冰球自动换人检测：一种更简洁的冰球工作负荷比较方法
帕特里克·洛夫，Catapult Sports 公司高级客户成功专员（表现与健康）
要点：
- “自动班次检测”功能为员工提供了更清晰的时间窗口，以便他们了解工作量。
- 通过自动识别活跃换人，该功能既减轻了手动标记的工作负担，又为比较训练和比赛的需求提供了更一致的依据。
- 对于教练、视频分析人员和表现分析人员而言，这为所有人提供了一个共同的参考依据，用于了解球员的表现、训练的强度以及背后的背景情况。
冰球教练们从经验中深知这一点：两次训练在纸面上看起来可能相似，但实际感受却截然不同。一次训练可能包含长时间的轮换和教练安排的暂停；另一次则可能反复进行短时高强度的对抗，几乎没有恢复时间。如果将这两种训练都用一个数字来概括，那么它们之间的关键差异就会被掩盖。
Player Load 总Player Load PL）向教练组展示了球员累计的工作量。但它并未显示这些工作量是如何累积的，也未显示活跃时段的强度如何。这一区别很重要，因为在冰球运动中，“每分钟球员负荷量”（PL/min）的含义并非始终一致。
Nightingale等人（2026）在其关于冰球运动外部负荷指标选择的框架中提出了这一观点。他们指出，已发表的冰球研究既将“比赛总时长”也将其“冰上时间”作为PL/min的分母。 采用比赛总时长作为分母的研究（包括道格拉斯等人（2022）和尼尔德等人（2021））得出的结果为2.1–2.3 PL/min；而采用冰上时间作为分母的研究（包括比尔克耶达尔等人（2022）和佩雷斯等人（2022））得出的结果则在6.3 PL/min左右。
不同的 Windows 系统，不同的工作负载
这正是比较训练和比赛数据变得困难的地方。在比赛中，视频分析师通常会对球员的整个上场时段进行标记。而在训练中，即使训练过程被录像下来，也很少会对某一名球员的每次训练动作进行标记，更不用说整个阵容了。标记比赛中的上场时段已经是一项繁重的工作，而标记训练中的每次动作则几乎是不可能的。
但如果我们要比较训练和比赛的要求，这些针对具体球员的时间段就至关重要。如果没有这些时间段，分母就无法保持一致。一名球员可能累计了相似的PL值，但其密度取决于我们是按整个活动、训练项目、整段训练时段，还是仅按活跃时刻来计算的。
从活动计时”切换到“活跃换班计时”后，哨声间歇期间的休息时间和滑行时间被剔除。总PL值下降，是因为此前部分移动量被计入了统计。PL/min通常会上升，因为分母的缩减速度快于被测负荷的减少速度。相同的训练项目、相同的球员、相同的数据文件，根据教练组采用哪种计时方式，得出的训练量和训练密度数值可能会大相径庭。 这就是为什么时间窗口的选择至关重要，也是为什么“活跃换人”时间窗口在四种选项中最为精准。它仅统计球员实际参与比赛的时刻。训练量数据反映了球员完成的工作量，而密度数据则反映了该工作在进行时的强度。这正是用于比较训练和比赛的合适时间窗口。
遗憾的是，我们又回到了原点。在实际操作中，我们该如何解决手动标记销售代表的问题呢？
自动班次检测：更稳定的时间窗口
Catapult的冰球自动换人检测功能 通过直接从可穿戴设备中识别活跃换人时段来解决 这一问题。各支球队可以自动获得针对每位球员的活跃换人时段数据。这为工作人员提供了一个统一的视角，用于查看每位球员实际参与活动的时间。此外，该功能还带来了一些意想不到的结果。
在Catapult Sports于2026年发布的一份未公开分析中，一场AHL训练在活动 训练量约为比赛训练量的58%。若按实际上场时间计算，这一比例则降至约51%。 从活动 来看，同一场训练的强度似乎高于比赛，约为比赛每分钟表现水平（PL/min）的130%。一旦通过“活跃轮次”视角来观察两者，同一场训练的强度便降至活跃轮次比赛强度的约73%。
“活动时段”数据可以揭示出活动 常被掩盖的差距。大多数从业者都认识到，训练很难达到比赛的总强度。许多人曾认为训练的强度高于比赛，因为训练课时间较短、结构更严谨、控制也更严格。
这些研究结果对这一假设提出了质疑。如果我们仅考虑运动员实际进行运动的时段，训练在训练量和训练强度方面可能都存在不足。
这对训练周期化、训练设计以及复出参赛都至关重要。球队需要了解训练是否让球员经历了与实战轮换相当的训练量和强度。他们还需要了解这些训练量是如何积累的。较长的稳定训练时段与反映比赛节奏的反复高强度训练段是不同的。
将数据与当下时刻相连接：视频与可穿戴设备的融合
数据越多并不一定意味着情况就越清晰。有用的报告应使指标与问题相匹配，减少冗余，并帮助团队做出更明智的决策（Nightingale 等，2026）。
