KR102397941B1 - 혈압을 추정하는 방법 및 장치 - Google Patents

Abstract

일 측면에 따른 피검자의 혈압을 측정하는 방법은, 제1 카메라를 통하여 촬영된 상기 피검자의 제1 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제1 신체 부위에 대응하는 제1 맥파 신호를 획득하는 단계; 상기 제1 카메라와 이격된 위치에 배치된 제2 카메라를 통하여 촬영된 상기 피검자의 제2 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제2 신체 부위에 대응하는 제2 맥파 신호를 획득하는 단계; 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호를 보정하는 단계; 및 머신 러닝(machine learning) 기술을 이용하여 상기 보정된 제2 맥파 신호 및 상기 제1 맥파 신호로부터 상기 피검자의 혈압을 예측하는 단계;를 포함한다.

Description

혈압을 추정하는 방법 및 장치 {A method and an apparatus for estimating blood pressure}

혈압을 추정하는 방법 및 장치에 관한다.

생체신호에는 건강상태를 알 수 있는 다양한 정보가 포함되어 있다. 따라서, 피검자의 생체신호를 측정하고, 측정된 생체신호로부터 피검자의 현재 건강 상태를 알 수 있다. 이러한 목적으로 널리 측정되고 있는 생체신호 중 하나가 혈압이다.

이에, 피검자가 쉽게 자신의 혈압을 측정할 수 있도록 하는 혈압계에 대한 다양한 연구가 진행되었다. 특히, 전자산업의 발달로 간접적인 방법으로 혈압을 측정할 수 있는 자동화된 혈압계가 발달되었다. 예를 들어, 요골동맥을 빠르고 높은 정확도로 찾을 수 있는 혈압측정장치 및 혈압측정방법이 개시되었다.

그러나, 이러한 종래의 혈압계는 부피가 비교적 커서 휴대하기에 어려움이 있으며, 혈압을 측정할 때마다 거프를 착용해야 하므로 번거로운 단점이 있다.

중추신경계와 자율신경계를 통해 생리적 반응을 나타내는 대표적인 생체신호 중의 하나인 맥파는 측정법이 대상자에게 불편함을 최소화하면서 심박 주기를 검출할 수 있는 효과적인 방법들 중 하나이기 때문에 유비쿼터스 헬스케어(u-Healthcare) 분야에서 많이 연구되고 있는 생체신호이다.

심박주기는 태아, 환자, 노인들의 질병감시 및 측정을 통해 임상에서 중요한 신호로 사용되고 있다. 특히, 심박변이도(Heart Rate Variability; 이하 “HRV”라 한다)는 심박주기의 연속적인 변화들을 순차적으로 연결하여 일렬의 데이터로 만든 신호이며, 자율신경계의 상태를 측정하기 위한 비침습성(Non-invasive)의 도구로 사용된다. 또한 HRV는 스트레스, 수면분석, 감성분석 등의 연구에 매우 유용한 표시자로서 활용되고 있다.

맥파는 심장 수축과 이완에 의하여 맥동성 파형으로 전파되면서 혈관의 용적 변화가 나타난다. 광용적맥파 측정법(photoplethysmograph, 이하 “PPG”라 한다)은 빛을 이용하여 맥파를 측정하는 방법으로, 혈관의 용적 변화시 나타나는 생체조직의 반사, 흡수 투과비 등의 광학적 특성의 변화를 광센서에서 감지하여 측정한다. 심전도와는 달리 말초혈관에 전달된 혈류의 변화를 측정하게 되지만 심전도전극을 사용하지 않고 손가락, 이마, 귓불 등에 광원과 광센서를 적용하여 간편하게 맥파를 측정할 수 있다. 또한 PPG를 이용한 맥파의 변화가 심전도의 변화는 아니지만, PPG로부터 측정된 맥파의 변이도로 HRV를 추정할 수 있다. PPG는 웨어러블 측정기기에 적합한 방법이기도 하지만 측정 방법의 특성상 동잡음에 매우 민감하게 반응하므로 이를 처리하기 위한 다양한 연구가 진행되어 왔다.

현재까지 맥파를 측정하기 위해 여러 연구에서 제시된 방식의 공통점은 맥파를 측정하기 위한 별도의 광원과 광센서를 이용하였고, 그 결과를 호스트 PC, 서버 또는 스마트폰과 같은 모바일 기기에 전송하는 방식이 대부분이었다. 대부분의 맥파 측정 방식은 간단하고 편리하지만 별도의 측정 기기를 필요로 하기 때문에 사용자의 휴대성이 떨어지고 측정 기기의 전원 공급에 따른 사용시간이 줄어든다. 따라서 u-Healthcare 장비로서의 장점이 떨어지게 되어 사용상의 제약이 커지게 되는 문제점이 있다.

또한, 최근 모바일 단말에 장착된 다양한 생체신호인식센서, 예를 들면 PPG 센서 또는 모바일 단말의 후면에 구비된 카메라를 이용하는 기술들이 연구되고 있다.

[선행기술문헌 번호]

선행문헌 1: 한국 등록특허공보 제10-136680호

선행문헌 2: "스마트폰의 CMOS 영상센서를 이용한 광용적맥파 측정방법 개발" 한국산학기술학회논문지 제7권 제6호, 2015

실시 예들은 본 발명을 전술한 문제점을 해결하고자 창출된 것으로, 혈압을 추정하는 방법 및 장치를 제공하는 데 있다. 또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다. 해결하려는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.

일 측면에 따른 피검자의 혈압을 측정하는 방법은, 제1 카메라를 통하여 촬영된 상기 피검자의 제1 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제1 신체 부위에 대응하는 제1 맥파 신호를 획득하는 단계; 상기 제1 카메라와 이격된 위치에 배치된 제2 카메라를 통하여 촬영된 상기 피검자의 제2 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제2 신체 부위에 대응하는 제2 맥파 신호를 획득하는 단계; 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호를 보정하는 단계; 및 머신 러닝(machine learning) 기술을 이용하여 상기 보정된 제2 맥파 신호 및 상기 제1 맥파 신호로부터 상기 피검자의 혈압을 예측하는 단계;를 포함한다.

상술한 방법에 있어서, 상기 제1 맥파 신호는 상기 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비(signal to noise ratio)가 높은 신호를 포함한다.

상술한 방법에 있어서, 상기 보정하는 단계는, 적응적 필터(adaptive filter)를 통해 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호에 포함된 노이즈(noise)를 제거함으로써 상기 제2 맥파 신호를 보정한다.

