KR102201177B1

KR102201177B1 - 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법

Info

Publication number: KR102201177B1
Application number: KR1020190023634A
Authority: KR
Inventors: 전광길
Original assignee: 인천대학교 산학협력단
Priority date: 2019-02-28
Filing date: 2019-02-28
Publication date: 2021-01-12
Also published as: KR20200105045A

Abstract

서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법은 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용하여 혈압 측정 데이터를 추정하며, 부트스트랩 앙상블 기법을 사용하여 오실로메트릭 혈압 데이터 추정에 대한 불확실성을 완화하며, 정확성을 향상시킬 수 있는 방법을 제공하는 효과가 있다.

Description

서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법{Apparatus and Method for Measuring Blood Pressure Using Support Vector Model}

본 발명은 혈압 측정 장치 및 방법에 관한 것으로서, 특히 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용하여 혈압 측정 데이터를 추정하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법에 관한 것이다.

혈압은 건강의 중요한 생체 신호 중 하나이고, 오실로메트리 자동화 모니터링은 현재 가정, 사무실 및 병원을 포함하여 쉽고 광범위하게 사용되고 있다.

오실로메트리를 기반으로 한 혈압 측정은 개별 피험자의 건강 상태를 확인하는 가장 보편적인 기술 중 하나이다.

혈압을 추정하는 방법은 피험자당 5회의 혈압 측정만으로 얻은 입력 데이터의 작은 샘플 크기로 인하여 혈압 추정치를 정확하게 예측하는 것에 한계가 있다.

즉, 피험자당 5회의 혈압 측정으로 얻은 입력 특성 벡터는 매우 작은 표본 크기이므로 서포트 벡터 머신과 같은 기계 학습 기술을 적용하는 경우 중요한 약점으로 작용할 수 있다.

한국 등록특허번호 제10-0537415호

이와 같은 문제점을 해결하기 위하여, 본 발명은 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용하여 혈압 측정 데이터를 추정하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법을 제공하는데 그 목적이 있다.

상기 목적을 달성하기 위한 본 발명의 특징에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법은,

파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 단계;

상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습하는 단계;

상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 복수의 앙상블 추정기를 생성하는 단계; 및

상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 단계를 포함하는 것을 특징으로 한다.

본 발명의 특징에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치는,

파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 입력 처리부;

상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습하는 하나 이상의 서포트 벡터 회귀 추정기;

상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 생성되는 복수의 앙상블 추정기; 및

상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 제어부를 포함하는 것을 특징으로 한다.

전술한 구성에 의하여, 본 발명은 부트스트랩 앙상블 기법을 사용하여 오실로메트릭 혈압 데이터 추정에 대한 불확실성을 완화하며, 정확성을 향상시킬 수 있는 방법을 제공하는 효과가 있다.

도 1은 본 발명의 실시예에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치의 구성을 간략하게 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 혈압 측정 장치를 이용하여 혈압 측정 데이터를 추정하는 프로세스를 나타낸 도면이다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

도 1은 본 발명의 실시예에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치의 구성을 간략하게 나타낸 블록도이고, 도 2는 본 발명의 실시예에 따른 혈압 측정 장치를 이용하여 혈압 측정 데이터를 추정하는 프로세스를 나타낸 도면이다.

본 발명의 실시예에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치(100)는 입력 처리부(110), 제어부(120), 서포트 벡터 회귀 추정기(130) 및 앙상블 추정기(140)를 포함한다.

제어부(120)는 입력 처리부(110), 서포트 벡터 회귀 추정기(130) 및 앙상블 추정기(140)의 데이터 송수신과 연동 제어 등의 전체적인 혈압 측정 프로세스를 수행하는 기능을 한다.

입력 처리부(110)는 복수의 피험자를 대상으로 오실로메트릭 혈압에 대한 기설정된 개수의 피험자별 샘플 혈압 측정 데이터와 오실로메트릭 파형 신호를 획득한다.

여기서, 오실로메트릭 파형 신호는 오실로메트릭 펄스의 피크값을 사용하여 생성된다.

입력 처리부(110)는 WM(Weighted Median) 필터를 사용하여 오실로메트릭 파형 신호를 부드럽게 하고, 평균 필터(Gaussian Fitting)를 사용하여 노이즈를 제거하여 평활화된 오실로메트릭 엔빌로프 곡선을 획득한다.

입력 처리부(110)는 획득한 평활화된 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 추출하며, 추출한 의사 특징(Pseudo Features) 벡터들을 생성한다.

입력 처리부(110)는 파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성한다.

입력 처리부(110)는 훈련 데이터 집합

을 입력받았다고 가정한다. 여기서, Xi는 훈련 데이터이고, Yi는 타겟 혈압 측정 데이터들이다.

본 발명의 서포트 벡터 회귀 추정기(130)는 3개로 각각 구성하고, 3개의 훈련 과정(Training 1 SVR, Training 2 SVR, Training 3 SVR)이 형성되고((9), (10), (11)), 3개의 예측 과정(Prediction 1 SVM(Support Vector Machine), Prediction 2 SVM, Prediction 3 SVM)((12), (13), (14))의 두 부분으로 이루어진다.

서포트 벡터 회귀(Support Vector Regression) 알고리즘은 다음의 [수학식 1]과 같이 정의된다.

는 커널 힐버트 스페이스(Kernel Hilbert Space)

를 재생하여 얻은 벡터를 나타내고, b는 상수 파라미터를 나타낸다.

서포트 벡터 회귀 알고리즘은 다음의 [수학식 2], [수학식 3], [수학식 4]를 이용하여 위험도를 최소화할 수 있다.

여기서,

는

-손실 함수를 나타낸다.

W 벡터는 다음의 [수학식 5]를 이용하여 계산할 수 있다.

여기서,

는 주어진 제약 조건에 대한 라그랑지 승수(Lagrangian Multipliers)를 나타낸다.

각각의 서포트 벡터 회귀 추정기(Support Vector Regression Estimator)(130)는 입력 처리부(110)로부터 의사 특징들을 각각 수신하고, 훈련 데이터 집합, 상수 파라미터를 입력받는다.

각각의 서포트 벡터 회귀 추정기(130)는 SVR 모델을 생성하기 위하여 SVR 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 다음의 [수학식 6]과 같은 SVR 모델링을 수행한다.

여기서,

는 크로네커 심볼(Kronecker Symbol)을 나타낸다.

SVR 모델은 도 2의 (9), (10), (11)과 같이, 혈압 측정 데이터(기준 수축기 혈압(Reference Systolic Blood Pressure, RSBP)과 기준 이완기 혈압(Reference Diastolic Blood Pressurem, RDBP))과 의사 특징 데이터 사이의 관계를 3개의 훈련 과정(Training 1 SVR, Training 2 SVR, Training 3 SVR)에서 얻을 수 있으며, 도 2의 (12), (13), (14)와 같이, 3개의 예측 과정(Prediction 1 SVM(Support Vector Machine), Prediction 2 SVM, Prediction 3 SVM)에서 이완기 혈압 데이터와 수축기 혈압 데이터를 얻을 수 있다.

각각의 서포트 벡터 회귀 추정기(130)는 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습한다.

본 발명은 부트 스트랩 기법 이외에 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용한다.

본 발명은 주어진 데이터 세트를 기초로 타겟 혈압의 함수(Target BP's Function)를 추정하는 것이다.

앙상블 추정기(140)는 주어진 데이터 세트를 기초로 추정된 함수

를 생성할 수 있다. 여기서, 데이터 세트는

, X는 설명 벡터(Explanatory Vector), Y는 응답 벡터를 나타낸다.

백킹(Bagging) 기술의 개념은 원래 데이터 세트로부터 추출된 의사 데이터를 사용하여 평균 오차 또는 평균 제곱 오차의 분산과 같은 불안정한 추정을 처리하기 위하여

와 같은 복수의 추정 함수를 획득하는 것이다.

앙상블 추정기(

)(140)는 다음의 [수학식 7]를 이용하여 복수의 앙상블 추정기(140)를 생성할 수 있다.

여기서,

는 k번째 유사 데이터 세트로부터 획득한 추정된 함수,

는 가중 계수를 나타낸다.

제어부(120)는 상기 각각의 앙상블 추정기(140)를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정한다.

앙상블 추정기(140)는 오실로메트릭 파형 신호로부터 얻은 입력 데이터와 상기 샘플 혈압 측정 데이터와의 비선형 관계를 나타낼 수 있다.

앙상블 추정기(140)에서 적용되는 백킹(Bagging) 기술은 결과의 신뢰성을 높이고, SVR 기술의 평균 오류에 대한 분산을 줄이기 위해서 사용되며, 각 환자에서 얻은 샘플 혈압 측정 데이터의 개수가 적고, SVR 모델의 불안정한 성능을 동시에 해결할 수 있다.

파라메트릭 부트스트랩은 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터들을 생성하는데 사용된다. 동일한 프로세스가 타겟 혈압 측정 데이터를 이용하기 위하여

로부터 의사 특징 데이터들을 생성하는데 이용할 수 있다.

따라서, 충분한 샘플 측정 데이터들은 훈련 데이터 세트와 테스트 데이터로 훈련 단계에서 참여하지 않은 새로운 특징 데이터를 간호사의 혈압 측정 데이터를 예측하는데 준비될 수 있다.

본 발명의 혈압 측정 장치(100) 및 방법은 SVR 추정기를 통합하고, 부트스트랩 앙상블 기법을 사용하여 오실로메트릭 혈압 데이터 추정에 대한 불확실성을 완화하며, 정확성을 향상시킬 수 있는 방법을 제공한다.

도 2에 도시된 바와 같이, 혈압 측정 장치를 이용하여 혈압 측정 데이터를 추정하는 프로세스는 특징 벡터 추출, 유사 특징 벡터 추출의 전처리 과정((1) 내지 (8)의 스텝)과, SVR 훈련 및 예측 과정((9) 내지 (14)의 스텝)과, 백킹 앙상블 과정((15) 내지 (18)의 스텝)으로 이루어져 있다.

DT(1)은 첫번째 SVR 추정기의 평균 벡터를 나타내며, K는 SVR 추정기의 개수이며, y(1)은 첫번째 SVR 추정기의 출력 벡터를 나타낸다.

이상에서 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

100: 혈압 측정 장치
110: 입력 처리부
120: 제어부
130: SVR 추정기
140: 앙상블 추정기

Claims

파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 단계;
상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 상기 서포트 벡터 회귀 알고리즘을 이용하여 학습하는 단계;
상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 복수의 앙상블 추정기를 생성하는 단계; 및
상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.
제1항에 있어서,
상기 의사 특징 벡터를 복수개 생성하는 단계는,
복수의 피험자를 대상으로 오실로메트릭 혈압에 대한 기설정된 개수의 피험자별 샘플 혈압 측정 데이터와 오실로메트릭 파형 신호를 획득하는 단계;
WM(Weighted Median) 필터를 사용하여 상기 오실로메트릭 파형 신호를 부드럽게 하고, 평균 필터(Gaussian Fitting)를 사용하여 노이즈를 제거하여 평활화된 오실로메트릭 엔빌로프 곡선을 획득하는 단계; 및
상기 획득한 평활화된 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 추출하며, 추출한 의사 특징(Pseudo Features) 벡터들을 생성하는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.
제2항에 있어서,
상기 서포트 벡터 회귀 알고리즘을 이용하여 학습하는 단계는,
상기 혈압 측정 데이터(기준 수축기 혈압과 기준 이완기 혈압)과 의사 특징 데이터 사이의 관계를 훈련 과정에서 얻는 단계; 및
상기 훈련 과정을 통해 출력된 출력 벡터와, 상기 추출한 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 비교하는 예측 과정을 통해 이완기 혈압 데이터와 수축기 혈압 데이터를 얻는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.
제2항에 있어서,
상기 각각의 앙상블 추정기는 하기의 수학식 1를 이용하여 상기 복수의 앙상블 추정기를 생성하여 오실로메트릭 파형 신호로부터 얻은 입력 데이터와 상기 샘플 혈압 측정 데이터와의 비선형 관계를 나타내는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.
[수학식 1]

여기서,
는 k번째 유사 데이터 세트로부터 획득한 추정된 함수,
는 가중 계수임
파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 입력 처리부;
상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 상기 서포트 벡터 회귀 알고리즘을 이용하여 학습하는 하나 이상의 서포트 벡터 회귀 추정기;
상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 생성되는 복수의 앙상블 추정기; 및
상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 제어부를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치.
제5항에 있어서,
상기 입력 처리부는 복수의 피험자를 대상으로 오실로메트릭 혈압에 대한 기설정된 개수의 피험자별 샘플 혈압 측정 데이터와 오실로메트릭 파형 신호를 획득하고, WM(Weighted Median) 필터를 사용하여 상기 오실로메트릭 파형 신호를 부드럽게 하고, 평균 필터(Gaussian Fitting)를 사용하여 노이즈를 제거하여 평활화된 오실로메트릭 엔빌로프 곡선을 획득하고, 상기 획득한 평활화된 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 추출하며, 상기 추출한 의사 특징(Pseudo Features) 벡터들을 생성하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치.
제5항에 있어서,
상기 각각의 앙상블 추정기는 하기의 수학식 2를 이용하여 상기 복수의 앙상블 추정기를 생성하여 오실로메트릭 파형 신호로부터 얻은 입력 데이터와 상기 샘플 혈압 측정 데이터와의 비선형 관계를 나타내는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치.
[수학식 2]

여기서,
는 k번째 유사 데이터 세트로부터 획득한 추정된 함수,
는 가중 계수임.