KR102202029B1 - 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 - Google Patents
순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 Download PDFInfo
- Publication number
- KR102202029B1 KR102202029B1 KR1020190045637A KR20190045637A KR102202029B1 KR 102202029 B1 KR102202029 B1 KR 102202029B1 KR 1020190045637 A KR1020190045637 A KR 1020190045637A KR 20190045637 A KR20190045637 A KR 20190045637A KR 102202029 B1 KR102202029 B1 KR 102202029B1
- Authority
- KR
- South Korea
- Prior art keywords
- blood pressure
- time
- biosignal
- neural network
- user
- Prior art date
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 344
- 238000000034 method Methods 0.000 title claims abstract description 120
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 37
- 230000000306 recurrent effect Effects 0.000 title claims description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 230000035487 diastolic blood pressure Effects 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 37
- 230000035488 systolic blood pressure Effects 0.000 claims description 36
- 230000000747 cardiac effect Effects 0.000 claims description 26
- 230000003287 optical effect Effects 0.000 claims description 18
- 210000001367 artery Anatomy 0.000 claims description 3
- 230000003416 augmentation Effects 0.000 claims description 2
- 238000002604 ultrasonography Methods 0.000 claims description 2
- 238000002565 electrocardiography Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 31
- 230000008569 process Effects 0.000 description 29
- 230000006870 function Effects 0.000 description 25
- 210000004204 blood vessel Anatomy 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 11
- 230000035485 pulse pressure Effects 0.000 description 11
- 230000002123 temporal effect Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 208000024172 Cardiovascular disease Diseases 0.000 description 4
- 206010020772 Hypertension Diseases 0.000 description 4
- 239000008280 blood Substances 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000004872 arterial blood pressure Effects 0.000 description 3
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 230000003205 diastolic effect Effects 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000002792 vascular Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 208000027796 Blood pressure disease Diseases 0.000 description 1
- 206010005746 Blood pressure fluctuation Diseases 0.000 description 1
- XWZPBONLXGREHX-WTKPLQERSA-N CC(CN)C(C1)C1(C)/C(/OS)=C/C Chemical compound CC(CN)C(C1)C1(C)/C(/OS)=C/C XWZPBONLXGREHX-WTKPLQERSA-N 0.000 description 1
- 208000028399 Critical Illness Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 208000005434 White Coat Hypertension Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000013399 early diagnosis Methods 0.000 description 1
- 230000036543 hypotension Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/021—Measuring pressure in heart or blood vessels
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring pulse rate or heart rate
- A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Vascular Medicine (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
본 발명의 일 실시 예는, 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 상기 수신된 생체신호를 분석하여 상기 생체신호가 측정된 시점별로 특징정보를 추출하는 특징정보추출단계, 상기 추출된 특징정보를 정규화시키고, 상기 정규화된 특징정보를 기초로 상기 과거기간에 대한 혈압관련파라미터를 산출하는 파라미터산출단계, 상기 산출된 혈압관련파라미터를 순환신경망(RNN)에 시계열적으로 입력하여 현재시점의 상기 사용자의 정규화된 추정혈압이 출력되도록 제어하는 혈압추정제어단계, 및 상기 정규화된 추정혈압을 상기 현재시점에서의 혈압평균 및 혈압표준편차의 추정값을 기초로 비정규화시키는 비정규화처리단계를 포함하는 순환신경망을 이용한 구간혈압 추정 방법을 제공한다.
Description
본 발명은 순환신경망을 이용한 구간혈압 추정 방법 및 그 장치에 관한 것으로서, 보다 구체적으로는, 순환신경망을 이용하여 구간혈압을 추정하는 데에 있어서, 순환신경망의 입력데이터를 정제 및 전처리함으로써, 과거시점에 측정된 생체신호를 기반으로 하여 미래시점의 지속적 혈압을 정확하게 추정하는 방법 및 그 장치에 관한 것이다.
최근 고혈압 및 저혈압 환자가 증가하고 있으며, 혈압과 관련된 질환을 앓고 있는 환자가 아니라고 해도 갑작스러운 혈압의 증가 또는 감소로 인한 후유장애는 영구적인 특성을 가지므로, 혈압의 변화를 파악하고 미래시점의 혈압을 추정하는 방식에 대한 많은 연구가 진행되어 왔다.
통계에 따르면, 심혈관계질환(Cardiovascular disease)은 전체인구의 37%에 영향을 미치며, 가장 주요한 사망요인이다. 심혈관계질환 중에서도 특히 고혈압 같은 경우는 조기진단과 예방이 중요시된다. 따라서 고혈압을 비롯한 각종심혈관계 질병을 조기에 진단하고 치료하기 위해서는, 환자 또는 잠정적 환자들이 자신의 혈압 및 심혈관계 질환의 변화를 지속적으로 모니터링할 필요가 있다.
종래에 알려진 혈압추정방법은 혈압 추정용 생체신호, 파라미터의 시간에 따른 변화 및 혈압측정대상의 개인적 특성을 전혀 고려하지 않고 혈압을 추정하였다. 혈압추정을 위한 파라미터의 편차가 사람에 따라서 천차만별이고, 정상범위의 혈압을 나타내는 기본혈압(baseline value)도 사람에 따라서 편차가 매우 크기 때문에, 종래에 알려진 방법으로 혈압을 추정하면 낮은 정확도를 기대할 수 밖에 없는 한계점이 있다.
순환신경망(RNN: Recurrent Neural Network)은 기억력이 있는 인공신경망(ANN: Artificial Neural Network)으로 소개될 정도로, 딥러닝 기법 중에서도 핵심적인 도구로 알려져 있다. 기존의 ANN는 정해진 한 시점의 파라미터를 입력으로 받아서 그 시간에 대응되는 출력값을 추정하지만, RNN은 시계열 파라미터를 입력데이터로 받아서 시계열 데이터를 출력하는 특성을 갖는다. 구조적으로 보면, 한 시간의 입력이 그 시간뿐만 아니라 미래의 여러 시점에도 각각 영향을 준다는 점을 고려하여 고안된 기법이라고 볼 수 있다.
도 1은 순환신경망이 동작하는 일 예를 설명하기 위한 도면이다.
도 1을 참조하면, 순환신경망은 임베딩레이어(110), 히든레이어(130) 및 아웃풋레이어(150)로 구성된다는 것을 알 수 있다. 보다 구체적으로, 도 1은 사용자가 키보드를 통해 타이핑을 하는 과정에서 'you will never believe'까지 문장을 완성하였을 때, 그 다음에 타이핑되는 단어가 어떤 단어가 될 것 인지 추정하기 위해 RNN이 구동되는 동작을 도식적으로 나타낸 도면이다. 도 1에서 사용된 순환신경망은 바이 디렉셔널 순환신경망(bi-directional RNN)이다.
임베딩레이어(110)는 시계열 입력데이터를 받아들이는 층(layer)으로서, 도 1에서 임베딩레이어(110)는 시계열 입력데이터로서 you, will, never, believe, 이상 4개의 단어를 받아들였다는 것을 알 수 있다. 임베딩레이어(110)에서 입력된 시계열 데이터는 라벨링되어 히든레이어(130)에 전달된다.
히든레이어(130)는 시계열 입력데이터를 전달받아 시점별로 분석하고 인접한 시점에 대해서 학습하는 층으로서, 가장 최우선인 t-4시점에 입력된 you는 그 다음 시점인 t-3시점에 입력된 will 및 t-2시점에 입력된 never에 영향을 주도록 학습된다. 히든레이어(130)는 포워드레이어(forward layer)와 백워드레이어(backward layer)로 구성되어 시계열 데이터를 학습하도록 설계되어 있고, 내부적으로 설정된 비용함수(cost function)의 값을 최소화시키기 위해서 반복적으로 학습(training)및 시험(test)된다.
아웃풋레이어(150)는 히든레이어(130)에서 최적화된 결과값을 통해서 최종적인 출력값을 출력하는 층이다. 도 1에서 아웃풋레이어(150)는 임베딩레이어(110)에 입력된 시계열 파라미터에 대응하여, what, how, where 등의 단어를 출력할 수 있다.
한편, 비침습적으로 혈압을 측정하는 방법으로서, 커프(cuff)를 상완, 종아리, 허벅지에 둘러서 측정하는 방법(sphygmogram)이 가장 널리 이용되고 있으나, 사용자의 순응도가 낮아서 빈번한 측정에는 적합하지 않은 특성이 있는바, 빈번한 측정이 용이하면서 과거시점의 혈압의 변화 및 개개인의 혈압변화특성을 고려하여 혈압을 추정할 수 있는 방법이 필요한 시점이다.
여기서, 사용자의 순응도가 낮다는 의미는 일반인인 사용자가 혈압을 측정하는 빈도수가 그다지 높지 않은 경향을 의미하고, 모처럼 사용자가 혈압을 측정한다고 하더라도 백의고혈압(white coat hypertension)에 의해서 혈압을 정확하게 측정하기 어려운 상황에 놓이기 쉬울 뿐만 아니라, 사용자의 혈압은 하루에 걸쳐서 다양한 변화하기 때문에 더욱 더 종래에 알려진 기술보다 개인의 특성 및 시간적 변화를 고려한 혈압측정 및 추정 기술이 필요하다.
Innovative continuous non-invasive cufless blood pressure monitoring based on photoplethysmography technology. Intensive Care Med, 39:1618-1625. Ruiz_rodriguez, et. al. (2013).
본 발명이 해결하고자 하는 기술적 과제는, 혈압을 추정하는 데에 이용되는 파라미터의 시간적인 변화 및 혈압을 측정하기 위한 대상의 고유한 특성을 모두 고려하여, 지속적인 혈압의 변화를 정확하게 추정할 수 있는 방법 및 그 장치를 제공하는 데에 있다.
상기 기술적 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 방법은, 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 상기 수신된 생체신호를 분석하여 상기 생체신호가 측정된 시점별로 특징정보를 추출하는 특징정보추출단계; 상기 추출된 특징정보를 정규화시키고, 상기 정규화된 특징정보를 기초로 상기 과거기간에 대한 혈압관련파라미터를 산출하는 파라미터산출단계; 상기 산출된 혈압관련파라미터를 순환신경망(RNN: Recurrent Neural Network)에 시계열적으로 입력하여 현재시점에서의 상기 사용자의 정규화된 추정혈압이 출력되도록 제어하는 혈압추정제어단계; 및 상기 정규화된 추정혈압을 상기 현재시점에서의 혈압평균 및 혈압표준편차의 추정값을 기초로 비정규화(denormalization)시키는 비정규화처리단계를 포함한다.