상술한 방법에 있어서, 상기 적응적 필터는 LMS(Least Mean Square) 필터, NLMS(Normalized Least Mean Square) 필터 및 RLS(Recursive Least Square) 필터 중 적어도 하나를 포함한다.

상술한 방법에 있어서, 상기 제1 맥파 신호를 획득하는 단계는, 상기 적어도 하나의 영상의 RGB 값 중 G 값을 각각의 영상 프레임별로 평균하여 제1 영상 신호를 생성하고, 상기 생성된 제1 영상 신호에 IIR 필터를 적용하여 상기 맥파 신호를 추출한다.

상술한 방법에 있어서, 상기 머신 러닝 기술은 회귀 모델(regression model)에 기반한 머신 러닝 기술을 포함한다.

상술한 방법에 있어서, 상기 제1 신체 부위는 상기 피검자의 손가락을 포함하고, 상기 제2 신체 부위는 상기 피검자의 안면을 포함한다.

다른 측면에 따른 컴퓨터로 읽을 수 있는 기록매체는, 상술한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 기록매체를 포함한다.

또 다른 측면에 따른 피검자의 혈압을 측정하는 장치는, 제1 카메라; 상기 제1 카메라와 이격된 위치에 배치된 제2 카메라; 메모리; 및 프로세서;를 포함하고, 상기 프로세서는, 상기 제1 카메라를 통하여 촬영된 상기 피검자의 제1 신체 부위에 대응하는 적어도 하나의 영상에 기초하여 상기 제1 신체 부위에 대응하는 제1 맥파 신호를 획득하고, 상기 제2 카메라를 통해 촬영된 상기 피검자의 제2 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제2 신체 부위에 대응하는 제2 맥파 신호를 획득하고, 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호를 보정하고, 머신 러닝(machine learning) 기술을 이용하여 상기 보정된 제2 맥파 신호 및 상기 제1 맥파 신호로부터 상기 피검자의 혈압을 예측한다.

상술한 장치에 있어서, 상기 제1 맥파 신호는 상기 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비(signal to noise ratio)가 높은 신호를 포함한다.

상술한 장치에 있어서, 상기 프로세서는, 적응적 필터(adaptive filter)를 통해 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호에 포함된 노이즈(noise)를 제거함으로써 상기 제2 맥파 신호를 보정한다.

상술한 장치에 있어서, 상기 적응적 필터는 LMS(Least Mean Square) 필터, NLMS(Normalized Least Mean Square) 필터 및 RLS(Recursive Least Square) 필터 중 적어도 하나를 포함한다.

상술한 장치에 있어서, 상기 프로세서는, 상기 적어도 하나의 영상의 RGB 값 중 G 값을 각각의 영상 프레임별로 평균하여 제1 영상 신호를 생성하고, 상기 생성된 제1 영상 신호에 IIR 필터를 적용하여 상기 맥파 신호를 추출한다.

상술한 장치에 있어서, 상기 머신 러닝 기술은 회귀 모델(regression model)에 기반한 머신 러닝 기술을 포함한다.

상술한 장치에 있어서, 상기 제1 신체 부위는 상기 피검자의 손가락을 포함하고, 상기 제2 신체 부위는 상기 피검자의 안면을 포함한다.

본 발명의 일부 실시 예에 따른 혈압을 추정하는 방법 및 장치는, 피검자의 안면을 촬영한 영상으로부터 피검자의 혈압을 정확하게 추정할 수 있기 때문에, 혈압을 측정함에 있어서 별도의 도구(예를 들어, 거프 등)가 필요하지 않다.

또한, 본 발명의 일부 실시 예에 따른 혈압을 추정하는 방법 및 장치는, 모바일 단말기(예를 들어, 스마트폰 등)에 의하여 실시될 수 있기 때문에, 피검자가 매우 쉽고 간편하게 자신의 혈압을 측정할 수 있다.

본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

도 1은 일부 실시예에 따른 혈압을 추정하는 방법의 일 예를 설명하기 위한 도면이다.
도 2는 일부 실시예에 따른 혈압을 추정하는 장치의 일 예를 도시한 구성도이다.
도 3은 일부 실시예에 따른 모바일 단말의 일 예를 도시한 구성도이다.
도 4는 일부 실시예에 따른 혈압을 추정하는 방법의 일 예를 도시한 흐름도이다.
도 5는 일부 실시예에 따른 제1 카메라가 제1 신체 부위를 나타내는 영상을 촬영하는 예를 설명하기 위한 도면이다.
도 6은 일부 실시예에 따른 제2 카메라가 제2 신체 부위를 나타내는 영상을 촬영하는 예를 설명하기 위한 도면이다.
도 7a 내지 도 7d는 일부 실시예에 따른 프로세서가 제1 맥파 신호 및 제2 맥파 신호를 추출하는 일 예를 설명하기 위한 도면들이다.
도 8은 일부 실시예에 따른 프로세서가 제2 맥파 신호를 보정하는 일 예를 설명하기 위한 도면이다.
도 9는 일부 실시예에 따른 보정된 제2 맥파 신호의 일 예를 설명하기 위한 도면이다.
도 10은 일부 실시예에 따른 혈압 추정 장치가 동작하는 일 예를 설명하기 위한 도면이다.

아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시 예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 또한, 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

본 개시에서 사용되는 용어는, 본 개시에서 언급되는 기능을 고려하여 현재 사용되는 일반적인 용어로 기재되었으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 다양한 다른 용어를 의미할 수 있다. 따라서 본 개시에서 사용되는 용어는 용어의 명칭만으로 해석되어서는 안되며, 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 해석되어야 한다.

또한, 본 개시에서 사용된 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것이며, 본 개시를 한정하려는 의도로 사용되는 것이 아니다. 단수의 표현은 문맥상 명백하게 단수를 뜻하지 않는 한, 복수의 의미를 포함한다. 또한, 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.

본 명세서, 특히, 특허 청구 범위에서 사용된 상기 및 이와 유사한 지시어는 단수 및 복수 모두를 지시하는 것일 수 있다. 또한, 본 개시에 따른 방법을 설명하는 단계들의 순서를 명백하게 지정하는 기재가 없다면, 기재된 단계들은 적당한 순서로 행해질 수 있다. 기재된 단계들의 기재 순서에 따라 본 개시가 한정되는 것은 아니다.

