Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
TUJUAN: Tujuan penelitian ini adalah mengetahui korelasi antara pola jalan dengan pemulihan motorik berdasarkan stadium Brunnstrom pada penderita pasca stroke METODE: Subjek penelitian adalah penderita stroke fase subakut dan fase kronis ( onset > 2 minggu) yang non hemiparesis, hemiparesis kanan dan hemiparesis kiri. Dilakukan pemeriksaan fisik dan penilaian pemulihan motorik berdasarkan stadium Brunnstrom. Diberikan penjelasan mengenai prosedur pelaksanaan penelitian. Subjek berjalan pada lintasan sepanjang 10 meter sehingga didapatkan kecepatan berjalannya. Selanjutnya subjek berjalan pada alat gait analyser selama 2 menit, dengan memasukkan kecepatan tiap subjek di alat gait analyser. Didapatkan nilai step length sisi sehat, step length sisi sakit, stride length dan cadence tiap-tiap subjek. HASIL: Terdapat 30 subjek dalam penelitian ini. Rerata nilai step length sisi sehat 29,69 + 12,65 cm, step length sisi sakit 32,36 + 10,75 cm, stride length 61,85 + 16,89 cm, cadence 71 + 21,66 langkah/menit. Frekuensi subjek dengan pemulihan motorik Brunnstrom 2 terdapat 2 orang (6,7%), Brunnstrom 3 terdapat 6 orang (20%), Brunnstrom 4 terdapat 5 orang (16,7%) pada Brunnstrom 5 terdapat 8 orang( 26,7%) dan Brunnstrom 6 terdapat 9 orang (30%). SIMPULAN: Terdapat korelasi lemah sampai sedang antara step length sisi sehat, step length sisi sakit, stride length, cadence dengan pemulihan motorik berdasarkan stadium Brunnstrom.

---

OBJECTIVE: The purpose of this research is to find out correlation between gait pattern with motor recovery based on Brunnstrom stages for stroke patient. METHODS: The subject of these research are stroke patient in subacute and chronic phase ( onset > 2 weeks) non hemipharetic, right and left hemipharetic. Physical examination and scoring motor recovery based on Brunnstron stage. The patient were given the explanation of the procedure for the research. The subject walks on 10 metres track to get walking speed. Next, subject walks on the gait analyzer for 2 minutes, with walking speed installed to gait analyzer. The outcome measurements consist of step length on unaffected and affected side, stride length and cadence for every subjects. RESULTS: There are 30 subject in this research. Average step length score on unaffected 29,69 + 12,65 cm, step length on affected side 32,36 + 10,75 cm, stride length 61,85 + 16,89 cm, cadence 71 + 21,66 step/minutes. Frequent subject with motor recovery Brunnstrom 2 are 2 subjects ( 6,7%), Brunnstrom 3 are 6 subjects (20%), Brunnstrom 4 are 5 subjects ( 16,7 %), Brunnstrom 5 are 8 subject (26,7%) and Brunnstrom 6 are 9 subject (30%). CONCLUSIONS: There is a mild until moderate correlation between step length on unaffected and affected, stride length, cadence and motor recovery based on Brunnstrom stages.

Abstrak :

Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.