Eishockey -Erkennung: Eine präzisere Methode zum Vergleich Eishockey
Patrick Love, Senior Customer Success Specialist (Performance Gesundheit) bei Catapult Sports
Das Wichtigste in Kürze:
- Die automatische Schicht-Erkennung bietet den Mitarbeitern ein klareres Zeitfenster, um die Arbeitsbelastung einzuschätzen.
- Durch die automatische Erkennung aktiver Spielzüge wird der Aufwand für die manuelle Kennzeichnung reduziert und eine einheitlichere Grundlage für den Vergleich der Anforderungen in Training und Spiel geschaffen.
- Für Trainer, das Videoteam und performance bietet es allen eine gemeinsame Grundlage dafür, was die Spieler getan haben, wie anspruchsvoll es war und welcher Kontext dahintersteckt.
Eishockey wissen das aus Erfahrung: Zwei Trainingseinheiten können auf dem Papier ähnlich aussehen, sich aber völlig unterschiedlich anfühlen. Die eine besteht vielleicht aus langen Spielsequenzen und Pausen für Anweisungen. Die andere besteht vielleicht aus kurzen, intensiven Spielsequenzen mit wenig Erholungszeit. Wenn beide mit einer einzigen Zahl zusammengefasst werden, geht der wichtige Unterschied unter.
Player Load PL) gibt den Trainern Aufschluss darüber, wie viel Arbeit ein Spieler geleistet hat. Sie gibt jedoch keinen Aufschluss darüber, wie diese Arbeit zustande kam oder wie anspruchsvoll die aktiven Spielphasen waren. Diese Unterscheidung ist wichtig, da die PL pro Minute (PL/min) im Eishockey nicht immer dasselbe bedeutet hat.
Nightingale et al. (2026) heben diesen Punkt in ihrem Rahmenkonzept zur Auswahl externer Belastungskennzahlen im Eishockey hervor. Sie weisen darauf hin, dass in der veröffentlichten Eishockeyforschung sowohl die Gesamtdauer des Spiels als auch die Eiszeit als Nenner für PL/min herangezogen wurden. Studien, die die Gesamtdauer des Spiels zugrunde legten, darunter Douglas et al. (2022) und Neeld et al. (2021), ergaben Werte von 2,1–2,3 PL/min; Studien, die die Eiszeit zugrunde legten, darunter Byrkjedal et al. (2022) und Perez et al. (2022), ergaben Werte um 6,3 PL/min.
Unterschiedliche Windows-Versionen, unterschiedliche Arbeitslasten
Genau hier wird der Vergleich von Trainingseinheiten und Spielen schwierig. Bei Spielen markieren Videoanalysten in der Regel die gesamten Einsatzzeiten der Spieler. Im Training wird selbst dann, wenn die Einheiten gefilmt werden, selten jede einzelne Wiederholung eines Spielers markiert, geschweige denn die eines gesamten Kaders. Das Markieren der Einsatzzeiten in Spielen ist bereits sehr aufwendig. Das Markieren der Wiederholungen im Training ist nahezu unmöglich.
Wenn wir jedoch die Anforderungen im Training mit denen im Spiel vergleichen wollen, spielen diese spielerspezifischen Zeitfenster eine Rolle. Ohne sie bleibt der Nenner uneinheitlich. Ein Spieler mag zwar eine ähnliche Anzahl an Spielminuten (PL) sammeln, doch die Dichte hängt davon ab, ob wir diese über die gesamte Trainingseinheit, die Übung, den gesamten Einsatz oder nur die aktiven Momente berechnen.
Der Wechsel von einer Uhr auf Sitzungsebene zu einer „Active-Shift“-Uhr eliminiert die Zeit auf der Bank und das Laufen zwischen den Pfiffen. Der Gesamt-PL-Wert sank, da ein Teil dieser Bewegung zuvor mitgezählt wurde. Der PL/min-Wert steigt in der Regel an, da der Nenner schneller sinkt als die gemessene Belastung. Dieselbe Übung, derselbe Spieler, dieselbe Datendatei können je nach der vom Trainerstab verwendeten Uhr sehr unterschiedliche Werte für Volumen und Dichte liefern. Deshalb ist die Wahl des Zeitfensters entscheidend, und deshalb ist das „Active-Shift“-Fenster das aussagekräftigste der vier. Es erfasst nur die Momente, in denen der Spieler tatsächlich am Spielgeschehen beteiligt war. Der Volumenwert spiegelt die von dem Spieler geleistete Arbeit wider. Der Dichtewert spiegelt wider, wie intensiv diese Arbeit während der jeweiligen Phase war. Dies ist das Zeitfenster, in dem Trainingseinheiten und Spiele miteinander verglichen werden können.