본 명세서에서 다양한 곳에 등장하는 "일부 실시 예에서" 또는 "일 실시 예에서" 등의 어구는 반드시 모두 동일한 실시 예를 가리키는 것은 아니다.

본 개시의 일부 실시 예는 기능적인 블록 구성들 및 다양한 처리 단계들로 나타내어질 수 있다. 이러한 기능 블록들의 일부 또는 전부는, 특정 기능들을 실행하는 다양한 개수의 하드웨어 및/또는 소프트웨어 구성들로 구현될 수 있다. 예를 들어, 본 개시의 기능 블록들은 하나 이상의 마이크로프로세서들에 의해 구현되거나, 소정의 기능을 위한 회로 구성들에 의해 구현될 수 있다. 또한, 예를 들어, 본 개시의 기능 블록들은 다양한 프로그래밍 또는 스크립팅 언어로 구현될 수 있다. 기능 블록들은 하나 이상의 프로세서들에서 실행되는 알고리즘으로 구현될 수 있다. 또한, 본 개시는 전자적인 환경 설정, 신호 처리, 및/또는 데이터 처리 등을 위하여 종래 기술을 채용할 수 있다. 매커니즘, 요소, 수단 및 구성 등과 같은 용어는 넓게 사용될 수 있으며, 기계적이고 물리적인 구성들로서 한정되는 것은 아니다.

또한, 도면에 도시된 구성 요소들 간의 연결 선 또는 연결 부재들은 기능적인 연결 및/또는 물리적 또는 회로적 연결들을 예시적으로 나타낸 것일 뿐이다. 실제 장치에서는 대체 가능하거나 추가된 다양한 기능적인 연결, 물리적인 연결, 또는 회로 연결들에 의해 구성 요소들 간의 연결이 나타내어질 수 있다.

이하 첨부된 도면을 참고하여 본 실시 예들을 상세히 설명하기로 한다.

도 1은 일부 실시 예에 따른 혈압을 추정하는 방법의 일 예를 설명하기 위한 도면이다.

도 1을 참조하면, 피검자(10)는 모바일 단말(20)을 이용하여 자신의 혈압을 측정할 수 있다. 다시 말해, 모바일 단말(20)은 피검자(10)의 혈압을 측정하고, 측정된 혈압을 나타내는 이미지를 화면에 디스플레이할 수 있다. 여기에서, 모바일 단말(20)은 데이터의 처리 및 연산 능력을 갖는 적어도 하나의 프로세서를 포함하는 장치를 의미한다. 예를 들어, 모바일 단말(20)은 스마트폰, 웨어러블 디바이스, 태블릿 PC 등이 해당될 수 있으나, 이에 제한되지 않는다.

일반적으로, 혈압의 측정을 위해서는 거프를 포함하는 별도의 혈압 측정 장치가 필요하다. 따라서, 피검자(10)가 혈압을 측정하기 위해서는, 별도의 혈압 측정 장치가 구비된 장소(예를 들어, 병원)를 방문하여야 하므로, 피검자(10)가 원하는 시간 및 장소에서 자유롭게 혈압을 측정하는 것에는 제약이 따른다.

한편, 근래에 모바일 단말에 포함된 카메라를 통하여 혈압을 측정하는 기술이 개발되고 있다. 구체적으로, 피검자(10)가 카메라에 손가락을 접촉하면, 피검자(10)의 혈압이 측정되는 방식이 보급되고 있다. 이 경우, 피검자(10)가 손가락을 카메라의 위치에 정확하게 접촉해야 하며, 혈압이 측정되는 동안 손가락의 접촉을 유지하고 있어야 하는 불편이 따른다.

일부 실시 예에 따른 혈압을 추정하는 방법은 모바일 단말(20)에서 동작할 수 있도록 구현이 가능하며, 이에 따라 피검자(10)는 자신이 휴대하는 모바일 단말(20)을 통해서 용이하게 혈압의 측정 결과를 확인할 수 있다. 또한, 일부 실시 예에 따른 혈압을 추정하는 방법에 의할 경우, 피검자(10)의 안면을 촬영한 영상에 기반하여 혈압의 추정(측정)이 가능한 바, 혈압을 측정하기 위한 피검자(10)의 불필요한 동작(예를 들어, 카메라에 손가락을 접촉하는 상태를 유지)이 요구되지 않는다.

이하, 도 2 내지 도 13을 참조하여, 일 실시 예에 따른 혈압을 추정하는 방법 및 혈압을 추정하는 장치의 예들을 설명한다.

도 2는 일부 실시 예에 따른 혈압을 추정하는 장치의 일 예를 도시한 구성도이다.

도 2를 참조하면, 혈압 추정 장치(100)는 제1 카메라(110), 제2 카메라(120), 메모리(130) 및 프로세서(140)를 포함한다. 도 2에 도시된 혈압 추정 장치(100)에는 본 실시예와 관련된 구성요소들만이 도시되어 있다. 따라서, 도 2에 도시된 구성요소들 외에 다른 범용적인 구성요소들이 더 포함될 수 있음을 본 실시예와 관련된 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

도 2에 도시된 혈압 추정 장치(100)는 도 1의 모바일 단말(20)로 구현될 수 있고, 더욱 상세하게는 도 3을 참조하여 후술할 모바일 단말(300)로 구현될 수 있다.

제1 카메라(110)는 피검자(10)의 제1 신체 부위에 대응하는 적어도 하나의 영상을 촬영한다. 예를 들어, 제1 신체 부위는 피검자(10)의 손가락의 적어도 일 부분이 해당될 수 있고, 바람직하게는, 제1 신체 부위는 피검자(10)의 손가락의 끝 부분에 해당될 수 있다. 그러나, 제1 신체 부위는 손가락의 부분에 한정되지 않으며, 카메라에 의하여 촬영될 수 있는 신체 부위라면 제한 없이 해당될 수 있다. 제1 카메라(110)가 제1 신체 부위에 대응하는 적어도 하나의 영상을 촬영하는 예는 도 5를 참조하여 후술한다.

제2 카메라(120)는 피검자(10)의 제2 신체 부위를 나타내는 적어도 하나의 영상을 촬영한다. 예를 들어, 제2 신체 부위는 피검자(10)의 안면에 해당될 수 있다. 그러나, 제2 신체 부위는 안면에 한정되지 않으며, 카메라에 의하여 촬영될 수 있는 신체 부위라면 제한 없이 해당될 수 있다. 제2 카메라(120)가 제2 신체 부위에 대응하는 적어도 하나의 영상을 촬영하는 예는 도 6을 참조하여 후술한다.

