Automatisk detektion av fysisk kontakt i ungdomsishockey: en spelarcentrerad djupinlärningsmetod

Varför detta är viktigt för unga spelare

Föräldrar, tränare och förbund oroar sig för de dolda följderna av hårda tacklingar i ungdomsishockey, men det är orealistiskt att experter ska titta på varje sekund av varje match. Denna studie visar hur vanlig matchvideo kan omvandlas till ett automatiserat hjälpmedel som upptäcker tillfällen av fysisk kontakt, vilket gör det snabbare att hitta potentiella huvudslag och öppnar för bättre skadeuppföljning i lokala hallar.

Problemet med osedda slag

Ishockey är fullt av kollisioner, från rutinmässiga stötar till hårda krascher i sargen. Många av dessa påfrestningar leder aldrig till tydliga symptom, men upprepade stötar kan ändå påverka hjärnan över tid. Ungdomsspelare antas vara särskilt sårbara eftersom deras kroppar och balans fortfarande utvecklas och eftersom lokala ligor sällan har den medicinska personal, sensorer och specialiserade verktyg som används i professionella arenor. Idag innebär det att bygga en högkvalitativ journal över när och hur barn blir träffade oftast att man manuellt granskar timmar av video, en tidskrävande uppgift som är svår att skala upp bortom ett fåtal lag.

Att förvandla råvideo till spelarberättelser

Forskarna utformade en pipeline som tar en enda standard matchinspelning och omvandlar den till korta, spelarfokuserade klipp som kan märkas som kontakt eller icke-kontakt. Först upptäcker ett datorvisionssystem, tränat särskilt för ungdomsishockey, varje skridskoåkare, målvakt och domare i varje bildruta. Ett spårningssteg länkar sedan dessa detektioner över tiden så att systemet kan följa varje spelare även när de korsar varandras vägar eller tillfälligt passerar bakom någon annan. När trackern tappar sikte på en spelare under ett ögonblick fyller mjukvaran små luckor och jämnar ut banan så att ramarna runt spelaren förblir stabila från bildruta till bildruta.

Att lära systemet hur ett slag ser ut

För att träna kontaktdetektorn granskade teamet manuellt 20 ungdomsmatcher från olika åldersgrupper och markerade noggrant 1 467 tydliga kontaktögonblick såsom kraftiga spelare-mot-spelare-kollisioner, hårda fall på isen och synliga påfrestningar mot sargen, glaset, klubban eller pucken. Runt varje händelse klippte de ut ett ensekunds fönster centrerat på slaget, zoomade in på den inblandade spelaren och minskade klippet till 30 jämnt fördelade bildrutor. De tog också många ensekundsklipp från normalt spel där ingen kontakt hade markerats. Dessa exempel användes för att träna en djupinlärningsmodell som lär sig rörelsemönster över tid, med experiment som visar att en måttligt förstorad beskärning runt spelaren fångar tillräckligt med kontext för att se interaktionen utan att distraheras av bakgrundsstörning.

Hur väl metoden fungerar i riktiga matcher

När den bästa konfigurationen hittats testade forskarna den på fullständiga, oredigerade inspelningar av två nya U13-matcher. Systemet delade varje match i ensekundschunkar, upptäckte och spårade varje spelare, byggde ett klipp för varje spårad spelare och klassificerade varje klipp som kontakt eller icke-kontakt. I denna realistiska miljö var verkliga kontaktögonblick sällsynta jämfört med rutinmässig åkning, men modellen presterade ändå mycket bättre än slumpen. Vid en standard beslutspunkt fångade den de flesta kontaktklipp samtidigt som antalet falska larm hölls relativt lågt. Avgörande för arbete kring huvudskador var att när teamet separat annoterade alla huvudslag i dessa två matcher hittades 19 av 22 inom klipp som systemet markerat som kontakt, vilket minskade expertgranskningstiden från mer än tre timmar per match till under trettio minuter.

Vad detta betyder för säkrare ungdomsishockey

För familjer och förbund som redan spelar in matcher kan den här typen av AI-assistent förvandla vardaglig video till ett användbart säkerhetsverktyg. Istället för att be personal skanna hela matcher i jakt på ett fåtal oroande situationer, lyfter systemet fram en hanterbar mängd korta klipp där meningsfull kontakt sannolikt inträffat. Analytiker kan sedan fokusera sin uppmärksamhet där den behövs mest, förfina räknandet av huvudslag och börja förstå hur ofta och i vilka situationer unga spelare upplever kollisioner. Metoden diagnostiserar inte hjärnskakningar eller fastställer exakta skademekanismer, men den ger ett skalbart sätt att övervaka kontaktexponering i ungdomsishockey och lägger grunden för datadrivna beslut om regler, träning och skyddsutrustning.

Citering: 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

Nyckelord: ungdomsishockey, huvudslag, analys av sportvideo, skadeövervakning, djupinlärning