KR102359362B1 - Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템 - Google Patents

Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템 Download PDF

Info

Publication number
KR102359362B1
KR102359362B1 KR1020210124274A KR20210124274A KR102359362B1 KR 102359362 B1 KR102359362 B1 KR 102359362B1 KR 1020210124274 A KR1020210124274 A KR 1020210124274A KR 20210124274 A KR20210124274 A KR 20210124274A KR 102359362 B1 KR102359362 B1 KR 102359362B1
Authority
KR
South Korea
Prior art keywords
blood pressure
ppg signal
ppg
component
signal
Prior art date
Application number
KR1020210124274A
Other languages
English (en)
Inventor
조성미
이민형
김창현
최창우
이병환
Original Assignee
주식회사 스카이랩스
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 스카이랩스 filed Critical 주식회사 스카이랩스
Priority to KR1020210124274A priority Critical patent/KR102359362B1/ko
Application granted granted Critical
Publication of KR102359362B1 publication Critical patent/KR102359362B1/ko
Priority to CN202280062913.9A priority patent/CN117956941A/zh
Priority to PCT/KR2022/013737 priority patent/WO2023043198A1/ko

Links

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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6825—Hand
    • A61B5/6826—Finger
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Vascular Medicine (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)

Abstract

광전용적맥파(Photoplethysmography, PPG) 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템이 제공된다. 상기 시스템은 서버를 포함하고, 상기 서버는 PPG 신호로부터 제1 딥러닝 모델을 이용하여 PPG 특징을 추출하도록 구성된 신호 특징 추출 컴포넌트, 상기 PPG 신호 감지 반지를 이용하여 측정된 제1 테스트 PPG 신호 및 종래의 혈압계를 이용하여 상기 제1 테스트 PPG 신호와 동시에 측정된 수축기 및 이완기 테스트 혈압들, 및 사용자 정보로부터 제2 딥러닝 모델을 이용하여 사용자 특징을 추출하도록 구성된 사용자 특징 추출 컴포넌트, 및 제3 딥러닝 모델을 이용하여 상기 PPG 특징 및 상기 사용자 특징으로부터 수축기 및 이완기 혈압들을 추정하도록 구성된 혈압 추정 컴포넌트를 포함하고, 상기 PPG 신호는 상기 PPG 신호 감지 반지를 이용하여 측정되고 상기 서버는 상기 PPG 신호 감지 반지로부터 단말기를 통해 상기 PPG 신호를 수신할 수 있다.

