Hockey sticks are a growing segment of the $850+ million hockey equipment market due to increasing global hockey participation and short product shelf life. While the technologies used to make ice hockey sticks have evolved drastically over the past 20 years, the purchasing experience has changed relatively little:​ Players still buy equipment mainly in physical stores where they aren’t able to test sticks before paying. Stick “fitting” is a process whereby players receive tailored stick recommendations based on their unique needs or shooting style and has gained recent attention from leading ice hockey equipment companies. As such, there is a need for further research of the relationship between objective and subjective evaluations of stick performance and faster, automated stick fitting processes.

The aims of this study were to 1) understand the relationship between subjective perceptions and objective performance metrics with ice hockey sticks and 2) evaluate the feasibility of using inertial sensors and machine learning algorithms for the rapid fitting of ice hockey sticks. Ten left and right-handed participants of high and low caliber performed 80 shots using 4 sticks of different stiffnesses, blade patterns, and kick points.

To address the first aim, an 18-camera Vicon motion capture system was used to capture player and puck kinematics for event detection and calculation of shot speed, accuracy, and puck contact time. Perceptions of shot speed, accuracy, and feel with each stick and overall stick preference rank order were captured separately for slap and wrist shots using 10- and 4-point scales. Significant differences were observed in perceived slap shot speed, slap shot feel, and wrist shot overall preference. No significant differences in shot speed were found:​ Instead, slap shot contact duration was found to be significantly shorter with the high kick point stick and wrist shot accuracy was found to be significantly lower with the flatter blade pattern. Variable factors mapping using principal component analysis revealed perceptions of shot speed and accuracy to be closely related to objective measures during wrist shots but not slap shots.

To address the second aim, custom-made inertial measurement units were embedded in a pair of hockey gloves to gather concurrent kinematic measures (linear acceleration and angular velocity) of the hands. Machine learning algorithms using principal components accounting for 95% of the variability in the hand resultant signals correctly classified players’ optimal stick flex, blade pattern, and kick point with 90-98% accuracy for slap shots and 93-97% accuracy for wrist shots. Based on these findings, the combination of embedded sensors and machine learning algorithms shows promise in future ice hockey stick fitting applications.

Les bâtons de hockey sur glace sont un segment croissant du marché de l'équipement de hockey de plus de 850 millions de dollars en raison de la participation croissante au hockey à l'échelle mondiale et de la courte durée de conservation des produits. Alors que les technologies utilisées pour fabriquer des bâtons de hockey ont considérablement évolué au cours des 20 dernières années, l'expérience d'achat a relativement peu changé :​ les joueurs achètent toujours du matériel principalement dans des magasins physiques où ils ne peuvent pas tester les bâtons avant de payer. Le « fitting » des bâtons est un processus par lequel les joueurs reçoivent des recommandations de bâtons personnalisées en fonction de leurs besoins uniques ou de leur style de tir et a récemment attiré l'attention des principales sociétés d'équipement de hockey sur glace. En tant que tel, il est nécessaire de poursuivre les recherches sur la relation entre les évaluations objectives et subjectives des performances du bâton et les processus d'ajustement plus rapides et automatisés du bâton.

Les objectifs de cette étude était 1) comprendre des relations entre la perception subjective des joueurs et les mesures de performance objectives obtenues avec différents bâtons de hockey sur glace et 2) évaluer la faisabilité d'utiliser des capteurs inertiels et des algorithmes d'apprentissage automatique pour effectuer une recommandation rapide et précise de bâtons de hockey sur glace. Dix joueurs de mains gauches et droites de haut calibre ont faire 80 lancés en utilisant quatre bâtons de différentes rigidités, modèle de palette et profils de rigidité.

Pour adresser le premier objectif, un système de capture de mouvement de 18 caméras Vicon a été utilisé pour capturer la cinématique de joueurs et de la rondelle pour la détection d'évènements et le calcul de vitesse, précision, duration de contact pour chaque lancé. Les perceptions de vitesse, précision et sensation du lancés avec chaque bâton et l'ordre de classement de la préférence global de chaque bâton ont été capturé séparément pour les lancés du poignet et les lancés frappé. Aucune différence significative de vitesse de lancé a été trouvé:​ Plutôt, le temps de contact des lancés frappé a été trouvé à être significativement plus court avec le bâton de profil de rigidité haut et la précision des lancés du poignet a été trouvé à être significativement plus bas avec le modèle de palette plus plat. La schématique de facteurs variables en utilisant l'analyse de composantes principaux (PCA) a révélé que les perceptions de vitesse de lancer et la précision sont principalement en accord avec mesures objectives durant les lancés du poignet, mais non pour les lancés frappé.

Pour adresser le deuxième objectif, des centrales inertielles fait sur mesure ont été placés dans une paire de gant de hockey pour capturer des mesures cinématiques concurrent (accélération linéaire et vélocité angulaire) des mains. En utilisant les composantes principales montant à 95% de la variabilité des signaux résultant des mains, les algorithmes d'apprentissage automatique ont correctement classifié la rigidité, le modèle de palette et le profil de rigidité optimale pour chaque joueur avec 90-98% de précision pour les lancés frappé et 93-97% pour les lancés du poignet. Basé sur ces résultats, la combinaison de capteurs et algorithmes d'apprentissage automatique montre de l'espoir à l'avenir pour les applications de « fitting » de bâton pour le hockey sur glace.