“自动换防检测”功能通过为选定的指标提供更丰富的背景信息，支持这种方法。当活跃换防数据导入 Catapult 的 Focus 模块后，团队便能从指标直接跳转至产生该指标的具体瞬间。对于教练而言，赛后回顾换防情况并非新鲜事。然而，查看球员个人的训练回合却一直难以实现。如今，随着包括训练回合在内的活跃换防数据能够被自动识别，教练们无需再让视频团队手动标记每个回合，便能直接回顾球员个人的训练表现。
这改变了全体工作人员的工作流程。视频教练可以更快地找到相关球员的训练片段。体能团队可以说明训练负荷激增的原因。教练们可以在战术背景下回顾高强度训练环节。所有人都在同一数据源上开展工作：相同的指标、相同的时间段、相同的视频，所有内容都集中在一个地方。
实用要点
“自动班次检测”功能为员工提供了更清晰的时间窗口，以便他们了解工作量。
通过自动识别活跃换人，该功能既减轻了手动标记的工作负担，又为比较训练和比赛的需求提供了更一致的依据。
对于教练、视频分析人员和表现分析人员而言，这为所有人提供了一个共同的参考依据，用于了解球员的表现、训练的强度以及背后的背景情况。
参考资料
- Byrkjedal, P. T., Luteberget, L. S., Bjørnsen, T., Ivarsson, A., & Spencer, M. (2022). 基于模拟比赛的冰球对抗赛（练习赛）在外部负荷参数方面引发的强度高于正式比赛。 《体育与积极生活前沿》，4，822127。https://doi.org/10.3389/fspor.2022.822127
- Catapult Sports. (2026). 精英冰球运动中“主动换人”与环节工作负荷的比较 [未发表的内部分析]。
- 道格拉斯，A. S.，罗通迪，M. A.，贝克，J.，贾姆尼克，V. K.，及麦克弗森，A. K. (2022). 次精英级与精英级女子冰球运动员冰上外部负荷指标的比较。 《力量与体能研究杂志》，36(7)，1978–1983。https://doi.org/10.1519/JSC.0000000000003771
- Neeld, K. L., Peterson, B. J., Dietz, C. C., Cappaert, T. A., & Alvar, B. A. (2021). 前期训练负荷对大学男子冰球队表现的影响。《力量与体能研究杂志》，35(8)，2272–2278。https://doi.org/10.1519/JSC.0000000000004076
- Nightingale, S., Hughes, J., De Ste Croix, M., & Pfeifer, C. (2026). 《冰球运动中外部负荷指标选择框架指南》。《国际力量与体能训练杂志》。https://doi.org/10.47206/ijsc.v6i1.526
- Perez, J., Brocherie, F., Couturier, A., & Guilhem, G. (2022). 国际比赛在高水平女子冰球运动员中引发稳定的机械负荷。《运动生物学》，39(4)，857–864。https://doi.org/10.5114/biolsport.2022.109455
问答
“整个轮次”指从球员踏上冰面到返回替补席的整个时间段。该时间段通常包含停顿时间，例如哨声暂停、争球准备或电视暂停。
“活跃轮次”则将计算范围严格限定在球员积极参与比赛并处于移动状态的具体时刻。通过剔除这些停顿时间，活跃轮次能更清晰地展现球员真实的体能输出。工作量数据反映了实际完成的工作，而密度数据（如Player Load ）则准确展示了该工作在实时状态下的强度。
这完全取决于你使用的分母（计时单位）。传统冰球研究采用两种截然不同的时间框架来计算每分钟得分（PL/min）：全场比赛时长和冰上时间。
当使用全场比赛时长作为分母时，由于其中包含了坐在替补席上的所有时间，分母会变得很大，从而导致密度得分较低（通常在2.1–2.3 PL/min左右）。 若改用球员的实际冰上时间，分母将大幅缩小，导致密度数值跃升至接近6.3 PL/min。这种差异并非数据错误，而是反映了你选择采用哪种时间窗口进行测量。
从历史上看，将训练数据与比赛数据进行比较曾是一项极其困难的任务，因为在训练过程中，对整支球队的阵容进行手动换人标记几乎是不可能的。
Catapult的“自动换人检测”功能通过直接从可穿戴设备中自动识别活跃换人时段，解决了这一问题。这挑战了人们对训练的普遍认知。 例如，内部数据显示，虽然从整体活动 来看，训练强度可能达到比赛强度的130%，但一旦通过精确的“活跃换人时段”视角来分析两者，训练强度实际上仅为比赛强度的73%。这种自动化洞察有助于教练设计出真正模拟真实比赛换人时段的高强度节奏和训练量的训练项目。