Zautomatyzowane wykrywanie zdarzeń kontaktu fizycznego w młodzieżowym hokeju na lodzie: podejście oparte na głębokim uczeniu skoncentrowane na graczu

Dlaczego to ma znaczenie dla młodych zawodników

Rodzice, trenerzy i ligi obawiają się ukrytych skutków silnych uderzeń w młodzieżowym hokeju na lodzie, lecz nierealistyczne byłoby oczekiwać, że eksperci będą oglądać każdą sekundę każdego meczu. To badanie pokazuje, jak zwykły materiał wideo z meczu można przekształcić w zautomatyzowane narzędzie, które wykrywa momenty kontaktu fizycznego, przyspieszając wyszukiwanie potencjalnych uderzeń w głowę i otwierając drogę do lepszego śledzenia urazów na poziomie klubowym.

Problem niewidocznych uderzeń

Hokej na lodzie jest pełen kolizji, od rutynowych zderzeń po poważne wypadki uderzające o bandy. Wiele z tych uderzeń nie daje oczywistych objawów, a mimo to powtarzane impulsy mogą z czasem wpływać na mózg. Uważa się, że młodzi zawodnicy są szczególnie wrażliwi, ponieważ ich ciało i równowaga nadal się rozwijają, a ligi lokalne rzadko dysponują personelem medycznym, czujnikami i specjalistycznymi narzędziami stosowanymi w profesjonalnych arenach. Obecnie stworzenie wysokiej jakości rejestru, kiedy i jak dzieci otrzymują uderzenia, zwykle oznacza ręczne oglądanie godzin materiału wideo — czasochłonny proces trudny do skalowania poza kilka drużyn.

Przekształcanie surowego wideo w opowieści o zawodnikach

Naukowcy zaprojektowali pipeline, który bierze pojedyncze standardowe nagranie meczu i zamienia je w krótkie klipy skoncentrowane na poszczególnych graczach, które można oznaczyć jako kontaktowe lub bezkontaktowe. Najpierw system widzenia komputerowego, wyszkolony specjalnie na nagraniach z młodzieżowego hokeja, wykrywa każdego łyżwiarza, bramkarza i sędziego w każdej klatce. Następnie etap śledzenia łączy te detekcje w czasie, dzięki czemu system może podążać za każdym zawodnikiem nawet wtedy, gdy przecinają się torami lub chwilowo zasłaniają się nawzajem. Gdy tracker traci zawodnika na moment, oprogramowanie wypełnia małe luki i wygładza tor, tak aby ramka ograniczająca danego gracza pozostała stabilna między klatkami.

Nauczanie systemu, jak wygląda uderzenie

Aby wytrenować detektor kontaktu, zespół ręcznie przejrzał 20 młodzieżowych meczów z różnych grup wiekowych i starannie oznaczył 1 467 wyraźnych zdarzeń kontaktowych, takich jak silne zderzenia między zawodnikami, gwałtowne upadki na lód oraz widoczne uderzenia o bandy, szybę, kij czy krążek. Wokół każdego zdarzenia wycięli jednosekundowe okno wideo wycentrowane na uderzeniu, przybliżyli zaangażowanego zawodnika i zredukowali klip do 30 równomiernie rozmieszczonych klatek. Pobierali też wiele jednosekundowych fragmentów z normalnej gry, gdzie nie oznaczono kontaktu. Te przykłady posłużyły do treningu modelu głębokiego uczenia, który uczy się wzorców ruchu w czasie; eksperymenty pokazały, że umiarkowanie powiększone przycięcie wokół zawodnika zawiera wystarczający kontekst, by zobaczyć interakcję, nie rozpraszając się jednocześnie przez tło.

Jak podejście sprawdza się w rzeczywistych meczach

Gdy znaleziono najlepszą konfigurację, badacze przetestowali ją na pełnych, nieedytowanych nagraniach z dwóch nowych meczów kategorii Under 13. System podzielił każdy mecz na jednosekundowe kawałki, wykrył i śledził wszystkich zawodników, zbudował klip dla każdego śledzonego gracza i sklasyfikował każdy klip jako kontaktowy lub bezkontaktowy. W tym realistycznym ustawieniu prawdziwe momenty kontaktu były rzadkie w porównaniu z rutynowym łyżwiarstwem, jednak model wciąż działał znacznie lepiej niż losowe zgadywanie. Przy standardowym progu decyzyjnym wychwycił większość klipów z kontaktem, utrzymując jednocześnie stosunkowo niską liczbę fałszywych alarmów. Co kluczowe dla pracy nad urazami głowy: kiedy zespół oddzielnie oznaczył wszystkie uderzenia w głowę w tych dwóch meczach, 19 z 22 znajdowało się w klipach, które system oznaczył jako kontaktowe, skracając czas przeglądu ekspertów z ponad trzech godzin na mecz do poniżej trzydziestu minut.

Co to oznacza dla bezpieczniejszego młodzieżowego hokeja

Dla rodzin i lig, które już nagrywają mecze, taki asystent AI może zamienić codzienne wideo w użyteczne narzędzie bezpieczeństwa. Zamiast prosić personel o przeszukiwanie całych meczów w poszukiwaniu garstki niepokojących zagrań, system podkreśla zarządzalny zbiór krótkich klipów, w których prawdopodobnie wystąpił znaczący kontakt. Analitycy mogą wtedy skupić uwagę tam, gdzie jest najbardziej potrzebna, doprecyzować liczenie uderzeń w głowę i zacząć rozumieć, jak często i w jakich sytuacjach młodzi zawodnicy doświadczają kolizji. Choć metoda nie diagnozuje wstrząśnień ani nie wskazuje dokładnej mechaniki urazu, dostarcza skalowalny sposób monitorowania ekspozycji na kontakty w młodzieżowym hokeju i tworzy podstawę do podejmowania decyzji opartych na danych dotyczących przepisów, szkolenia i sprzętu ochronnego.

Cytowanie: 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

Słowa kluczowe: młodzieżowy hokej na lodzie, uderzenia w głowę, analiza wideo sportowego, monitorowanie urazów, głębokie uczenie