青少年冰球中物理接触事件的自动检测：以球员为中心的深度学习方法

这对年轻球员为何重要

家长、教练和联赛都担心青少年冰球中猛烈碰撞的隐性代价，但让专家观看每场比赛的所有视频几乎不现实。本研究展示了如何将普通比赛录像转变为自动化辅助工具，识别发生身体接触的时刻，从而更快地定位可能的头部撞击，并为社区冰场实现更好的伤害追踪打开了可能性。

被忽视的撞击问题

冰球比赛充满碰撞，从日常的轻微碰撞到撞到护墙的大事故。许多碰撞不会导致明显症状，但反复的冲击仍可能随着时间影响大脑。青少年球员被认为尤其脆弱，因为他们的身体和平衡仍在发育，而且社区联赛很少配备职业场馆中使用的医疗人员、传感器和专用工具。如今，构建高质量的撞击记录通常意味着人工观看数小时的视频，这既耗时又难以在多支球队间推广。

将原始视频转为球员视角的片段

研究人员设计了一条流水线，从单个标准比赛视频出发，将其转换为可标注为“接触”或“非接触”的短时球员聚焦片段。首先，一个专门针对青少年冰球训练的计算机视觉系统检测每一帧中的所有场上球员、守门员和裁判。随后通过跟踪步骤将这些检测在时间上关联起来，使系统能在球员交叉或短暂被遮挡时继续追踪其运动。当跟踪器短暂丢失球员时，软件会填补小的空缺并平滑轨迹，以确保该球员的边界框在帧与帧之间保持稳定。

教会系统识别什么是撞击

为训练接触检测器，团队人工回看了来自不同年龄组的20场青少年比赛，仔细标注了1,467个明确的接触事件，如强烈的球员间碰撞、重摔在冰面上以及可见的与护墙、玻璃、球杆或冰球的撞击。围绕每个事件，他们截取了以撞击为中心的一秒钟视频窗口，对涉事球员进行放大，并将片段缩减为30帧均匀间隔的画面。他们还从正常比赛中采样了许多未标注为接触的一秒片段。这些示例用于训练一个能够随时间学习运动模式的深度学习模型，实验表明对球员适度放大的裁切能捕获足够的上下文以观察交互，而不会被背景杂乱分散注意力。

该方法在真实比赛中的表现如何

在找到最佳配置后，研究人员将其在两场新的13岁以下完整未剪辑比赛上进行了测试。系统将每场比赛划分为一秒的片段，检测并跟踪每名球员，为每个被跟踪的球员构建片段，并将每个片段分类为“接触”或“非接触”。在这种真实场景中，与常规滑行相比，真实的接触时刻相对罕见，但模型的表现仍远优于随机猜测。在一个常用的决策阈值下，它在捕获大多数接触片段的同时将误报保持在相对较低水平。对头部伤害工作至关重要的是，当团队对这两场比赛中的所有头部撞击进行单独注释时，22次头部撞击中有19次出现在系统标记为“接触”的片段内，从而将专家审核时间从每场超过三小时缩短到不足三十分钟。

这对更安全的青少年冰球意味着什么

对于已经录制比赛的家庭和联赛，这种人工智能助手可以把日常视频变为有用的安全工具。与其让工作人员通篇浏览整场比赛以寻找寥寥几个令人担忧的动作，不如让系统突出一组可管理的短片段，这些片段很可能发生了有意义的接触。分析人员随后可以把注意力集中在最需要的地方，细化头部撞击计数，并开始了解年轻球员在何种情况下以及多频繁发生碰撞。虽然该方法不能诊断脑震荡或精确指出伤害力学细节，但它为在青少年冰球中可扩展地监测接触暴露提供了一种途径，并为基于数据的规则、训练和防护装备决策奠定了基础。

引用: 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

关键词: 青少年冰球, 头部撞击, 体育视频分析, 伤害监测, 深度学习