平台游戏中实时程序化关卡生成：一种情感驱动的方法
1.研究背景与动机
近年来，程序化内容生成（Procedural Content Generation, PCG）在独立与中大型游戏中广泛应用，用以降低关卡制作成本并提升可重玩性。然而，传统PCG多依据静态规则与离线难度曲线，难以对玩家当下状态（情绪、挫败感、紧张度）做出实时响应，导致“难度错配”（过难或过易）与心流体验被破坏。
本研究聚焦实时情绪识别 + 规则驱动PCG的闭环体系：通过摄像头获取玩家表情→进行轻量级情绪分类（生气/高兴/厌恶/未知）→将标签映射为下一段关卡参数（平台间距、宽度、高差与障碍比例）→动态生成新chunk。目标是在平台跳跃游戏场景中验证：情绪驱动的自适应生成能否在小样本实验下显著提升沉浸感并降低挫败感，同时保持挑战性与通关效率的平衡。
2.相关工作综述
2.1 关卡程序化生成的相关工作
平台类游戏的程序化关卡生成（PCG）在业界和学术界长期采用“以可玩性为硬约束、以变化性为软约束”的总体策略。常见脉络大致沿着三条路线演化：
- 基于规则/模板的分块拼接
将关卡拆分为若干 Chunk（区块/片段），每个 Chunk 内用一组可调参数与规则生成（如地面高度波动、坑段概率、平台起点概率等），再按空间约束顺序拼接。
优点：可控、稳定、易调难度与节奏；工程落地成本低。
缺点：新颖度取决于规则与素材的丰富度。 - 基于语法与约束求解
使用形式文法、相邻兼容表或约束求解，枚举/回溯得到满足“通达性/安全性”等硬约束的布局。
优点：可证明可玩性；
缺点：实现与调参复杂、实时性压力较大。 - 基于搜索与学习（进化/强化/生成模型）
用评价函数或代理学习驱动搜索，得到多样性更高的结果。
优点：潜在高新颖度；
缺点：工程复杂、可控性与实时性挑战大。
在强调实时性、可控性和工程可维护性的项目里，第一条路线最具性价比：把关卡切分为若干尺寸固定的区块（chunk），在每个区块内部以少量、可解释的参数描述“地形原语”（地面、坑、平台、陷阱/障碍），再以一套稳健的局部约束保证基本可玩性（例如最低高度、邻域留空、末列必须能落足），最终把区块串接成流式关卡。
两段式生成是这一路线的核心工艺：先做到可达性（地面与坑），再做到挑战与节奏（平台与障碍）。第一段只需横向切分若干地面/坑片段，控制高度波动与坑段比例，同时避免连续坑与地图边界处不可落足；第二段按列扫描并在“支撑面”之上尝试铺设平台，通过邻域留白、越界检查和长度递减来规避重叠与不可达。障碍与道具作为第三段点缀内容，既可以按独立随机进行，也可以使用“候选集合→洗牌→定量采样”的策略避免“扎堆”感。难度管理方面，把概率与长度范围等可调参数抽象为“难度等级→参数集”的映射，可以在运行时仅切换等级，令后续生成的区块自动采用新的参数，这种离线配置、在线注入的方式既保证一致性，又便于快速调试与A/B验证。
本项目充分地借鉴了上述的思路：区块使用Tilemap渲染；地面/坑与平台分两遍构建；平台生成采用“按列起点概率 + 支撑高度 + 严格邻域检测 + 递减长度”；障碍生成采用洗牌采样保证均匀；区块以“最后一个右移平铺、预生成触发、数量上限回收”的方式实现无缝流式；难度以ScriptableObject承载十级配置，新区块按当前等级注入参数；同时维护难度轨迹并在结算时输出。这一设计在保证可玩性的同时，给参数化难度、情绪驱动与后续内容扩展留下了充足空间。
2.2 面向微表情/情绪识别的相关工作
面向微表情/情绪识别传统方法多依赖手工特征与经典分类器：如 LBP-TOP、HOG-TOP、光流（optical flow）与稀疏运动场，配合 SVM/Random Forest 完成静态或短时序分类。这类方法可解释性强，但对光照、头动、时序上下文的鲁棒性不足。深度学习方法分为两类：
- 静态帧 CNN：对单帧或短窗口做2D卷积提特征，速度快，但对时序细微动态不敏感。
- 时空模型：3D CNN、C3D、I3D、R(2+1)D、ConvLSTM 等，直接在 [H, W, T] 体素上卷积，能捕捉到细微表情演化。同时也出现「2D CNN + 时序编码」的混合范式（如 2D CNN + LSTM/Transformer）。
数据增广与预处理（灰度化、直方图均衡、中心化裁剪、时序归一化）被广泛用于缓解不同相机、光照和人种差异带来的域偏移。
