Geautomatiseerde detectie van fysieke contactmomenten in jeugdijshockey: een spelergerichte deep learning-benadering

Waarom dit belangrijk is voor jonge spelers

Ouders, coaches en competities maken zich zorgen over de verborgen gevolgen van harde klappen in jeugdijshockey, maar het is onrealistisch om experts elke seconde van elke wedstrijd te laten beoordelen. Deze studie laat zien hoe gewone wedstrijdvideo’s kunnen worden omgezet in een geautomatiseerde hulp die momenten van fysiek contact herkent, waardoor het sneller wordt om mogelijke hoofdimpacten te vinden en betere letselregistratie in lokale ijsbanen mogelijk wordt.

Het probleem van onzichtbare klappen

Ijshockey kent veel botsingen, van routine-aanvaringen tot harde crashes tegen de boarding. Veel van deze klappen leiden niet tot duidelijke symptomen, maar herhaalde impact kan na verloop van tijd toch de hersenen beïnvloeden. Jeugdspelers zouden extra kwetsbaar zijn omdat hun lichaam en balans nog in ontwikkeling zijn en omdat lokale competities zelden beschikken over medisch personeel, sensoren en gespecialiseerde instrumenten zoals in professionele arena’s. Tegenwoordig betekent het opbouwen van een hoogwaardige registratie van wanneer en hoe kinderen geraakt worden meestal urenlang handmatig videomateriaal bekijken — een tijdrovende taak die moeilijk opschaalbaar is buiten een klein aantal teams.

Ruwe video omzetten in spelersverhalen

De onderzoekers ontwierpen een pijplijn die één standaard wedstrijdvideo neemt en omzet in korte, op de speler gerichte clips die gelabeld kunnen worden als contact of geen contact. Eerst detecteert een computervisiestelsel, specifiek getraind op jeugdhockey, elke schaatser, keeper en scheidsrechter in elk frame. Een trackingstap koppelt die detecties over de tijd zodat het systeem elke speler kan volgen, ook wanneer ze elkaar kruisen of even achter iemand anders verdwijnen. Wanneer de tracker een speler kort uit het oog verliest, vult de software kleine gaps op en maakt het pad vloeiender zodat het begrenzingsvak rond die speler van frame naar frame stabiel blijft.

Het systeem leren herkennen wat een klap is

Om de contactdetector te trainen, bekeek het team handmatig 20 jeugdwedstrijden uit verschillende leeftijdsgroepen en markeerde zorgvuldig 1.467 duidelijke contacte­­venementen, zoals sterke speler-tot-spelerbotsingen, harde valpartijen op het ijs en zichtbare klappen tegen boarding, glas, stick of puck. Rond elk evenement knipten ze een venster van één seconde video uit, gecentreerd op de klap, zoemden in op de betrokken speler en reduceerden de clip tot 30 gelijkmatig verdeelde frames. Ze namen ook vele één-secondeclips uit normaal spel zonder gemarkeerd contact. Deze voorbeelden werden gebruikt om een deep learning-model te trainen dat bewegingspatronen in de tijd leert, waarbij experimenten aantonen dat een matig vergrote uitsnede rond de speler voldoende context biedt om de interactie te zien zonder te worden afgeleid door achtergrondruis.

Hoe goed de aanpak werkt in echte wedstrijden

Nadat de beste configuratie was gevonden, testten de onderzoekers deze op volledige, onbewerkte opnamen van twee nieuwe Onder 13-wedstrijden. Het systeem verdeelde elke wedstrijd in één-secondeblokken, detecteerde en trackte elke speler, bouwde voor elke getrackte speler een clip en classificeerde elke clip als contact of geen contact. In deze realistische setting waren echte contactmomenten zeldzaam vergeleken met routinematig schaatsen, maar het model presteerde nog steeds veel beter dan willekeurige gissing. Bij een standaard beslissingsinstelling ving het systeem de meeste contactclips terwijl fout-positieve aanduidingen relatief laag bleven. Cruciaal voor werk rond hoofdletsels: toen het team apart alle hoofdimpacten in deze twee wedstrijden annoteerde, werden 19 van de 22 gevonden binnen clips die het systeem als contact had gemarkeerd, waardoor de tijd voor expertbeoordeling per wedstrijd terugging van meer dan drie uur naar minder dan dertig minuten.

Wat dit betekent voor veiliger jeugdhockey

Voor gezinnen en competities die al wedstrijden opnemen, kan dit soort AI-assistent gewone video omzetten in een nuttig veiligheidsmiddel. In plaats van personeel volledige wedstrijden te laten doorzoeken naar een handvol verontrustende momenten, markeert het systeem een beheersbare set korte clips waarin waarschijnlijk betekenisvol contact plaatsvond. Analisten kunnen hun aandacht dan richten waar dat het meest nodig is, hoofdimpaxtellingen verfijnen en beginnen te begrijpen hoe vaak en in welke situaties jonge spelers botsingen ervaren. Hoewel de methode geen concussies diagnosticeert of exacte kwetsuurmechanica vaststelt, biedt het een schaalbare manier om contactblootstelling in jeugdhockey te monitoren en legt het de basis voor datagedreven beslissingen over regels, coaching en beschermende uitrusting.

Bronvermelding: 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

Trefwoorden: jeugdijshockey, hoofdimpacten, sportvideobeoordeling, letselsurveillance, deep learning