Description

PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템 {Deep learning-based blood pressure estimation system using PPG signal sensing ring}
본 개시는 혈압 추정 시스템에 관한 것이다. 보다 구체적으로는 PPG(Photoplethysmography, 광전용적맥파) 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템에 관한 것이다.
혈압은 심장의 펌프 작용에 의해 발생하며 혈압은 혈액이 혈관벽에 미치는 압력이다. 일반적으로 널리 사용되는 혈압 측정 방법은 크로트코프음을 사용한 간접적인 혈압 측정 방법이다. 먼저 팔 윗부분에 커프(cuff)를 감고, 코로트코프음 검출기를 배치한다. 다음으로 커프 압력을 수축기 혈압 이상으로 올리고, 이후 서서히 커프 압력을 내리면 코로트코프음이 들리기 시작한다. 이때의 압력이 수축기 혈압이다. 커프 압력을 더 내리면 코로트코프음이 감소되기 시작하고 코로트코프음이 없어지기 시작한다. 이때의 압력이 이완기 혈압이다. 이러한 종래의 혈압 측정 방법은 팔을 압박함에 따라 사용자가 불편함을 느낄 수 있다. 또한 이러한 종래의 혈압 측정 방법은 실시간으로 혈압을 측정하는 것이 불가능하다.
본 발명의 배경기술은 대한민국 공개특허 제10-2019-0105421호(2019.09.17) 및 대한민국 공개특허 제10-2021-0085867호(2021.07.08)에 개시되어 있다.
본 개시가 해결하고자 하는 과제는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템을 제공하는 것이다.
상술한 과제를 해결하기 위하여 본 개시의 일 실시예에 따른 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템은 서버를 포함하고, 상기 서버는 PPG 신호로부터 제1 딥러닝 모델을 이용하여 PPG 특징을 추출하도록 구성된 신호 특징 추출 컴포넌트, 상기 PPG 신호 감지 반지를 이용하여 측정된 제1 테스트 PPG 신호 및 종래의 혈압계를 이용하여 상기 제1 테스트 PPG 신호와 동시에 측정된 수축기 및 이완기 테스트 혈압들, 및 사용자 정보로부터 제2 딥러닝 모델을 이용하여 사용자 특징을 추출하도록 구성된 사용자 특징 추출 컴포넌트, 및 제3 딥러닝 모델을 이용하여 상기 PPG 특징 및 상기 사용자 특징으로부터 수축기 및 이완기 혈압들을 추정하도록 구성된 혈압 추정 컴포넌트를 포함할 수 있고, 상기 PPG 신호는 상기 PPG 신호 감지 반지를 이용하여 측정되고 상기 서버는 상기 PPG 신호 감지 반지로부터 단말기를 통해 상기 PPG 신호를 수신할 수 있다.
일부 실시예에서, 상기 사용자 정보는 사용자의 나이, 몸무게, 키, 및 성별 중 적어도 하나를 포함할 수 있다.
일부 실시예에서, 상기 테스트 PPG 신호, 상기 수축기 및 이완기 테스트 혈압, 및 상기 사용자 정보는 주기적으로 갱신될 수 있다.
일부 실시예에서, 상기 PPG 신호 감지 반지는 서로 다른 위치에서 각각 복수의 PPG 신호를 동시에 측정하도록 구성된 복수의 센서를 포함하고, 상기 복수의 센서 각각은 광원 및 광전 변환 장치를 포함할 수 있다.
일부 실시예에서, 상기 단말기는 상기 복수의 센서를 이용하여 측정된 제2 테스트 PPG 신호 각각의 DC 성분이 소정의 범위 내이도록 상기 복수의 센서 각각의 상기 광원을 제어하도록 구성되는 광원 제어 컴포넌트를 포함할 수 있다.
일부 실시예에서, 상기 단말기는 상기 복수의 센서 중 상기 복수의 제2 테스트 PPG 신호 중 신호 품질이 가장 높은 제2 테스트 PPG 신호를 측정한 센서를 상기 PPG 신호를 측정하기 위한 센서로서 선택하도록 구성된 센서 선택 컴포넌트를 더 포함할 수 있다.
일부 실시예에서, 상기 복수의 제2 테스트 PPG 신호의 상기 신호 품질은 가속도 신호 크기, 신호 대 잡음 비(Signal to Noise Ratio, SNR), 및 AC 성분 크기 대 DC 성분 크기 비 중 적어도 하나에 의해 평가될 수 있다.
일부 실시예에서, 상기 광원 제어 컴포넌트에 의한 광원 제어 및 상기 센서 선택 컴포넌트에 의한 센서 선택은 순차적으로 수행되고, 상기 광원 제어 컴포넌트에 의한 상기 광원 제어 및 상기 센서 선택 컴포넌트에 의한 상기 센서 선택은 주기적으로 수행될 수 있다.
일부 실시예에서, 상기 서버는 상기 PPG 신호의 신호 품질을 좋음 및 나쁨 중 하나로 분류하도록 구성된 신호 품질 분류 컴포넌트를 더 포함할 수 있다.
일부 실시예에서, 상기 서버는 혈압 지표를 계산하도록 구성된 혈압 지표 계산 컴포넌트를 더 포함하고, 상기 혈압 지표는 상기 신호 품질 분류 컴포넌트에 의해 상기 PPG 신호의 품질이 좋음으로 분류되고 상기 수축기 혈압이 제1 정상 범위로부터 벗어나거나 상기 이완기 혈압이 제2 정상 범위로부터 벗어나는 시간 및 상기 신호 품질 분류 컴포넌트에 의해 상기 PPG 신호의 품질이 좋음으로 분류되는 시간의 비율로 정의될 수 있다.
PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템이 제공된다. 본 발명에 따르면, 혈압을 측정하기 위해 팔을 압박할 필요가 없으므로 사용자가 편리하게 혈압을 측정할 수 있다. 또한 본 발명에 따르면, 실시간으로 혈압을 측정할 수 있다.
도 1은 본 개시의 일 실시예에 따른 PPG 신호 감지 반지의 3차원 도면이다.
도 2는 본 개시의 일 실시예에 따른 PPG 신호 감지 반지의 분해 3차원 도면이다.
도 3은 본 개시의 일 실시예에 따른 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템의 블록도이다.
도 4a 및 도 4b는 전처리 전 PPG 신호들을 나타낸 그래프들이다.
도 4c 및 도 4d는 각각 전처리된 후의 도 4a 및 도 4b의 PPG 신호들을 나타낸 그래프들이다.
도 5a 및 도 5b는 좋은 품질로 분류된 PPG 신호들을 나타낸 그래프들이다.
도 5c 및 도 5d는 나쁜 품질로 분류된 PPG 신호들을 나타낸 그래프들이다.
도 6은 신호 특징 추출 컴포넌트, 사용자 특징 추출 컴포넌트, 및 혈압 추정 컴포넌트를 나타낸 블록도이다.
도 7은 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 방법을 나타낸 흐름도이다.
도 8은 PPG 신호 감지 반지의 센서를 설정하는 방법을 나타낸 흐름도이다.
도 1은 본 개시의 일 실시예에 따른 PPG 신호 감지 반지(100)의 3차원 도면이다. 도 2는 본 개시의 일 실시예에 따른 PPG 신호 감지 반지(100)의 분해 3차원 도면이다.
도 1 및 도 2를 참조하면, PPG 신호 감지 반지(100)는 외부 전극(130), 내부 전극(140), 절연 유닛(150), 탑 커버(110), 동작 표시 유닛(120), 및 복수의 센서(160)를 포함할 수 있다.
