Détection automatisée des contacts physiques dans le hockey sur glace jeunesse : une approche centrée sur le joueur par apprentissage profond

Pourquoi cela compte pour les jeunes joueurs

Les parents, entraîneurs et ligues s’inquiètent des conséquences cachées des chocs violents dans le hockey jeunesse, mais il est irréaliste de demander à des experts de visionner chaque seconde de chaque match. Cette étude montre comment des vidéos de match ordinaires peuvent être transformées en un assistant automatisé qui repère les moments de contact physique, facilitant la détection d’éventuels impacts à la tête et ouvrant la voie à un meilleur suivi des blessures dans les patinoires communautaires.

Le problème des coups invisibles

Le hockey sur glace regorge de collisions, des chocs routiniers aux lourdes chutes contre les bandes. Beaucoup de ces coups ne provoquent pas de symptômes évidents, pourtant des impacts répétés peuvent affecter le cerveau au fil du temps. On pense que les jeunes joueurs sont particulièrement vulnérables parce que leur corps et leur équilibre se développent encore et parce que les ligues communautaires disposent rarement du personnel médical, des capteurs et des outils spécialisés utilisés dans les arènes professionnelles. Aujourd’hui, constituer un registre de haute qualité des moments et des modalités des chocs implique généralement de visionner des heures de vidéo manuellement, une tâche chronophage difficile à étendre au-delà de quelques équipes.

Transformer la vidéo brute en récits centrés sur le joueur

Les chercheurs ont conçu une chaîne de traitement qui prend une seule vidéo de match standard et la convertit en courts clips centrés sur chaque joueur, pouvant être annotés comme contact ou sans contact. D’abord, un système de vision par ordinateur entraîné spécifiquement sur le hockey jeunesse détecte chaque patineur, gardien et arbitre dans chaque image. Une étape de suivi relie ensuite ces détections dans le temps pour que le système puisse suivre chaque joueur même lorsqu’ils se croisent ou passent brièvement derrière quelqu’un d’autre. Lorsque le traceur perd la piste d’un joueur un instant, le logiciel comble les petites lacunes et lisse la trajectoire afin que la boîte englobante autour du joueur reste stable d’une image à l’autre.

Apprendre au système à reconnaître un coup

Pour entraîner le détecteur de contacts, l’équipe a revu manuellement 20 matchs jeunesse de différentes catégories d’âge et annoté avec soin 1 467 événements de contact clairs, tels que des collisions fortes entre joueurs, des chutes violentes sur la glace et des impacts visibles contre les bandes, le plexiglas, une crosse ou la rondelle. Autour de chaque événement, ils ont découpé une fenêtre d’une seconde centrée sur le choc, zoomé sur le joueur impliqué et réduit le clip à 30 images espacées régulièrement. Ils ont également échantillonné de nombreux clips d’une seconde issus du jeu normal où aucun contact n’avait été marqué. Ces exemples ont servi à entraîner un modèle d’apprentissage profond qui apprend les motifs de mouvement dans le temps, les expériences montrant qu’un recadrage modérément agrandi autour du joueur capture suffisamment de contexte pour voir l’interaction sans être distrait par le désordre d’arrière-plan.

Quelle est l’efficacité en conditions de match réelles

Une fois la meilleure configuration trouvée, les chercheurs l’ont testée sur des enregistrements complets et non édités de deux nouveaux matchs des moins de 13 ans. Le système a découpé chaque match en segments d’une seconde, détecté et suivi chaque joueur, construit un clip pour chaque joueur suivi et classé chaque clip comme contact ou sans contact. Dans ce contexte réaliste, les moments de contact véritables étaient rares comparés au patinage routinier, et pourtant le modèle a nettement dépassé le hasard. Dans un réglage de décision standard, il a capturé la plupart des clips de contact tout en maintenant un faible taux de faux positifs. Crucial pour le travail sur les blessures à la tête, lorsque l’équipe a annoté séparément tous les impacts à la tête dans ces deux matchs, 19 des 22 ont été trouvés dans des clips que le système avait marqués comme contacts, réduisant le temps d’examen par des experts de plus de trois heures par match à moins de trente minutes.

Ce que cela signifie pour un hockey jeunesse plus sûr

Pour les familles et les ligues qui enregistrent déjà les matchs, ce type d’assistant IA pourrait transformer la vidéo quotidienne en un outil utile pour la sécurité. Plutôt que de demander au personnel de scanner des matchs entiers à la recherche d’une poignée d’actions préoccupantes, le système met en évidence un ensemble gérable de courts clips où un contact significatif a probablement eu lieu. Les analystes peuvent alors concentrer leur attention là où elle est le plus nécessaire, affiner le décompte des impacts à la tête et commencer à comprendre à quelle fréquence et dans quelles situations les jeunes joueurs subissent des collisions. Bien que la méthode ne diagnostique pas les commotions ni ne précise exactement les mécanismes de blessure, elle fournit un moyen évolutif de surveiller l’exposition au contact dans le hockey jeunesse et jette les bases pour des décisions éclairées sur les règles, l’entraînement et l’équipement de protection.

Citation: 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

Mots-clés: hockey sur glace jeunesse, impacts à la tête, analyse de vidéos sportives, surveillance des blessures, apprentissage profond