상기 기술적 과제를 해결하기 위한 본 발명의 다른 일 실시 예에 따른 장치는, 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 상기 수신된 생체신호를 분석하여 상기 생체신호가 측정된 시점별로 특징정보를 추출하는 특징정보추출단부; 상기 추출된 특징정보를 정규화시키고, 상기 정규화된 특징정보를 기초로 상기 과거기간에 대한 혈압관련파라미터를 산출하는 파라미터산출부; 상기 산출된 혈압관련파라미터를 순환신경망(RNN: Recurrent Neural Network)에 시계열적으로 입력하여 현재시점의 상기 사용자의 정규화된 추정혈압이 출력되도록 제어하는 혈압추정제어부; 및 상기 추정혈압을 상기 현재시점에서의 혈압평균 및 혈압표준편차의 추정값을 기초로 비정규화(denormalization)시키는 비정규화처리부를 포함한다.
본 발명의 일 실시 예는 순환신경망을 이용한 구간혈압 추정 방법을 구현하기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체를 제공한다.
본 발명에 따르면 비침습적인 방식을 통해 수집된 생체신호를 통해서 혈압을 정확하게 추정할 수 있다.
또한, 본 발명에 따르면, 정규화된 혈압값을 비정규화시키기 위해서 필요한 혈압평균 및 혈압표준편차를 정확하게 추정해낼 수 있다.
도 1은 순환신경망이 동작하는 일 예를 설명하기 위한 도면이다.
도 2는 본 발명에 따라 RNN을 통해서 구간혈압을 추정하는 과정의 일 예를 도식적으로 나타내는 도면이다.
도 3은 본 발명에 따른 구간혈압 추정 방법을 도식적으로 설명하는 도면이다.
도 4는 본 발명에 따른 구간혈압 추정 장치의 일 예의 블록도를 도시한 도면이다.
도 5는 혈압관련파라미터가 정규화되는 과정을 설명하기 위한 도면이다.
도 6은 90 심주기 카디악 사이클의 생체신호로부터 산출된 혈압관련파라미터가 RNN에 적용되는 과정을 도식적으로 나타내는 도면이다.
도 7은 ECG 및 PPG를 통한 생체신호로부터 산출된 혈압관련파라미터를 설명하기 위한 도면이다.
도 8은 클래스분류부가 수행하는 기능을 설명하기 위한 도면이다.
도 9는 도 8에서 클래스분류방식으로 추정된 혈압의 파형을 추가로 도시하고 있는 도면이다.
도 10a는 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 일 예이다.
도 10b 및 도 10c는 본 발명을 적용한 결과로서, 수축기 및 이완기에 해당하는 도표를 나타낸 도면이다.
도 11은 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 다른 일 예이다.
도 12는 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 또 다른 일 예이다.
도 13은 본 발명에 따른 구간혈압 추정방법의 일 예의 흐름도를 도시한 도면이다.
도 14는 수축기혈압의 평균과 수축기혈압의 초기값과의 상관관계 및 이완기혈압의 평균과 이완기혈압의 초기값과의 상관관계를 설명하기 위한 도면이다.
도 15는 광용적맥파검사강도율과 반비례하는 혈압정보로부터 사용자의 혈압평균을 추정하는 예를 설명하기 위한 도면이다.
도 2는 본 발명에 따라 RNN을 통해서 구간혈압을 추정하는 과정의 일 예를 도식적으로 나타내는 도면이다.
도 3은 본 발명에 따른 구간혈압 추정 방법을 도식적으로 설명하는 도면이다.
도 4는 본 발명에 따른 구간혈압 추정 장치의 일 예의 블록도를 도시한 도면이다.
도 5는 혈압관련파라미터가 정규화되는 과정을 설명하기 위한 도면이다.
도 6은 90 심주기 카디악 사이클의 생체신호로부터 산출된 혈압관련파라미터가 RNN에 적용되는 과정을 도식적으로 나타내는 도면이다.
도 7은 ECG 및 PPG를 통한 생체신호로부터 산출된 혈압관련파라미터를 설명하기 위한 도면이다.
도 8은 클래스분류부가 수행하는 기능을 설명하기 위한 도면이다.
도 9는 도 8에서 클래스분류방식으로 추정된 혈압의 파형을 추가로 도시하고 있는 도면이다.
도 10a는 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 일 예이다.
도 10b 및 도 10c는 본 발명을 적용한 결과로서, 수축기 및 이완기에 해당하는 도표를 나타낸 도면이다.
도 11은 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 다른 일 예이다.
도 12는 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 또 다른 일 예이다.
도 13은 본 발명에 따른 구간혈압 추정방법의 일 예의 흐름도를 도시한 도면이다.
도 14는 수축기혈압의 평균과 수축기혈압의 초기값과의 상관관계 및 이완기혈압의 평균과 이완기혈압의 초기값과의 상관관계를 설명하기 위한 도면이다.
도 15는 광용적맥파검사강도율과 반비례하는 혈압정보로부터 사용자의 혈압평균을 추정하는 예를 설명하기 위한 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시 예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
이하의 실시 예에서, 제1, 제2 등의 용어는 한정적인 의미가 아니라 하나의 구성 요소를 다른 구성 요소와 구별하는 목적으로 사용되었다.
이하의 실시 예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
이하의 실시 예에서, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징을 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다.
어떤 실시 예가 달리 구현 가능한 경우에 특정한 공정 순서는 설명되는 순서와 다르게 수행될 수도 있다. 예를 들어, 연속하여 설명되는 두 공정이 실질적으로 동시에 수행될 수도 있고, 설명되는 순서와 반대의 순서로 진행될 수 있다.
도 2는 본 발명에 따라 RNN을 통해서 구간혈압을 추정하는 과정의 일 예를 도식적으로 나타내는 도면이다.
도 2에서는, 도 1에서 설명한 RNN을 기초로 하여 결과값이 출력되므로, 이하에서는, 도 1에서 설명한 것과 중복되는 설명은 생략하기로 한다.
도 2에서 임베딩레이어에는 시계열 데이터로서, t-4시점부터 t-1시점까지의 사용자의 심박수(HR: Heart Rate)가 입력된다. 여기서, t시점을 현재 시점이라고 간주하고, t-4 내지 t-1시점은 과거 시점으로 간주한다. RNN은 시계열 데이터를 입력받아서 시계열 데이터를 출력하므로, 입력된 시계열 데이터가 t-4 내지 t-1시점의 심박수에 대한 데이터라면, t시점 및 t시점 이후의 심박수에 대한 데이터를 출력할 수 있어야 하나, 전술한 것과 같이, 비침습적인 생체신호로부터 사람의 혈압을 추정하기 위해서는 파라미터의 시간에 따른 변화 및 대상이 되는 사람의 고유특성을 모두 고려해야 하므로, RNN에 입력되는 데이터가 RNN을 통해 적절한 출력값을 출력할 수 있게끔 전처리(preprocessing)과정이 필요하다.
종래에도 RNN을 통해서 혈압을 추정하려고 했던 시도는 있었으나, RNN에 입력되는 데이터가 정확한 혈압을 추정할 수 있도록 가공되지 않아서 정확도가 매우 낮은 문제점이 있었다. 본 발명에 따르면, RNN에 입력되는 데이터를 효과적으로 전처리하여 현재시점의 혈압을 정확하게 추정할 수 있게 된다. 이하에서, 구간혈압은 특정한 고정시점이 아닌 일정한 시간동안의 일련의 혈압값을 통칭하는 것으로 간주한다.
| 측정대상 | 혈압함수 |
| A의 BP(t) | 0.3*HR(t-4)+0.4*HR(t-3)+0.5*HR(t-2)+0.7*HR(t-1)+80 |
| B의 BP(t) | 0.1*HR(t-4)+0.8*HR(t-3)+1.33*HR(t-2)+2.1*HR(t-1)+40 |
표 1은 사용자 A 및 사용자 B의 현재 시점인 t시점의 혈압함수의 일 예를 나타낸다.
표 1과 같이 현재시점인 t시점의 혈압은 t-4 내지 t-1 시점의 혈압함수에 서로 다른 슬로프(slope)가 곱해지고, 오프셋(offset)을 더하는 방식으로 정의될 수 있다. 위와 같이, t시점의 혈압함수를 구성하는 파라미터는 양(positive)의 슬로프 및 오프셋을 갖고 있으나, 그 크기(magnitude)는 각각 다른 특성을 갖는다. 표 1과 같이, 현재시점의 혈압은 현재시점 이전의 여러 과거시점의 혈압에 영향을 받아서 최종적으로 결정되는 특성을 갖고 있다.
전술한 것과 같이, 표 1은 혈압함수의 일 예에 불과하므로, t시점의 혈압함수는 t시점 이전의 혈압함수 외에도 다른 생체신호에 따른 함수로 구성될 수도 있다.
도 3은 본 발명에 따른 구간혈압 추정 방법을 도식적으로 설명하는 도면이다.
본 발명에 따른 구간혈압 추정 방법은, 비침습적(Non-invasive)이고, 연속적인(continuous)인 생체신호들(biosignals)로부터 현재시점 이후의 사용자의 구간혈압을 정확하게 추정하는 것을 목적으로 한다.
먼저, 1차정보(310)는 비침습적이고 연속적인 비가공 생체신호(Raw Biosignal)를 포함한다. 1차정보(310)에 포함될 수 있는 생체신호로서, 심전도검사 ECG: electrocardiogram), 지진박동곡선검사(seismocardiogram), 임피던스검사(impedance cardiogram), 광용적맥파검사(PPG: photoplethysmogram), 심장탄도검사(BCG: ballistocardiogram), 지첨용적매파검사(plethysmogram), 초음파검사(ultrasound)에 의해 측정된 생체신호가 있다. 전술한 검사는 절개를 동반하지 않는 비침습적검사이지만, 측정대상이 되는 사용자의 혈압을 측정하고 추정하는 데에 있어서 의미있는 정보를 제공하는 특성을 갖는다.