외부 전극(130)은 원호 형상을 가질 수 있다. 외부 전극(130)은 도체로 구성될 수 있으며 심전도(ECG: Electrocardiogram)를 측정하기 위한 전극으로서 기능할 수 있다. 또한 외부 전극(130)은 PPG 신호 감지 반지(100)의 외관을 형성할 수 있으며 외부 전극(130)은 사용자의 신체에 접촉될 수 있다.
내부 전극(140)은 고리 형상을 가질 수 있으며, 복수의 센서(160)를 위한 복수의 개구(145)를 가질 수 있다. 내부 전극(140)은 도체로 구성될 수 있으며 심전도를 측정하기 위한 전극으로서 기능할 수 있다. 또한 내부 전극(140)은 PPG 신호 감지 반지(100)의 내관을 형성할 수 있으며 내부 전극(140)은 사용자의 손가락에 접촉할 수 있다.
절연 유닛(150)은 외부 전극(130)과 내부 전극(140) 사이에 배치될 수 있다. 절연 유닛(150)은 외부 전극(130)과 내부 전극(140) 사이의 전기적 절연을 가능하게 할 수 있다.
탑 커버(110)는 원호 형상을 가질 수 있으며 외부 전극(130)과 함께 고리 형상을 형성할 수 있다. 탑 커버(110)는 PPG 신호 감지 반지(100)의 외관을 형성할 수 있다.
동작 표시 유닛(120)은 탑 커버(110)에 결합될 수 있다. 동작 표시 유닛(120)은 복수의 LED, 예컨대 녹색 LED 및 적색 LED를 포함할 수 있다. 동작 표시 유닛(120)은 복수의 LED를 이용하여 PPG 신호 감지 반지(100)의 동작을 표시할 수 있다. 예컨대 측정 시작을 알리기 위해 녹색 LED가 2초간 켜질 수 있으며, 측정 종료를 알리기 위해 녹색 LED가 1초간 켜질 수 있다. 또한 고장을 알리기 위해 적색 LED가 1초 주기로 켜졌다 꺼지기를 반복할 수 있다.
복수의 센서(160)는 사용자의 손가락에 접촉하도록 배치될 수 있다. 복수의 센서(160)는 내부 전극(140)의 복수의 개구(145) 내에 각각 위치할 수 있으며, 내부 전극(140)의 표면으로부터 돌출될 수 있다. 복수의 센서(160)는 서로 다른 위치에서 서로 다른 PPG 신호를 획득하도록 구성될 수 있다. 각각의 센서(160)는 광원 및 광전 변환 장치를 포함할 수 있다.
일부 실시예에서, 도 1 및 도 2에 도시되지 않았으나, PPG 신호 감지 반지(100)는 외부 전극(130), 내부 전극(140) 사이에 배치되는 가속도 센서를 더 포함할 수 있다.
도 3은 본 개시의 일 실시예에 따른 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템(1000)의 블록도이다. 도 4a 및 도 4b는 전처리 전 PPG 신호들을 나타낸 그래프들이다. 도 4c 및 도 4d는 각각 전처리된 후의 도 4a 및 도 4b의 PPG 신호들을 나타낸 그래프들이다. 도 5a 및 도 5b는 좋은 품질로 분류된 PPG 신호들을 나타낸 그래프들이다. 도 5c 및 도 5d는 나쁜 품질로 분류된 PPG 신호들을 나타낸 그래프들이다. 도 6은 신호 특징 추출 컴포넌트(330), 사용자 특징 추출 컴포넌트(340), 및 혈압 추정 컴포넌트(350)를 나타낸 블록도이다.
도 3, 도 4a 내지 도 4d, 도 5a 내지 도 5d 및 도 6을 참조하면, PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템(1000)은 PPG 신호 감지 반지(100), 제1 단말기(200), 서버(300), 및 제2 단말기(400)를 포함할 수 있다.
PPG 신호 감지 반지(100)는 복수의 센서, 예컨대 제1 센서(160A) 및 제2 센서(160B)를 포함할 수 있다. 도 3에는 PPG 신호 감지 반지(100)가 2개의 센서를 포함하는 것으로 도시되었으나, PPG 신호 감지 반지(100)에 포함되는 센서의 수는 2개로 제한되지 않는다. 일부 실시예에서, 도 3에 도시되지 않았으나 PPG 신호 감지 반지(100)는 가속도 센서를 더 포함할 수 있다.
제1 센서(160A)는 제1 광원(161A) 및 제1 광전 변환 장치(164A)를 포함할 수 있다. 제1 센서(160A)는 제1 광원(161A)과 제1 광전 변환 장치(164A)를 이용하여 제1 PPG 신호를 감지할 수 있다. 제1 광원(161A)은 예를 들어 녹색, 적색, 또는 적외선 LED를 포함할 수 있고, 제1 광전 변환 장치(164A)는 포토 다이오드를 포함할 수 있다.
제2 센서(160B)는 제2 광원(161B) 및 제2 광전 변환 장치(164B)를 포함할 수 있다. 제2 센서(160B)는 제2 광원(161B)과 제2 광전 변환 장치(164B)를 이용하여 제2 PPG 신호를 감지할 수 있다. 제2 광원(161B)은 예를 들어 녹색, 적색, 또는 적외선 LED를 포함할 수 있다. 제2 광원(161B)은 제1 광원(161A)과 동일한 파장의 광을 방출할 수 있다. 제2 광전 변환 장치(164B)는 포토 다이오드를 포함할 수 있다.
가속도 센서는 PPG 신호 감지 반지(100)의 가속도를 측정함으로써 사용자의 움직임을 감지할 수 있다.
제1 단말기(200)는 사용자에 의해 사용될 수 있다. 제1 단말기(200)는 예를 들어 스마트폰 또는 태블릿 PC를 포함할 수 있다. 제1 단말기(200)는 유선 또는 무선으로 PPG 신호 감지 반지(100)에 연결될 수 있다. 예를 들어 제1 단말기(200)는 블루투스 또는 와이파이를 이용하여 PPG 신호 감지 반지(100)에 연결될 수 있다. 제1 단말기(200)는 유선 또는 무선으로 서버(300)에 연결될 수 있다. 예를 들어 제1 단말기(200)는 와이파이, 또는 예컨대 3G, LTE, 5G와 같은 이동통신(mobile telecommunication) 기술을 통해 서버(300)에 연결될 수 있다.
제1 단말기(200)는 광원 제어 컴포넌트(210), 센서 선택 컴포넌트(220), 측정 제어 컴포넌트(230), 및 디스플레이 컴포넌트(240)를 포함할 수 있다. 제1 단말기(200)에는 어플리케이션이 설치될 수 있다. 광원 제어 컴포넌트(210), 센서 선택 컴포넌트(220), 측정 제어 컴포넌트(230), 및 디스플레이 컴포넌트(240)는 어플리케이션에 의해 구현될 수 있다. 대안적으로, 제1 단말기(200)는 웹사이트에 접속할 수 있으며, 광원 제어 컴포넌트(210), 센서 선택 컴포넌트(220), 측정 제어 컴포넌트(230), 및 디스플레이 컴포넌트(240)는 웹사이트로 구현될 수 있다.
광원 제어 컴포넌트(210)는 제1 센서(160A) 및 제2 센서(160B)로부터 수신한 두 테스트 PPG 신호 각각의 DC 성분이 소정의 범위를 만족하도록 제1 광원(161A) 및 제2 광원(161B)을 제어할 수 있다.