메모리(130)는 제1 카메라(110) 및 제2 카메라(120)에 의하여 촬영된 영상들을 저장한다. 또한, 메모리(130)는 프로세서(140)가 동작하기 위하여 필요한 적어도 하나의 프로그램을 저장한다. 또한, 메모리(130)는, 혈압 추정 장치(100)가 동작함으로써 생성하거나, 혈압 추정 장치(100)가 동작하는데 필요한 다양한 데이터를 저장할 수 있다.

프로세서(140)는 혈압 추정 장치(100)에 포함된 구성들을 전반적으로 제어한다. 또한, 프로세서(140)는 제1 카메라(110)에 의하여 촬영된 영상 및 제2 카메라(120)에 의하여 촬영된 영상에 기초하여, 피검자(10)의 혈압을 예측한다. 예를 들어, 프로세서(140)는 제1 카메라(110)를 통하여 촬영된 적어도 하나의 영상에 기초하여 제1 신체 부위에 대응하는 제1 맥파 신호를 획득한다. 또한, 프로세서(140)는 제2 카메라(120)를 통하여 촬영된 적어도 하나의 영상에 기초하여 제2 신체 부위에 대응하는 제2 맥파 신호를 획득한다. 그리고, 프로세서(140)는 제1 맥파 신호에 기초하여 제2 맥파 신호를 보정하고, 머신 러닝(machine learning) 기술을 이용하여 보정된 제2 맥파 신호 및 제1 맥파 신호로부터 피검자(10)의 혈압을 예측한다.

예를 들어, 프로세서(140)는 다수의 논리 게이트들의 어레이로 구현될 수도 있고, 범용적인 마이크로 프로세서와 이 마이크로 프로세서에서 실행될 수 있는 프로그램이 저장된 메모리의 조합으로 구현될 수도 있다. 또한, 다른 형태의 하드웨어로 구현될 수도 있음을 본 실시예가 속하는 기술분야에서 통상의 지식을 가진 자라면 이해할 수 있다.

프로세서(140)가 피검자(10)의 혈압을 예측하는 예는 도 4내지 도 10을 참조하여 후술한다.

한편, 도 1을 참조하여 상술한 바와 같이, 혈압 추정 장치(100)는 모바일 단말(20)에 의하여 구현될 수도 있다. 또한, 혈압 추정 장치(100)의 동작(구체적으로, 프로세서(140)의 기능)은 모바일 단말(20)과 분리된 서버(미도시)에 의하여 구현될 수도 있다. 이하, 도 3을 참조하여, 혈압 추정 장치(100)가 모바일 단말(20)에 구현된 예를 설명한다.

도 3은 일부 실시예에 따른 모바일 단말의 일 예를 도시한 구성도이다.

도 2를 참조하여 상술한 혈압 추정 장치(100)는 도 3에 도시된 모바일 단말(300)이거나 또는 모바일 단말의 프로세서(320)일 수 있으며, 별도의 장치일 수 있다.

도 3을 참조하면, 모바일 단말(300)은 프로세서(310), 통신부(320) 및 출력부(330)를 포함할 수 있다. 그러나 도시된 구성요소 모두가 필수구성요소인 것은 아니다. 도시된 구성요소보다 많은 구성요소에 의해 모바일 단말(300)이 구현될 수도 있고, 그보다 적은 구성요소에 의해서도 모바일 단말(300)은 구현될 수 있다.

예를 들어 일 실시 예에 따른 모바일 단말(300)은, 프로세서(310), 통신부(320) 및 출력부(330) 이외에 사용자 입력부(340), 센싱부(350), A/V 입력부(360) 및 메모리(370)를 더 포함할 수도 있다.

이하 상기 구성요소들에 대해 차례로 살펴본다.

프로세서(310)는 통상적으로 모바일 단말(300)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(310)는, 메모리(370)에 저장된 프로그램들을 실행함으로써, 통신부(320), 출력부(330), 사용자 입력부(340), 센싱부(350), A/V 입력부(360) 및 메모리(370) 등을 전반적으로 제어할 수 있다.

프로세서(310)는, 카메라(361) 및 메모리(370)를 통해 피검자(10)에 대한 복수의 영상들을 획득하면서, 복수의 영상들로부터 맥파 신호를 추출할 수 있다. 그리고, 프로세서(310)는 맥파 신호를 보정하고, 머신 러닝(machine learning) 기술을 이용하여 보정된 맥파 신호로부터 피검자(10)의 혈압을 예측할 수 있다.

한편, 모바일 단말(300) 자체의 프로세서(310)에서 피검자(10)의 혈압을 예측하는 것으로 설명하였지만, 이에 한정되지 않는다. 예를 들어, 모바일 단말(300)에서는 피검자(10)의 제1 신체 부위 및 제2 신체 부위에 대한 영상만을 획득하고, 영상 데이터를 외부 서버(미도시)에 전송하여 피검자(10)의 혈압을 예측할 수도 있음은 물론이다.

통신부(320)는 모바일 단말(300)과 서버(미도시)간에 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(320)는, 근거리 통신부(321), 이동 통신부(322) 및 방송 수신부(323)를 포함할 수 있다.

근거리 통신부(short-range wireless communication unit)(321)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다. 이동 통신부(322)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다. 방송 수신부(323)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 모바일 단말(300)가 방송 수신부(323)를 포함하지 않을 수도 있다.

출력부(330)는 피검자(10)의 혈압 정보를 출력한다.

출력부(330)는 오디오 신호 또는 비디오 신호 또는 진동 신호의 출력을 위한 것으로, 이에는 디스플레이부(331), 음향 출력부(332) 및 진동 모터(333) 등이 포함될 수 있다. 디스플레이부(331)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 포함될 수 있으나 이에 한정되는 것은 아니다.

한편, 디스플레이부(331)는 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성될 수 있다. 디스플레이부(331)는 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display) 중에서 적어도 하나를 포함할 수 있다. 그리고 모바일 단말(300)의 구현 형태에 따라 모바일 단말(300)는 디스플레이부(331)를 2개 이상 포함할 수도 있다.

음향 출력부(332)는 통신부(320)로부터 수신되거나 메모리(370)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(332)는 모바일 단말(300)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(332)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.

진동 모터(333)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(333)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(733)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.

