Автоматическое обнаружение физического контакта в юношеском хоккее: ориентированный на игрока подход с глубоким обучением

Почему это важно для молодых игроков

Родители, тренеры и лиги беспокоятся о скрытой цене сильных столкновений в юношеском хоккее, но нереально ожидать, что эксперты будут просматривать каждую секунду каждой игры. В этом исследовании показано, как обычное игровое видео можно превратить в автоматизированного помощника, который обнаруживает моменты физического контакта, ускоряя поиск возможных ударов по голове и открывая путь к лучшему учёту травм на местных катках.

Проблема невидимых ударов

Хоккей полон столкновений — от обычных толчков до серьёзных врезаний в борт. Многие из этих ударов не приводят к очевидным симптомам, но повторные воздействия со временем могут влиять на мозг. Считается, что юные игроки особенно уязвимы: их тела и координация ещё развиваются, а в любительских лигах редко есть медицинский персонал, сенсоры и специализированные инструменты, применяемые в профессиональных аренах. Сегодня для построения качественного учёта событий приходится вручную просматривать часы видео, что отнимает много времени и трудно масштабируется за рамки нескольких команд.

Преобразование сырых видео в истории об игроках

Исследователи разработали конвейер, который берёт одно стандартное игровое видео и превращает его в короткие клипы, сфокусированные на игроке, чтобы их можно было маркировать как контактные или бесконтактные. Сначала система компьютерного зрения, обученная специально на юношеском хоккее, обнаруживает каждого игрока, вратаря и судью в каждом кадре. Затем шаг трекинга связывает эти детекции во времени, чтобы система могла следить за каждым игроком даже при пересечении путей или когда он кратковременно проходит за кем-то другим. Когда трекер теряет игрока на мгновение, программное обеспечение заполняет маленькие пропуски и сглаживает траекторию, чтобы ограничительная рамка вокруг игрока оставалась стабильной от кадра к кадру.

Обучение системы распознавать удары

Для обучения детектора контакта команда вручную просмотрела 20 юношеских матчей разных возрастных групп и тщательно отметила 1 467 явных событий контакта: сильные столкновения игрок с игроком, жёсткие падения на лёд и видимые удары о борт, стекло, клюшку или шайбу. Вокруг каждого события они вырезали окно видео длительностью одну секунду, центрированное на ударе, увеличили масштаб вокруг вовлечённого игрока и сократили клип до 30 равномерно расположенных кадров. Также они взяли множество секундных отрывков из обычной игры, где контакты не отмечались. Эти примеры использовали для обучения модели глубокого обучения, которая учится распознавать паттерны движения во времени; эксперименты показали, что умеренно увеличенная обрезка вокруг игрока даёт достаточно контекста, чтобы увидеть взаимодействие, не отвлекаясь на фоновые помехи.

Насколько хорошо метод работает в реальных матчах

После выбора лучшей конфигурации исследователи протестировали её на полных, неотредактированных записях двух новых матчей в категории до 13 лет. Система разделила каждую игру на секундные фрагменты, обнаружила и отслеживала каждого игрока, сформировала клип для каждого отслеживаемого игрока и классифицировала клипы как контактные или бесконтактные. В этой реалистичной обстановке настоящих моментов контакта было мало по сравнению с обычным катанием, но модель всё равно показала результаты значительно лучше случайного угадывания. При стандартной настройке решения она улавливала большинство контактных клипов при относительно низком числе ложных срабатываний. Критично для работы по ударам по голове: когда команда отдельно аннотировала все удары по голове в этих двух играх, 19 из 22 оказались внутри клипов, которые система пометила как контактные, сократив время экспертного просмотра с более чем трёх часов на игру до менее тридцати минут.

Что это значит для безопасного юношеского хоккея

Для семей и лиг, которые уже записывают игры, такой ИИ-помощник может превращать повседневное видео в полезный инструмент безопасности. Вместо того чтобы просить персонал просмотреть весь матч в поисках нескольких тревожных эпизодов, система выделяет управляемый набор коротких клипов, где, вероятно, произошло значимое столкновение. Аналитики могут затем сосредоточить внимание там, где это действительно необходимо, уточнять учёт ударов по голове и начать понимать, как часто и в каких ситуациях молодые игроки испытывают столкновения. Хотя метод не диагностирует сотрясения и не определяет точную механику травмы, он даёт масштабируемый способ мониторинга воздействия контактов в юношеском хоккее и закладывает основу для принятия решений на основе данных касательно правил, тренерской работы и защитного снаряжения.

Цитирование: 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

Ключевые слова: юношеский хоккей, удары по голове, анализ спортивного видео, надзор за травмами, глубокое обучение