الكشف الآلي عن أحداث الاحتكاك الجسدي في هوكي الجليد للشباب: نهج تعلم عميق يركز على اللاعب

لماذا هذا مهم للاعبين الصغار

يشعر الآباء والمدربون والروابط بالقلق إزاء الأثر الخفي للاصطدامات الشديدة في هوكي الجليد للشباب، لكن من غير الواقعي أن يشاهد خبراء كل ثانية من كل مباراة. تُظهر هذه الدراسة كيف يمكن تحويل تسجيلات المباريات الاعتيادية إلى مساعد آلي يكتشف لحظات الاحتكاك الجسدي، مما يسرع العثور على تأثيرات الرأس المحتملة ويفتح الباب لتحسين تتبع الإصابات في حلبات الأحياء.

مشكلة الاصطدامات غير المرصودة

يمتلئ هوكي الجليد بالاصطدامات، من الاندفاعات الروتينية إلى التصادمات الكبيرة على الحواجز. كثير من هذه الاصطدامات لا تؤدي إلى أعراض واضحة، ومع ذلك قد تؤثر الاصطدامات المتكررة على الدماغ بمرور الوقت. يُعتقد أن لاعبي الشباب أكثر عرضة لذلك لأن أجسامهم وتوازنهم ما زالت في طور النمو ولأن الروابط المحلية نادرًا ما تمتلك الطواقم الطبية وأجهزة الاستشعار والأدوات المتخصصة المستخدمة في الملاعب الاحترافية. اليوم، يتطلب بناء سجل عالي الجودة لمتى وكيف يتعرض الأطفال للاصطدام عادة مشاهدة ساعات من الفيديو يدويًا، وهو عمل مستهلك للوقت ويصعب توسيعه إلى ما بعد عدد محدود من الفرق.

تحويل الفيديو الخام إلى سرديات عن اللاعبين

صمم الباحثون سلسلة معالجة تأخذ تسجيل مباراة واحد عادي وتحوله إلى مقاطع قصيرة تركز على كل لاعب ويمكن وسمها كاحتكاك أو عدم احتكاك. أولًا، يكتشف نظام رؤية حاسوبية مدرّب خصيصًا على هوكي الشباب كل متزلج وحارس و حكم في كل إطار. ثم يربط خطوة التتبع تلك الاكتشافات عبر الزمن بحيث يمكن للنظام متابعة كل لاعب حتى عندما يتقاطعون أو يمر أحدهم خلف آخر لفترة وجيزة. عندما يفقد المتعقّب رؤية لاعب لوهلة، يملأ البرنامج الفجوات الصغيرة ويمهد المسار حتى يظل الصندوق المحيط بذلك اللاعب ثابتًا من إطار لآخر.

تعليم النظام شكل الاصطدام

لتدريب كاشف الاحتكاك، راجع الفريق يدويًا 20 مباراة شبابية من فئات عمرية مختلفة وحدد بعناية 1,467 حدث احتكاك واضح مثل التصادمات القوية بين اللاعبين، والسقوط الشديد على الجليد، والاصطدامات المرئية بالحواجز أو الزجاج أو العصا أو القرص. حول كل حدث، قصّوا نافذة فيديو لمدة ثانية واحدة متمركزة على الاصطدام، وكبروا التكبير على اللاعب المعني، وخفّضوا المقطع إلى 30 إطارًا متباعدة بشكل متساوٍ. كما أخذوا عينات من العديد من المقاطع لمدة ثانية من اللعب الطبيعي حيث لم يكن هناك احتكاك محدد. استُخدمت هذه الأمثلة لتدريب نموذج تعلم عميق يتعلَّم أنماط الحركة عبر الزمن، وأظهرت التجارب أن تكبيرًا متوسط الاتساع حول اللاعب يلتقط سياقًا كافيًا لرؤية التفاعل دون تشتيت الخلفية.

مدى فاعلية النهج في المباريات الحقيقية

بعد العثور على أفضل إعداد، اختبر الباحثون النظام على تسجيلين كاملين وغير محررين لمباراتي تحت 13 جديدتين. قسم النظام كل مباراة إلى مقاطع لمدة ثانية، واكتشف وتتبع كل لاعب، وبنى مقطعًا لكل لاعب متتبَع، وصنّف كل مقطع كاحتكاك أو عدم احتكاك. في هذا الإعداد الواقعي، كانت لحظات الاحتكاك الحقيقية نادرة مقارنة بالتزلج الروتيني، ومع ذلك أدّى النموذج أداءً أفضل بكثير من التخمين العشوائي. عند إعداد قرار نموذجي، التقط معظم مقاطع الاحتكاك مع إبقاء الإشارات الخاطئة منخفضة نسبيًا. والأهم لعمل إصابات الرأس، عندما وسّم الفريق بشكل منفصل كل تأثير للرأس في هاتين المباراتين، وُجد 19 من أصل 22 داخل المقاطع التي علّمها النظام على أنها احتكاك، مما قلص وقت مراجعة الخبراء من أكثر من ثلاث ساعات لكل مباراة إلى أقل من ثلاثين دقيقة.

ماذا يعني هذا لهوكي الشباب الأكثر أمانًا

بالنسبة للعائلات والروابط التي تسجل المباريات بالفعل، يمكن لهذا النوع من المساعدات القائمة على الذكاء الاصطناعي تحويل الفيديو اليومي إلى أداة سلامة مفيدة. بدلًا من مطالبة الموظفين بمسح مباريات كاملة بحثًا عن عدد قليل من اللقطات المقلقة، يبرز النظام مجموعة قابلة للإدارة من المقاطع القصيرة التي من المحتمل أن حدث فيها احتكاك ذي معنى. يمكن للمحللين بعد ذلك تركيز انتباههم حيث يلزم، وتدقيق عدد تأثيرات الرأس، والبدء في فهم عدد المرات وفي أي مواقف يتعرض فيها اللاعبون الصغار للاصطدامات. بينما لا يشخص الأسلوب الارتجاجات أو يحدد آليات الإصابة بدقة، فإنه يوفر طريقة قابلة للتوسع لمراقبة التعرض للاحتكاك في هوكي الشباب ويضع أساسًا لاتخاذ قرارات مبنية على بيانات بشأن القواعد والتدريب ومعدات الحماية.

الاستشهاد: Azadi, A., Dehghan, P., Hussein, R.M.A.H. et al. Automated detection of physical contact events in youth ice hockey: a player-centric deep learning approach. Sci Rep 16, 14908 (2026). https://doi.org/10.1038/s41598-026-44805-w

الكلمات المفتاحية: هوكي الجليد للشباب, تأثيرات الرأس, تحليل فيديو رياضي, مراقبة الإصابات, التعلم العميق