사용자 입력부(340)는, 사용자가 모바일 단말(300)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(340)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.

센싱부(350)는, 모바일 단말(300)의 상태 또는 모바일 단말(300) 주변의 상태를 감지하고, 감지된 정보를 프로세서(310)로 전달할 수 있다.

한편, 센싱부(350)는, 지자기 센서(Magnetic sensor)(351), 가속도 센서(Acceleration sensor)(352), 온/습도 센서(353), 적외선 센서(354), 자이로스코프 센서(355), 위치 센서(예컨대, GPS)(356), 기압 센서(357), 근접 센서(358), 및 RGB 센서(illuminance sensor)(359) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.

A/V(Audio/Video) 입력부(360)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(361)와 마이크로폰(362) 등이 포함될 수 있다.

카메라(361)는 화상 통화 모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 프로세서(310) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.

카메라(361)에서 처리된 화상 프레임은 메모리(370)에 저장되거나 통신부(320)를 통하여 외부로 전송될 수 있다. 카메라(361)는 모바일 단말의 구성에 따라 2개 이상이 구비될 수도 있다. 실시 예에 따른 카메라(361)는, 도 5에 도시된 것처럼 모바일 단말(300)의 후면에 구비되거나 및/또는 도 6에 도시된 것처럼 모바일 단말(300)의 전면에 구비될 수 있다.

마이크로폰(362)은, 외부의 음향 신호를 입력받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(362)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(362)은 외부의 음향 신호를 입력받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.

메모리(370)는, 프로세서(310)의 처리 및 제어를 위한 프로그램을 저장할 수도 있고, 입/출력되는 데이터들을 저장할 수도 있다.

메모리(370)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 모바일 단말(300)은 인터넷(internet)상에서 메모리(370)의 저장 기능을 수행하는 웹 스토리지(web storage) 또는 클라우드 서버를 운영할 수도 있다.

메모리(370)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(371), 터치 스크린 모듈(372), 알림 모듈(373) 등으로 분류될 수 있다.

UI 모듈(371)은, 애플리케이션별로 모바일 단말(300)과 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(372)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 프로세서(310)로 전달할 수 있다. 본 발명의 일 실시예에 따른 터치 스크린 모듈(372)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(372)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.

터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.

또한, 터치스크린의 터치를 감지하기 위한 센서의 일례로 근접 센서가 있다.

근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.

알림 모듈(373)은 모바일 단말(300)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 모바일 단말(300)에서 발생되는 이벤트의 예로는 호 신호 수신, 메시지 수신, 키 신호 입력, 일정 알림 등이 있다. 또한, 모바일 단말(300)에서 발생되는 이벤트의 예로는 디스플레이부(331)에서 수신한 사용자 입력에 기초하여 발생되는 햅틱 신호에 기초하여, 사용자 입력이 수신됨을 알리는 신호를 발생시킬 수 있다.

알림 모듈(373)은 디스플레이부(331)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(332)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(333)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.

도 4는 일부 실시예에 따른 혈압을 추정하는 방법의 일 예를 도시한 흐름도이다.

도 4를 참조하면, 혈압을 추정하는 방법은 도 1 내지 도 3에 도시된 혈압 추정 장치(100) 또는 모바일 단말(20, 300)에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하에서 생략된 내용이라 하더라도 도 1 내지 도 3에 도시된 혈압 추정 장치(100) 또는 모바일 단말(20, 300)에 관하여 이상에서 기술된 내용은 도 4의 혈압을 추정하는 방법에도 적용됨을 알 수 있다.

410 단계에서, 프로세서(140, 310)는 제1 카메라(110, 361)를 통하여 촬영된 피검자(10)의 제1 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 제1 신체 부위에 대응하는 제1 맥파 신호를 획득한다. 여기에서, 제1 맥파 신호는 후술할 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비(signal to noise ratio)가 높은 신호를 의미한다. 예를 들어, 제1 맥파 신호는 제1 신체 부위에 대응하는 PPG 신호일 수 있으나, 이에 제한되지 않는다.

예를 들어, 제1 신체 부위는 피검자(10)의 손가락의 적어도 일 부분이 해당될 수 있고, 바람직하게는, 제1 신체 부위는 피검자(10)의 손가락의 끝 부분에 해당될 수 있다. 그러나, 제1 신체 부위는 손가락의 부분에 한정되지 않으며, 카메라에 의하여 촬영될 수 있는 신체 부위라면 제한 없이 해당될 수 있다.

예를 들어, 피검자(10)는 제1 카메라(110, 361)가 위치한 지점에 손가락의 끝 부분을 접촉하면, 제1 카메라(110, 361)는 접촉된 부분에 대한 적어도 하나의 영상을 촬영할 수 있다. 이하, 도 5를 참조하여, 제1 카메라(110, 361)가 동작하는 예를 설명한다.

도 5는 일부 실시예에 따른 제1 카메라가 제1 신체 부위를 나타내는 영상을 촬영하는 예를 설명하기 위한 도면이다.

도 5를 참조하면, 모바일 단말(300)의 후면 카메라(510)에 피검자(10)의 손가락이 접촉되고, 접촉된 손가락의 영상이 촬영되는 예가 도시되어 있다. 모바일 단말(300)에 일반적으로 내장된 후면 카메라(510)와 메모리(370)를 통하여 손가락의 영상이 획득될 수 있다.

예를 들어, 후면 카메라(510)는 대략 30초 정도의 동영상 데이터를 획득할 수 있으며, 30fps인 경우, 대략 900 프레임 정도의 영상이 획득될 수 있다. 여기서, 맥파 신호 검출을 위한 예시적인 프레임 수이지만, 상술한 프레임 수에 한정되는 것은 아니다.

도 7a 내지 도 7d를 참조하여 후술할 바와 같이, 프로세서(140, 310)는 다양한 신호 처리 기술(예를 들어, IIR 필터 등)을 이용하여 촬영된 영상으로부터 제1 맥파 신호를 추출할 수 있다.

다시 도 4를 참조하면, 420 단계에서, 프로세서(140, 310)는 제2 카메라(120, 361)를 통하여 촬영된 피검자(10)의 제2 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 제2 신체 부위에 대응하는 제2 맥파 신호를 획득한다. 여기에서, 제1 카메라(110, 361)와 제2 카메라(120, 361)는 서로 이격된 위치에 배치된다. 예를 들어, 제2 맥파 신호는 제2 신체 부위에 대응하는 PPG 신호일 수 있으나, 이에 제한되지 않는다.

