KR101483756B1 - 맥파 검출 방법 - Google Patents

Abstract

노이즈가 없는 양질의 맥파(PPG)신호를 검출하는 방법을 개시한다. 맥파 검출 방법:은 맥파 신호를 포함하는 생체 신호를 피험자로부터 획득하는 단계; 맥파 신호를 주기 별로 분석하여 비정상 구간을 판단하는 단계; 그리고 상기 비정상 구간을 정상 신호 형태로 보상하는 단계;를 포함한다.

Description

맥파 검출 방법{Method for detecting PPG signal}

본 발명은 맥파 검출 방법에 관한 것으로서, 상세하게 양질의 맥파 신호를 검출하는 방법에 관한 것이다.

PPG 신호는 간단한 구조의 센서에 의해 쉽게 얻을 수 있는 장점이 있으나, 동일한 의미를 가지는 ECG 신호에 비해서는 신호의 품질이 현저히 떨어진다. 양질의 신호는 피험자의 정확한 생리적 상태를 판단하는데 중요하며, 따라서 PPG 신호의 품질 향상에 대한 연구가 요구된다.

1. Tarassenko, L., and Clifton, D.: 'Semiconductor wireless technology for chronic disease management'. Electron. Lett., 2011, 47, (26), pp. S30-S32 2. Han, H., Kim, M., and Kim, J.: 'Development of real-time motion artifact reduction algorithm for a wearable photoplethysmography'. Int. Conf. of the IEEE EMBS, Lyon, France, 2007, pp. 1538-1541 3. Horiguchi, D., Naito, H., and Sasaki, K.: 'Motion artifact compensation for wristwatch type photoplethysmography sensor'. Key Eng. Mat., 2012, 523, pp. 639-644 4. Krishnan, R., Natarajan, B., and Warren, S.: 'Two-stage approach for detection and reduction of motion artifacts in photoplethysmographic data'. IEEE T. Bio-med. Eng., 2010, 57, (8), pp. 1867-1876 5. Raghuram, M., Madhav, K., Krishna, E., and Reddy, K.: 'On the performance of wavelets in reducing motion artifacts from photoplethysmographic signals'. Int. Conf. on Bioinformatics and Bio-med Eng., Chengdu, China, 2010, pp. 1-4 6. Suykens, J., and Vandewalle, J.: ‘Least squares support vector machine classifiers’. Neural Process. Lett., 1999, 9, (3), pp. 293-300 7. Wisana, I., Widodom, T., Sjabani, M., Susanto, A.: 'Identification of ST segment ECG signal using Degestseg wavelet detection' Int. J. of Comp. Sci. and Telecom., 2012, 3, (9), pp.6-11

본 발명은 양질의 PPG 신호를 얻을 수 있는 맥파 검출 방법 및 장치를 제공한다.

본 발명은 PPG 신호로부터 ECG 신호를 추론할 수 있는 맥파 검출 방법 및 장치를 제공한다.

본 발명에 따른 맥파 신호 검출 방법의 한 유형:은

맥파 신호를 피험자로부터 획득하는 단계;

맥파 신호를 주기 별로 분석하여 비정상 구간을 판단하는 단계; 그리고

상기 비정상 구간을 정상 신호 형태로 보상하는 단계;를 포함한다.

본 발명에 따른 맥파 신호 검출 방법의 다른 유형:은

맥파 신호, 뇌전도 신호를 피험자로부터 동시에 획득하는 단계;

맥파 신호를 주기 별로 분석하여 비정상 구간을 판단하는 단계;

상기 비정상 구간을 정상 신호 형태로 수정하는 단계;

수정된 상기 맥파 신호와 상기 뇌전도 신호를 각각 주기 단위로 분리하여 변곡점을 추출하는 단계;

상기 변곡점을 이용한 SVR 기법에 의해 상기 맥파 신호와 뇌전도 신호의 관계를 학습시키는 단계;를 포함한다.

SVR 기법을 이용하는 맥파 검출 방법:은

맥파 신호와 심전도 신호를 피험자로부터 획득하는 단계;

맥파 신호를 주기 별로 분석하여 비정상 구간을 판단하는 단계;

상기 비정상 구간을 정상 신호 형태로 보상하여 보상된 맥파 신호를 얻는 단계;

상기 보상된 맥파 신호와 심전도 신호에서 주기 단위로 복 수의 변곡 지점을 검출하는 단계;

상기 보상된 맥파 신호와 심전도 신호의 변곡점을 이용한 SVR 학습을 수행하는 SVR 네트워크를 구성하는 단계; 그리고

피험자로부터 획득한 맥파 신호의 다수 변곡점을 이용하는 SVR 네트워크에 의해 상기 맥파 신호에 상응하는 심전도 신호를 예측하여 이로부터 증진된 맥파 신호를 획득하는 단계를 포함한다.

본 발명의 맥파 검출 방법에서, 상기 보상하는 단계는 비정상 구간을 임의 형성된 또는 가우시안 함수에 의해 형성되는 정상 신호을 이용해 상기 비정상 구간을 보상할 수 있다.

본 발명의 맥파 검출 방법에서, 상기 비정상 구간을 판단하는 단계는 가우시안 모델을 이용할 수 있다.

본 발명의 맥파 검출 방법에서, 상기 맥파 신호를 주기 별로 분석하는 과정에서 상기 맥파 신호를 저주파 통과 필터링을 수행할 수 있다.

본 발명의 맥파 검출 방법에서, 상기 SVR 네트워크는 PPG 신호의 특징을 입력 받아서 이에 상응하는 ECG 신호의 특징으로 출력하며, 출력된 ECG 신호의 특징을 선형 보간을 통해 신호화할 수 있다.

도1은 PPG 신호를 예시적으로 나타내는 것으로서, (a)는 PPG 원형 신호, (b)는 도1(a)의 원형 신호를 저주파 통과 필터링한 PPG 신호를 도시한다.
도2a 내지 도2g는 5초 간격으로 관찰한 PPG 신호에서 최근 30개의 주기 신호의 특징 분포를 보인다.
도3은 노이즈 구간이 포함된 PPG 신호를 예시적으로 보인다.
도4는 본 발명에 따라 도3의 노이즈 구간 보상된 PPG 신호를 보인다.
도5는 PPG 신호의 품질을 떨어뜨리는 요인을 개념적을 설명하는 다이어그램이다.
도6a, 6b는 노이즈가 배제된 상태에서 피험자로부터 동시에 획득된 ECG 신호와 PPG 신호를 각각 도시한다
도7은 동일 시점에서 샘플링된 PPG 신호(좌측 그래프)와 ECG 신호(우측 그래프)의 한 주기 성분을 비교 도시한다.
도8은 본 발명에 따른 PPG 신호 검출 방법에 사용되는 SVR 네트워크를 예시한다.
도9의 좌측 그래프는 본 발명에 따라 복원하기 전의 PPG 신호의 한 주기를 예시하며, 도9의 우측 그래프는 본 발명에 따른 SVR 기법에 의해 생성 또는 보정된 PPG 신호를 나타낸다.

본 발명은 광 혈류량(PPG) 신호의 훼손 구간을 정상신호처럼 보정한 후 같은 정보를 가지면서 품질이 좋은 심전도(ECG) 신호처럼 PPG 신호를 증진 또는 보상하는 방법을 제공한다.

본 발명의 방법은 훼손 구간 또는 노이즈 구간을 보상 함에 있어서 기본적으로 PPG 신호를 주기단위로 분석하여 정상신호 판단기준을 만들어서 주기신호의 정상/비정상 여부를 판단한다.

노이즈에 의한 비정상 신호 구간 또는 노이즈 구간이 정해지면 해당 구간을 정상신호의 일반적인 모양으로 보상 또는 대체해 준다. 정상 신호 형태로의 보상 또는 대체에 있어서는, 비정상 신호 구간이 가우시안 함수 또는 임의로 만들어진 정상적인 PPG 주기 신호 모양으로 대체한다.

PPG 신호의 노이즈 구간을 위와 같이 보정한 후, PPG 신호들을 주기 단위로 ECG 신호처럼 변환 하여 종정의 PPG 신호에 비해 품질이 증진된 PPG 신호를 얻는다.

일반적으로 PPG와 ECG 모두 심장박동을 측정하기 위한 수단으로 쓰이지만, PPG는 간단히 측정할 수 있다는 장점이 있는 반면 ECG보다 신호의 품질이 떨어진다는 문제가 있다.

본 발명은 피험자로부터 동시에 취득된 PPG와 ECG신호를 주기단위로 분리하여 변곡점들을 추출하고, 이들간의 관계를 SVR 방법을 통해 기계 학습시킴으로써 품질이 향상된 PPG 신호를 얻을 수 있는 SVR 네트워크(망)를 구성하고, 향후 이를 증진된 품질의 PPG 신호 검출에 이용한다. 이러한 본 발명의 방법을 적용하는 장치는 적어도 PPG 센서를 가지며, 나아가서 학습에 의한 SVR 네트워크 구성을 위한 ECG 센서를 가지는 컴퓨터 기반 검출 장치 또는 전용 장치이다.

이렇게 하면, 학습이 완료된 후에는 학습된 SVR 네트워크의 입력으로 PPG의 변곡점들을 넣어주면, 해당 ECG의 변곡점 위치를 출력해주고 이를 통해서 ECG 신호에 근접하는 품질을 가지는 PPG 신호를 얻을 수 있게 된다.

PPG 신호와 ECG 신호는 일반적으로 알려 진 바와 같이 손가락에 부착하는 광학 구조의 PPG 센서 또는 가슴에 부착하는 전극 구조의 ECG 센서에 의해 획득한다. 획득된 신호는 컴퓨터 베이스의 분석 장치에 의해 처리되어 최종 양질의 PPG 신호를 얻는다.

사람마다 평균 심장 박동 수나 심장박동의 세기가 다 다르며, 따라서 각 사람마다 적용 가능한 정상범위의 기준이 각각 다를 수 밖에 없다. 따라서 본 발명에서는 각자에게 맞는 정상 범위의 구간을 지정하기 위하여 다음과 같은 방법을 이용한다.

먼저 본 발명에서는 실시간으로 입력되는 피험자의 PPG 신호에서 정상 신호의 범위를 정의하기 위해서 가장 최근에 들어온 30 주기 신호를 기반으로 가우시안 모델을 정의하는 방법을 사용한다. 따라서, 정상신호의 범위는 신호의 입력에 따라 적응적으로 갱신된다. 만약 입력된 신호가 정의된 가우시안 모델의 범위 내에 속하면 그 신호는 정상적인 신호로 판단하고 그렇지 않은 경우 움직임에 의해 훼손된 신호로 판단하게 된다.

먼저, 입력된 신호의 주기 수, 주기의 길이와 진폭을 알기 위해서는 신호를 주기단위로 나누는 작업이 필요하다. 이를 위해 입력된 신호에서 노이즈에 의한 지역적 변곡점을 없애기 위해 저주파 통과 필터링을 수행한다. 본 발명의 따른 한 실 시 에에 따라, 예를 들어 500Hz로 입력되는 PPG 신호에 대해 임의 수, 예를 들어 201 샘플의 윈도우 사이즈로 평균 필터링을 수행한다. 도1(a)는 피험자로부터 얻어진 PPG 원형 신호를 나타내며 도1(b)는 상기 원형 신호가 저주파 통과 필터링된 신호를 도시한다.

즉, 도1(a)에 도시된 형태의 원형 신호는 필터링에 의해 도1(b)에 도시된 바와 같이 극소 점과 극대 점만이 존재하는 신호로 바뀌게 된다. 형태로 나타난다. 이때 각 극소 점(도면에서 원으로)은 신호들의 주기의 시작(끝)을 나누는 기준점이 된다. 임의 수, 예를 들어 201 샘플 윈도우 사이즈의 평균 필터링 시 원래 위치를 중심으로 대칭이 되도록 컨볼류션(convolution) 연산하였으므로, 필터링된 신호에서의 극소점은 필터링 전(前), 원형 신호에서의 변곡점이라고 여겨질 수 있다.

상기와 같이 신호의 주기를 나누었으면 한 주기 신호의 길이와 진폭을 알 수 있다. 본 발명에서는 길이를 한 주기의 전체 길이(L), 진폭(A)은 한 주기 신호의 최댓값과 그 신호의 마지막 값의 차를 이용하였다. 이러한 길이와 진폭을 특징으로 하는 (L, A) 데이터들의 공분산(Σ)은 식 (1)와 같이 계산될 수 있다

식 (1)에서 x_n 은 길이(L)와 진폭(A)를 특징으로 하는 2차원 특징벡터이며, μ는 N개 특징벡터들의 중심좌표 벡터이다. 본 연구에서는 최근 30개의 데이터를 이용해서 가우시안 모델을 추정하므로, N은 30이다. 이렇게 구한 공분산 값과 아래 식 (2)과 같은 가우시안 확률밀도함수를 이용해서 신호 정상범위를 모델링 한다.

시간의 흐름에 따른 (L, A)의 분포 변화는 도2에 도시된 바와 같다. 도2는 5초 간격으로 관할한 최근 30개의 주기 신호의 특징 분포를 보인다.

일반적으로 움직임에 의한 신호의 훼손이 발생하여 PPG 신호에 노이즈 성분이 추가됨으로써 신호가 불안정하게 되면 다시 안정화되기까지 수 초간의 시간이 소요된다. 따라서, 본 발명에서는 도2에서 도시된 바와 같이 임계치(threshold)를 넘는 움직임이 발생한 지점의 바로 직전 기울기가 음(-)에서 양(+)으로 전환되는 지점(A)으로부터 움직임 발생 후 3초가 지난 후 최초로 신호의 기울기가 음(-)에서 양(+)으로 전환되는 지점(B)까지를 보정이 필요한 신호구간(C)으로 정의한다. 단, 구간 C에서 다시 움직임이 발생한 경우는 위와 같은 방법으로 B를 재정의하여 C를 확장하는 방법을 이용하였다. 신호의 주기 특징을 이용한 방법 또한 같은 방법으로 노이즈 구간의 정의하였다. 단, 본 발명에서는 PPG 신호를 평균 필터링 했을 때, 도1(b)에 도시된 바와 같은 극소점 만으로도 평균 심박수(R-R Interval) 또는 심박간 편차(Heart Rate Variability) 등의 주된 특징을 추출하는데 문제가 없고, 신호 보간 시에도, 도3에 도시된 바와 같이, 가우시안 함수를 기반으로 간단하게 보간할 수 있으므로, PPG 신호를 평균 필터링(average filtering)한 결과 신호를 사용한다.

노이즈 구간 C가 정의되고 나면, 노이즈 구간 이전 n개의 주기 신호의 평균 파장(L)과 진폭(A)을 측정한다. 본 발명의 일 실시 예에서는 n을 3으로 설정하여, 노이즈 구간 이전 세 번의 주기 신호의 파장을 평균할 수 있다. 그러나, 평균 파장의 신호를 통해 노이즈 구간 C가 끝나는 지점과 연속적으로 진행되도록 보간하는 것은 거의 불가능하다. 따라서, 위에서 계산된 L을 노이즈 구간에 맞게 조정된 보간 파장(L')을 아래의 식 (3)와 같이 계산한다. 단, C와 L의 단위는 시간이 아닌 해당 구간의 샘플 개수로 하며, 본 연구에서 사용된 PPG 데이터 샘플링율은 500Hz이다.

즉, C와 L이 정수로 나누어 떨어지지 않으므로 보간할 신호의 파장을 반올림하여 정수로 결정하기 위함이다. 보간을 위해서는 결정된 파장(L')과 진폭(A)를 가장 잘 만족하는 가우시안 함수를 결정하기 위해 LMS(Least Mean Square) 기법을 사용하여 식 (4)의 파라미터들을 결정한다.

식 (4)에서 μ값은 자명하므로, L'과 A를 가장 잘 만족하는 σ값을 LMS 기법을 통해 결정함으로써, C 구간을 보간할 기본 주기 함수가 결정된다. 보간이 완료된 신호의 예는 도4에 도시된 바와 같다. 단, 보간이 끝나는 지점에서 원래 신호로 바뀌는 순간에 불연속 지점이 나타나는 것을 확인할 수 있으나, 이는 해당 위치 주변(±5 샘플)에 대해 11개의 커널(kernel) 크기로 중간 값 필터링(median filtering)을 수행하여 제거하였다. 하지만, 변곡점 위주의 PPG 신호처리 방식만을 사용하는 응용에서는 문제가 없으므로 별도의 처리를 하지 않을 수 있다.

이상과 같은 방법을 통해서 노이즈 구간이 보상됨으로써 전체적으로 정상화된 PPG 신호의 획득이 가능하고, 이 신호를 이용해 다양한 생리 신호 분석에 적용될 수 있다. 본 발명에 따라 전술한 바와 같은 과정을 통해 노이즈가 제거된 PPG 신호를 얻게 된다. 그러나, 이 신호는 여전히 ECG 신호에 비해 품질이 낮다. 본 발명은 이러한 PPG 신호의 품질을 향상하는 방법을 제시한다.

PPG 신호는 피부와 뼈에 의한 산란되기 그 형상이 명료하지 않다. 더욱이, PPG 신호의 품질은, 몸의 움직임에 의해 유발되는 노이즈(모션 아티팩트: Motion Artifact)에 기인하여 떨어질 수 있다. 더욱이, PPG 신호는 ECG 신호에 비해 지연되는 것으로 나타나는데, 이는 심장과 측정 점의 거리가 ECG에 비해 매우 크기 때문이다.

여러 연구에 의해 위와 같은 문제의 개선이 시도되었다. 이들은 모션 아티팩트의 제거 방법만을 제안하였다 [2-5]. 이들 모든 연구들은 모션 아티팩트에 대해 집중되고 있고, PPG 신호의 산란(scattering)과 지연(delay)에 대해서는 다루지 않았다.

이러한 단점을 개선하기 위하여, 본 발명에서는 새로운 PPG 신호 복원 방법을 제시한다. 이 방법은 PPG와 ECG와의 상응성(Correspondence)과 SVR 기법(Support Vector Regression estimator)을 이용한다.

도5는 PPG 신호의 품질을 저하시키는 요인을 개념적으로 설명하는 다이어그램이다. 도5에 도시된 바와 같이, 일반적으로 PPG 신호의 품질은 주된 3가지의 요인에 의해 ECG 신호에 비해 낮다.

<PPG 신호의 품질 저하 요인들>

측정 거리(Measurement distance): PPG 센서는 일반적으로 심장으로부터 멀리 떨어져 손가락이나 귓불에 부착된다. 반면에, ECG 센서는 항상 심장 근방에 부착된다.

피부와 뼈 산란(Skin and bone scattering): 센서가 피부 상에 부착되기 때문에, 피부 층과 뼈들은 신호를 산란 시키거나 흐리게 한다. 동맥의 두께와 혈류의 량은 ECG에 비해 PPG에서 크게 더 낮다.

모션 아티팩트(Motion artifact): 손가락 끝이나 귓불에 부착된 센서로부터 얻어지는 PPG 신호는 손이나 얼굴의 움직임에 의해 쉽게 나빠질 수 있으며, 반면에, ECG 신호는 움직임 노이즈 요인에 대해 매우 강하다. 모션 아티팩트는 신호의 형태 특성의 저하로 쉽게 이어질 수 있다.

상기 3가지의 주요 요인을 고려했을 때, 센서로부터 획득한 실질적인 PPG 신호 g(t)는 아래 같이 표현될 수 있다.

위의 식에서, f() 는 ECG 신호와 같은 이상적인 품질의 신호이며, h₁ 는 측정 거리 문제에 의해 야기되는 지연 요소(Delay factor)이다. 여기에서, h₁ 는 개별적인 변동 또는 차이에 불구하고 상수로 간주되며, 그러므로, 상기 문제는 시각 축 상에서, 단순 신호 변환에 의해 쉽게 해결될 수 있다. h₃ 은 모션 아티팩트에 의해 야기되는 노이즈 팩터(Noise factor)이다. 상기한 바와 같은, 많은 선행 연구들은 이러한 모션 아티팩트의 제거를 위한 방법 등에 대해 이미 고려하였다. h₃ 는 랜덤한 특성을 가지고 이것이 수학적으로 표현될 수 없기 때문에, 본 발명에서는 고려하지 않는다.

h2 는 피부와 뼈의 산란에 의해 야기되는 점 확산 함수(Point Spread Function, PSF)이며, PPG 신호 품질 복원 또는 개선의 위해 고려해야 할 주요 요인이다. 이상적인 품질의 신호 f()는 h₂ 와 g()의 디컨볼루션(⊙)에 의해 다음 식과 같이 얻어질 수 있다.

그러나, PSF는, 피부층 두께와 골격 구조의 개인적 차이 때문에, 일반적으로 설계될 수 없다. 이 문제를 해결하기 위하여, 본 발명이 제안하는 방법에 따르면, 디컨볼루션 조작이 SVR 추정(Support Vector Regression estimator) 기법으로 대체된다.

도6a와 도6b는 노이즈가 배제된 상태에서 피험자로부터 동시에 획득된 ECG 신호와 PPG 신호를 각각 도시한다. ECG 신호와 PPG 신호를 비교해보면, 시각적으로도 매우 많은 정보가 ECG 신호에 포함되어 있음을 알 수 있다.

임의의 주파수, 본 발명의 일 실시 예에 따라, 예를 들어 500Hz의 샘플링율로 취득된 PPG와 ECG 신호를 상호 비교한 결과, PPG신호가 138 샘플만큼 늦게 취득되는 것을 확인할 수 있었다. 이는 절대치로 0.276초 정도 PPG 신호가 ECG 신호에 비해 지연되는 것으로 계산된다. 이는 전술한 바와 같이, PPG 신호가, ECG 신호에 비해 신호의 원발지점인 심장으로부터 멀리서 취득되기 때문인 것으로 추정할 수 있다. 이러한 이유로, PPG 신호는 개인별 차이를 보이는 ECG와 PPG 신호 간의 지연 양(h1)만큼 앞으로 이동(쉬프트) 되어야 하는데, 연구에 따르면, 평균 지연은 276ms(밀리초) 이었다. .

따라서 두 신호 간의 상응성(Correspondence)을 기반으로 SVR(Support Vector Regression) 분석하기 위해 PPG 신호를 0,276초을 지연시켜 두 신호를 일치시키는 것이 필요하다. 예를 들어, 500Hz의 샘플링율 하에서는 138 샘플만큼, 이전 시간으로 이동시킴으로써 두 신호가 일치하게 된다. 다음으로, 신호들의 관계를 정의하기 위해 신호의 변곡점 분석을 통해 주기 단위로 나누는 것이 필요하다.

변곡점 분석은 신호의 저주파 성분에서 음(-)에서 양(+)으로의 변곡점을 검출하여 진행한다. 변곡점의 검출은, 오리지널 신호에 대한 300 샘플의 커널 사이즈를 가지는 평균 필터링(Average filtering) 이후에 수행한다. 주기(cycle) 단위로 나눠진 PPG신호와 ECG 신호는 도7의 좌우 그래프에 도시된 바와 같다. 도7에서 좌측의 그래프는 PPG 신호 그리고 우측 그래프은 ECG 신호를 나타내며 이들 그래프는 동일 시점에서 샘플링된 ECG 신호와 PPG 신호의 한 주기 성분을 도시한다.

5 개의 특징점은 오리지날 신호에서 분리된 주기 단위의 신호로부터 추출한다. 먼저, 구배(gradient)가 tan45°를 초과하는 포인트를 제1특징점(P1)으로 정의한다. 그리고, 구배가 음(negative)이 되는 포인트를 제2특징 포인트(P2)로 정의 한다. 이어서, 구배가 연속적으로 tan0° 보다 크고 그리고 tan350° 보다 작은 2 개의 포인트를 제3특징점(P3)과 제4특징점(P4)으로 정의한다. 마지막으로, 분리된 각 주기 단위의 신호에서 마지막 포인트를 제5특징점으로 정의한다. 같은 방법으로 ECG 신호의 주기 단위의 신호로부터의 도7의 우측의 그래프에 도시된 바와 같은 5개의 특징점(E1, E2, E3, E4, E5)을 추출할 수 있다. 도7에서, 다섯 개의 특징점(Pn)은 ECG 신호의 그것(Em)에 대응하며, 여기에서 n, m 은 동일한 1~5 사이의 자연수이다.

상기와 같은 방법에 의하여 주기 별로 나눈 신호에서 추출된 5개의 변곡점의 위치(P_P1~P_P5, E_P1~E_P5)와 진폭(P_A1~P_A5, E_A1~E_A5)을 SVR의 입력 특징으로 사용된다. 즉, PPG와 ECG 신호에서 취득된 각 5개의 상응성은 SVR 망의 학습을 위한 입력과 출력으로 각각 사용한다. 본 발명의 일 실시 예에 따라 100개의 주기 상응성을 사용하여 SVR 학습을 진행하였다. 위치에 대한 SVR과 진폭에 대한 SVR은 서로 다른 망을 사용해야 하므로, 별도로 학습하였다.

도8은 본 발명이 제안하는 SVR 기반 ECG 신호 추정기의 개략적 구성도이다. 여기에서, 상기와 같은 방법 들에 의해 추출된 PPG와 ECG의 특징들은, 예를 들어 도7에서 위치 특징(P_P1~P_P5, E_P1~E_P5) 및 진폭 특징(P_A1~P_A5, E_A1~E_A5) 들은 SVR 기법에 따른 훈련에 사용된다[6]. 본 발명에 따른 SVR 기반 ECG 추정기는 ECG 진폭 추정기(SVR #A_1~N)와 ECG 위치 추정기(SVR #P_1~N)를 포함한다. 여기에서 N은 특징점의 수로서 예를 들어 1~5이며, 본 실시 예에서는 5개의 추정기가 위치 특징과 진폭 특징에 대해 마련된다.

도8에서 "A"와 "P"는 진폭과 위치에 대한 특징임을 각각 나타낸다.

SVR 추정의 최적화하기 위하여, 모션 아티팩트가 포함되지 않는 양질의 주기 신호를 선택하였다. 나아가, 각 SVR 추정기는 다른 학습 커널(different learning kernel) 함수들과 파라미터를 포함한다. 도8에 도시된 바와 같이 각 SVR (#n)은, 컨볼류션 동작에서 신호 흐림이 표현될 수 있기 때문에 하나의 출력(E_Pn )을 얻기 위하여 다섯 개의 입력(P_P1 -P_P5 )을 요구한다. -전술한 바와 같이, PPG 신호는 약간의 PSF를 이용한 ECG 컨볼류션의 결과로 간주한다. 결론적으로, 컨볼류션 동작이 다수(n) 입력 1 출력 동작이기 때문에, 본 발명의 일 실시 예에서 5 입력 1 출력의 SVR 추정기를 구현하였다.

이러한 SVR 추정을 수행하여 PPG 신호의 복원 방법을 실험한 결과, 전체 2000 쌍(pairs)을 교정하였다. 여기에서 1 쌍은 한 주기의 PPG 신호와 1 주기의 ECG 신호 사이에 5 개의 상응성을 포함한다.

이 쌍으로, 1000은 SVR의 학습에 사용되었고, 다른 1000은 성능 평가에 사용 하였다. 왼쪽과 오른쪽 팔과 오른쪽 검지 손가락에 배치된 리드 센서(Biopac, USA)에 의해 ECG와 PPG 신호를 검출하였다.

요약하면, PPG 신호의 5개 특징점을 하나의 SVR 네트워크의 입력으로 받아들이고, 하나의 ECG 신호의 특징점을 출력하도록 한다. 결과적으로 다섯 개의 PPG 신호 특징점(위치 및 진폭 특징)이 입력되는 SVR 네트워크를 통해 5개의 ECG신호 특징점(위치 및 진폭)을 예측해낼 수 있는 SVR 네트워크를 구성할 수 있게 된다.

이렇게 구성된 SVR 네트워크의 학습이 끝나면, PPG 신호로부터 5개의 변곡점을 자동으로 추출하여 입력 특징을 검출하고, 이로부터 ECG신호의 특징을 출력값으로 예측할 수 있게 된다. 예측된 5개의 특징점(출력)들은 선형 보간(linear interpolation) 기법으로 신호화될 수 있다.

본 발명이 제안하는 방법을 평가하기 위하여, 길이, 진폭, 다음 피크의 높이 및 계산된 심박수 등, 4개의 지표를 이용하였다. 도9에 도시된 바와 같이, 짧은 길이와 높은 진폭을 가지는 복원된 PPG 신호가 마치 이 신호가 ECG 신호처럼 보이게 된다. 여기에서 두 번째 피크(later peak or second peak)는 의학에서 매우 중요한 목적의 특징[7]으로 PPG 신호에서는 그 품질이 떨어지거나 억압될 수 있는데, 본 발명에 따르면 두 번째 피크를 성공적으로 복원한다.

도9의 왼쪽 그래프는 복원 전 PPG 신호의 한 주기를 예시하며, 도9의 우측 그래프는 전술한 SVR 기법에 의해 생성 또는 보정된 PPG 신호를 나타낸다.

위와 같은 본 발명은 ECG 신호에 비해 품질이 떨어지는 PPG신호를 위와 같은 SVR 네트워크에 의해 처리함으로써 우수한 품질을 가지는 PPG 신호에 획득할 수 있게 된다. 아래의 표는 원래의 PPG 신호와 ECG 신호 형태로 복원된 PPG 신호의 비교 결과를 보인다.

	PPG	Restored PPG	ECG
Length (s)	0.62	0.58	0.55
Amplitude (V)	0.119	4.701	4.623
Relative height of later peak	0.025	0.365	0.361
Calculated HR (BPM)	70.3	70.9	71.2

위의 표를 참조하면, 먼저, 복원된 PPG 신호는 ECG 신호의 그것에 가까우며, 이는 연습된 PPG와 ECG 신호의 길이가 비슷하기 때문이다.

대조적으로, 진폭이 크게 향상되어 ECG 신호의 진폭과 유사하다. 다음, 복원된 PPG의 신호가 다음 피크의 상대적인 높이가 본 발명에 의해 제안된 방법에 의해 크게 개선되었음을 알 수 있다. 또한, 제안된 방법은 심박수 계산 성능을 개선하고, 이것이 ECG 신호의 그것과는 유사함을 확인할 수 있다.

본 발명에 의해 ECG 상응성과 SVR에 기반한 새로운 PPG 신호 복원 방법을 제안 하였다. 이러한 방법은 복원된 PPG 신호로부터 추출 된 평균 심장 박동 속도는 ECG에서 추출한 것과 비슷한 것을 보여 주었다. 또한, 복원된 PPG 신호의 다음 피크는 복원 전보다 명확하게 예리해졌음을 보여준다.

전술한 본 발명에 따른 PPG 신호 검출 방법은 이해를 돕기 위하여 도면에 도시된 실시 예로서 참고로 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위에 의해 정해져야 할 것이다.

Claims (9)

1. 맥파 신호를 포함하는 생체 신호를 피험자로부터 획득하는 단계;
   맥파 신호를 주기 별로 분석하여 비정상 구간을 판단하는 단계; 그리고
   상기 비정상 구간을 정상 신호 형태로 보상하는 단계;를 포함하는 것을 특징으로 하는 맥파 검출 방법.
2. 제1항에 있어서,
   상기 보상하는 단계에서, 비정상 구간을 임의 형성된 또는 가우시안 함수에 의해 형성되는 정상 신호을 이용해 상기 비정상 구간을 보상하는 것을 특징으로 하는 맥파 검출 방법.
3. 제1항에 있어서,
   상기 비정상 구간을 판단하는 단계는 가우시안 모델을 이용하는 것을 특징으로 하는 맥파 검출 방법.
4. 제1항에 있어서,
   상기 맥파 신호를 주기 별로 분석하는 과정에서 상기 맥파 신호를 저주파 통과 필터링을 수행하는 것을 특징으로 하는 맥파 검출 방법.
5. 맥파 신호와 심전도 신호를 피험자로부터 획득하는 단계;
   맥파 신호를 주기 별로 분석하여 비정상 구간을 판단하는 단계;
   상기 비정상 구간을 정상 신호 형태로 보상하여 보상된 맥파 신호를 얻는 단계;
   상기 보상된 맥파 신호와 심전도 신호에서 주기 단위로 복 수의 변곡 지점을 검출하는 단계;
   상기 보상된 맥파 신호와 심전도 신호의 변곡점을 이용한 SVR 학습을 수행하는 SVR 네트워크를 구성하는 단계; 그리고
   피험자로부터 획득한 맥파 신호의 다수 변곡점을 이용하는 SVR 네트워크에 의해 상기 맥파 신호에 상응하는 심전도 신호를 예측하여 이로부터 증진된 맥파 신호를 획득하는 단계; 를 포함하는 맥파 검출 방법.
6. 제5항에 있어서,
   상기 SVR 네트워크는 PPG 신호의 특징을 입력 받아서 이에 상응하는 ECG 신호의 특징으로 출력하며, 출력된 ECG 신호의 특징을 선형 보간을 통해 신호화하는 것을 특징으로 하는 맥파 검출 방법.
7. 제5항 또는 제6항에 있어서,
   상기 보상하는 단계에서, 비정상 구간을 임의 형성된 또는 가우시안 함수에 의해 형성되는 정상 신호를 이용해 상기 비정상 구간을 보상하는 것을 특징으로 하는 맥파 검출 방법.
8. 제7항에 있어서,
   상기 비정상 구간을 판단하는 단계는 가우시안 모델을 이용하는 것을 특징으로 하는 맥파 검출 방법.
9. 제5항 또는 제6항에 있어서,
   상기 비정상 구간을 판단하는 단계는 가우시안 모델을 이용하는 것을 특징으로 하는 맥파 검출 방법.

Images