광원 제어 컴포넌트(210)가 제1 광원(161A) 및 제2 광원(161B)을 제어한 후 센서 선택 컴포넌트(220)는 제1 센서(160A) 및 제2 센서(160B) 중 하나를 이후에 PPG 신호를 측정하기 위한 센서로서 선택할 수 있다. 센서 선택 컴포넌트(220)는 제1 센서(160A) 및 제2 센서(160B) 중 제1 센서(160A) 및 제2 센서(160B)로부터의 두 개의 테스트 PPG 신호 중 신호 품질이 가장 높은 테스트 PPG 신호를 측정한 센서를 선택할 수 있다. 신호 품질은 가속도 신호 크기, 신호 대 잡음 비(Signal to Noise Ratio, SNR), 및 AC 성분 크기 대 DC 성분 크기 비 중 적어도 하나에 의해 평가될 수 있다. 가속도 신호 크기가 작고, 신호 대 잡음 비가 높고 AC 성분 크기 대 DC 성분 크기 비가 높을수록 신호 품질이 높을 수 있다. 이후에 센서 선택 컴포넌트(220)에 의해 선택된 센서에서 PPG 신호가 측정될 수 있다.
광원 제어 컴포넌트(210)에 의한 제1 광원(161A) 및 제2 광원(161B)의 제어 및 센서 선택 컴포넌트(220)에 의한 센서 선택은 순차적으로 수행될 수 있다. 즉, 광원 제어 컴포넌트(210)가 제1 광원(161A) 및 제2 광원(161B)을 제어한 후 센서 선택 컴포넌트(220)가 센서를 선택할 수 있다. 광원 제어 컴포넌트(210)에 의한 제1 광원(161A) 및 제2 광원(161B)의 제어 및 센서 선택 컴포넌트(220)에 의한 센서 선택은 주기적으로 수행될 수 있다. PPG 신호 감지 반지(100)가 손가락에 대하여 이동 또는 회전할 수 있으므로 광원 제어 컴포넌트(210)가 주기적으로 광원을 제어하고 센서 선택 컴포넌트(220)가 주기적으로 센서를 선택할 수 있다.
측정 제어 컴포넌트(230)는 사용자의 입력에 따라 측정 모드를 선택하거나 측정을 개시하거나 종료할 수 있다. 예를 들어 사용자는 측정 제어 컴포넌트(230)를 이용하여 측정 모드를 셀프 체크 모드와 백그라운드 모드 중 선택할 수 있다. 셀프 체크 모드에서 사용자는 측정 제어 컴포넌트(230)를 이용하여 측정을 개시 및 종료할 수 있다. 백그라운드 모드에서는 사용자의 입력과 무관하게 측정이 시작되어 측정이 지속된다. 백그라운드 모드에서 사용자는 측정 주기를 설정하거나 변경할 수 있다. 일부 실시예에서, 측정 제어 컴포넌트(230)는 PPG 신호 감지 반지(100)에 포함될 수 있다. 즉, 사용자는 PPG 신호 감지 반지(100)의 측정 제어 컴포넌트(230)를 이용하여 측정 모드를 선택하거나 측정을 개시하거나 종료할 수 있다. 일부 실시예에서, 측정 제어 컴포넌트(230)는 서버(300)에 포함할 수 있다. 즉, 서비스 제공자는 서버(300)의 측정 제어 컴포넌트(230)를 이용하여 측정 모드를 선택하거나 측정을 개시하거나 종료할 수 있다.
디스플레이 컴포넌트(240)는 PPG 신호 감지 반지(100)에 의해 측정되고 서버(300)의 PPG 신호 저장 컴포넌트(381)에 저장된 PPG 신호, PPG 신호 저장 컴포넌트(381)에 저장된 PPG 신호의 측정 일시, 서버(300)의 신호 품질 분류 컴포넌트(320)에 의해 분류되고 서버(300)의 혈압 저장 컴포넌트(382)에 저장된 신호 품질 분류 결과, 서버(300)의 혈압 추정 컴포넌트(350)에 의해 추정되고 서버(300)의 혈압 저장 컴포넌트(382)에 저장된 혈압, 및 서버(300)의 혈압 지표 계산 컴포넌트(360)에 의해 계산되고 서버(300)의 혈압 지표 저장 컴포넌트(383)에 저장된 혈압 지표 중 적어도 하나를 디스플레이할 수 있다.
서버(300)는 PPG 신호 전처리 컴포넌트(310), 신호 품질 분류 컴포넌트(320), 신호 특징 추출 컴포넌트(330), 사용자 특징 추출 컴포넌트(340), 혈압 추정 컴포넌트(350), PPG 신호 저장 컴포넌트(381), 및 혈압 저장 컴포넌트(382)를 포함할 수 있다. 일부 실시예에서, 서버(300)는 혈압 지표 계산 컴포넌트(360) 및 혈압 지표 저장 컴포넌트(383)를 더 포함할 수 있다. 일부 실시예에서, 서버(300)는 알람 컴포넌트(370)를 더 포함할 수 있다.
PPG 신호 전처리 컴포넌트(310)는 PPG 신호 감지 반지(100)의 선택된 센서로부터 제1 단말기(200)를 통해 서버(300)가 수신한 PPG 신호를 전처리할 수 있다. 예를 들어 PPG 신호를 전처리하기 위해 저역 통과 필터, 고역 통과 필터, 및 정규화(Normalization)가 사용될 수 있다. 도 4a 및 도 4b는 전처리 전 PPG 신호를 나타내며, 도 4c 및 도 4d는 전처리 후 각각 도 4a 및 도 4b의 PPG 신호를 나타낸다. 일부 실시예에서, PPG 신호 전처러 컴포넌트(310)는 PPG 신호 감지 반지(100)의 가속도 센서로부터 제1 단말기(200)를 통해 서버(300)가 수신한 가속도 신호를 전처리할 수 있다.
신호 품질 분류 컴포넌트(320)는 PPG 신호의 신호 품질을 좋음 또는 나쁨으로 분류할 수 있다. 도 5a 및 도 5b는 신호 품질 분류 컴포넌트(320)에 의해 품질이 좋은 것으로 분류된 PPG 신호들이다. 도 5c 및 도 5d는 신호 품질 분류 컴포넌트(320)에 의해 품질이 나쁜 것으로 분류된 PPG 신호들이다. 일부 실싱ㅖ에서, 신호 품질 분류 컴포넌트(320)는 PPG 신호의 신호 품질을 좋음과 나쁨 중 하나로 분류하기 위해 가속도 신호를 참고할 수 있다.
품질이 나쁜 것으로 분류된 PPG 신호로부터 추정된 혈압은 신뢰할 수 없는 것으로 판단할 수 있고, 제1 단말기(200)의 디스플레이 컴포넌트(240)에 의해 디스플레이되지 않을 수 있다. 품질이 좋은 것으로 PPG 신호로부터 추정된 혈압은 신뢰할 수 있는 것으로 판단할 수 있고, 제1 단말기(200)의 디스플레이 컴포넌트(240)에 의해 디스플레이될 수 있다. 대안적인 실시예에서, 신호 품질 분류 결과와 무관하게 PPG 신호로부터 추정된 혈압이 신호 품질 분류 결과와 함께 제1 단말기(200)의 디스플레이 컴포넌트(240)에 의해 디스플레이될 수 있다. 또한, 신호 품질 분류 결과와 무관하게 PPG 신호로부터 추정된 혈압이 신호 품질 분류 결과와 함께 제2 단말기(400)의 디스플레이 컴포넌트(420)에 의해 디스플레이될 수 있다.
일부 실시예에서, 신호 품질 분류 컴포넌트(320)는 딥러닝 모델을 사용할 수 있다. 신호 품질 분류 컴포넌트(320)에 사용되는 딥러닝 모델은 합성곱 신경망(convolution neural network, CNN), 장단기 메모리(Long Short-Term Memory, LSTM), 완전 연결 망(Fully Connected Network, FCN), 인코더, 디코더, 또는 이들의 조합을 포함할 수 있다. 신호 품질을 분류하기 위한 방법은 본 명세서에 설명된 방법으로 제한되지 않는다.
도 6에 도시된 바와 같이, 신호 특징 추출 컴포넌트(330)는 제1 딥러닝 모델을 이용하여 PPG 신호로부터 PPG 특징을 추출할 수 있다. 사용자 특징 추출 컴포넌트(340)는 제2 딥러닝 모델을 이용하여 테스트 PPG 신호, 수축기 및 이완기 테스트 혈압들, 및 사용자 정보로부터 사용자 특징을 추출할 수 있다. 수축기 및 이완기 테스트 혈압들은 종래의 혈압계를 이용하여 테스트 PPG 신호와 동시에 측정될 수 있다. 사용자 정보는 사용자의 나이, 몸무게, 키, 및 성별 중 적어도 하나를 포함할 수 있다. 혈압 추정 컴포넌트(350)는 제3 딥러닝 모델을 이용하여 PPG 특징 및 사용자 특징으로부터 수축 및 이완기 혈압들을 추정할 수 있다. 테스트 PPG 신호, 수축기 및 이완기 테스트 혈압, 및 사용자 정보는 주기적으로 갱신될 수 있다.