예를 들어, 제2 신체 부위는 피검자(10)의 안면에 해당될 수 있다. 그러나, 제2 신체 부위는 안면에 한정되지 않으며, 카메라에 의하여 촬영될 수 있는 신체 부위라면 제한 없이 해당될 수 있다.

예를 들어, 피검자(10)의 작동에 의하여, 제2 카메라(120, 361)는 피검자(10)의 안면을 나타내는 적어도 하나의 영상을 촬영할 수 있다. 이하, 도 6을 참조하여, 제2 카메라(120, 361)가 동작하는 예를 설명한다.

도 6은 일부 실시예에 따른 제2 카메라가 제2 신체 부위를 나타내는 영상을 촬영하는 예를 설명하기 위한 도면이다.

도 6을 참조하면, 모바일 단말(300)의 전면 카메라(610)에 인접하게 피검자(10)의 안면이 위치하고, 안면의 영상이 촬영되는 예가 도시되어 있다. 모바일 단말(300)에 일반적으로 내장된 전면 카메라(610)와 메모리(370)를 통하여 안면의 영상이 획득될 수 있다.

예를 들어, 전면 카메라(610)는 대략 30초 정도의 동영상 데이터를 획득할 수 있으며, 30fps인 경우, 대략 900 프레임 정도의 영상이 획득될 수 있다. 여기서, 맥파 신호 검출을 위한 예시적인 프레임 수이지만, 상술한 프레임 수에 한정되는 것은 아니다.

도 7a 내지 도 7d를 참조하여 후술할 바와 같이, 프로세서(140, 310)는 다양한 신호 처리 기술(예를 들어, IIR 필터 등)을 이용하여 촬영된 영상으로부터 제2 맥파 신호를 추출할 수 있다.

도 7a 내지 도 7d는 프로세서가 제1 맥파 신호 및 제2 맥파 신호를 추출하는 일 예를 설명하기 위한 도면들이다.

프로세서(140, 310)는 다양한 신호 처리 기술(예를 들면, IIR 필터 등)을 이용하여 영상들로부터 맥파 신호를 추출한다. 여기서, 맥파 신호는 심장의 수축과 이완을 통해 발생하는 말초혈관계의 박동현상을 그래프로 나타낸 것을 의미한다. 이러한 그래프 상에서 맥파 주기 검출하는 기술은 시간 영역과 주파수 영역에서 가능하며, 시간영역에서 하는 방식은 피크 피킹(Peak Picking), 자기상관함수, AMDF(Average Magnitude Difference Function) 등이 있으며, 주파수 영역에서의 방법은 고주파 피크 검출, 스펙트럼 유사도 분석 등을 이용할 수 있다.

예를 들어, 도 7a에 도시된 바와 같이, 프로세서(140, 310)는 제1 카메라 및 제2 카메라에서 획득된 각각의 프레임에 대해 시간 정보를 별도로 기록할 수 있다. 여기에서, 시간 정보는, 예를 들면 밀리초(ms)단위 일 수 있다.

그리고, 도 7b에 도시된 바와 같이, 프로세서(140, 310)는 각각의 프레임의 RGB 값 중 G값을 각각의 프레임 별로 평균할 수 있다. 그리고, 도 7c에 도시된 바와 같이, 프로세서(140, 310)는 IIR 필터를 통해 제1 맥파 신호 및 제2 맥파 신호를 추출할 수 있다.

그리고, 프로세서(140, 310)는 각각의 프레임에 대한 시간 정보를 기초로 하여, 큐빅 스플라인 보간법을 적용한 후, 도 7d에 도시된 바와 같이, 제1 맥파 신호 및 제2 맥파 신호를 보정할 수 있다. 여기서, 큐빅 스플라인 보간법을 적용하여 맥파 신호를 보정하는 것을 설명하였지만, 이에 한정되지 않고, 다양한 보간법을 적용할 수 있음은 물론이다.

다시 도 4를 참조하면, 도 430 단계에서, 프로세서(140, 310)는 제1 맥파 신호에 기초하여 제2 맥파 신호를 보정한다. 여기에서, 제1 맥파 신호는 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비가 높은 신호를 의미한다.

예를 들어, 프로세서(140, 310)는, 적응적 필터(adaptive filter)를 통해 제1 맥파 신호에 기초하여 제2 맥파 신호에 포함된 노이즈(noise)를 제거함으로써, 제2 맥파 신호를 보정할 수 있다. 여기에서, 적응적 필터는 LMS(Least Mean Square) 필터, NLMS(Normalized Least Mean Square) 필터 및 RLS(Recursive Least Square) 필터 중 적어도 하나에 해당될 수 있다.

예를 들어, 제1 신체 부위가 손가락이고, 제2 신체 부위가 안면이라고 가정하면, 프로세서(140, 310)는 안면을 촬영한 영상을 바탕으로 피부색의 변화를 추적함으로써 맥파 신호를 추출할 수 있다. 구체적으로, 안면의 경우, 사람의 눈으로는 보이지 않지만, 혈류의 흐름에 따라 피부의 색이 미세하게 변화되므로, 프로세서(140, 310)는 제2 카메라(120, 361)를 통하여 촬영된 영상들에 기초하여 제2 맥파 신호를 추출할 수 있다.

한편, 제2 맥파 신호는 제1 맥파 신호에 비하여 신호 대 잡음비가 낮을 수 있다. 따라서, 프로세서(140, 310)는 제1 맥파 신호에 기초하여 제2 맥파 신호를 보정함으로써, 보다 정확한 맥파 신호를 획득할 수 있다. 이에 따라, 프로세서(140, 310)는 피검자(10)의 혈압을 정확하게 예측할 수 있다.

이하, 도 8 및 도 9를 참조하여, 프로세서(140, 310)가 제2 맥파 신호를 보정하는 예를 설명한다.

도 8은 일부 실시예에 따른 프로세서가 제2 맥파 신호를 보정하는 일 예를 설명하기 위한 도면이다.

