摘要
青少年冰球运动目前缺乏可扩展的自动化工具，无法量化球员遭遇碰撞的频率，也无法从常规比赛视频中高效识别出可能造成头部撞击的事件。本研究提出了一种以球员为中心、基于视频的分析方法，用于检测单视角完整比赛录像中的身体接触事件，并证明了该方法作为预处理工具的有效性，能够加快头部撞击数据集的构建速度，同时有助于 Injury监测。在训练和验证阶段，我们围绕手动标注的接触事件制作了带有标签的以球员为中心的片段；而在完整比赛测试中，则将该分析方法应用于连续的比赛录像。在这两种情况下，分析单元都是固定时长（1秒）的以球员为中心的片段，模型会为每个片段输出一个二进制标签（接触或非接触）。球员的检测采用针对青少年群体优化的You Only Look Once (YOLO)v8模型，而跟踪则通过StrongSORT实现，该算法利用交并比(IoU)来优化匹配过程，从而在球员暂时被遮挡时仍能保持其身份的连续性。在20场青少年比赛（11岁以下、13岁以下和15岁以下组别）中，人工标注了接触事件。对于每一起事件，标注人员会记录下事发帧，并标出受到撞击的球员位置（头部或身体），这些信息被用来将事件与对应的跟踪轨迹关联起来。随后，从事件发生前后各\(\pm 0.5\)秒范围内的60帧录像中提取样本（视频帧率为60帧/秒），再将这些样本统一降采样为30帧以便进行分类。非接触事件的样本则来自那些与已标注事件没有重叠的跟踪轨迹窗口，由此得到的接触与非接触事件的比例分别为\(\approx\)1:4、\(\approx\)1:6和\(\approx\)1:9。一种名为时间移位模块(TSM)的分类器被用于处理每一个以球员为中心的片段，同时我们还研究了裁剪比例和类别不平衡对接触事件检测性能的影响。经过测试，最佳配置（15个分割段，移位间隔为\(=4\)，裁剪比例为\(1.5\times\)，训练数据与测试数据的比例约为1:9）能够在评估条件下实现高效的接触事件检测。最终，我们将该模型应用于两场未经预处理的13岁以下组别完整比赛，具体方法是把每场比赛分成多个不重叠的1秒时间段（60帧/秒），检测并跟踪球员，对跟踪到的球员对应的跟踪轨迹进行后处理，最后为每个球员的跟踪轨迹生成分类结果。这种基于完整比赛的评估方法的性能远高于随机基准水平，且能够在类别严重不平衡的情况下依然保持良好的工作效果。作为进一步的演示，该接触事件检测工具还被用作头部撞击事件审查的有效预处理工具：在默认的决策阈值（0.5）下，22起经人工确认的头部撞击事件中有19起发生在被判定为存在接触事件的以球员为中心的片段中，头部撞击事件的召回率达到了86.4%，这使得每场比赛的手动审查时间从原来的三小时以上缩短到了30分钟以内。总体而言，所提出的分析方法能够实现青少年冰球比赛中接触事件的高效监测，同时大大减轻了从完整比赛视频中筛选头部撞击数据集的工作负担。
