Automatisierte Erkennung physischer Kontaktereignisse im Jugend-Eishockey: ein spielerzentrierter Deep-Learning-Ansatz

Warum das für junge Spieler wichtig ist

Eltern, Trainer und Ligen sorgen sich um die versteckten Folgen harter Treffer im Jugend-Eishockey, doch es ist unrealistisch, Experten jede Sekunde jedes Spiels beobachten zu lassen. Diese Studie zeigt, wie gewöhnliches Spielvideo in ein automatisiertes Hilfsmittel verwandelt werden kann, das physische Kontaktmomente erkennt, so die Suche nach möglichen Kopfaufprällen beschleunigt und die Grundlage für bessere Verletzungsaufzeichnung in Gemeindearenen legt.

Das Problem der unsichtbaren Treffer

Eishockey ist voller Kollisionen, von routinemäßigen Remplern bis hin zu harten Crashs gegen die Bande. Viele dieser Treffer zeigen keine offensichtlichen Symptome, doch wiederholte Einwirkungen können das Gehirn über die Zeit beeinflussen. Jugendspieler gelten als besonders verletzungsanfällig, weil Körper und Gleichgewicht sich noch entwickeln und weil Gemeindeligen selten über medizinisches Personal, Sensoren und Spezialausrüstung verfügen, wie sie in Profiarenen eingesetzt werden. Bis heute bedeutet das Erstellen einer hochwertigen Aufzeichnung, wann und wie Kinder getroffen wurden, meist Stunden manueller Videodurchsicht – eine zeitaufwändige Aufgabe, die sich kaum über ein paar Teams hinaus skalieren lässt.

Rohvideo in Spieler-Geschichten verwandeln

Die Forschenden entwickelten eine Pipeline, die ein einzelnes Standardspiel-Video in kurze, spielerfokussierte Clips umwandelt, die als Kontakt oder Nichtkontakt gekennzeichnet werden können. Zuerst erkennt ein auf Jugendhockey spezialisiertes Computer-Vision-System in jedem Frame jeden Feldspieler, Torwart und Schiedsrichter. Ein Tracking-Schritt verknüpft diese Erkennungen über die Zeit, sodass das System jedem Spieler folgen kann, selbst wenn sie sich kreuzen oder kurz hinter jemandem vorbeigehen. Wenn der Tracker einen Spieler für einen Moment verliert, füllt die Software kleine Lücken auf und glättet die Bahn, sodass die Begrenzungsbox um den Spieler von Frame zu Frame stabil bleibt.

Dem System beibringen, wie ein Treffer aussieht

Um den Kontaktdetektor zu trainieren, überprüfte das Team manuell 20 Jugendspiele aus verschiedenen Altersgruppen und markierte sorgfältig 1.467 klare Kontaktereignisse wie heftige Spieler-zu-Spieler-Kollisionen, harte Stürze aufs Eis und sichtbare Aufprälle an Bande, Plexiglas, Stock oder Puck. Um jedes Ereignis schnitten sie ein einsekündiges Videofenster, zentrierten es auf den beteiligten Spieler und reduzierten den Clip auf 30 gleichmäßig verteilte Frames. Außerdem entnahmen sie viele einsekündige Clips aus normalem Spiel, in denen kein Kontakt markiert worden war. Diese Beispiele dienten dazu, ein Deep-Learning-Modell zu trainieren, das Bewegungsmuster über die Zeit lernt; Experimente zeigten, dass eine moderat vergrößerte Ausschnittbox um den Spieler genug Kontext liefert, um die Interaktion zu erkennen, ohne durch Hintergrundunordnung abgelenkt zu werden.

Wie gut der Ansatz in echten Spielen funktioniert

Sobald die beste Konfiguration gefunden war, testeten die Forschenden sie an vollständigen, ungeschnittenen Aufzeichnungen von zwei neuen Under-13-Spielen. Das System teilte jedes Spiel in einsekündige Abschnitte, erkannte und verfolgte jeden Spieler, erstellte für jeden verfolgten Spieler einen Clip und klassifizierte jeden Clip als Kontakt oder Nichtkontakt. In diesem realistischen Setting waren wahre Kontaktmomente im Vergleich zu normalem Schlittschuhlauf selten, dennoch schnitt das Modell deutlich besser ab als reines Raten. Bei einer üblichen Entscheidungs-Einstellung erwischte es die meisten Kontaktclips und hielt Fehlalarme relativ niedrig. Wichtig für die Arbeit an Kopfverletzungen: Als das Team in diesen beiden Spielen separat alle Kopfaufpralle annotierte, wurden 19 von 22 innerhalb von Clips gefunden, die das System als Kontakt markiert hatte, wodurch die Experten-Durchsicht von mehr als drei Stunden pro Spiel auf unter dreißig Minuten reduziert wurde.

Was das für sichereres Jugend-Eishockey bedeutet

Für Familien und Ligen, die bereits Spiele aufzeichnen, könnte eine solche KI-Hilfe alltägliches Video in ein nützliches Sicherheitswerkzeug verwandeln. Anstatt Personal ganze Spiele nach einigen wenigen besorgniserregenden Szenen durchsuchen zu lassen, hebt das System eine überschaubare Menge kurzer Clips hervor, in denen wahrscheinlich bedeutender Kontakt stattgefunden hat. Analysten können sich dann auf die Stellen konzentrieren, an denen die Aufmerksamkeit am dringendsten gebraucht wird, Kopfaufprallzählungen verfeinern und beginnen zu verstehen, wie häufig und in welchen Situationen junge Spieler Kollisionen erleben. Während die Methode keine Gehirnerschütterungen diagnostiziert oder genaue Verletzungsmechaniken bestimmt, bietet sie eine skalierbare Möglichkeit, die Kontaktbelastung im Jugendhockey zu überwachen und schafft die Grundlage für datenbasierte Entscheidungen zu Regeln, Training und Schutzausrüstung.

Zitation: 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

Schlüsselwörter: Jugend-Eishockey, Kopfaufpralle, Analyse von Sportvideos, Verletzungsüberwachung, Deep Learning