도 8에는 프로세서(140, 310)가 제2 맥파 신호를 보정하기 위하여 이용하는 적응적 필터의 일 예가 도시되어 있다. 도 8에서, d(n)은 제2 맥파 신호를 의미하고, 제2 맥파 신호는 노이즈 성분(N(n)) 및 신호 성분(X'(n))의 합으로 이루어진다. 또한, X(n)은 제1 맥파 신호를 의미한다. 또한, y(n)은 보정된 제2 맥파 신호를 의미한다. 따라서, y(n)과 X'(n)이 동일한 경우, 제2 맥파 신호에서 노이즈 성분이 모두 제거된 것을 의미한다. 또한, e(n)은 제1 맥파 신호와 제2 맥파 신호의 비교 연산에 따라 발생되는 에러 성분을 의미한다.

제1 맥파 신호와 제2 맥파 신호는 동일한 피검자(10)로부터 획득된 신호들이므로, 높은 연관성을 갖는다. 따라서, 제1 맥파 신호에 기초하여 제2 맥파 신호에서 노이즈 성분을 제거할 수 있다.

도 8을 참조하면, 제1 맥파 신호는 디지털 필터를 거쳐 제2 맥파 신호와 연산된다. 여기에서, 디지털 필터는 신호 처리 분야에서의 일반적인 기술에 해당하는 바, 상세한 설명은 생략한다.

디지털 필터링된 제1 맥파 신호와 제2 맥파 신호의 비교 연산을 통하여 도출된 에러 성분은 적응적 알고리즘에 입력됨으로써 제1 맥파 신호와 제2 맥파 신호의 차이가 최소화(즉, 에러 성분이 최소화)된다. 이에 따라, 제2 맥파 신호의 노이즈 성분이 제거됨으로써, 보정된 제2 맥파 신호가 최종 신호로 출력될 수 있다.

도 9는 일부 실시예에 따른 보정된 제2 맥파 신호의 일 예를 설명하기 위한 도면이다.

도 9에는 도 8의 적응적 필터를 통하여 보정된 제2 맥파 신호의 예가 도시되어 있다. 구체적으로, 도 9에는 제1 맥파 신호(940), 제2 맥파 신호(920), 보정된 제2 맥파 신호(930) 및 이상적인 제2 맥파 신호(910)가 도시되어 있다.

도 9를 참조하면, 프로세서(140, 310)가 적응적 필터를 통하여 제2 맥파 신호(920)를 보정함으로써, 보정된 제2 맥파 신호(930)가 출력될 수 있다. 이 때, 보정된 제2 맥파 신호(930)는 이상적인 제2 맥파 신호(910)와 매우 유사하게 도출될 수 있는 바, 피검자(10)의 혈압이 정확하게 측정될 수 있다.

다시 도 4를 참조하면, 440 단계에서, 프로세서(140, 310)는 머신 러닝(machine learning) 기술을 이용하여 보정된 제2 맥파 신호 및 제1 맥파 신호로부터 피검자(10)의 혈압을 예측한다.

예를 들어, 프로세서(140, 310)는 제1 맥파 신호와 보정된 제2 맥파 신호의 PTT(Pulse Transit Time)에 기초하여 피검자(10)의 혈압을 연산할 수 있다. 구체적으로, PTT는 혈압과 반비례의 관계이므로, 프로세서(140, 310)는 PTT에 기초하여 피검자(10)의 혈압을 연산할 수 있다. 예를 들어, 프로세서(140, 310)는 제1 맥파 신호에서 피크가 확인되는 시간으로부터 제2 맥파 신호에서 피크가 확인되는 시간으로 PTT를 확인할 수 있다.

여기에서, 머신 러닝 기술은 회귀 모델(regression model)에 기반한 머신 러닝 기술일 수 있으나, 이에 한정되지 않는다. 머신 러닝 기술은 여러 데이터를 이용하여 학습한 내용을 기반으로 새로운 데이터에 대한 적절한 작업을 수행할 수 있도록 하는 알고리즘 또는 기술을 의미하며, 뉴럴 네트워크로 구현될 수 있다.

머신 러닝 기술은 인공지능(Artificial Intelligence)에 기초하여 뉴럴 네트워크에 입력된 보정된 제2 맥파 신호로부터 혈압을 예측하는 방법을 학습하는 알고리즘의 집합일 수 있다. 예를 들어, 머신 러닝은, 지도 학습(supervised learning) 및/또는 비지도 학습(unsupervised learning)에 기초하여, 보정된 제2 맥파 신호로부터 혈압을 예측하는 방법을 학습할 수 있다. 또한, 예를 들어, 뉴럴 네트워크는, 학습에 따라 혈압을 예측한 결과가 올바른지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 이용하여, 보정된 제2 맥파 신호 및 제1 맥파 신호로부터 혈압을 예측하는 방법을 학습할 수 있다.

또한, 뉴럴 네트워크는 인공 지능(AI) 기술에 따른 추론 및 예측을 위한 연산을 수행한다. 구체적으로, 뉴럴 네트워크는 복수의 계층들을 통한 연산을 수행하는 딥 뉴럴 네트워크(DNN: Deep Neural Network)가 될 수 있다. 뉴럴 네트워크는 연산을 수행하는 내부의 계층(layer)의 개수에 따라서 계층의 개수가 복수일 경우, 즉 연산을 수행하는 뉴럴 네트워크의 심도(depth)가 증가하는 경우, 딥 뉴럴 네트워크(DNN)로 분류될 수 있다. 또한, 딥 뉴럴 네트워크(DNN) 연산은 컨볼루션 뉴럴 네트워크(CNN: Convolution Neural Network) 연산 등을 포함할 수 있다.

즉, 프로세서(140, 310)는 예시된 뉴럴 네트워크를 통하여 혈압을 예측하기 위한 모델을 구현하고, 구현된 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 그리고, 학습된 모델을 이용하여 입력되는 보정된 제2 맥파 신호 및 제1 맥파 신호를 분석 또는 분류하여, 피검자(10)의 혈압을 예측할 수 있다.

도 10은 일부 실시예에 따른 혈압 추정 장치가 동작하는 일 예를 설명하기 위한 도면이다.

도 10에는, 도 1 내지 도 9를 참조하여 상술한 혈압을 추정하는 방법 및 모바일 단말에서 시계열적으로 처리되는 단계들이 도시되어 있다. 따라서, 이하에서 생략된 내용이라도 하더라도 도 1 내지 도 9를 참조하여 상술한 내용은 도 10에 도시된 내용에도 적용됨을 알 수 있다.

프로세서(140, 310)는 제1 카메라에 접촉된 제1 신체 부위를 나타내는 제1 영상을 촬영하고, 제2 카메라를 통해 제2 신체 부위를 나타내는 제2 영상을 촬영한다. 여기에서, 제1 신체 부위는 손가락을 의미하고, 제2 신체 부위는 안면을 의미할 수 있으나, 이에 한정되지 않는다.