제1 딥러닝 모델, 제2 딥러닝 모델, 및 제3 딥러닝 모델 각각은 CNN, LSTM, FCN, 인코더, 디코더, 또는 이들의 조합을 포함할 수 있다. 제1 딥러닝 모델, 제2 딥러닝 모델, 및 제3 딥러닝 모델은 지도 학습을 이용하여 학습될 수 있다. 지도 학습에 필요한 데이터 세트를 충분히 확보하기 위해 데이터 증강이 사용될 수 있다.
혈압 지표 계산 컴포넌트(360)는 혈압 지표를 계산할 수 있다. 혈압 지표는 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되는 시간 및 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되고 수축기 혈압이 제1 정상 범위로부터 벗어나거나 이완기 혈압이 제2 정상 범위로부터 벗어나는 시간에 기초하여 정의될 수 있다. 예를 들어, 혈압 지표는 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되고 수축기 혈압이 제1 정상 범위로부터 벗어나거나 이완기 혈압이 제2 정상 범위로부터 벗어나는 시간 대 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되는 시간의 비로 정의될 수 있다. 즉, 혈압 지표는 신뢰할 수 있는 혈압 추정 결과를 얻을 수 있는 시간 중 이상 혈압이 나타난 시간의 비율을 의미할 수 있다.
알람 컴포넌트(370)는 혈압 추정 컴포넌트(350)에 의해 추정된 혈압 및 혈압 지표 계산 컴포넌트(360)에 의해 계산된 혈압 지표 중 적어도 하나가 제2 단말기(400)의 알람 조건 설정 컴포넌트(410)에 의해 설정된 알람 조건을 만족하면 제1 단말기(200) 및 제2 단말기(400) 중 적어도 하나로 알람을 전송할 수 있다.
PPG 신호 저장 컴포넌트(381)는 PPG 신호 감지 반지(100)의 선택된 센서로부터 제1 단말기(200)를 통해 서버(300)가 수신한 PPG 신호를 저장할 수 있다. PPG 신호 저장 컴포넌트(381)는 PPG 신호의 측정 일시를 더 저장할 수 있다. PPG 신호 저장 컴포넌트(381)는 PPG 신호 전처리 컴포넌트(310)에 의해 전처리된 PPG 신호를 더 저장할 수 있다. PPG 신호 저장 컴포넌트(381)는 PPG 신호 감지 반지(100)의 가속도 센서로부터 제1 단말기(200)를 통해 서버(300)가 수신한 가속도 신호를 더 저장할 수 있다. PPG 신호 저장 컴포넌트(381)는 PPG 신호 전처리 컴포넌트(310)에 의해 전처리된 가속도 신호를 더 저장할 수 있다. 혈압 저장 컴포넌트(382)는 혈압 추정 컴포넌트(350)가 추정한 혈압을 저장할 수 있다. 혈압 저장 컴포넌트(382)는 신호 품질 분류 컴포넌트(320)가 분류한 신호 품질 분류 결과를 더 저장할 수 있다. 혈압 지표 저장 컴포넌트(383)는 혈압 지표 계산 컴포넌트(360)에 의해 계산된 혈압 지표를 저장할 수 있다.
재2 단말기(400)는 유선 또는 무선으로 서버(300)에 연결될 수 있다. 예를 들어 제2 단말기(400)는 와이파이, 또는 예컨대 3G, LTE, 5G와 같은 이동통신(mobile telecommunication) 기술을 통해 서버(300)에 연결될 수 있다. 제2 단말기(400)는 의사에 의해 사용될 수 있다. 제2 단말기(400)는 예를들어 스마트폰, 태블릿 PC, 컴퓨터, 또는 노트북을 포함할 수 있다.
제2 단말기(400)는 알람 조건 설정 컴포넌트(410) 및 디스플레이 컴포넌트(420)를 포함할 수 있다. 제2 단말기(400)는 웹사이트에 접속되거나 어플리케이션이 설치될 수 있다. 알람 조건 설정 컴포넌트(410) 및 디스플레이 컴포넌트(420)는 웹사이트 또는 어플리케이션을 이용하여 구현될 수 있다.
알람 조건 설정 컴포넌트(410)를 이용하여 의사는 알람 조건을 설정할 수 있다. 예를 들어, 140mmHg 초과 또는 90mmHg 미만의 수축기 혈압 또는 90mmH 초과 또는 60mmHg 미만의 이완기 혈압이 10분 이상 지속되면 알람이 울리도록 설정될 수 있다.
디스플레이 컴포넌트(420)는 PPG 신호 저장 컴포넌트(381)로부터 PPG 신호, PPG 신호 저장 컴포넌트(381)로부터 PPG 신호의 측정 일시, PPG 신호 저장 컴포넌트(381)에 저장된 전처리된 PPG 신호, 혈압 저장 컴포넌트(382)로부터의 신호 품질 분류 결과, 혈압 저장 컴포넌트(382)로부터의 혈압, 및 혈압 지표 저장 컴포넌트(383)로부터의 혈압 지표 중 적어도 하나를 디스플레이할 수 있다.
도 7은 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 방법(2000)을 나타낸 흐름도이다.
도 3 및 도 7을 참조하면, 서버(300)는 PPG 신호 감지 반지(100)의 선택된 센서로부터 제1 단말기(200)를 통해 PPG 신호를 수신할 수 있다(S2050). PPG 신호 전처리 컴포넌트(310)는 PPG 신호를 전처리할 수 있다(S2100). 예를 들어 PPG 신호를 전처리하기 위해 저역 통과 필터, 고역 통과 필터, 및 정규화가 사용될 수 있다. 도 4a 및 도 4b는 전처리 전 PPG 신호를 나타내며, 도 4c 및 도 4d는 전처리 후 각각 도 4a 및 도 4b의 PPG 신호를 나타낸다. 일부 실시예에서, PPG 신호 전처리 컴포넌트(310)는 PPG 신호 감지 반지(100)의 가속도 센서로부터 제1 단말기(200)를 통해 서버(300)가 수신한 가속도 신호를 더 전처리할 수 있다.
다음으로, 신호 품질 분류 컴포넌트(320)는 PPG 신호의 신호 품질을 좋음 또는 나쁨으로 분류할 수 있다(S2200). 신호 품질 분류 컴포넌트(320)는 PPG 신호의 신호 품질을 좋음 또는 나쁨으로 분류하기 위해 가속도 정보를 참고할 수 있다. 도 5a 및 도 5b는 신호 품질 분류 컴포넌트(320)에 의해 품질이 좋은 것으로 분류된 PPG 신호들이다. 도 5c 및 도 5d는 신호 품질 분류 컴포넌트(320)에 의해 품질이 나쁜 것으로 분류된 PPG 신호들이다. 품질이 나쁜 것으로 분류된 PPG 신호로부터 추정된 혈압은 신뢰할 수 없는 것으로 판단될 수 있고, 제1 단말기(200)의 디스플레이 컴포넌트(240)에 의해 디스플레이되지 않을 수 있다. 품질이 좋은 것으로 PPG 신호로부터 추정된 혈압은 신뢰할 수 있는 것으로 판단할 수 있고 제1 단말기(200)의 디스플레이 컴포넌트(240)에 의해 디스플레이될 수 있다.
일부 실시예에서, 신호 품질 분류 컴포넌트(320)에 딥러닝 모델이 사용될 수 있다. 신호 품질 분류 컴포넌트(320)에 사용되는 딥러닝 모델은 CNN, LSTM, FCN, 인코더, 디코더, 또는 이들의 조합을 포함할 수 있다. 신호 품질을 분류하기 위한 방법은 본 명세서에 설명된 방법으로 제한되지 않는다.