工程落地方面，ONNX 成为模型交换与部署的事实标准，ONNX Runtime (ORT) 负责跨平台/跨硬件加速。Unity 场景下，摄像头读取（WebCamTexture）、图像处理（OpenCV for Unity）与 ORT 的结合，是通用的实时情绪识别原型方案。
本项目采用了由Sai Prasanna Teja Reddy等人提出的MicroExpSTCNN ，这是一种3D 卷积的时空模型。在系统实现上使用 OpenCV for Unity 完成 ROI 生成与预处理，然后使用 ORT 在 Unity PC 端推理；同时针对 Unity/ORT 的内存布局差异，进行了时间维重排与在线归一化，满足实时性和可移植性。
2.3 情绪驱动的关卡自适应
情绪状态是玩家体验的核心变量。情绪驱动的自适应尝试根据实时的情绪/唤醒度（arousal）/效价（valence）等信号，动态调整游戏难度与反馈，目标是维持“心流”（flow）——既不过度挫败，也不至于无聊。已有工作常见思路包括：
- 基于规则映射：离散情绪 → 难度档位。
- 阈值与多数投票：在时窗中做稳健聚合，避免抖动。
- 状态机与滞后：加入稳定期/冷却期，避免频繁切换难度引发不适。
- 平滑过渡：难度参数做插值/缓动，平滑从 A 到 B。
- 多模态融合：心率/皮电/表情/语音结合。
本项目采用逐区块（chunk）的离散调度，并结合前述“规则映射 + 稳健聚合”的思路落地：推理端把每帧的三类概率送入聚合器，聚合器以 0.5 的置信度阈值将低置信度样本统一记为“未知情绪（Other）”，并在滑动时窗内统计出现最多的情绪作为决策依据；关卡侧在生成“下一个区块”之前读取这一多数情绪，并据此在十级难度表上做步长式跳转。这种做法把难度变化锚定在关卡结构的自然边界上，既降低了不必要的抖动，也让“情绪→难度”的映射关系清晰、可追踪、易于复现。
3. 系统总体设计
3.1 设计目标与约束
本系统以“实时、可控”为核心目标。实时性要求关卡在玩家推进过程中持续生成，避免卡顿；可控性要求难度通过有限且可解释的参数进行管理，能够被外部策略（本项目为情绪识别）稳定调度。
在约束层面，系统将“可玩性保障”固化为硬约束（例如区块末列可落足、平台与占位空间的最小安全间距、越界不合法等），将“风格与强度”抽象为软约束（概率、障碍密度与时长等）并交由难度系统统一管理。情绪信号仅作用于软约束层的难度等级，不直接介入几何生成，从而确保安全边界不被突破。
3.2 顶层架构与数据流
系统按“情绪输入 → 难度管理 → 区块生成 → 呈现与回收”的链路组织。
- 情绪识别模块为窗口驱动的异步输出，在缓冲满窗后以摄像头帧率为上限产生情绪标签与置信度，并将结果输入聚合器。聚合器维护自上次清空以来的多数情绪供关卡管理器查询；
- 关卡管理器在生成下一个区块之前读取一次多数情绪，将其映射为难度等级的离散步长，在十级难度表（ScriptableObject）上做边界裁剪后的跃迁，然后以此为索引，从配置文件中获取一组参数并注入到区块生成器；
- 生成器在固定尺寸的离散网格中完成地形装配并渲染到 Tilemap；
- 区块按“最后一个向右平铺”的方式构成长程世界，并在达到上限时回收最旧的区块。
该数据流的关键在于单向依赖与明确接口：情绪→等级是单向输入；等级→参数是只读查表；参数→生成是无副作用的注入过程；生成→渲染与回收互不影响既有区块的几何与物理。这样能够把“策略变化”与“几何生成”解耦，降低联动复杂度。
3.3 配置与参数模型
系统采用 ScriptableObject（DifficultyConfig.asset）承载十个离散等级的参数集，每个等级对应一份 LevelParams。一个参数集只描述“统计学层面”的分布与范围，而不携带任何几何实例信息；它是纯数据，可序列化、可版本化。为保证可解释与可拓展，参数集遵循以下设计原则：
- 仅纳入对玩家“节奏/强度感知”有直接影响且在生成阶段可以局部决策的变量；
- 每个变量的取值域在 [0,1] 概率或显式的最小/最大范围内，便于做一致化的约束与可视化；
- 为未来扩充（敌人、机关、特殊平台）预留命名空间。
从运行机制上看，“当前难度等级”是唯一控制变量。等级改变不会回溯修改已在场区块，只影响后续新生成区块的参数注入，保障了时间一致性与玩家可预期性。
3.4 情绪驱动的控制回路