그 후에, 프로세서(140, 310)는 제1 영상을 통하여 제1 맥파 신호를 획득하고, 제2 영상을 통하여 제2 맥파 신호를 획득한다. 예를 들어, 프로세서(140, 310)는 제2 영상에서 제2 신체 부위를 인식하고, 인식된 제2 신체 부위에서 제2 맥파 신호를 획득할 수 있다.

그 후에, 프로세서(140, 310)는 적응적 필터를 통하여 제2 맥파 신호를 보정한다. 구체적으로, 제1 맥파 신호는 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비가 높은 신호인 바, 프로세서(140, 310)는, 적응적 필터를 통해, 제1 맥파 신호에 기초하여 제2 맥파 신호를 보정할 수 있다.

그 후에, 프로세서(140, 310)는 머신 러닝 기술을 이용하여 보정된 제2 맥파 신호 및 제1 맥파 신호로부터 피검자의 혈압을 예측한다. 예를 들어, 프로세서(140, 310)는 제1 맥파 신호와 보정된 제2 맥파 신호의 PTT에 기초하여 피검자(10)의 혈압을 연산할 수 있다.

또한, 프로세서(140, 310)는 피검자의 키, 몸무게, 성별, 나이 등을 더 고려하여, 피검자의 혈압을 예측할 수 있으나, 이에 제한되지 않는다.

일부 실시 예에 따른 혈압을 추정하는 방법은 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.

또한, 본 명세서에서, 부는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

10: 피검자
20: 모바일 단말

Claims (15)

1. 피검자의 혈압을 측정하는 방법에 있어서,
   프로세서에서, 제1 카메라를 통하여 촬영된 상기 피검자의 제1 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제1 신체 부위에 대응하는 제1 맥파 신호를 획득하는 단계;
   상기 프로세서에서, 상기 제1 카메라와 이격된 위치에 배치된 제2 카메라를 통하여 촬영된 상기 피검자의 제2 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제2 신체 부위에 대응하는 제2 맥파 신호를 획득하는 단계;
   상기 프로세서에서, 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호를 보정하는 단계; 및
   상기 프로세서에서, 머신 러닝(machine learning) 기술을 이용하여 상기 보정된 제2 맥파 신호 및 상기 제1 맥파 신호 간의 PTT(Pulse Transit Time)로부터 상기 피검자의 혈압을 예측하는 단계;를 포함하고,
   상기 제1 맥파 신호는 상기 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비(signal to noise ratio)가 높은 신호이고,
   상기 프로세서에서,
   적응적 필터(adaptive filter)를 통해 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호에 포함된 노이즈(noise)를 제거함으로써 상기 제2 맥파 신호를 보정하는 방법.
2. 삭제
3. 삭제
4. 제 1 항에 있어서,
   상기 적응적 필터는 LMS(Least Mean Square) 필터, NLMS(Normalized Least Mean Square) 필터 및 RLS(Recursive Least Square) 필터 중 적어도 하나를 포함하는 방법.
5. 제 1 항에 있어서,
   상기 제1 맥파 신호를 획득하는 단계는, 상기 프로세서에서,
   상기 적어도 하나의 영상의 RGB 값 중 G 값을 각각의 영상 프레임별로 평균하여 제1 영상 신호를 생성하고, 상기 생성된 제1 영상 신호에 IIR 필터를 적용하여 상기 맥파 신호를 추출하는 방법.
6. 제 1 항에 있어서,
   상기 머신 러닝 기술은 회귀 모델(regression model)에 기반한 머신 러닝 기술을 포함하는 방법.
7. 제 1 항에 있어서,
   상기 제1 신체 부위는 상기 피검자의 손가락을 포함하고, 상기 제2 신체 부위는 상기 피검자의 안면을 포함하는 방법.
8. 제 1 항, 제 4 항 내지 제 7 항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
9. 피검자의 혈압을 측정하는 장치에 있어서,
   제1 카메라;
   상기 제1 카메라와 이격된 위치에 배치된 제2 카메라;
   메모리; 및
   프로세서;를 포함하고,
   상기 프로세서는,
   상기 제1 카메라를 통하여 촬영된 상기 피검자의 제1 신체 부위에 대응하는 적어도 하나의 영상에 기초하여 상기 제1 신체 부위에 대응하는 제1 맥파 신호를 획득하고, 상기 제2 카메라를 통해 촬영된 상기 피검자의 제2 신체 부위를 나타내는 적어도 하나의 영상에 기초하여 상기 제2 신체 부위에 대응하는 제2 맥파 신호를 획득하고, 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호를 보정하고, 머신 러닝(machine learning) 기술을 이용하여 상기 보정된 제2 맥파 신호 및 상기 제1 맥파 신호 간의 PTT(Pulse Transit Time)로부터 상기 피검자의 혈압을 예측하고,
   상기 제1 맥파 신호는 상기 제2 맥파 신호에 비하여 상대적으로 신호 대 잡음비(signal to noise ratio)가 높은 신호이고,
   상기 프로세서는,
   적응적 필터(adaptive filter)를 통해 상기 제1 맥파 신호에 기초하여 상기 제2 맥파 신호에 포함된 노이즈(noise)를 제거함으로써 상기 제2 맥파 신호를 보정하는 장치.
10. 삭제
11. 삭제
12. 제 9 항에 있어서,
    상기 적응적 필터는 LMS(Least Mean Square) 필터, NLMS(Normalized Least Mean Square) 필터 및 RLS(Recursive Least Square) 필터 중 적어도 하나를 포함하는 장치.
13. 제 9 항에 있어서,
    상기 프로세서는,
    상기 적어도 하나의 영상의 RGB 값 중 G 값을 각각의 영상 프레임별로 평균하여 제1 영상 신호를 생성하고, 상기 생성된 제1 영상 신호에 IIR 필터를 적용하여 상기 맥파 신호를 추출하는 장치.
14. 제 9 항에 있어서,
    상기 머신 러닝 기술은 회귀 모델(regression model)에 기반한 머신 러닝 기술을 포함하는 장치.
15. 제 9 항에 있어서,
    상기 제1 신체 부위는 상기 피검자의 손가락을 포함하고, 상기 제2 신체 부위는 상기 피검자의 안면을 포함하는 장치.

Images