또한, 전술한 검사의 종류에 포함되지 않더라도, 비침습적이고 연속적인 신호로서, 측정대상이 되는 사용자의 혈압을 측정하고 추정하는 데에 의미있는 정보를 제공할 수 있는 검사라면 아무런 제한없이 본 발명이 적용될 수 있음은 자명하다.
2차정보(330)는 1차정보(310)를 가공하여 도출될 수 있는 정보를 의미한다. 1차정보(310)는 생체신호의 파형 그 자체에 대한 정보이므로, 정보량이 지나치게 많고 혈압을 추정하는 데에 있어서 잡음(noise)도 상당히 많이 섞여 있어서, 2차정보(330)는 정확하게 혈압을 추정하고 컴퓨터를 통한 연산량을 최소화하기 위해서 원본데이터(raw data)에서 특징이라고 볼 수 있는 정보만을 추출하는 방식으로 산출될 수 있다. 2차정보(330)에 포함되는 정보로서, 맥파전달시간(PTT: Pulse Transit Time), 맥파도착시간(PAT: Pulse Arrival Time), LASI(Large Artery Stiffness Index) 등이 포함될 수 있다.
2차정보(330)가 1차정보(310)로부터 획득되면, RNN은 2차정보(330)를 입력데이터로 전달받아서 최종적으로 혈압(blood pressure)을 출력한다. 이때, RNN의 출력값으로 나오는 혈압은 정규화된 현재시점의 혈압으로서, 입력데이터 및 출력데이터가 시계열 데이터로 나오는 RNN의 특성상 구간혈압이 된다
도 4는 본 발명에 따른 구간혈압 추정 장치의 일 예의 블록도를 도시한 도면이다.
도 4를 참조하면, 본 발명에 따른 구간혈압 추정 장치(400)는 특징정보추출부(410), 파라미터산출부(430), 클래스분류부(450), 혈압추정제어부(470) 및 비정규화처리부(490)를 포함하는 것을 알 수 있다. 이하에서는, 설명의 편의를 위해서, 도 2 및 도 3을 참조하여 설명하기로 한다.
본 발명의 일 실시 예에 따른 특징정보추출부(410), 파라미터산출부(430), 클래스분류부(450), 혈압추정제어부(470) 및 비정규화처리부(490)는 적어도 하나 이상의 프로세서(processor)에 해당하거나, 적어도 하나 이상의 프로세서를 포함할 수 있다. 이에 따라, 특징정보추출부(410), 파라미터산출부(430), 클래스분류부(450), 혈압추정제어부(470) 및 비정규화처리부(490)는 마이크로 프로세서(micro processor)나 범용 컴퓨터 시스템과 같은 다른 하드웨어 장치에 포함된 형태로 구동될 수 있다.
특징정보추출부(410)는 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 수신된 생체신호를 분석하여 생체신호가 측정된 시점별로 특징정보를 추출한다. 여기서, 한 가지 이상의 방식이라고 함은, 도 3의 1차정보(310)에서 설명한 심전도검사(ECG), 광용적맥파검사(PPG) 등을 의미한다. 또한, 특징정보는 생체신호로부터 획득된 정보로서, 사용자의 혈압을 추정하기 위해서 필요한 정보를 의미하고, 도 3의 2차정보(330)가 특징정보가 될 수 있다. 과거기간은 도 2에서 설명한 t-4 내지 t-1시점과 같이, 현재시점 t를 기준으로 하여 과거인 기간을 의미한다.
본 발명에서 t-2와 t-1시점의 간격은 하나의 카디악 사이클(cardiac cycle)일 수 있다. 예를 들어, t-4시점에서 사용자의 심장이 네 번의 수축이완기를 거치면 그 시점을 t시점으로 간주한다. 실시 예에 따라서, 전술한 것과 달리, 시점별 간격은 단순히 1초나 5초 단위일 수도 있다.
선택적 일 실시 예로서, 특징정보추출부(410)는 생체신호의 파형(waveform)에 앙상블 평균(ensemble average)방식을 적용하여 특징정보를 추출할 수 있다. 사용자의 생체신호는 다양한 슬로프(slope)를 포함하고 있어서, 모집단(복수의 사용자가 속한)의 성별 및 나이가 다양해질수록 생체신호로부터 특징정보가 제대로 추출되지 않는 경향이 있으므로, 본 발명에서는 앙상블 평균방식을 통해서 생체신호에 포함된 사용자의 혈압특징을 추출한다. 앙상블 평균방식을 통해서 생체신호의 파형의 크기(magnitude) 및 파형의 변형특성(feature)을 의미있게 반영하는 정보가 추출될 수 있다.
특징정보추출부(410)는 위와 같은 과정으로 추출된 특징정보에 추가적으로 서포트벡터머신(SVM: Support Vector Machine)을 적용하여 노이즈를 제거하거나 노이즈가 기설정값 이상 존재하는 구간을 검출할 수 있다. 여기서 기설정값은 서포트벡터머신의 미리 정의된 값으로 혈압추정의 정확도를 높이기 위해서 변경될 수도 있다.
앙상블 평균 및 서포트벡터머신 방법은 이미 널리 알려져 있는 공지의 기술로서, 그 기술의 구체적인 적용방법은 본 명세서에서 추가적으로 설명하지 않는 것으로 하며, 또한, 디노이징 오토인코더(denoising auto-encoder)와 같이 노이즈가 많은 생체신호에서 특징(feature)을 잘 추출해낼 수 있는 방식이라면 앙상블 평균 방식과 서포트 벡터 머신 외에 다른 프로그램이나 알고리즘을 통해 본 발명의 전술한 과정이 구현될 수 있음은 이 분야의 통상의 기술자에게 자명하다.
파라미터산출부(430)는 특징정보추출부(410)가 추출한 특징정보를 기초로 하여, 과거기간의 시점별로 혈압관련파라미터를 산출한다. 파라미터산출부(430)는 혈압관련파라미터를 산출하기 위한 파라미터산출기준을 미리 저장하고 있다.
파라미터산출부(430)가 산출하는 혈압관련파라미터의 선택적 일 실시 예로서, 파라미터산출부(430)는 ECG 및 PPG로 측정한 생체신호의 특징정보의 격차(difference)를 혈압관련파라미터로서 정의하고 산출할 수 있다.
다른 선택적 일 실시 예로서, 파라미터산출부(430)는 ECG 및 PPG로 측정한 생체신호의 특징정보로부터 산출된 맥파전달시간(PTT)의 격차를 혈압관련파라미터로 정의하고 산출할 수 있다.
또 다른 선택적 실시 예로서, 파라미터산출부(430)는 ECG 및 PPG로 측정한 생체신호의 특징정보로부터 산출된 맥파전달시간의 격차에 임의의 정수를 곱한 값을 혈압관련파라미터로 정의하고 산출할 수도 있다. 여기서, 임의의 정수는 4가 될 수 있다.
전술한 예와 또 다른 선택적 일 실시 예로서, 파라미터산출부(430)는 PPG로 측정한 생체신호의 적어도 여덟 가지의 특징정보로부터 혈압관련파라미터를 산출할 수도 있다. PPG는 동맥압(ABP: Arterial Blood Pressure)의 파형의 결과이므로, PPG의 여덟 가지의 특징정보는 ABP 파형의 특징정보와 극히 유사하다. 본 선택적 일 실시 예에는 따른 혈압관련파라미터에는 심박수(HR: Heart Rate), LASI, AI, a1, a2, PPGarea, t1, t2가 포함된다. LASI(large artery stiffness index)는 PAT와 같이 혈관 탄성을 나타내는 파라미터로서, 시점을 기준으로 앞으로 진행되는 전진맥파(forward wave)와 혈관 끝에서 반사되어 돌아오는 반사맥파(backward wave)의 시간적 격차를 의미한다. LASI에 대해서는 도 7에서 후술한다. 특히, 본 발명에서 HR 및 LASI는 특징정보이면서 동시에 혈압관련파라미터로 이용될 수 있으며, 혈압관련파라미터로 이용되는 경우에는 다른 혈압관련파라미터와 구분하기 위한 라벨링(labelling) 또는 넘버링(numbering)이 적용될 수 있다.
설명의 편의를 위해서, HR 및 LASI를 제외한 나머지 여섯가지 혈압관련파라미터에 대해서는 후술하는 도 7과 함께 설명하기로 한다. 또한, 파라미터산출부(430)는 실시 예에 따라서, 여덟 가지보다 더 많은 특징정보로부터 혈압관련파라미터를 산출할 수도 있다. 일 예로서, PPG의 생체신호에서 1초동안 125개의 샘플을 추출하였을 때의 30가지의 특징정보와 4초동안 500개의 샘플에서 추출한 30개의 특징정보는 상당히 다른 의미를 가질 수 있기 때문에, 파라미터산출부(430)는 여덟 가지보다 더 많은 특징정보로부터 혈압관련파라미터를 산출할 수도 있다.
전술한 방식을 통해서 산출된 혈압관련파라미터는 정규화(normalization)과정을 통해 가공될 수 있다.
도 5는 혈압관련파라미터가 정규화되는 과정을 설명하기 위한 도면이다.
도 5와 같이, 과거기간의 여러 시점별 혈압관련파라미터는 정규화과정을 거쳐서 정규화분포곡선에 투영될 수 있으며, 정규화를 거친 파라미터는 정규화된 구간혈압을 추정하는 데에 있어 더 효율적인 특징을 갖는다. 보다 구체적으로, 정규화과정을 거침으로써, 표 1에서 설명한 것과 같은 사용자의존적인 슬로프/오프셋 효과(Subject-dependent slope/offset effect)가 사용자의 혈압을 추정하는 데에 있어서, 더 이상 악영향을 미치지 않게 된다.
선택적 일 실시 예로서, 혈압관련파라미터를 산출하기 위한 생체신호의 시간적 길이는 사용자의 심박수와 관련된 고정값일 수 있다. 예를 들어, 파라미터산출부(430)는 90 카디악 사이클에 대한 생체신호의 특징정보를 기초로 하여 혈압관련파라미터를 산출할 수 있다. 적절한 시간적 길이의 생체신호는 RNN이 혈압을 정확하게 추정할 수 있게 해주며, 연산장치가 연산을 처리하는 데에 걸리는 시간도 대폭 줄여줄 수 있다. 지나치게 짧은 길이의 생체신호로부터 혈압관련파라미터를 산출하는 경우, 부족한 정보에 의해서 출력되는 구간혈압이 매우 부정확할 수 밖에 없다. 또한, 지나치게 긴 길이의 생체신호로부터 혈압관련파라미터를 산출하는 경우, 혈압을 추정하는 데에 필요하지 않은 정보가 누적적용되어 부정확한 구간혈압이 추정될 뿐만 아니라 연산장치가 처리해야 하는 연산량이 기하급수적으로 늘어나서 시간이 많이 소요되는 단점이 있다.