신호 특징 추출 컴포넌트(330)는 제1 딥러닝 모델을 이용하여 PPG 신호로부터 PPG 특징을 추출할 수 있다(S2300). 사용자 특징 추출 컴포넌트(340)는 제2 딥러닝 모델을 이용하여 테스트 PPG 신호, 수축기 및 이완기 테스트 혈압들, 및 사용자 정보로부터 사용자 특징을 추출할 수 있다(S2400). 수축기 및 이완기 테스트 혈압들은 종래의 혈압계를 이용하여 테스트 PPG 신호와 동시에 측정될 수 있다. 사용자 정보는 사용자의 나이, 몸무게, 키, 및 성별 중 적어도 하나를 포함할 수 있다. 혈압 추정 컴포넌트(350)는 제3 딥러닝 모델을 이용하여 PPG 특징 및 사용자 특징으로부터 수축 및 이완기 혈압들을 추정할 수 있다(S2500). 테스트 PPG 신호, 수축기 및 이완기 테스트 혈압, 및 사용자 정보는 주기적으로 갱신될 수 있다.
제1 딥러닝 모델, 제2 딥러닝 모델, 및 제3 딥러닝 모델 각각은 CNN, LSTM, FCN, 인코더, 디코더, 또는 이들의 조합을 포함할 수 있다. 제1 딥러닝 모델, 제2 딥러닝 모델, 및 제3 딥러닝 모델은 지도 학습을 이용하여 학습될 수 있다. 지도 학습에 필요한 데이터 세트를 충분히 확보하기 위해 데이터 증강이 사용될 수 있다.
다음으로, PPG 신호, 신호 품질 분류 결과, 및 혈압들을 저장할 수 있다(S2570). PPG 신호는 PPG 신호 저장 컴포넌트(381)에 저장될 수 있다. 일부 실시예에서, 전처리된 PPG 신호는 PPG 신호 저장 컴포넌트(381)에 더 저장될 수 있다. 일부 실시예에서, 가속도 신호는 PPG 신호 저장 컴포넌트(381)에 더 저장될 수 있다. 일부 실시예에서, 전처리된 가속도 신호는 PPG 신호 저장 컴포넌트(381)에 더 저장될 수 있다. 신호 품질 분류 결과 및 혈압들은 혈압 저장 컴포넌트(382)에 저장될 수 있다.
다음으로, PPG 신호를 수신하는 단계(S2050), PPG 신호를 전처리하는 단계(S2100), PPG 신호의 품질을 분류하는 단계(S2200), PPG 특징을 추출하는 단계(ㄴ2300), 사용자 특징을 추출하는 단계(S2400), 수축기 및 이완기 혈압들을 추정하는 단계(S2500), PPG 신호, 신호 품질 분류 결과, 및 혈압들을 저장하는 단계(S2570)가 반복될 수 있다.
다음으로, 혈압 지표 계산 컴포넌트(360)는 혈압 지표를 계산할 수 있다(S2600). 혈압 지표는 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되는 시간 및 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되고 수축기 혈압이 제1 정상 범위로부터 벗어나거나 이완기 혈압이 제2 정상 범위로부터 벗어나는 시간에 기초하여 정의될 수 있다. 예를 들어, 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되고 수축기 혈압이 제1 정상 범위로부터 벗어나거나 이완기 혈압이 제2 정상 범위로부터 벗어나는 시간 대 신호 품질 분류 컴포넌트(320)에 의해 PPG 신호의 품질이 좋음으로 분류되는 시간의 비로 정의될 수 있다. 즉, 혈압 지표는 신뢰할 수 있는 혈압 추정 결과를 얻을 수 있는 시간 중 이상 혈압이 나타난 시간을 의미할 수 있다.
다음으로, 혈압 지표가 혈압 지표 저장 컴포넌트(383)에 저장될 수 있다(S2700).
도 8은 PPG 신호 감지 반지의 센서를 설정하는 방법(3000)을 나타낸 흐름도이다.
도 8 및 도 3을 참조하면, 광원 제어 컴포넌트(210)는 복수의 센서를 이용하여 측정된 테스트 PPG 신호 각각의 DC 성분이 소정의 범위를 만족하도록 각각의 광원을 제어할 수 있다(S3100). 이 단계(S3100)는 각각의 센서, 예컨대 제1 센서 (160A) 및 제2 센서(160B)를 PPG 신호를 측정하기에 최상의 상태로 설정하기 위함이다.
다음으로, 센서 선택 컴포넌트(220)는 복수의 센서 중 하나를 이후에 PPG 신호를 측정하기 위한 센서로서 선택할 수 있다(S3200). 센서 선택 컴포넌트(220)는 제1 센서(160A) 및 제2 센서(160B) 중 제1 센서(160A) 및 제2 센서(160B)로부터의 두 개의 테스트 PPG 신호 중 신호 품질이 가장 높은 테스트 PPG 신호를 측정한 센서를 선택할 수 있다. 신호 품질은 가속도 신호 크기, 신호 대 잡음 비 및 AC 성분 크기 대 DC 성분 크기 비 중 적어도 하나에 의해 평가될 수 있다. 가속도 신호 크기가 작고, 신호 대 잡음 비가 높고 AC 성분 크기 대 DC 성분 크기 비가 높을수록 신호 품질이 높을 수 있다. 이후에 센서 선택 컴포넌트(220)에 의해 선택된 센서에서 측정된 PPG 신호가 제1 단말기(200)를 통해 서버(300)에 전달될 수 있다.
복수의 센서 각각의 광원을 제어하는 단계(S3100) 및 센서를 선택하는 단계(S3200)는 순차적으로 수행될 수 있다. 또한, PPG 신호 감지 반지의 센서를 설정하는 방법(3000)은 주기적으로 수행될 수 있다. PPG 신호 감지 반지(100)가 손가락에 대하여 이동 또는 회전할 수 있으므로 광원 제어 컴포넌트(210)가 주기적으로 광원을 제어하고(S3100) 센서 선택 컴포넌트(220)가 주기적으로 센서를 선택할 수 있다(S3200).
본 개시에 개시된 실시예들은 본 개시의 기술적 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 개시의 기술 사상의 범위가 한정되는 것은 아니다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술적 사상은 본 개시의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: PPG 신호 감지 반지, 110: 탑 커버, 120: 동작 표시 유닛, 130: 외부 전극, 140: 내부 전극, 150: 절연 유닛, 160, 160A, 160B: 센서, 161A, 161B: 광원, 164A, 164B: 광전 변환 장치, 200: 제1 단말기, 210: 광원 제어 컴포넌트, 220: 센서 선택 컴포넌트, 340: 측정 제어 컴포넌트, 240: 디스플레이 컴포넌트, 300: 서버, 310: PPG 신호 전처리 컴포넌트, 320: 신호 품질 분류 컴포넌트, 330: 신호 특징 추출 컴포넌트, 340: 사용자 특징 추출 컴포넌트, 350: 혈압 추정 컴포넌트, 360: 혈압 지표 계산 컴포넌트, 370: 알람 컴포넌트, 381: PPG 신호 저장 컴포넌트, 382: 혈압 저장 컴포넌트, 383: 혈압 지표 저장 컴포넌트, 1000: PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템, 2000: PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 방법, 3000: PPG 신호 감지 반지의 센서를 설정하는 방법

