זיהוי אוטומטי של אירועי מגע פיזי בהוקי נוער: גישה מבוססת שחקן ולמידה עמוקה

מדוע זה חשוב לשחקנים צעירים

הורים, מאמנים וליגות חוששים מהמעמסה החבויה של מכות חזקות בהוקי נוער, אך בלתי מעשי שיהיו מומחים שיצפו בכל שנייה של כל משחק. המחקר הזה מראה כיצד ניתן להפוך וידאו רגיל של משחק למסייע אוטומטי שמזהה רגעי מגע פיזי, מה שמייעל את מציאת פגיעות ראש פוטנציאליות ופותח אפשרות למעקב פציעות טוב יותר במתקנים קהילתיים.

בעיית המכות הבלתי נראות

הוקי על הקרח מלא בהתנגשויות, מהדיחות שגרתיות עד קריסות גדולות אל המעקות. רבות מהמכות האלה אינן מובילות לתסמינים ברורים, אך השפעות חוזרות עשויות להשפיע על המוח לאורך זמן. סבורים ששחקנים צעירים פגיעים במיוחד כי גופם ושיווי משקלם עדיין מתפתחים וכי בליגות הקהילתיות לעתים נדירות יש צוות רפואי, חיישנים וכלים ייעודיים כפי שבאולמות מקצועיים. כיום, בניית רישום איכותי של מתי וכיצד הילדים מקבלים מכות בדרך כלל מחייבת צפייה ידנית בשעות של וידאו — משימה גוזלת זמן שקשה להרחיב מעבר לכמה קבוצות בודדות.

הפיכת וידאו גולמי לסיפורי שחקנים

החוקרים תכננו צינור עיבוד שלוקח וידאו משחק סטנדרטי וממיר אותו לקטעי וידאו קצרים ממוקדי שחקן שניתן לתייגם כמגע או ללא מגע. ראשית, מערכת ראייה ממוחשבת המאומנת במיוחד על הוקי נוער מזהה כל שחקן, שוער ושופט בכל פריים. שלב מעקב מקשר בין הזיהויים הללו לאורך זמן כדי לאפשר למערכת לעקוב אחרי כל שחקן גם כאשר הם חוצים זה את זה או עוברים מאחורי מישהו לזמן קצר. כאשר המערכת מאבדת את השחקן לרגע, התוכנה ממלאת פערים קטנים ומיישרת את הנתיב כך שהתיבה המקיפה את השחקן נשארת יציבה מפריים לפריים.

לימוד המערכת מהי מכה

לאימון גלאי המגע, הצוות בדק ידנית 20 משחקי נוער מקבוצות גיל שונות וסימן בקפידה 1,467 אירועי מגע ברורים כגון התנגשות חזקה בין שחקנים, נפילות חזקות על הקרח והשפעות נראות עם המעקות, הזכוכית, המקל או הדסק הערמומי. סביב כל אירוע גזרו חלון וידאו של שנייה אחת שמורכז על המכה, התקרבו אל השחקן המעורב והפחיתו את הקליפ ל-30 פריימים ברווחים שווים. בנוסף דגמו קטעי שנייה רבים מתוך משחק רגיל שבהם לא סומנו מגעים. דוגמאות אלה שימשו לאימון דגם למידה עמוקה שמזהה דפוסי תנועה לאורך זמן, כאשר ניסויים הראו כי חיתוך מוגדל במידה מתונה סביב השחקן לוכד הקשר מספק כדי לראות את האינטראקציה מבלי להסיח את הדעת על ידי רעשי רקע.

כמה טוב השיטה עובדת במשחקים אמיתיים

לאחר שמצאו את התצורה הטובה ביותר, החוקרים בדקו אותה על הקלטות מלאות ובלתי ערוכות משני משחקי גילאי תחת 13 חדשים. המערכת חילקה כל משחק לחתיכות של שנייה, זיהתה ועקבה כל שחקן, בנתה קליפ לכל שחקן שעוקב, וסיווג כל קליפ כמגע או ללא מגע. בהגדרה ריאליסטית זו, רגעי מגע אמיתיים היו נדירים יחסית להחלקות שגרתיות, אך המודל עדיין הופיע ביצועים הרבה מעל לניחוש אקראי. בהגדרה סטנדרטית של החלטה הוא תפס את רוב הקליפים עם מגע תוך שמירה על שיעור דגלים שגויים נמוך יחסית. קריטי לעבודה על פגיעות ראש, כאשר הצוות תייג בנפרד את כל פגיעות הראש בשני המשחקים הללו, 19 מתוך 22 נמצאו בתוך קליפים שהמערכת סיימה לסמן כמגע, מה שהקטין את זמן הסקירה המומחית מיותר משלוש שעות למשחק לפחות מחצי שעה.

מה זה אומר להוקי נוער בטוח יותר

עבור משפחות וליגות שכבר מצלמות משחקים, עוזר בינה מלאכותית כזה יכול להפוך וידאו יומיומי לכלי בטיחות יעיל. במקום לבקש מהצוות לסרוק משחקים שלמים בחיפוש אחר כמה מהלכים מדאיגים, המערכת מדגישה סט ניהול של קליפים קצרים שבהם סביר שניתן למצוא מגע משמעותי. אנליסטים יכולים אז למקד את תשומת ליבם במקום שבו יש צורך ביותר, לדייק את ספירת פגיעות הראש ולהתחיל להבין בתדירות ובאילו מצבים שחקנים צעירים חווים התנגשויות. בעוד שהשיטה אינה מאבחנת זעזוע מוח או קובעת את מנגנון הפציעה המדויק, היא מספקת דרך ניתנת להרחבה למעקב אחרי חשיפת מגע בהוקי נוער ומניחה בסיס להחלטות מונחות נתונים לגבי חוקים, אימון וציוד מגן.

ציטוט: 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

מילות מפתח: הוקי על הקרח נוער, פגיעות ראש, ניתוח וידאו ספורטיבי, מעקב אחר פציעות, למידה עמוקה