情绪通道以摄像头驱动、异步推理、区块边界节拍三者耦合。采样由 WebCamTexture 管理，设备启动按 640×480 / 1280×720 / 1920×1080 与 30 / 24 / 15 fps 的回退组尝试；UI 显示限频为 uiFps=30。推理采用“满窗后按帧滚动”的异步调用：当缓存满 T=96 帧（输入形状 [1,1,64,64,96]）后，每新帧触发一次 ORT 推理；入模前对整块体素做 (x-mean)/(max+1e-7) 归一化并将时间维重排为最内层以提升 CPU 访问局部性。单帧输出以 0.5 为置信度阈值，低于阈值即记为 Other。
聚合器自上次 Clear() 起累计有效样本做多数投票（不使用权重衰减）；系统不设显式冷却，而是在生成下一个区块之前读取一次当前众数并映射到等级步长：Angry→−2、Happy→+1、Disgust→+2、Other→+1，之后夹紧到 [1..10] 并清空窗口进入下一个统计周期（等价于以区块为最小冷却窗口）。模型原生输出三类（Angry/Happy/Disgust），第四类 Other 由阈值派生。其中Disgust虽然在一般文献里被视为负效价和下调难度的信号，但在本系统中我有意将其判作玩家对内容的嫌弃，所以映射为等级上升以避免无聊。
3.5 运行与协同
运行时，关卡管理器维护一个固定长度的“前向缓冲”。当玩家位置接近最后一个个区块的右端预警阈值时，管理器立刻创建一个新区块，并将其放置于当前最后一个区块的世界坐标右侧一个区块宽度的位置。
新区块被标记为“最新区块”；当玩家首次进入该区块的边界时，系统触发一次事件（用于节拍、提示或记录），随后该标记失效，避免重复触发。为了控制资源占用，场景中区块数量设置上限，超过上限时回收最旧区块（其障碍等子对象随之销毁）。整个过程对于玩家而言是连续且无缝的；对于系统而言，是一串可预测的有限状态转移：等待触发 → 生成并参数注入 → 渲染 → 监听进入事件 → 资源回收。
3.6 质量属性
可玩性依赖于硬约束集合的正确性与覆盖度。系统在生成层面贯彻“末列可落足”“邻域最小安全带”“越界即不合法”的原则，把危险结构扼杀在“候选”阶段。同时，采用“候选长度—合法性检测—递减重试”的保守落位策略，使平台和障碍在空间上尽可能避免冲突。可玩性与节奏的平衡则落在参数集本身，因而通过等级切换即可实现“更稳守”与“更进取”的风格迁移。
性能方面，所有生成阶段均为线性扫描，邻域检测为恒定时间开销；Tilemap 渲染天然具备批处理优势。障碍数量由概率与候选空间共同限制，避免指数增长。
3.7 可观测性与运维
为便于定位实时链路中的退化点与异常，本系统在情绪识别通道增加了可观测性信号。相机侧记录权限状态、设备选择与分辨率/FPS 回退尝试，以及心跳时间戳与重启计数；当心跳超过阈值未更新时输出丢失告警，重启成功或超限均有明确标记。模型侧记录 ORT 会话初始化与输入维度（例如 [-1,1,64,64,96]）、每次推理的耗时与连续失败计数阈值命中情况，在进入错误收敛分支时输出标准化错误码。上述信号结合场景中的“结果文字”“相机状态指示”等即时 UI，使得从“采样—预处理—窗口—推理—聚合”的端到端链路具备可定位的观测基础。
3.8 合规与隐私
摄像头仅本地推理，不采集/不上传/不存储原始图像与音频。中间特征仅驻内存、关卡结束即清除。同时，系统内也提供了情绪识别开关，可随时手动关闭。在关闭情绪识别的情况下系统采用按区块递增的静态难度曲线，并通过UI 明示“已关闭情绪自适应”。
测试者进行测试之前均需阅读并同意参与者信息说明（Participant Information Sheet, PIS）。参与者信息说明全文请参阅附录1。
4. 实验设计与评测方法
本研究采用一项小规模、受控的用户实验来检验“情绪识别驱动的动态关卡调整”对平台游戏体验的影响。被试均为年满 18 岁的自愿参与者，先在游戏内完成知情同意和年龄确认。实验包含两个互为对照的游戏模式：Mode 1（启用摄像头进行本地情绪推理并据此自适应难度）与 Mode 2（不启用情绪识别，难度按区块递增），两种模式的关卡均为无限生成。为降低顺序效应，五名被试采用平衡的先后顺序，有人先玩Mode 1再玩Mode 2，也有人先Mode 2再Mode 1；每个模式游玩约三到五分钟，结束后在结算页即时查看本局用时、距离难度走势与系统识别到的情绪变化。游戏端不自动保存任何数据，被试如自愿参与问卷，会将上述数值与主观体验量表手动抄录到表单。