본 발명에 따르면, 혈압관련파라미터를 산출하는 데에 필요한 생체신호의 시간적 길이를 90 카디악 사이클로 정의하여, 빠른 연산속도 및 구간혈압의 추정의 정확성을 모두 기대할 수 있다. 심장이 한 번씩 뛸 때마다 가산되는 카디악 사이클은 사용자의 심박수와 관련된 값으로서, 각각의 사용자마다 고유한 시간길이로 사전에 측정될 수 있다. 전술한 것 외에도, 혈압관련파라미터를 산출하기 위한 생체신호의 시간적 길이는 60 카디악 사이클일 수도 있고, 60 이상 90 이하의 카디악 사이클일 수도 있을 뿐만 아니라, 150 카디악 사이클일 수도 있다. 카디악 사이클을 길게 하면 특징정보의 종류의 수를 카디악 사이클을 짧게 하는 경우보다 더 줄이더라도 정확도가 하락되지 않은 상태에서 혈압을 추정하는 것이 가능하게 된다. 전술한 구체적인 수치 외에도 카디악 사이클의 길이는 사용자의 혈압을 정확하게 추정하기 위해서 합리적인 범위내에서 변경될 수 있다.
또 다른 선택적 일 실시 예로서, 혈압관련파라미터를 산출하기 위한 생체신호의 시간적 길이는 5초 이상 90초 이하의 시간적 길이를 갖는 생체신호일 수도 있으며, 바람직하게는 45초 이상 90초 이하의 시간적 길이를 갖는 생체신호일 수도 있다. 즉, 카디악 사이클 단위가 아닌 초 단위라고 해도 적절히 시간적 간격에 대한 생체신호라면 본 발명이 잘 적용될 수 있다.
도 6은 90 심주기 카디악 사이클의 생체신호로부터 산출된 혈압관련파라미터가 RNN에 적용되는 과정을 도식적으로 나타내는 도면이다.
도 6에서 현재 시점은 t시점이라고 간주되며, RNN의 최종 결과로서 t시점의 추정혈압(610)이 출력될 수 있다. 도 6을 참조하면, 혈압관련파라미터를 산출하기 위해서 90 카디악 사이클을 생체신호의 시간적 길이로 한정함에 따라서, t-90시점부터 t-1시점까지의 시점별 혈압관련파라미터가 RNN에 입력되고, RNN의 히든레이어에서는 각 시점별 데이터가 서로에게 영향을 미치는 것을 고려하여, 학습 및 시험을 반복함으로써, t시점의 혈압을 추정할 수 있게 된다.
도 7은 ECG 및 PPG를 통한 생체신호로부터 산출된 혈압관련파라미터를 설명하기 위한 도면이다.
도 7의 상단에는 ECG에 따른 생체신호의 파형, 하단에는 PPG에 따른 생체신호의 파형이 도시되어 있다. 특징정보추출부(410)가 각 생체신호에서 의미있는 값을 갖는 지점(특징정보)을 추출하면, 파라미터산출부(430)는 미리 저장된 파라미터산출기준을 기초로 하여 특징정보에서 PTT나 LASI를 정의하고 산출한다. 파라미터산출부(430)에 저장된 세부기준에 따라서 PTT의 길이, LASI의 길이는 달라질 수 있다. 이하에서는, 도 4의 파라미터산출부(430)의 선택적 일 실시 예에 대한 설명으로서, 도 7을 참조하여, a1, a2, a3, AI, PPGarea, t1 및 t2가 무엇을 의미하는지 설명하기로 한다.
먼저, t1, t2는 혈압의 맥파(pulse wave)가 얼마나 빨리 올라가는 지를 파악하기 위한 파라미터로서, 실험적으로 밝혀진 바에 따르면, 혈압과 관계가 있는 파라미터라고 판단되어 본 발명에서 채택된 혈압관련파라미터이다. 도 7을 참조하면, t1은 같은 주기의 맥파의 최저점에서 최고점의 40%에 해당하는 위치에 도달하는 데에 소요되는 시간이라는 것을 알 수 있으며, t2는 같은 주기의 맥파의 최저점에서 최고점에 도달하는 데에 소요되는 시간에서 t1만큼 뺀 시간이라는 것을 알 수 있다.
또한, a1, a2는 혈압의 요소인 맥압(pulse pressure)와 관련있는 요소로서, 실험적으로 밝혀진 바에 따르면, a1, a2의 값은 맥압의 크기와 높은 상관성을 갖는 경향성이 있다. 도 7을 참조하면, a1는 맥파의 최저점과 t1만큼 시간이 경과했을 때의 맥파와의 격차로 정의될 수 있고, a2는 맥파의 최고점과 최저점과의 격차로 정의될 수 있다.
a3는 a1, a2에 의해서 추가적으로 산출될 수 있는 혈압관련파라미터로서, 본 발명에서 파라미터산출부(430)가 RNN의 입력값으로서 가공하고 산출하는 혈압관련파라미터는 아니지만, AI라는 혈압관련파라미터를 산출하는 데에 필요한 보조파라미터이다. 도 7을 참조하면, a3는 t2에서 LASI만큼의 시간이 경과한 때의 맥파값을 의미한다는 것을 알 수 있다.
AI(augmentation index)는 LASI와 직접적으로 관련있는 혈압관련파라미터로서, 전진맥파와 반사맥파의 크기의 비율을 의미한다. 보다 구체적으로, AI는 반사되는 맥파의 크기는 혈관의 탄성에 의해 맥파의 크기감쇠(amplitude damping)가 얼마나 일어나는지에 따라 달라지기 때문에, AI도 혈관탄성과 관련있는 파라미터라고 볼 수 있으며, AI는 수학적으로 a3를 a2로 나눈 값이 된다.
마지막으로, PPGarea(photoplethysmogram area)는 맥파가 최저점에서 최고점에 도달했다가 다시 최저점으로 돌아오게 되어 한 주기가 경과하면, 그 한 주기에 대해서 적분한 맥파의 그래프의 적분값(넓이)을 의미하고, a1, a2와 마찬가지로 맥압과 관련있는 파라미터로서 본 발명의 파라미터산출부(430)에 의해 산출될 수 있다.
도 7에서 t1, t2을 산출하는 데에 이용되는 PTT1, PTT2, PTT3는 맥파전달시간을 여러 가지로 정의한 것으로서, 실시 예에 따라서, 맥파전달시간이 아닌 맥파도착시간(Pulse Arrival Time)으로 대체될 수도 있다. 맥파도착시간이 맥파도달시간을 대체할 수 있는 이유는, 맥파전달시간(PTT)이 혈관길이를 맥파전달속도로 나눔으로써 산출될 수 있고, 맥파도착시간(PAT)은 맥파전달시간(PTT)과 구혈전기(Pre-ejection time)의 합으로 정의되며, 구혈전기가 혈관탄성과 관계가 없는 파라미터이므로, 맥파전달시간과 맥파도착시간이 혈압과 관계가 있는 같은 경향성을 갖고 혈압과 관련있는 요소라는 것이 자명하기 때문이다.
이하에서는, 다시 도 4를 이어서 설명하기로 한다.
클래스분류부(450)는 과거기간의 각 시점별 혈압들을 정규화시켜서 정규화된 혈압(normalized blood pressure)을 산출하고, 정규화된 혈압들을 정규화된 혈압의 값(normalized blood pressure value)에 따라 적어도 두 가지 이상의 클래스로 분류한다.
본 발명에 따르면, 클래스분류부(450)가 과거시점의 정규화된 혈압들을 적어도 두 가지 이상의 클래스로 분류함으로써, 본 발명에 따라 추정한 구간혈압과 실제 혈압간의 상관성(correlation)이 명확하게 드러날 수 있다.
본 발명에 따른 추정장치(400)에서 클래스분류부(450)는 실시 예에 따라 생략될 수도 있으며, 설명의 편의를 위해서 클래스분류부(450)에서 분류되는 클래스에 대한 설명은 혈압추정제어부(470)에 대한 설명에서 추가적으로 설명하기로 한다.
혈압추정제어부(470)는 파라미터산출부(430)가 산출한 과거기간의 혈압관련파라미터를 순환신경망(RNN)에 시계열적으로 입력하여 현재시점의 사용자의 추정혈압이 출력되도록 제어한다. 보다 구체적으로는, 혈압추정제어부(470)는 혈압관련파라미터를 입력값으로 하여 적절한 구간혈압이 추정될 수 있도록 학습(training) 및 시험(test)을 반복하는 머신러닝 과정을 총괄적으로 제어한다.
도 8은 클래스분류부가 수행하는 기능을 설명하기 위한 도면이다.
도 8에서 사용자의 실제 혈압의 파형(810)을 참조하면, 사용자의 실제 혈압은 시간의 흐름에 따라서 동적으로(dynamically) 변화한다. 반면, 도 8을 참조하면, 종래의 혈압추정기법에 따라 사용자의 혈압을 추정할 경우, 회귀방식으로 추정된 혈압(830)은 시간의 흐름과 상관없이 일정한 상수값을 갖게 되는 것을 알 수 있다. 일반적으로 혈압은 평균값을 많이 유지하고 평균 위주로 변화가 있으므로, 신경망을 학습시킬 때 신경망이 평균을 추정하면 비용함수가 최적화 된다고 착각하는 경향이 있어서 발생되는 결과이다.
종래의 혈압추정기법에 따라서 사용자의 혈압을 추정하는 방식에 따르면, RNN에 과거기간의 데이터를 입력하고 난 뒤, 혈압추정제어부(470)는 입력데이터를 학습 및 시험하는 과정을 종료하기 위해서 추정값과 실제값과의 MSE(Mean Square Error)가 최소화될 때까지 반복한다. 종래의 혈압추정기법에서 회귀(regression)를 이용하는 것이 아니라면, 전술한 MSE 외에도 다양한 비용함수가 이용될 수 있음은 이 분야의 통상의 기술자에게 자명할 것이다.
