中战斗的近似模型 https://doi.org/10.48550/ARXIV.1403.1521 (2014)。
李，D.，金，M.-J。 & 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。具有应用程序的专家系统 185, 115592, https://doi.org/10.1016/j.eswa.2021.115592 (2021)。
Lee, CM & Ahn, CW 星际争霸 II 联赛预测的特征提取。电子学 10，https://doi.org/10.3390/ electronics10080909 (2021)。
卡瓦丹蒂，O.，科多塞多，V.，布利考特，J.-F。 & Kaytoue, M. 当网络运动员隐藏他们的游戏时：聚类混淆矩阵以识别化身别名。 2015 年 IEEE 国际数据科学和高级分析会议 (DSAA)，1-10，https://doi.org/10.1109/DSAA.2015.7344824 (2015)。
Volz, V.、Preuss, M. 和 Bonde, MK 对《星际争霸 II》获胜者预测进行具体化。载于 Cazenave, T.、Saffidine, A. 和 Sturtevant, N.（编辑）《计算机游戏》，3-22，https://doi.org/10.1007/978-3-030-24337-1_1（Springer International Publishing，查姆，2019）。
Mathonat，R.，Boulicaut，J.-F。 & Kaytoue, M.《火箭联盟》中玩家技能模型的行为模式挖掘方法。 2020 年 IEEE 游戏会议 (CoG)，267–274，https://doi.org/10.1109/CoG47356.2020.9231739 (2020)。
赫罗莫夫，N.等人。电子竞技运动员和玩家：比较研究。 IEEE 普适计算 18, 31–39，https://doi.org/10.1109/MPRV.2019.2926247 (2019)。
科波索夫，D.等人。通过视线跟踪和性格特征分析电子竞技运动员的反应时间。 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. 电子竞技职业选手在比赛期间的行为：使用智能椅子获得的数据的统计分析。 2019年IEEE SmartWorld，普适智能计算，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。 2022 年 ACM 网络会议论文集，WWW '22, 3418–3427，https://doi.org/10.1145/3485447.3512277（计算机协会，美国纽约州纽约市，2022 年）。
Jonnalagadda, A.、Frosio, I.、Schneider, S.、McGuire, M. 和 Kim, J. 竞争性游戏中基于鲁棒视觉的作弊检测。 ACM 计算机图形和交互技术会议记录 4，https://doi.org/10.1145/3451259 (2021)。
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)，266–272，https://doi.org/10.1109/CIG.2011.6032016 (2011)。
王X.等。 SCC：一种高效的深度强化学习代理，精通星际争霸 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的比较。 2019年第23届信息可视化国际会议（IV），118-126，https://doi.org/10.1109/IV.2019.00029（2019）。
斯捷潘诺夫，A.等人。用于电子竞技数据分析的传感器和游戏同步。 2019 年 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)。
科罗廷，A.等人。了解电子竞技运动员的潜力：数据收集和分析的传感系统。 2019年IEEE SmartWorld，普适智能计算，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)。
梅伦捷夫，N.等人。使用脑电图和机器学习预测电子竞技运动员的专业水平和疲劳程度。 2020 年 IEEE 传感器，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 物联网杂志第 8 期，16680–16691，https://doi.org/10.1109/JIOT.2021.3074740 (2021)。
佩德雷戈萨，F.等人。 Scikit-learn：Python 中的机器学习。机器学习研究杂志 12, 2825–2830 (2011)。
Buuitinck，L.等人。机器学习软件的 API 设计：来自 scikit-learn 项目的经验。 ECML PKDD 研讨会：数据挖掘和机器学习语言，108–122 (2013)。
Chen, T. 和 Guestrin, C. XGBoost：可扩展的树增强系统。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（计算机协会，美国纽约州纽约市，2016 年） 。
帕斯克，A.等人。 Pytorch：命令式高性能深度学习库。在 Wallach，H. 等人中。 （编辑）神经信息处理系统的进展，卷。 32（Curran Associates, Inc.，2019）。
Falcon, W. PyTorch 闪电团队。 PyTorch 闪电。泽诺多 https://doi.org/10.5281/zenodo.3828935（2019）。
留言