量表围绕单关层面的情绪状态与体验构面，采用 SAM Valence 与 Arousal（各 9 点）、Tension 与 Frustration（各 7 点）、Challenge–Skill Fit（7 点，4 为良好匹配）以及两道 Perceived Adaptation（7 点同意度，用作操纵检验与主观效用评估）。被试在完成两种模式后，还需进行一次两关对比的强制选择，以报告在愉悦度、紧张与挫败、沉浸与专注、挑战公平性与长时游玩意愿以及对机制的信任上的主观偏好。
5.1 用户实验过程
实验在安静、光照稳定的环境下进行，五名参与者分别完成两段游玩，每段对应一种模式，单段约三到五分钟。Mode 1模式仅在设备本地进行情绪推理，不采集音频、不保存影像；如相机权限被拒，系统退化为按区块递增的静态难度轨迹，而被试者仍可完整体验与填写问卷。每段结束的结算页即时显示本局用时（秒）、距离，以及系统识别到的难度走势和情绪变化类别；这些只作当场参考，被试自愿抄写到问卷。随后被试依据记忆对每个模式填写一组情绪与体验量表，最后完成两关对比的强制选择题。
5.2 数据分析方法
数据分析以被试内比较为核心。对每位被试分别计算 Mode 1 与 Mode 2 两种模式下的量表得分，并将 Arousal、Tension、Frustration、Fit、Valence 与两题 Adaptation 的平均值作为主要指标；结算页的用时、距离作为行为侧的佐证。考虑样本量为五，统计推断以效应方向与幅度为重点，报告组内平均差与配对差的大小，并将 Perceived Adaptation 作为操纵是否生效的首要证据；顺序（Order）与平台游戏经验（频率、近三月周时长、自评熟练度）作为解释性协变量在结果讨论中加以控制。量表按近似区间尺度处理，主要呈现均值与个体差，必要时以非参数视角解释一致性。所有结果均来源于被试手动抄写的结算页数值与问卷主观评分，游戏端未做任何持久化存储。
分析分三步推进。第一步是操纵检验：考察 Perceived Adaptation 在Mode 1与Mode 2下的差异，若个体层面大多出现Mode 1>Mode 2，且平均差明显，则认为“情绪识别→关卡调整”被被试感知且被评估为有益。第二步是连续量表与行为指标的被试内比较：关注 Valence 的提升、Tension/Frustration 的下降、Fit 靠近 4–5 的甜蜜点，以及距离/存活时间增加是否与体验侧一致。第三步是两关对比题的量表检查：统计 F1–F7 在Mode 1/ Mode 2/ 无差异的分布，并以二项检验评估“全部偏向Mode 1”的一致性是否可能由随机产生，同时检验其与连续量表差值的方向一致性。
6. 实验结果与讨论
在五名参与者的样本中，Mode 1相较Mode 2系统性地提升了主观愉悦与自适应感知，降低了紧张与挫败，同时被试更愿意在Mode 1模式中持续游玩、行进更远。表2给出五份问卷的逐人逐模式数据，包含结算页手动抄写的行为量与本研究的核心量表（SAM Valence、SAM Arousal、Tension、Frustration、Challenge–Skill Fit 以及两题 Perceived Adaptation 的平均值）。
表1 在两种模式下五个样本的行为量与核心量表数据
| No. | Order | Mode | Time (s) | Distance | Valence (1-9) | Arousal (1-9) | Tension (1-7) | Frustration (1-7) | Skill fit (1-7) | Perceived Adapt. (1-7)* |
| 1 | 1→2 | 1 | 45.23 | 241.5 | 8 | 6 | 2 | 3 | 5 | 7/6 |
| 2 | 42.14 | 225.1 | 5 | 6 | 3 | 4 | 3 | 2/2 | ||
| 2 | 2→1 | 1 | 48.65 | 256.2 | 7 | 6 | 3 | 2 | 4 | 6/6 |
| 2 | 40.32 | 213.8 | 5 | 7 | 6 | 5 | 3 | 3/1 | ||
| 3 | 1→2 | 1 | 50.85 | 265.7 | 8 | 5 | 1 | 2 | 5 | 7/5 |
| 2 | 43.64 | 231.5 | 6 | 6 | 4 | 5 | 4 | 2/1 | ||
| 4 | 2→1 | 1 | 46.15 | 245.6 | 7 | 5 | 3 | 3 | 5 | 6/7 |
| 2 | 38.93 | 204.8 | 4 | 7 | 5 | 6 | 3 | 2/2 | ||
| 5 | 1→2 | 1 | 49.42 | 255.3 | 8 | 6 | 2 | 1 | 4 | 7/6 |
| 2 | 39.53 | 216.8 | 5 | 7 | 5 | 4 | 3 | 3/2 |
在聚合层面，Mode 1的平均用时为48.06秒，而Mode 2为40.91秒，前者更长更接近“愿意继续游玩”的倾向；Mode 1的平均距离为252.86而Mode 2为218.4，行为侧显现出明显的稳健性与容错性提升。情绪与体验方面，Mode 1的平均 Valence 为 7.6，而Mode 2为 5.0；Mode 1的 Arousal 为 5.6，而Mode 2为 6.6，说明在自适应情况下被试保持了较为“积极而不过度激动”的状态。紧张与挫败在Mode 1中分别为 2.2 与 2.2，而在Mode 2中为 4.6 与 4.8，减少幅度与失败次数的下降方向一致。Challenge–Skill Fit 在Mode 1中的平均值为4.6，接近“略高于技能但仍可应对”的甜蜜点，Mode 2则为 3.2，更偏“挑战低效或不匹配”。操纵检验方面，Perceived Adaptation 两项在 Mode 1中的平均值为 6.6/6，而Mode 2为 2.4/1.6，所有被试的两个条目都呈一致方向，说明参与者既能感知到系统在依据其状态与表现调整关卡，也认为这种调整对体验有益。
6.1 关卡生成与动态调整效果
在相同的无限生成框架下，Mode 1下表现出“行进更远、状态更平稳”的综合特征。行进距离的上升与 Fit 靠近 5 的趋势一致，表明自适应将挑战推向“略高于技能”的区间而避免过度惩罚；同时 Arousal 较Mode 2略低但保持在中高区间，意味着系统在维持唤醒与兴奋感的同时避免了紧张与挫败的堆积。距离与停留时间的提升说明玩家更愿意在自适应机制下继续尝试，且这一行为侧信号与两关对比的主观偏好吻合。由于两种模式的关卡生成均为无限，结果不依赖于固定内容的记忆或学习，而是直接受动态参数轨迹影响，这进一步强化了机制层面的解释。
6.2 用户体验比较
强制对比题在七个维度上要求被试者选择“哪一模式更好”或“无差异”。五份问卷的结果在所有维度上一致选择 Mode 1，无一例外。
表2 五个样本在七维度下对模式的选择
| No. | F1More pleasant (Valence) | F2 Less tense /anxious | F3 Less frustrated | F4 Fairer/more appropriate challenge | F5 More immersive /focused | F6 More willing to play longer | F7 Greater trust in the difficulty adjustment |
| 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 |
| 2 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 |
| 3 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 |
| 4 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 |
| 5 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 | Mode 1 |
将“Mode 1 vs Mode 2”视为二项过程并忽略“无差异”（本样本中未出现），单侧精确二项检验的概率为 𝑝=1/25=0.031，表明如此一致的“偏向Mode 1”在随机选择下出现的概率较低。更重要的是，这一名义层面的强一致性与连续量表差值、行为指标的方向完全一致：Valence 的提升与紧张/挫败的下降支撑了 F1–F3 的选择，Fit 逼近 5支撑了 F4 与“更愿意长时游玩”的 F6，而“能感知且有益”的高 Adaptation 则直接解释了 F7 的信任提升。三条证据链相互增强，使我们可以更有把握地得出结论：在端侧、零存储、隐私友好的约束下，情绪识别驱动的难度自适应在本原型中带来了可感知且对玩家有益的改进。
7. 结论与展望
本研究从系统与实验两个层面验证了“情绪识别驱动的程序化关卡自适应”在平台游戏中的可行性与效用。
系统层面上，实现了一套以“分块生成 + 两阶段装配 + 难度等级注入”为核心的 2D 平台关卡系统，并将情绪识别作为外部调度源，借由“情绪→等级”的温和映射在区块边界上驱动后续内容的动态生成。系统在工程上形成了较完整的闭环：以 Tilemap 和占位网格为载体的可玩性硬约束，按列节奏与八邻域检测保障的平台铺设，基于洗牌采样的障碍均匀化，面向十级配置的难度注入与历史记录，以及与玩家推进相对齐的区块流式生成、预生成触发和上限回收。整体表现为：可玩性稳定、实时性充足、参数可解释，且难度变更不回溯既有区块、只作用于后续区块，从而避免“在眼前变脸”的体验断裂。
实验层面上，基于两种模式的被试内对照与五份问卷的汇总，Mode 1相较Mode 2在多条路径上呈现一致优势：主观愉悦显著提升，紧张与挫败同步降低，挑战—技能匹配更接近理想区间，失败次数明显减少且行进距离与停留时间均上升；同时，被试者对“系统在响应其状态并带来正向体验”的感知强烈而稳定，这一主观操纵检验与行为信号相互印证，支持“情绪信息能够以工程上可用的精度与时延，实质改善程序化关卡体验”的核心命题。结合隐私与降级机制的运行情况，可以认为本原型在合规、稳定与体验三者之间取得了有效的折中。
受限于样本规模与原型性质，结论的外推仍需谨慎。五人样本虽在方向与个体一致性上形成强信号，但尚不足以进行充分的显著性推断；问卷依赖受试者在结算页手动抄写，存在微小的记录噪声；情绪识别对环境要求较高，室内光照不足、逆光、强反光以及遮挡（眼镜、头发）都会显著降低置信度和准确度，识别的稳健性仍需更系统的压力测试；标签与体验之间的映射仍有改进空间，以“生气/高兴/厌恶/未知”四类直接映射到难度步长虽然工程简洁，但未显式利用“唤醒/效价”等连续潜变量，也未结合游戏内行为数据（死亡次数、通过速度、按键强度/频率）进行多模态稳健判定，可能导致个体差异下的误判；此外，实验以短时会话为主，尚未覆盖长周期使用中的学习、疲劳与新鲜感衰减等效应。即便如此，在严格的零存储与匿名问卷前提下仍能观察到一致的体验收益，说明“以隐私为前提的情绪自适应”具备进一步工程化与研究化的价值。
后续工作将从三条主线展开。第一条是实验方法学的扩展与再验证：采用功效分析确定样本量，进行预注册与更严格的顺序平衡，延长会话时长并引入多时段重复测量，以区分短期新鲜感与稳态收益；在保持零存储的前提下，考虑以端侧汇总统计或差分隐私的方式记录更丰富但不可回溯的行为指标，从而获得更高分辨率的证据。第二条是情绪识别与控制策略的联合优化：在保持区块节拍对齐的前提下，尝试将“四类情绪”与“游戏内行为信号”进行多模态融合（如加权众数或贝叶斯更新），同时探索以“唤醒/效价”或“控制感”替代单纯离散标签的映射；为避免长尾个体差异，可增加轻量个体化校准（开局 2–3 分钟采集基线）并允许玩家在设置中选择“稳健/敏锐/保守”三种映射曲线。第三条是普适性与责任性的深化：在不新增隐私风险的前提下尝试多模态弱信号（如按键节律与移动学特征）以增强鲁棒性，系统化评估不同设备与文化表情差异对效果的影响，引入可访问性与公平性指标，完善伦理与用户沟通界面，使自适应机制对不同群体都保持可理解、可控制与可退出。 综合来看，本工作提供了一条可复制的路径：在明确的合规边界内，将端侧情绪信号转化为对程序化关卡的即时调参，并以小样本但多证据的方式展示体验收益。随着更大规模的验证、更强健的模块与更细致的控制策略到位，情绪驱动的程序化设计有望从研究原型走向可持续的游戏生产与个性化体验实践。
8. 源代码与游戏
Github项目地址：Admiral-Spee/This-is-a-Platform-Game
itch.io项目地址：This is a Platform Game by AdmiralSpee （密码：123456）
9. 参考文献
Building a procedurally generated platformer (2017) dylanwolf.com. Available at: https://www.dylanwolf.com/2016/05/09/building-a-procedurally-generated-platformer-in-unity/.
Csikszentmihalyi, M. (1990). Flow: the Psychology of Optimal Experience. 1st ed. New York: Harper and Row.
F. Qu, S. -J. Wang, W. -J. Yan, H. Li, S. Wu and X. Fu, “CAS(ME)2 : A Database for Spontaneous Macro-Expression and Micro-Expression Spotting and Recognition,” in IEEE Transactions on Affective Computing, vol. 9, no. 4, pp. 424-436, 1 Oct.-Dec. 2018, doi: 10.1109/TAFFC.2017.2654440.
G. N. Yannakakis and J. Togelius, “Experience-Driven Procedural Content Generation,” in IEEE Transactions on Affective Computing, vol. 2, no. 3, pp. 147-161, July-Sept. 2011, doi: 10.1109/T-AFFC.2011.6.
Hunicke, R. (2005). The case for dynamic difficulty adjustment in games. Proceedings of the 2005 ACM SIGCHI International Conference on Advances in computer entertainment technology – ACE ’05. doi:https://doi.org/10.1145/1178477.1178573.
Noor Shaker, Togelius, J., Nelson, M.J. and Springer International Publishing Ag (2018). Procedural Content Generation in Games. [online] Cham Springer International Publishing Springer. Available at: https://www.academia.edu/1578545/Procedural_content_generation_in_games.
Pekrun, R. The Control-Value Theory of Achievement Emotions: Assumptions, Corollaries, and Implications for Educational Research and Practice. Educ Psychol Rev 18, 315–341 (2006). https://doi.org/10.1007/s10648-006-9029-9
Reddy, S.P.T. et al. (2019) Spontaneous facial micro-expression recognition using 3D spatiotemporal convolutional neural networks, arXiv.org. Available at: https://arxiv.org/abs/1904.01390.
Yerkes, R.M. and Dodson, J.D. (1908). The relation of strength of stimulus to rapidity of habit-formation. Journal of Comparative Neurology and Psychology, [online] 18(5), pp.459–482. doi:https://doi.org/10.1002/cne.920180503.