수학식 1은 종래의 머신러닝 과정에서 사용되는 MSE의 수학식을 나타낸다.
수학식 1에서 y는 실제 혈압값을 의미하고, 
은 추정 혈압값을 의미한다.
수학식 1의 수학적인 특성상 혈압추정제어부(470)가 MSE를 최소화시키는 과정을 반복함으로써 구간혈압을 추정하게 되면, 추정혈압은 시간의 흐름에 상관없이 일정한 상수값으로 표현되는 것이 일반적이다. 다시 말해, 실제 혈압은 시변함수이지만 추정 혈압은 시불변함수로 표현되므로, 각각의 시점별로 추정혈압과 실제혈압간의 상관성(correlation)이 전혀 그래프로 드러날 수 없는 한계가 있다.
도 9는 도 8에서 클래스분류방식으로 추정된 혈압의 파형을 추가로 도시하고 있는 도면이다.
도 9에서 클래스분류방식으로 추정된 혈압의 파형(850)을 참조하면, 사용자의 실제 혈압과 극히 유사하게 시간의 흐름에 따라서 동적으로(dynamically) 변화하는 것을 알 수 있다. 도 9와 같이, 혈압추정제어부(470)가 클래스분류방식으로 구간혈압을 추정하는 방법은 다음과 같다.
먼저, 클래스분류부(450)는 과거기간의 각 시점별 혈압값들을 정규화시켜서 정규화된 혈압(normalized blood pressure)을 산출하고, 정규화된 혈압들을 정규화된 혈압의 값(normalized blood pressure value)에 따라 적어도 두 가지 이상의 클래스로 분류한다.
예를 들어, 클래스분류부(450)는 도 5와 같은 정규분포곡선에 과거기간의 각 시점별 혈압값들을 정규화시켜서 투영한 후, 클래스 1, 클래스 2, 클래스 3에 각각 서로 다른 구간의 혈압값들이 속하도록 분류할 수 있다. 여기서, 클래스의 개수는 적어도 두 개 이상이다.
| 클래스 번호 | 정규분포곡선에서 x값 위치 |
| 클래스 1 | 정규화된 혈압 < -1.3 |
| 클래스 2 | -1.3 < 정규화된 혈압 < -0.85 |
| 클래스 3 | -0.85 < 정규화된 혈압 < -0.52 |
표 2는 클래스가 분류되는 일 예를 나타낸 표이다.
표 2에서는 클래스를 세 개로 한정하였으나, 본 발명이 실제로 구현될 때에는 클래스의 수는 세 개보다 더 많을 수 있다.
혈압추정제어부(470)는 클래스의 소프트맥스(softmax)를 기초로 산출되는 크로스 엔트로피(cross entropy)가 최소값이 될 때까지 반복하여, 최소값이 되는 시점의 혈압을 사용자의 추정혈압으로 출력하도록 제어한다.
수학식 2는 소프트맥스를 나타내는 수학식이다. 수학식 2에서, x는 소프트맥스값을 구하기 위한 대상값의 특징(feature)이며, i는 특징의 순서(i번째), j는 특징의 전체 수를 의미한다.
혈압추정제어부(470)가 학습을 반복하다가 중단하고 결과값을 출력하려면, 추정값이 얼마나 정확한 값인지 알아야 한다. 또한, 머신러닝의 특성상 혈압추정제어부(470)가 추정한 값이 정확하다고 하더라도, 그 추정한 값을 최종적으로 출력할 가능성이 50%인지 또는 70%인지에 대한 예상수치가 필요한데, 혈압추정제어부(470)는 소프트맥스(softmax)의 정의에 따라 수학식 2를 통해서 특정값을 출력할 예상수치로서, 0과 1사이의 값이 출력되도록 제어한다.
수학식 3은 크로스 엔트로피를 나타내는 수학식이다. 수학식 3에서 H는 크로스 엔트로피, L은 실제 분류값이며, S는 소프트맥스의 결과값을 의미하고, i는 클래스의 번호를 의미한다.
위와 같이, 혈압추정제어부(470)는 크로스 엔트로피를 분류손실함수(classification loss function)로 놓고, 이를 최소화하는 과정을 반복함으로써, 추정된 구간혈압이 출력되도록 제어하게 된다. 소프트맥스 및 크로스 엔트로피에 대한 계산방법은 널리 알려진 방법에 의하며, 본 명세서에서는 생략하도록 한다.
비정규화처리부(490)는 혈압추정제어부(470)로부터 정규화된 추정혈압이 산출되면, 정규화된 추정혈압을 현재시점의 혈압평균 및 혈압표준편차의 추정값을 기초로 비정규화(denormalization)시킨다.
본 발명에서 파라미터산출부(430)는 특징정보추출부(410)에서 추출된 특징정보를 정규화시키는 과정을 거침으로써, 표 1에서 설명한 것과 같은 사용자의존적인 슬로프/오프셋 효과(Subject-dependent slope/offset effect)가 사용자의 혈압을 추정하는 데에 있어서, 더 이상 악영향을 미치지 않게 되는 효과가 있으나, 지난 시점(현재시점을 t라고 가정하였을 경우, t-1, t-2, t-3 시점을 의미)의 생체신호로부터 추정된 혈압값이 mmHg단위의 직관적인 혈압수치로 출력되지 않는 한계가 있다.
수학식 4는 분류화과정을 거쳐서 출력되는 추정혈압을 설명하기 위한 수학식의 일 예이다.
수학식 4에서, Z는 사용자의 정규화된 혈압(Blood Pressure)으로서 제트스코어(z-score), μBP는 과거시점의 사용자의 혈압값들의 평균, σBP는 과거 시점의 사용자의 혈압값들의 표준편차, BP는 현재 시점의 mmHg단위의 사용자의 혈압값을 의미한다. 현재 시점을 t라고 가정하였을 때, 본 발명에 의해 t시점의 혈압값은 t-1, t-2, t-3 등의 과거 시점의 혈압값들에 의해 추정될 수 있다. 이때, t-1, t-2, t-3 등의 과거 시점의 혈압값들은 과거 시점은 시간의 범위가 한정되어 있는 특성상, 과거 시점의 혈압값들을 모두 수집하여 혈압값의 평균 및 표준편차를 산출하는 것은 가능한 것은 자명하다.
반면, 분류화과정을 거쳐서 출력되는 t시점의 추정혈압을 mmHg단위로 복원하기 위해서는 t시점에서의 혈압값들의 평균 및 표준편차의 추정값이 필요하고, 위와 같은 값들은 오직 후처리(post-processing)를 통해서 획득될 수 밖에 없는 데이터이다.
수학식 5는 수학식 4를 이항정리함으로써 획득할 수 있는 수학식을 의미한다.
수학식 5에 따르면, 분류화과정을 거쳐서 현재시점인 t시점에서의 사용자의 mmHg단위의 혈압 BP는 t시점에서의 정규화된 추정혈압 BPnormalized에, 후처리를 통해 획득되는 t시점에서의 혈압값들의 평균 및 표준편차가 있으면 산출될 수 있다. 비정규화처리부(490)는 오직 후처리를 통해 획득될 수 밖에 없는, t시점에서의 혈압값들의 평균 및 표준편차의 값을 적절히 추정하여, 현재시점에서의 사용자의 mmHg단위의 혈압 BP가 산출되도록 할 수 있으며, 이러한 처리과정은 비정규화처리(denormalizing processing)라고 정의된다.
비정규화처리부(490)의 선택적 일 실시 예로서, 데이터베이스에 기저장된 데모그래픽 데이터(demographic data) 중 사용자의 신상정보와 소정범위 이상 일치하는 데모그래픽 데이터를 기초로 하여, 혈압평균 및 혈압표준편차의 추정값을 산출할 수 있다.
데모그래픽 데이터는 특정 질환을 앓고 있는 환자 및 정상인(이하, "관측대상")들로부터 24시간 단위로 측정된 혈압측정량으로부터 획득될 수 있는 데이터로서, 다양한 신상정보에 따른 관측대상들의 혈압측정량이 데이터베이스에 저장되어 있다가 비정규화처리부(490)의 호출을 통해서 비정규화처리부(490)가 요청하는 정보를 제공할 수 있다. 데이터베이스는 본 발명에 따른 장치에 포함되거나, 비정규화처리부(490)에 내장되어 있을 수도 있고, 실시 예에 따라서, 외부의 장치에 포함되어 있다가 유무선으로 연결된 비정규화처리부(490)의 요청에 의해 데이터를 제공하는 기능을 수행하며, 도 4에서는 생략되어 있다.
표 3 및 표 4는 관측대상들의 데모그래픽 데이터의 일 예를 표로서 나타내고 있다. 표 3은 낮 12시간동안 측정된 관측대상들의 데모그래픽 데이터, 표 4는 밤 12시간동안 측정된 관측대상들의 데모그래픽 데이터를 나타낸다. 비정규화처리부(490)는 데이터베이스를 검색하여 사용자의 신상정보(나이, 성별 등)와 소정범위 이상 일치하는 데모그래픽 데이터를 결정하고, 결정된 데모그래픽 데이터를 기초로 하여 비정규화처리를 하는 데에 필요한 혈압평균 및 혈압표준편차의 추정값을 산출할 수 있다. 예를 들어, 표 3 및 표 4를 참조하였을 때, 25세 여성 사용자의 수축기혈압(SBP)의 평균은 낮에 대해서는 117.4, 밤에 대해서는 99.6이 될 수 있다.
표 3 및 표 4의 데모그래픽 데이터는 데이터베이스에 저장되는 데모그래픽 데이터의 일 예로서, 비정규화처리부(490)가 참조하는 데모그래픽 데이터는 표 3 및 표 4에 기재된 방식과 수치 외에도 다양한 값이 될 수 있다.
다른 선택적 일 실시 예로서, 비정규화처리부(490)는 수축기혈압(SBP)의 평균과 수축기혈압의 초기값(initial value)과의 상관관계 및 이완기혈압(DBP)의 평균과 이완기혈압의 초기값과의 상관관계를 기초로 산출된 값을 혈압평균의 추정값으로 이용할 수 있다.
도 14는 수축기혈압의 평균과 수축기혈압의 초기값과의 상관관계 및 이완기혈압의 평균과 이완기혈압의 초기값과의 상관관계를 설명하기 위한 도면이다.
도 14는 수축기혈압의 평균과 초기값과의 상관관계를 나타내는 제1함수(1410), 이완기혈압의 평균과 초기값과의 상관관계를 나타내는 제2함수(1430) 및 제1함수 및 제2함수에 속하지 않는 예외데이터(1450)로 구성되어 있다.
본 선택적 일 실시 예에서, 초기값(initial value)은 수축기혈압 또는 이완기혈압을 선택하는 선택자의 입장에서 가장 초기시점에서 선택한 수축기혈압(이완기혈압)을 의미하는 것으로서, 시간적으로 가장 초기 시점에 측정된 수축기혈압 또는 이완기혈압을 의미하는 것은 아니다.
예를 들어, 수축기혈압을 일정한 시간 간격으로 측정하였을 때 측정된 수축기혈압이 각각 110mmHg, 115mmHg, 120mmHg, 125mmHg, 130mmHg라고 한다면, 시간적으로 가장 먼저 측정된 값(초기측정값)은 110mmHg만 될 수 있지만, 본 선택적 일 실시 예에서의 초기값(initial value, 초기선택값)은 다섯 가지의 측정값 중 임의로(randomly) 선택된 어느 하나가 된다. 이하에서는, 특별히 한정하지 않는 한, 초기값은 가장 초기 시점에 측정된 값(초기측정값)이 아니라, 여러 시점에서 측정된 값들이 있을 때, 선택하는 시점의 가장 초기 시점에서 선택된 값(초기선택값)이라고 간주한다.
위와 같은 전제가 가능한 것은, 표본의 수가 무한대에 가까워질 정도로 많아졌을 때, 그 표본에서 무작위로 선택된 하나의 값이 전체 표본의 평균값과 비슷하기 때문이고, 위와 같은 전제를 확장시켜서, 수축기혈압 또는 이완기혈압의 초기값(초기선택값)과 평균이 모두 정규화의 데이터로서 사용될 수 있게 된다.
도 14는 표 3 및 표 4와 같은 데모그래픽 데이터를 하나의 2차원공간에 투영시킨 것으로서, 각 환자들의 혈압평균뿐만 아니라 초기혈압이 반영되어 있다.
도 14에서, 수축기혈압의 초기값은 수학식 6과 같이 수축기혈압의 평균을 변수로 하고, 일정한 기울기와 y절편을 갖는 1차함수(제1함수)로 표현될 수 있다. 수학식 6에서, SBPfirst는 수축기혈압의 초기값, SBPmean는 수축기혈압의 평균을 의미하고, 데모그래픽 데이터에 따라서 제1함수의 기울기나 y절편은 달라질 수 있다.
마찬가지로, 도 14에서, 이완기혈압의 초기값은 수학식 7과 같이 이완기혈압의 평균을 변수로 하고, 일정한 기울기와 y절편을 갖는 1차함수(제2함수)로 표현될 수 있다. 수학식 7에서, DBPfirst는 이완기혈압의 초기값, DBPmean는 이완기혈압의 평균을 의미하고, 데모그래픽 데이터에 따라서 제2함수의 기울기나 y절편은 달라질 수 있다.
위와 같이 모델링된 제1함수 및 제2함수에서 사용자의 수축기혈압 및 이완기혈압의 초기값이 주어지면, 수축기혈압의 평균값 및 이완기혈압의 평균값이 추정값으로서 산출될 수 있으며, 비정규화처리부(490)는 산출된 평균값을 기초로 하여 사용자의 현재 시점에서의 혈압을 산출할 수 있다.
또 다른 선택적 일 실시 예로서, 비정규화처리부(490)는 광용적맥파검사강도율(PIR: Photoplethysmogram Intensity Ratio)과 반비례하는 혈압정보로부터 사용자의 혈압평균을 추정할 수도 있다.
도 15는 광용적맥파검사강도율과 반비례하는 혈압정보로부터 사용자의 혈압평균을 추정하는 예를 설명하기 위한 도면이다.
먼저, 도 15의 (a)는 시간영역에서 사용자의 이완기혈압의 시간에 따른 변화를 나타내고, 도 15의 (b)는 주파수영역에서의 사용자의 이완기혈압의 주파수성분의 분포를 나타낸다. 도 15의 (c)는 시간영역에서 사용자의 광용적맥파검사강도율의 변화를 나타내고, 도 15의 (d)는 주파수영역에서의 사용자의 광용적맥파검사강도율의 주파수성분의 분포를 나타낸다.
수학식 8 및 수학식 9는 광용적맥파검사강도율 및 이완기혈압과의 상관관계를 설명하는 수학식이다. 수학식 8에서 α는 비례상수, Δd는 혈관 직경을 의미한다. 즉, 혈관 직경에 따라 PPG의 신호는 달라지고 PIR에도 변동이 생긴다. 광용적맥파검사강도율인 PIR이 광용적맥파검사신호(PPG)의 최대값과 최저값의 차이로 정의되는 것과, 수학식 8 및 수학식 9를 연립하면, PIR과 DBP는 일정한 상관관계(반비례성)를 갖는 것을 알 수 있으며, 그러한 상관관계는 도 15의 (a)와 (c) 또는 (b)와 (d)에 도시되어 있다.
위와 같이 본 발명에 따르면, DBP의 파워스펙트럼밀도(power spectral density)의 저주파성분이 PIR의 파워스펙트럼밀도와 유사한 특징을 갖는 것을 이용하여, 위와 같은 상관관계를 도출하고 광용적맥파검사강도율로부터 이완기혈압을 추정할 수 있다. 또한, 본 발명에서 혈압평균의 추정값은 PIR보다 더 넓은 개념인 상하지 광체적변동파형(Photoplethysmogram Amplitude)의 크기와 반비례하는 혈압정보로부터 산출될 수 있음은 이 분야의 통상의 지식을 가진 자에게 자명할 것이다.
실시 예에 따라서, 비정규화처리부(490)는 광용적맥파검사강도율로부터 추정한 이완기혈압 및 데모그래픽 데이터로부터 추정한 이완기혈압을 합산하여 평균 및 표준편차를 내는 방식을 통해서 보다 더 정확한 이완기혈압의 추정값을 획득할 수도 있다. 즉, 전술한 혈압평균 및 혈압표준편차의 추정값을 획득하는 방법을 모두 이용하여 산출된 값들의 다시 한번 평균냄으로써, 각 방법에 따른 오차율을 최소화할 수도 있다.
수학식 8 및 수학식 9를 이용하여, DBP의 표준편차도 이하와 같이 추정할 수 있다.
수학식 10은 수학식 9를 이용한 결과로 도출된 식으로서, PIR의 초기값인 PIR0과 DBP의 초기값인 DBP0만 있으면 t시점에서의 DBP를 t시점에서의 PIR로 구할 수 있다는 것을 나타낸다. 예를 들어, 수학식 10에서 t에 1 내지 5를 대입하면, 해당 시점에서의 DBP가 PIR의 초기값인 PIR0으로 표현될 수 있으며, 이 값들을 이용하면 DBP의 평균과 표준편차를 계산할 수 있다. 이외에도, PIR과 DBP의 주파수스펙트럼(frequency spectrum)을 분석하는 방식을 통해서 DBP의 평균을 구하는 방법도 있으며, 이 방법에 대해서는 널리 알려진 주파수 스펙트럼 분석방식을 따르는 것으로 한다.
또한, 수축기 혈압 SBP는 맥압 PP와 이완기혈압 DBP의 합으로 정의되므로, 위와 같은 방식으로 DBP를 추정하고, PP을 추정할 수 있으면, SBP에 대한 정보(평균 및 표준편차)도 알 수 있다.
수학식 11은 혈관의 맥압인 PP를 정의하는 수학식을 나타낸다. 수학식 11을 참조하면, PP는 심박출량 V를 혈관탄성 C로 나눈 값으로 정의되는 것을 알 수 있다.
수학식 12 및 수학식 13은 혈관탄성 C와 혈관 속 맥파전달속도 PTT(pulse transit time)의 관계를 나타낸 식으로서, A, ρ, l은 각각 혈관 특성에 대한 상수이고, PTT0은 초기 맥파전달속도, ΔPTT는 맥파전달속도의 변화량을 의미한다. 따라서 수학식 11 내지 수학식 13에 따라, 맥압은 수학식 14와 같이 표현될 수 있다.
수학식 14에서 k는 수학식 12 내지 수학식 13에서의 상수를 하나로 통합하여 나타낸 대표상수이다, 또한, 수학식 14는, 혈관속의 피의 양이 변하지 않는다고 가정하면 맥압은 수학식 15로 근사될 수 있다.
따라서, 수학식 15에 따라서, 맥압의 변화는 맥파전달속도의 변화량에 반비례하는 것을 알 수 있다. 수학식 14에서 혈관속의 피의 양이 변한다고 가정하면, 심박출량 V를 구혈전기기간(PEP: Pre-Ejection Period)으로 나타낼 수 있게 된다.
수학식 16은 V를 PEP를 변수로 하는 1차 함수로 근사한 것을 나타내고, 수학식 17 및 수학식 18은 V를 PEP를 변수로 하는 1차 함수로 근사하고, 혈관속의 피의 양이 변한다고 가정했을 때의 맥압을 나타낸다. 수학식 17 및 수학식 18에서 β0, β1, β2는 k처럼 수학식을 맥파전달속도 PTT에 대해서 정리하기 위한 상수를 의미한다.
여기서, PEP도 전술한 PTT와 마찬가지로 초기값과 변화량으로 표현할 수 있다.
수학식 19는 PEP를 초기값인 PEP0과 변화량인 ΔPEP으로 나타낸 수학식이고, 수학식 20은 수학식 18에 수학식 19을 대입하여 정리한 결과이다. 수학식 20에 따르면, 혈관속의 피의 양이 변하는 가정하에서는 맥압은 PTT, PEP의 초기값 및 변화량으로 추정될 수 있다.
위와 같이, 수학식 11 내지 수학식 20을 통해서 PP도 추정될 수 있으며, DBP와 마찬가지로 PP도 PTT0만 알면, 특정시점에서의 맥압을 추정할 수 있게 된다. DBP와 PP가 추정될 수 있으면, DBP와 PP의 합으로 정의되는 수축기 혈압 SBP도 추정이 될 수 있으며, 결과적으로 본 발명에 따르면, SBP 및 DBP의 평균 및 표준편차를 생체신호(기저장된 사용자의 데모그래픽 데이터)로부터 추정할 수 있게 되어, 추정된 SBP 및 DBP의 평균 및 표준편차를 통해서 정규화된 추정혈압(normalized blood pressure)에 대한 비정규화(denormalization)를 수행할 수 있다.
위와 같이, 본 발명에 따르면, 혈압을 단계레벨로 나눠서 분류화하는 형식으로 RNN을 학습시키고 시험하는 과정을 반복함으로써, 종래의 회귀추정에 따른 결과와 달리 시간의 흐름에 따라 변화하는 구간혈압을 추정할 수 있게 되며, 추정된 구간혈압은 실제 혈압과 매우 유사한 양상을 보이게 된다. 또한, 추정된 구간혈압은 시간에 따라 변화하게 되어, 추정된 구간혈압과 실제 혈압과의 상관성(correlation)을 수치적으로 확인할 수 있다는 점에서 종래의 기술과 구분된다.
도 10a는 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 일 예이다.
도 10a는 중환자들의 생체신호(심전도, 광용적맥파)를 이용하여 혈압을 추정한 결과를 나타내는 도면으로서, 보다 구체적으로는, 도 10a는 수축기혈압(systolic blood pressure)을 추정한 결과를 나타낸다.
도 10a는 본 발명에 따라 정규화된 혈압을 산출하여, 산출된 정규화된 혈압들을 정규화된 혈압의 값(value)에 따라서 적어도 두 가지 이상의 클래스로 분류하였을 때, 실제 혈압(True BP)의 클래스와 추정 혈압(Predicted BP)을 동시에 나타낸다. 도 10a에서 총 100개의 박스(box)로 구분되어 있는 각 수치들은 추정 클래스의 비율을 의미한다.
예를 들어, 도 10a의 실제 혈압 1 및 추정 혈압 1에 해당하는 박스에는 0.49가 포함되어 있으며, 여기서 0.49라는 수치는 실제 혈압이 클래스 1인 표본이 100개 있을 때, 본 발명을 적용하여 그 중 49개를 클래스 1로 추정했다는 것을 의미한다. 따라서, 가로에 있는 비율을 모두 합산하면 언제나 1이 산출될 수 있다.
다른 예로서, 도 10a의 실제 혈압 0 및 추정 혈압 9인 박스값은 0.021인데, 클래스 0으로 분류된 실제 혈압 표본이 총 1000개 있으면, 본 발명에 적용했을 때 그 중에서 21개를 클래스 9로 추정했다는 것을 의미한다. 전술한 본 발명의 특징에 따라서, 표본의 수가 적절한 수로 조절되고, 적절한 시간동안 수집된 혈압관련 생체신호가 최초 입력데이터가 되면 도 10a보다 더 높은 추정결과가 산출될 수 있다.
도 10b 및 도 10c는 본 발명을 적용한 결과로서, 수축기 및 이완기에 해당하는 결과를 도식적으로 나타낸 도면이다.
도 10b는 이완기(diastolic blood pressure)을 추정한 결과의 일 예이고, 도 10c는 도 10a와 같은 수축기혈압(systolic blood pressure)을 추정한 결과의 일 예를 나타내고 있으며, 도 10b 및 도 10c를 참조하면, 클래스 0과 클래스 9에 대해서 높은 추정률을 보이고, 나머지 클래스에서도 인접한 클래스의 수치를 합산하면, 클래스 0과 클래스 9에 준하는 높은 추정률을 보이는 것을 알 수 있다. 인접한 클래스의 수치까지 합산했을 때 클래스별로 모두 비슷한 추정률 나타낸다는 것은 허용가능한 오류범위 내에서 실제 혈압값을 잘 추정했다는 의미로 해석될 수 있으며, 결국, 도 10a 내지 도 10c에 따르면, 본 발명이 혈압을 추정하는 데에 있어서, 특정한 클래스에 한정되지 않고 높은 확률로 사용자의 혈압을 정확하게 추정할 수 있다는 것을 알 수 있다.
도 11은 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 다른 일 예이다.
도 11은 시간의 흐름에 따른 혈압변화폭이 커서 큰 분산(variance)을 나타내는 실제 혈압과 추정된 구간혈압과의 차이가 거의 없다는 것을 도식적으로 나타낸다. 도 11에서 가로축(x축)은 카디악 사이클을 의미하고, 세로축(y축)은 혈압값을 의미한다.
도 12는 본 발명에 따른 추정방법의 정확도를 도식적으로 나타내는 도면의 또 다른 일 예이다.
도 12는 시간의 흐름에 따라서 파동이 심한 실제 혈압과 추정된 구간혈압과의 차이도 도 11과 마찬가지로 거의 없다는 것을 도식적으로 나타낸다.
도 11 및 도 12를 종합하면, 실제 혈압의 변화의 폭이나 변화율과 상관없이 본 발명에 따른 구간혈압 추정방법이 잘 적용된다는 것을 알 수 있다.
도 13은 본 발명에 따른 구간혈압 추정방법의 일 예의 흐름도를 도시한 도면이다.
도 13은 도 4에 따른 구간혈압 추정장치(400)에 의해 구현될 수 있으므로, 도 4를 참조하여 설명하기로 하며, 이하에서, 도 4에서 설명한 것과 중복된 설명은 생략하기로 한다.
특징정보추출부(410)는 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 수신된 생체신호를 분석하여 생체신호가 측정된 시점별로 특징정보를 추출한다(S1310).
파라미터산출부(430)는 단계 S1310에서 추출된 특징정보를 기초로 과거기간에 대한 혈압관련파라미터를 산출한다(S1330).
클래스분류부(450)는 과거기간의 각 시점별 혈압들을 정규화시켜서 정규화된 혈압(normalized blood pressure)을 산출하고, 정규화된 혈압들을 정규화된 혈압의 값(normalized blood pressure value)에 따라 적어도 두 가지 이상의 클래스로 분류한다(S1350).
혈압추정제어부(470)는 파라미터산출부(430)가 산출한 과거기간의 혈압관련파라미터를 순환신경망(RNN)에 시계열적으로 입력하여 현재시점의 사용자의 추정혈압이 출력되도록 제어한다. 보다 구체적으로는, 혈압추정제어부(470)는 혈압관련파라미터를 입력값으로 하여 적절한 구간혈압이 추정될 수 있도록 학습(training) 및 시험(test)을 반복하는 머신러닝 과정을 총괄적으로 제어한다(S1370).
비정규화처리부(490)는 단계 S1370에서 출력된 추정혈압을 혈압평균 및 혈압표준편차를 기초로 하여 비정규화처리함으로써, mmHg단위의 혈압값이 획득될 수 있도록 처리한다(S1390).
전술한 것과 같이 본 발명에 따르면, 혈압을 추정하기 위해서 순환신경망(RNN)에 입력하는 데이터를 일련의 과정을 통해 전처리(preprocessing)함으로써, 사용자의 각종 생체신호로부터 현재시점의 혈압을 정확하게 추정하는 것이 가능하다. 보다 구체적으로, 본 발명에서는 생체신호로부터 추출한 특징정보를 정규화하고, 정규화된 특징정보로부터 혈압관련파라미터를 미리 설정된 기준에 따라서 산출할 뿐만 아니라, 회귀가 아닌 클래스를 기반으로 하는 분류화 과정을 이용하여 RNN의 학습을 반복적으로 수행함으로써, 종래에 알려진 그 어떠한 생체신호기반 혈압추정기법에 비해서 정확하게 혈압을 추정할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명에서 설명하는 특정 실행들은 일 실시 예들로서, 어떠한 방법으로도 본 발명의 범위를 한정하는 것은 아니다. 명세서의 간결함을 위하여, 종래 전자적인 구성들, 제어 시스템들, 소프트웨어, 상기 시스템들의 다른 기능적인 측면들의 기재는 생략될 수 있다. 또한, 도면에 도시된 구성 요소들 간의 선들의 연결 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것으로서, 실제 장치에서는 대체 가능하거나 추가의 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들로서 나타내어질 수 있다. 또한, “필수적인”, “중요하게” 등과 같이 구체적인 언급이 없다면 본 발명의 적용을 위하여 반드시 필요한 구성 요소가 아닐 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 “상기”의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다. 마지막으로, 본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
Claims (17)
- 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 상기 수신된 생체신호를 분석하여 상기 생체신호가 측정된 시점별로 특징정보를 추출하는 특징정보추출단계;
상기 추출된 특징정보를 정규화시키고, 상기 정규화된 특징정보를 기초로 상기 과거기간에 대한 혈압관련파라미터를 산출하는 파라미터산출단계;
상기 산출된 혈압관련파라미터를 순환신경망(RNN: Recurrent Neural Network)에 시계열적으로 입력하여 현재시점의 상기 사용자의 정규화된 추정혈압이 출력되도록 제어하는 혈압추정제어단계;
상기 정규화된 추정혈압을 상기 현재시점에서의 혈압평균 및 혈압표준편차의 추정값을 기초로 비정규화(denormalization)시키는 비정규화처리단계; 및
상기 정규화된 특징정보를 상기 정규화된 혈압의 값에 따라 적어도 두 가지 이상의 클래스로 분류하는 클래스분류단계를 포함하고,
상기 혈압추정제어단계는,
상기 클래스의 소프트맥스(softmax)를 기초로 산출되는 크로스 엔트로피(cross entropy)가 최소값이 될 때까지 반복하여, 상기 사용자의 추정혈압이 출력되도록 제어하는 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 혈압평균 및 상기 혈압표준편차의 추정값은,
데이터베이스에 기저장된 데모그래픽 데이터(demographic data) 중 상기 사용자의 신상정보와 소정범위 이상 일치하는 데모그래픽 데이터를 기초로 산출된 값인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 혈압평균의 추정값은,
수축기혈압(SBP)의 평균(average)과 수축기혈압의 초기값(initial value)과의 상관관계 및 이완기혈압(DBP)의 평균과 이완기혈압의 초기값과의 상관관계를 기초로 산출된 값인 것을 특징으로 하는 순환신경망을 이용한 구간혈압추정방법. - 제1항에 있어서,
상기 생체신호는,
심전도검사(ECG), 지진박동곡선검사, 임피던스검사, 광용적맥파검사(PPG), 심장탄도검사(BCG), 지첨용적매파검사, 초음파검사 중 적어도 한 가지 이상의 방법을 통해 측정된 생체신호인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
심전도검사(ECG) 및 광용적맥파검사(PPG)를 통해 측정된 사용자의 생체신호이고,
상기 파라미터산출단계는,
상기 심전도검사에 따른 생체신호의 특징정보와 상기 광용적맥파검사에 따른 생체신호의 특징정보와의 격차를 상기 혈압관련파라미터로 산출하는 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
심전도검사(ECG) 및 광용적맥파검사(PPG)를 통해 측정된 사용자의 생체신호이고,
상기 파라미터산출단계는,
상기 심전도검사에 따른 생체신호의 특징정보로부터 산출된 맥파전달시간(PTT: pulse transit time) 및 상기 광용적맥파검사에 따른 생체신호의 특징정보로부터 산출된 맥파전달시간의 시점별 격차를 상기 혈압관련파라미터로 산출하는 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
광용적맥파검사(PPG)를 통해 측정된 사용자의 생체신호를 포함하고,
상기 파라미터산출단계는,
상기 광용적맥파검사에 따른 생체신호의 적어도 여덟 가지의 특징정보로부터 상기 혈압관련파라미터를 산출하고,
상기 여덟 가지의 특징정보는,
1) 상기 사용자의 심박,
2) 상기 사용자의 혈압의 맥파의 최저점에서 최고점의 40%에 해당하는 위치에 도달하는 데에 소요되는 제1시간,
3) 상기 사용자의 혈압의 맥파의 최저점에서 최고점에 도달하는 데에 소요되는 시간에서 상기 제1시간을 차감한 제2시간,
4) 상기 사용자의 맥파의 최저점과 상기 맥파의 최저점에서 제1시간만큼 경과한 시점의 맥파값과의 격차인 제1격차,
5) 상기 맥파의 최고점과 최저점과의 격차인 제2격차,
6) LASI(large artery stiffness index)
7) 상기 제2시간을 상기 LASI로 나눈 AI(augmentation index) 및,
8) PPGarea(photoplethysmogram area)을 포함하는 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 삭제
- 제1항에 있어서,
상기 생체신호는,
90 카디악 사이클(cardiac cycle)에 대한 생체신호인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
60 이상 90 이하의 카디악 사이클(cardiac cycle)에 대한 생체신호인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
150 카디악 사이클(cardiac cycle)에 대한 생체신호인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
5초 이상 90초 이하의 시간동안 측정된 생체신호인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항에 있어서,
상기 생체신호는,
광용적맥파검사(PPG)를 통해 측정된 생체신호이고,
상기 혈압평균의 추정값은,
상하지 광체적변동파형(Photoplethysmogram Amplitude)의 크기와 반비례하는 혈압정보로부터 산출된 값인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 방법. - 제1항 내지 제7항, 제9항 내지 제13항 중 어느 한 항에 따른 방법을 구현하기 위한 프로그램을 저장하고 있는 컴퓨터 판독가능한 기록매체.
- 과거기간에 적어도 한 가지 이상의 방식으로 측정된 사용자의 생체신호를 수신하고, 상기 수신된 생체신호를 분석하여 상기 생체신호가 측정된 시점별로 특징정보를 추출하는 특징정보추출단부;
상기 추출된 특징정보를 정규화시키고, 상기 정규화된 특징정보를 기초로 상기 과거기간에 대한 혈압관련파라미터를 산출하는 파라미터산출부;
상기 산출된 혈압관련파라미터를 순환신경망(RNN: Recurrent Neural Network)에 시계열적으로 입력하여 현재시점의 상기 사용자의 정규화된 추정혈압이 출력되도록 제어하는 혈압추정제어부;
상기 추정혈압을 상기 현재시점에서의 혈압평균 및 혈압표준편차의 추정값을 기초로 비정규화(denormalization)시키는 비정규화처리부; 및
상기 정규화된 특징정보를 상기 정규화된 혈압의 값에 따라 적어도 두 가지 이상의 클래스로 분류하는 클래스분류부를 포함하고,
상기 혈압추정제어부는,
상기 클래스의 소프트맥스(softmax)를 기초로 산출되는 크로스 엔트로피(cross entropy)가 최소값이 될 때까지 반복하여, 상기 사용자의 추정혈압이 출력되도록 제어하는 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 장치. - 삭제
- 제15항에 있어서,
상기 생체신호는,
90 카디악 사이클(cardiac cycle)에 대한 생체신호인 것을 특징으로 하는 순환신경망을 이용한 구간혈압 추정 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190045637A KR102202029B1 (ko) | 2019-04-18 | 2019-04-18 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190045637A KR102202029B1 (ko) | 2019-04-18 | 2019-04-18 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200123335A KR20200123335A (ko) | 2020-10-29 |
| KR102202029B1 true KR102202029B1 (ko) | 2021-01-13 |
Family
ID=73129431
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190045637A KR102202029B1 (ko) | 2019-04-18 | 2019-04-18 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102202029B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023026303A1 (en) * | 2021-08-26 | 2023-03-02 | Thalansh Batra | An information processing apparatus and method for continuous estimation of arterial blood pressure |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102517533B1 (ko) * | 2021-03-08 | 2023-04-04 | 주식회사 소프트웨어융합연구소 | 심탄도와 인공지능 기술을 이용한 혈압측정장치 |
| KR102519533B1 (ko) | 2021-03-29 | 2023-04-10 | 조재걸 | 건강 관련 데이터 분석 장치 |
| KR102483567B1 (ko) * | 2021-04-21 | 2023-01-04 | 주식회사 메디코아 | 인공지능 기반의 3분 미만 측정구간의 심박변이도 데이터로부터 5분 또는 3분의 심박변이도 지표를 예측하는 방법 및 그 시스템 |
| CN113303776B (zh) * | 2021-05-28 | 2024-02-09 | 西安理工大学 | 基于循环神经网络的非接触式血压测量方法 |
| KR20230149387A (ko) | 2022-04-19 | 2023-10-27 | 삼성전자주식회사 | 혈압 추정 장치 및 방법 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000107144A (ja) * | 1998-10-01 | 2000-04-18 | Nippon Colin Co Ltd | 血圧監視装置 |
| KR101820511B1 (ko) * | 2016-11-15 | 2018-01-19 | 서울대학교산학협력단 | 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5339818A (en) | 1989-09-20 | 1994-08-23 | University Of Utah Research Foundation | Method for determining blood pressure utilizing a neural network |
| KR20160107007A (ko) * | 2015-03-03 | 2016-09-13 | 삼성전자주식회사 | 혈압 측정 장치 및 방법 |
| US9767557B1 (en) | 2016-06-23 | 2017-09-19 | Siemens Healthcare Gmbh | Method and system for vascular disease detection using recurrent neural networks |
| KR20180111271A (ko) * | 2017-03-31 | 2018-10-11 | 삼성전자주식회사 | 신경망 모델을 이용하여 노이즈를 제거하는 방법 및 장치 |
-
2019
- 2019-04-18 KR KR1020190045637A patent/KR102202029B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000107144A (ja) * | 1998-10-01 | 2000-04-18 | Nippon Colin Co Ltd | 血圧監視装置 |
| KR101820511B1 (ko) * | 2016-11-15 | 2018-01-19 | 서울대학교산학협력단 | 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023026303A1 (en) * | 2021-08-26 | 2023-03-02 | Thalansh Batra | An information processing apparatus and method for continuous estimation of arterial blood pressure |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200123335A (ko) | 2020-10-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102202029B1 (ko) | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 | |
| US12059271B2 (en) | Processing of electrophysiological signals | |
| Dey et al. | InstaBP: cuff-less blood pressure monitoring on smartphone using single PPG sensor | |
| El-Hajj et al. | Deep learning models for cuffless blood pressure monitoring from PPG signals using attention mechanism | |
| Mousavi et al. | Blood pressure estimation from appropriate and inappropriate PPG signals using A whole-based method | |
| KR102154652B1 (ko) | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 | |
| Kachuee et al. | Cuff-less high-accuracy calibration-free blood pressure estimation using pulse transit time | |
| Li et al. | Central blood pressure estimation from distal PPG measurement using semiclassical signal analysis features | |
| Altan et al. | A new approach to early diagnosis of congestive heart failure disease by using Hilbert–Huang transform | |
| CN101061950B (zh) | 利用spo2进行心房纤颤检测 | |
| CN102429649B (zh) | 连续血压测量装置 | |
| Yang et al. | Classification of aortic stenosis using time–frequency features from chest cardio-mechanical signals | |
| CN102551699B (zh) | 非侵入性心输出量确定的系统 | |
| Warmerdam et al. | Hierarchical probabilistic framework for fetal R-peak detection, using ECG waveform and heart rate information | |
| KR20220013559A (ko) | 생리학적 파라미터들을 모니터링하기 위한 시스템 | |
| Isler | Discrimination of systolic and diastolic dysfunctions using multi-layer perceptron in heart rate variability analysis | |
| KR20200127202A (ko) | 수면 단계 검출을 위한 방법, 컴퓨팅 장치 및 웨어러블 장치 | |
| Kılıçkaya et al. | Comparison of different machine learning techniques for the cuffless estimation of blood pressure using PPG signals | |
| Bhoi et al. | QRS Complex Detection and Analysis of Cardiovascular Abnormalities: A Review. | |
| US9320445B2 (en) | System for cardiac condition detection responsive to blood pressure analysis | |
| Zhang et al. | Cascade forest regression algorithm for non-invasive blood pressure estimation using PPG signals | |
| Banerjee et al. | Non-invasive detection of coronary artery disease based on clinical information and cardiovascular signals: A two-stage classification approach | |
| Tanc et al. | Hypertension classification using PPG signals | |
| Zhang et al. | Noninvasive continuous blood pressure estimation with fewer parameters based on RA-ReliefF feature selection and MPGA-BPN models | |
| Simjanoska et al. | ECG-derived Blood Pressure Classification using Complexity Analysis-based Machine Learning. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20190418 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20200911 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20201230 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20210106 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20210107 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20241226 Start annual number: 5 End annual number: 5 |