Claims (10)

  1. 광전용적맥파(Photoplethysmography, PPG) 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템으로서, 상기 시스템은 서버를 포함하고, 상기 서버는
    PPG 신호로부터 제1 딥러닝 모델을 이용하여 PPG 특징을 추출하도록 구성된 신호 특징 추출 컴포넌트;
    상기 PPG 신호 감지 반지를 이용하여 측정된 제1 테스트 PPG 신호 및 종래의 혈압계를 이용하여 상기 제1 테스트 PPG 신호와 동시에 측정된 수축기 및 이완기 테스트 혈압들, 및 사용자 정보로부터 제2 딥러닝 모델을 이용하여 사용자 특징을 추출하도록 구성된 사용자 특징 추출 컴포넌트; 및
    제3 딥러닝 모델을 이용하여 상기 PPG 특징 및 상기 사용자 특징으로부터 수축기 및 이완기 혈압들을 추정하도록 구성된 혈압 추정 컴포넌트를 포함하고,
    상기 PPG 신호는 상기 PPG 신호 감지 반지를 이용하여 측정되고 상기 서버는 상기 PPG 신호 감지 반지로부터 단말기를 통해 상기 PPG 신호를 수신하고,
    상기 PPG 신호 감지 반지는 서로 다른 위치에서 각각 복수의 PPG 신호를 동시에 측정하도록 구성된 복수의 센서를 포함하고,
    상기 복수의 센서 각각은 광원 및 광전 변환 장치를 포함하고.
    상기 단말기는 상기 복수의 센서를 이용하여 측정된 제2 테스트 PPG 신호 각각의 DC 성분이 소정의 범위 내이도록 상기 복수의 센서 각각의 상기 광원을 제어하도록 구성되는 광원 제어 컴포넌트, 및 상기 복수의 센서 중 상기 복수의 제2 테스트 PPG 신호 중 신호 품질이 가장 높은 제2 테스트 PPG 신호를 측정한 센서를 상기 PPG 신호를 측정하기 위한 센서로서 선택하도록 구성된 센서 선택 컴포넌트를 포함하고,
    상기 광원 제어 컴포넌트에 의한 광원 제어 및 상기 센서 선택 컴포넌트에 의한 센서 선택은 순차적으로 수행되고,
    상기 광원 제어 컴포넌트에 의한 상기 광원 제어 및 상기 센서 선택 컴포넌트에 의한 상기 센서 선택은 주기적으로 수행되는 것을 특징으로 하는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템.
  2. 제1 항에 있어서,
    상기 사용자 정보는 사용자의 나이, 몸무게, 키, 및 성별 중 적어도 하나를 포함하는 것을 특징으로 하는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템.
  3. 제1 항에 있어서,
    상기 테스트 PPG 신호, 상기 수축기 및 이완기 테스트 혈압, 및 상기 사용자 정보는 주기적으로 갱신되는 것을 특징으로 하는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 제1 항에 있어서,
    상기 복수의 제2 테스트 PPG 신호의 상기 신호 품질은 가속도 신호 크기, 신호 대 잡음 비(Signal to Noise Ratio, SNR), 및 AC 성분 크기 대 DC 성분 크기 비 중 적어도 하나에 의해 평가되는 것을 특징으로 하는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템.
  8. 삭제
  9. 제1 항에 있어서,
    상기 서버는 상기 PPG 신호의 신호 품질을 좋음 및 나쁨 중 하나로 분류하도록 구성된 신호 품질 분류 컴포넌트를 더 포함하는 것을 특징으로 하는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템.
  10. 제9 항에 있어서,
    상기 서버는 혈압 지표를 계산하도록 구성된 혈압 지표 계산 컴포넌트를 더 포함하고,
    상기 혈압 지표는 상기 신호 품질 분류 컴포넌트에 의해 상기 PPG 신호의 품질이 좋음으로 분류되고 상기 수축기 혈압이 제1 정상 범위로부터 벗어나거나 상기 이완기 혈압이 제2 정상 범위로부터 벗어나는 시간 및 상기 신호 품질 분류 컴포넌트에 의해 상기 PPG 신호의 품질이 좋음으로 분류되는 시간의 비율로 정의되는 것을 특징으로 하는 PPG 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템.
KR1020210124274A 2021-09-16 2021-09-16 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템 KR102359362B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210124274A KR102359362B1 (ko) 2021-09-16 2021-09-16 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템
CN202280062913.9A CN117956941A (zh) 2021-09-16 2022-09-14 一种基于深度学习的使用ppg信号检测戒指的血压估计系统
PCT/KR2022/013737 WO2023043198A1 (ko) 2021-09-16 2022-09-14 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210124274A KR102359362B1 (ko) 2021-09-16 2021-09-16 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템