Leider sind wir wieder am Ausgangspunkt angelangt. Wie lassen sich die Probleme bei der manuellen Zuordnung von Vertriebsmitarbeitern in der Praxis lösen?
Automatische Schicht-Erkennung: Ein einheitlicheres Zeitfenster
Eishockey Shift Detection“ von Catapult löst dieses Problem, indem sie aktive Spielwechsel direkt über die tragbaren Geräte erkennt. Die Teams erhalten automatisch spielerspezifische Zeitfenster für aktive Spielwechsel. Dadurch erhalten die Betreuer einen einheitlichen Überblick darüber, wann jeder Spieler aktiv am Training beteiligt war. Dies führte zudem zu einigen unerwarteten Ergebnissen.
In einer unveröffentlichten Analyse von Catapult Sports aus dem Jahr 2026 entsprach ein AHL-Training auf Trainingseinheitsebene etwa 58 % des Spielvolumens. Bei der Berechnung anhand der aktiven Einsätze sank dieser Wert auf knapp 51 %. Auf Trainingseinheitsebene erschien dasselbe Training intensiver als das Spiel und lag bei etwa 130 % der Spielintensität (PL/min). Betrachtete man beide jedoch unter dem Gesichtspunkt der aktiven Einsatzzeiten, sank die Intensität desselben Trainings auf etwa 73 % der Spielintensität bei aktiven Einsätzen.
Daten zum aktiven Spielverlauf können eine Lücke aufdecken, die in Zusammenfassungen ganzer Trainingseinheiten oft verborgen bleibt. Die meisten Trainer erkennen, dass das Training nur schwer mit dem Gesamtvolumen eines Spiels mithalten kann. Viele sind davon ausgegangen, dass das Training die Spielintensität übertrifft, da die Trainingseinheiten kürzer, strukturierter und kontrollierter sind.
Diese Ergebnisse stellen diese Annahme in Frage. Wenn wir nur die Zeiträume betrachten, in denen die Sportler tatsächlich aktiv sind, könnte das Training sowohl hinsichtlich des Umfangs als auch der Intensität zu kurz kommen.
Das ist entscheidend für die Periodisierung, die Gestaltung der Übungen und die Rückkehr zum Spielbetrieb. Die Teams müssen wissen, ob die Spieler im Training dem Umfang und der Intensität aktiver Spielphasen ausgesetzt waren. Außerdem müssen sie verstehen, wie sich dieser Umfang ergeben hat. Längere, gleichmäßige Trainingsphasen unterscheiden sich von wiederholten, hochintensiven Abschnitten, die den Rhythmus des Spiels widerspiegeln.
Die Kennzahl mit dem Moment verbinden: Integration von Video und Wearables
Mehr Daten führen nicht automatisch zu mehr Klarheit. Sinnvolle Berichte sollten die Kennzahlen auf die jeweilige Fragestellung abstimmen, Redundanzen vermeiden und den Teams helfen, bessere Entscheidungen zu treffen (Nightingale et al., 2026).
Die „Auto Shift Detection“ unterstützt diesen Ansatz, indem sie ausgewählten Kennzahlen einen besseren Kontext liefert. Wenn aktive Spielzüge in den „Focus“ von Catapult importiert werden, können Teams von der Kennzahl zu dem Moment springen, in dem sie entstanden ist. Für Trainer ist es nichts Neues, Spielzüge nach einem Spiel zu analysieren. Allerdings war es bisher nicht realistisch, spielerspezifische Trainingswiederholungen anzusehen. Da aktive Spielzüge, einschließlich Trainingswiederholungen, nun automatisch identifiziert werden können, haben Trainer die Möglichkeit, die spielerspezifische Trainingsarbeit zu analysieren, ohne das Videoteam bitten zu müssen, jede Wiederholung manuell zu markieren.
Das verändert den Arbeitsablauf für das gesamte Team. Der Videotrainer kann relevante Spielerszenen schneller finden. Performance können aufzeigen, warum es zu einem Anstieg der Trainingsbelastung gekommen ist. Die Trainer können intensive Trainingseinheiten im taktischen Kontext auswerten. Alle arbeiten mit derselben Quelle: denselben Kennzahlen, demselben Zeitfenster und demselben Video – alles an einem Ort.
Praktische Erkenntnisse
Die automatische Schicht-Erkennung bietet den Mitarbeitern ein klareres Zeitfenster, um die Arbeitsbelastung einzuschätzen.
Durch die automatische Erkennung aktiver Spielzüge wird der Aufwand für die manuelle Kennzeichnung reduziert und eine einheitlichere Grundlage für den Vergleich der Anforderungen in Training und Spiel geschaffen.
Für Trainer, das Videoteam und performance bietet es allen eine gemeinsame Grundlage dafür, was die Spieler getan haben, wie anspruchsvoll es war und welcher Kontext dahintersteckt.
Referenzen
- Byrkjedal, P. T., Luteberget, L. S., Bjørnsen, T., Ivarsson, A. & Spencer, M. (2022). Die Gestaltung Eishockey simulierten, spielbasierten Eishockey (Scrimmage) führt im Vergleich zu offiziellen Spielen zu einer höheren Intensität bei den externen Belastungsparametern. Frontiers in Sports and Active Living, 4, 822127. https://doi.org/10.3389/fspor.2022.822127
- Catapult Sports. (2026). Vergleich der Trainingsbelastung nach „Active-Shift“- und „Period“-Ebenen im Eishockey Unveröffentlichte interne Analyse].
- Douglas, A. S., Rotondi, M. A., Baker, J., Jamnik, V. K. und Macpherson, A. K. (2022). Ein Vergleich der Messwerte der externen Belastung auf dem Eis bei Eishockey Subelite- und Elite-Klasse. Journal of Strength and Conditioning Research, 36(7), 1978–1983. https://doi.org/10.1519/JSC.0000000000003771
- Neeld, K. L., Peterson, B. J., Dietz, C. C., Cappaert, T. A. und Alvar, B. A. (2021). Einfluss der vorangegangenen Trainingsbelastung auf Performance College-Herren Eishockey. Journal of Strength and Conditioning Research, 35(8), 2272–2278. https://doi.org/10.1519/JSC.0000000000004076
- Nightingale, S., Hughes, J., De Ste Croix, M. & Pfeifer, C. (2026). Ein Rahmenleitfaden für die Auswahl externer Belastungskennzahlen im Eishockey. International Journal of Strength and Conditioning. https://doi.org/10.47206/ijsc.v6i1.526
- Perez, J., Brocherie, F., Couturier, A. & Guilhem, G. (2022). Internationale Spiele führen im Eishockey der Frauen zu einer stabilen mechanischen Belastung. Biology of Sport, 39(4), 857–864. https://doi.org/10.5114/biolsport.2022.109455
Fragen und Antworten
Eine gesamte Schicht umfasst den gesamten Zeitrahmen vom Betreten des Eises durch einen Spieler bis zu seiner Rückkehr auf die Bank. Dieser Zeitraum beinhaltet oft „tote Zeit“, wie beispielsweise Unterbrechungen durch Pfiffe, Vorbereitungen zum Anspiel oder TV-Auszeiten.
Ein aktiver Einsatz beschränkt die Berechnung streng auf die spezifischen Momente, in denen der Spieler aktiv am Spielgeschehen teilnimmt und sich bewegt. Durch den Wegfall dieser Leerlaufzeiten liefern aktive Einsätze einen viel klareren Einblick in die tatsächliche körperliche Leistung. Die Volumenzahlen spiegeln die tatsächlich geleistete Arbeit wider, und die Dichtewerte (wie Player Load Minute) zeigen genau, wie intensiv diese Arbeit in Echtzeit war.
Es kommt ganz auf den Nenner (die Zeitmessung) an, den man verwendet. In der traditionellen Eishockeyforschung wurde PL/min anhand von zwei sehr unterschiedlichen Zeitrahmen berechnet: der Gesamtdauer des Spiels und der Eiszeit.
Wenn man die gesamte Spieldauer zugrunde legt, ist der Nenner groß, da er die gesamte Zeit umfasst, die auf der Bank verbracht wird, was zu niedrigeren Dichtewerten führt (typischerweise etwa 2,1–2,3 PL/min). Wechselt man zur tatsächlichen Eiszeit eines Spielers, schrumpft der Nenner drastisch, wodurch die Dichtewerte auf fast 6,3 PL/min ansteigen. Diese Abweichung ist kein Datenfehler, sondern spiegelt wider, welchen Zeitrahmen man für die Messung wählt.
In der Vergangenheit war der Vergleich von Trainingsdaten mit Spieldaten äußerst schwierig, da eine manuelle Erfassung der Spielphasen über den gesamten Kader hinweg während einer Trainingseinheit nahezu unmöglich ist.
Die „Auto Shift Detection“ von Catapult löst dieses Problem, indem sie aktive Spielphasen direkt anhand von Wearables automatisch identifiziert. Dies stellt gängige Annahmen zum Training infrage. Interne Daten zeigten beispielsweise, dass ein Training zwar bei Betrachtung der groben Durchschnittswerte der Trainingseinheit wie 130 % der Spielintensität aussah, tatsächlich jedoch auf nur 73 % der Spielintensität sank, sobald beide unter dem präzisen Blickwinkel der aktiven Spielphasen betrachtet wurden. Diese automatisierten Erkenntnisse helfen Trainern dabei, Übungen zu entwickeln, die den hochintensiven Rhythmus und das Volumen echter Spielphasen wirklich nachahmen.