Automatyczne wykrywanie zmian w hokeju na lodzie: bardziej przejrzysty sposób porównywania obciążeń w hokeju na lodzie

Strona główna » Automatyczne wykrywanie zmian w hokeju na lodzie: bardziej przejrzysty sposób porównywania obciążeń w hokeju na lodzie

Patrick Love, starszy specjalista ds. sukcesu klienta (wyniki i kondycja) w Catapult Sports

Najważniejsze wnioski:

  • Funkcja automatycznego wykrywania zmian zapewnia pracownikom bardziej przejrzysty przedział czasowy, pozwalający na lepsze zrozumienie obciążenia pracą. 

  • Dzięki automatycznemu rozpoznawaniu aktywnych zmian zmniejsza to obciążenie związane z ręcznym oznaczaniem i tworzy bardziej spójną podstawę do porównywania wymagań treningowych i meczowych. 

  • Dla trenerów, osób zajmujących się analizą wideo oraz personelu odpowiedzialnego za przygotowanie zawodników stanowi to wspólny punkt odniesienia pozwalający ocenić, co zrobili zawodnicy, jak wymagające było to zadanie oraz jaki był kontekst tej sytuacji.

Trenerzy hokeja na lodzie wiedzą to z własnego doświadczenia: dwa treningi mogą wyglądać podobnie na papierze, ale w praktyce różnią się diametralnie. Jeden może obejmować długie serie ćwiczeń i przerwy na wskazówki trenera. Drugi może polegać na powtarzaniu krótkich, intensywnych serii z niewielką przerwą na regenerację. Jeśli oba treningi podsumuje się jedną liczbą, ta istotna różnica zostanie ukryta.

Player Load całkowitego Player Load PL) informuje sztab trenerski o tym, ile pracy wykonał dany zawodnik. Nie pokazuje on jednak, w jaki sposób praca ta została wykonana ani jak wymagające były poszczególne segmenty gry. To rozróżnienie ma znaczenie, ponieważ wskaźnik PL na minutę (PL/min) nie zawsze oznaczał to samo w hokeju na lodzie.

Nightingale i in. (2026) podkreślają tę kwestię w swoich wytycznych dotyczących doboru zewnętrznych wskaźników obciążenia w hokeju na lodzie. Zwracają uwagę, że w opublikowanych badaniach dotyczących hokeja jako mianownik we wskaźniku PL/min wykorzystywano zarówno całkowity czas trwania meczu, jak i czas spędzony na lodzie. W badaniach wykorzystujących całkowity czas trwania meczu, w tym Douglas i in. (2022) oraz Neeld i in. (2021), uzyskano wyniki rzędu 2,1–2,3 PL/min; natomiast w badaniach wykorzystujących czas spędzony na lodzie, w tym Byrkjedal i in. (2022) oraz Perez i in. (2022), uzyskano wartości rzędu 6,3 PL/min.

Różne systemy Windows, różne obciążenia

Właśnie w tym miejscu porównywanie treningów i meczów staje się trudne. Podczas meczów trenerzy analizujący nagrania zazwyczaj oznaczają całe zmiany zawodników. Na treningach, nawet jeśli sesje są nagrywane, rzadko zdarza się, by oznaczyć każde powtórzenie dla jednego zawodnika, nie mówiąc już o całym składzie. Oznaczanie zmian w meczach to już spory nakład pracy. Oznaczanie powtórzeń na treningach jest prawie niemożliwe.

Jeśli jednak chcemy porównać wymagania treningowe i meczowe, te indywidualne dla każdego zawodnika przedziały czasowe mają znaczenie. Bez nich mianownik pozostaje niejednolity. Zawodnik może zgromadzić podobną ilość PL, ale gęstość zależy od tego, czy obliczamy ją dla całej sesji, ćwiczenia, całej zmiany, czy tylko dla momentów aktywności.

Przejście z pomiaru czasu na poziomie sesji na pomiar czasu aktywnego udziału pozwala wyeliminować czas spędzony na ławce rezerwowych oraz jazdę na łyżwach pomiędzy gwizdkami. Całkowita wartość PL spadła, ponieważ część tego ruchu była wcześniej uwzględniana w pomiarze. Wskaźnik PL/min zazwyczaj rośnie, ponieważ mianownik zmniejsza się szybciej niż mierzone obciążenie. Ta sama ćwiczenie, ten sam zawodnik, ten sam plik danych – mogą dać bardzo różne wyniki dotyczące objętości i gęstości, w zależności od tego, jakiego rodzaju pomiaru czasu używa sztab trenerski. Właśnie dlatego wybór okna czasowego ma znaczenie, a okno aktywnej zmiany jest najdokładniejsze spośród czterech. Uwzględnia ono wyłącznie momenty, w których zawodnik faktycznie brał udział w akcji. Wartość objętości odzwierciedla pracę wykonaną przez zawodnika. Wartość gęstości odzwierciedla intensywność tej pracy w trakcie jej wykonywania. Jest to właśnie to okno czasowe, w ramach którego można porównywać treningi i mecze.

Niestety, wróciliśmy do punktu wyjścia. Jak w praktyce rozwiązać problem ręcznego oznaczania przedstawicieli handlowych?

Automatyczne wykrywanie zmiany biegu: bardziej spójne okno czasowe

Funkcja automatycznego wykrywania zmian w składzie drużyny w hokeju na lodzie firmy Catapult rozwiązuje ten problem, identyfikując aktywne zmiany bezpośrednio na podstawie danych z urządzeń noszonych na ciele. Drużyny automatycznie otrzymują informacje o przedziałach czasu, w których poszczególni gracze byli aktywni na lodzie. Dzięki temu sztab trenerski zyskuje spójny obraz tego, kiedy każdy z graczy brał aktywny udział w sesji. Przyniosło to również pewne nieoczekiwane rezultaty.

W niepublikowanej analizie Catapult Sports z 2026 roku jeden trening AHL odpowiadał mniej więcej 58% intensywności meczu na poziomie sesji. Wartość ta spadła do około 51%, gdy obliczono ją na podstawie aktywnych zmian. Ten sam trening wydawał się bardziej intensywny niż mecz na poziomie sesji, wynosząc około 130% wskaźnika PL/min w meczu. Gdy oba przypadki przeanalizowano pod kątem aktywnych zmian, intensywność tego samego treningu spadła do około 73% intensywności meczu w zakresie aktywnych zmian.

Dane dotyczące zmian aktywności mogą ujawnić lukę, którą często maskują podsumowania całych sesji treningowych. Większość trenerów zdaje sobie sprawę, że treningi z trudem dorównują całkowitej intensywności meczu. Wielu z nich zakładało, że intensywność treningów przewyższa intensywność meczu, ponieważ sesje są krótsze, bardziej ustrukturyzowane i lepiej kontrolowane.

Wyniki te podważają to założenie. Gdy weźmiemy pod uwagę wyłącznie okresy, w których sportowcy faktycznie są aktywni, trening może okazać się niewystarczający zarówno pod względem objętości, jak i intensywności.

Ma to znaczenie dla periodyzacji, planowania ćwiczeń oraz powrotu do gry. Drużyny muszą wiedzieć, czy trening narażał zawodników na obciążenie i intensywność charakterystyczne dla aktywnych zmian w trakcie meczu. Muszą również zrozumieć, w jaki sposób to obciążenie zostało zgromadzone. Dłuższe, stabilne bloki treningowe różnią się od powtarzających się serii o wysokiej intensywności, które odzwierciedlają rytm meczu.

Łączenie danych pomiarowych z chwilą: integracja wideo i urządzeń noszonych

Większa ilość danych nie oznacza automatycznie większej przejrzystości. Przydatne raporty powinny dostosowywać wskaźniki do stawianych pytań, ograniczać powtórzenia oraz pomagać zespołom w podejmowaniu lepszych decyzji (Nightingale i in., 2026).

Funkcja automatycznego wykrywania zmian (Auto Shift Detection) wspiera to podejście, zapewniając wybranym wskaźnikom lepszy kontekst. Gdy aktywne zmiany są importowane do modułu Focus w Catapult, zespoły mogą przejść od wskaźnika do momentu, w którym powstał. Dla trenerów przeglądanie zmian po meczu nie jest niczym nowym. Jednak oglądanie powtórzeń z treningów poszczególnych zawodników nigdy nie było realne. Teraz, gdy aktywne zmiany, w tym powtórzenia z treningów, mogą być identyfikowane automatycznie, trenerzy mają możliwość przeglądania pracy poszczególnych zawodników na treningach bez konieczności proszenia personelu zajmującego się materiałami wideo o ręczne oznaczanie każdego powtórzenia.

To zmienia sposób pracy całego zespołu. Trener analizujący materiały wideo może szybciej znaleźć odpowiednie fragmenty z udziałem zawodników. Specjaliści ds. wydajności mogą wyjaśnić, dlaczego nastąpił skok obciążenia treningowego. Trenerzy mogą analizować intensywne wysiłki w kontekście taktycznym. Wszyscy korzystają z tego samego źródła: tych samych wskaźników, tego samego przedziału czasowego i tego samego materiału wideo – wszystko w jednym miejscu.

Praktyczne wnioski

Funkcja automatycznego wykrywania zmian zapewnia pracownikom bardziej przejrzysty przedział czasowy, pozwalający na lepsze zrozumienie obciążenia pracą. 

Dzięki automatycznemu rozpoznawaniu aktywnych zmian zmniejsza to obciążenie związane z ręcznym oznaczaniem i tworzy bardziej spójną podstawę do porównywania wymagań treningowych i meczowych. 

Dla trenerów, osób zajmujących się analizą wideo oraz personelu odpowiedzialnego za przygotowanie zawodników stanowi to wspólny punkt odniesienia pozwalający ocenić, co zrobili zawodnicy, jak wymagające było to zadanie oraz jaki był kontekst tej sytuacji.

Referencje

  1. Byrkjedal, P. T., Luteberget, L. S., Bjørnsen, T., Ivarsson, A. i Spencer, M. (2022). Projekt symulowanego meczu hokeja na lodzie opartego na grze (scrimmage) powoduje większą intensywność parametrów obciążenia zewnętrznego w porównaniu z meczami oficjalnymi. Frontiers in Sports and Active Living, 4, 822127. https://doi.org/10.3389/fspor.2022.822127
  2. Catapult Sports. (2026). Porównanie obciążenia treningowego w systemie „active-shift” i na poziomie okresu w elitarnym hokeju na lodzie [Niepublikowana analiza wewnętrzna].
  3. Douglas, A. S., Rotondi, M. A., Baker, J., Jamnik, V. K. i Macpherson, A. K. (2022). Porównanie pomiarów obciążenia zewnętrznego na lodzie u hokeistek z ligi subelitarnej i elitarnej. Journal of Strength and Conditioning Research, 36(7), 1978–1983. https://doi.org/10.1519/JSC.0000000000003771
  4. Neeld, K. L., Peterson, B. J., Dietz, C. C., Cappaert, T. A. i Alvar, B. A. (2021). Wpływ poprzedniego obciążenia treningowego na wyniki drużyny w męskiej hokeju na lodzie na poziomie uniwersyteckim. Journal of Strength and Conditioning Research, 35(8), 2272–2278. https://doi.org/10.1519/JSC.0000000000004076
  5. Nightingale, S., Hughes, J., De Ste Croix, M. i Pfeifer, C. (2026). Przewodnik ramowy dotyczący doboru wskaźników obciążenia zewnętrznego w hokeju na lodzie. International Journal of Strength and Conditioning. https://doi.org/10.47206/ijsc.v6i1.526 
  6. Perez, J., Brocherie, F., Couturier, A. i Guilhem, G. (2022). Mecze międzynarodowe powodują stabilne obciążenie mechaniczne u kobiet uprawiających hokej na lodzie na wysokim poziomie. Biology of Sport, 39(4), 857–864. https://doi.org/10.5114/biolsport.2022.109455

Pytania i odpowiedzi

Jaka jest różnica między całą zmianą a „zmianą aktywną”?

Cała zmiana obejmuje cały przedział czasowy od momentu, gdy zawodnik wkracza na lód, aż do powrotu na ławkę rezerwowych. Przedział ten często obejmuje czas martwy, taki jak przerwy spowodowane gwizdkiem, przygotowania do wznowienia gry czy przerwy telewizyjne.
Aktywna zmiana ściśle ogranicza obliczenia do konkretnych momentów, w których zawodnik aktywnie uczestniczy w grze i porusza się. Dzięki wyeliminowaniu czasu martwego aktywne zmiany zapewniają znacznie dokładniejszy obraz rzeczywistego wysiłku fizycznego. Dane dotyczące objętości odzwierciedlają faktycznie wykonaną pracę, a dane dotyczące gęstości (takie jak Player Load minutę) dokładnie pokazują, jak intensywna była ta praca w czasie rzeczywistym.

Dlaczego Player Load minutę (PL/min) zmienia się tak znacznie w zależności od sposobu jego obliczania?

Wszystko sprowadza się do wybranego mianownika (miernika czasu). W tradycyjnych badaniach dotyczących hokeja wskaźnik PL/min obliczano na podstawie dwóch bardzo różnych przedziałów czasowych: całkowitego czasu trwania meczu oraz czasu spędzonego na lodzie.
Gdy uwzględnia się całkowity czas trwania meczu, mianownik jest duży, ponieważ obejmuje cały czas spędzony na ławce rezerwowych, co skutkuje niższymi wartościami gęstości (zazwyczaj około 2,1–2,3 PL/min). Gdy przechodzi się na rzeczywisty czas spędzony przez zawodnika na lodzie, mianownik drastycznie się zmniejsza, co powoduje, że wskaźniki gęstości skaczą do wartości bliższych 6,3 PL/min. Ta różnica nie jest błędem w danych; odzwierciedla ona wybór przedziału czasowego, który bierze się pod uwagę przy pomiarze.

W jaki sposób funkcja automatycznego wykrywania zmian wpływa na sposób planowania treningów przez trenerów w porównaniu z meczami?


W przeszłości porównywanie danych z treningów z danymi z meczów było niezwykle trudne, ponieważ ręczne oznaczanie zmian w całym składzie podczas treningu jest praktycznie niemożliwe.
Funkcja Auto Shift Detection firmy Catapult rozwiązuje ten problem, automatycznie identyfikując okresy aktywnych zmian bezpośrednio na podstawie danych z urządzeń noszonych na ciele. Podważa to powszechne założenia dotyczące treningów. Na przykład dane wewnętrzne wykazały, że choć trening mógł wydawać się równy 130% intensywności meczu przy oglądaniu ogólnych średnich z sesji, w rzeczywistości spadał on do zaledwie 73% intensywności meczu, gdy oba elementy analizowano przez pryzmat precyzyjnych zmian aktywności. Ta zautomatyzowana analiza pomaga trenerom projektować ćwiczenia, które naprawdę naśladują rytm i intensywność prawdziwych zmian w trakcie meczu.

Gotowy, by zyskać przewagę nad konkurencją?