Publications (1)

Publication Number Publication Date
KR102359362B1 true KR102359362B1 (ko) 2022-02-08

Family

ID=80252228

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210124274A KR102359362B1 (ko) 2021-09-16 2021-09-16 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템

Country Status (3)

Country Link
KR (1) KR102359362B1 (ko)
CN (1) CN117956941A (ko)
WO (1) WO2023043198A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023043198A1 (ko) * 2021-09-16 2023-03-23 주식회사 스카이랩스 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170004607A (ko) * 2015-07-03 2017-01-11 삼성전자주식회사 생체 정보 검출 장치 및 방법
KR20170073051A (ko) * 2015-12-18 2017-06-28 삼성전자주식회사 혈압을 산출하는 방법 및 장치
KR20180053741A (ko) * 2015-09-23 2018-05-23 퀄컴 인코포레이티드 혈압 측정을 획득하기 위한 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102100698B1 (ko) * 2019-05-29 2020-05-18 (주)제이엘케이 앙상블 학습 알고리즘을 이용한 인공지능 기반 진단 보조 시스템
KR102359362B1 (ko) * 2021-09-16 2022-02-08 주식회사 스카이랩스 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170004607A (ko) * 2015-07-03 2017-01-11 삼성전자주식회사 생체 정보 검출 장치 및 방법
KR20180053741A (ko) * 2015-09-23 2018-05-23 퀄컴 인코포레이티드 혈압 측정을 획득하기 위한 시스템 및 방법
KR20170073051A (ko) * 2015-12-18 2017-06-28 삼성전자주식회사 혈압을 산출하는 방법 및 장치

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023043198A1 (ko) * 2021-09-16 2023-03-23 주식회사 스카이랩스 Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템

Also Published As

Publication number Publication date
CN117956941A (zh) 2024-04-30
WO2023043198A1 (ko) 2023-03-23

Similar Documents

Publication Publication Date Title
US20210307692A1 (en) Apparatus and method for measuring biometric information
TWI258359B (en) Apparatus for evaluating cardiovascular functions
US9504401B2 (en) Atrial fibrillation analyzer and program
US11076768B2 (en) Operating method of 3D physiological detection system
US11576583B2 (en) Noninvasive blood pressure measurement method and device
JP6608527B2 (ja) 装置、端末および生体情報システム
WO2013165740A1 (en) Systems and methods for identifying portions of a physilogical signal usable for determining physiiological information
KR102359362B1 (ko) Ppg 신호 감지 반지를 이용한 딥러닝 기반 혈압 추정 시스템
CN103876726A (zh) 一种基于电势和光电检测方法的智能心电监护装置
TW201716029A (zh) 具有心率分析模組之血壓計
CN112426141A (zh) 血压检测方法、装置以及电子设备
TWM554775U (zh) 無線式體位偵測血壓連續量測系統
KR102385869B1 (ko) 생체 신호 감지 반지를 이용한 생체 데이터 모니터링 플랫폼
JP2013111444A (ja) うっ血判定装置、脈波測定装置及びうっ血判定方法
WO2013103854A1 (en) Systems and methods for determining physiological information using autocorrelation with gaps
US20210290085A1 (en) Optical medical detection device
US20200029839A1 (en) Smart personal portable blood pressure measuring system and method for calibrating blood pressure measurement using the same
JP2006192052A (ja) 血圧測定装置
KR102592969B1 (ko) Ppg 신호 감지 반지를 이용한 딥러닝 기반 심방 세동 판정 시스템
KR20230040761A (ko) Ppg 신호 감지 반지를 이용한 산소포화도 추정 시스템
KR20080059369A (ko) 심전도 이상유무 알림방법
KR100858554B1 (ko) 심전도 측정장치
CN111297341A (zh) 一种动态血压检测设备及脉搏波特征提取设备
US20240122488A1 (en) Wearable Apparatus For Measuring Blood Pressure Signal
KR102622935B1 (ko) 의료장치

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant