KR20200054723A - 혈압 측정 장치 및 방법 - Google Patents

혈압 측정 장치 및 방법 Download PDF

Info

Publication number
KR20200054723A
KR20200054723A KR1020180138379A KR20180138379A KR20200054723A KR 20200054723 A KR20200054723 A KR 20200054723A KR 1020180138379 A KR1020180138379 A KR 1020180138379A KR 20180138379 A KR20180138379 A KR 20180138379A KR 20200054723 A KR20200054723 A KR 20200054723A
Authority
KR
South Korea
Prior art keywords
image
blood pressure
pulse wave
signal
contact
Prior art date
Application number
KR1020180138379A
Other languages
English (en)
Inventor
박상윤
최진우
강재민
김연호
최창목
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020180138379A priority Critical patent/KR20200054723A/ko
Priority to US16/676,647 priority patent/US20200146568A1/en
Priority to CN201911093347.4A priority patent/CN111166312A/zh
Priority to EP19208519.9A priority patent/EP3649928A3/en
Publication of KR20200054723A publication Critical patent/KR20200054723A/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
    • A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
    • A61B5/0225—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers the pressure being controlled by electric signals, e.g. derived from Korotkoff sounds
    • 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
    • A61B5/02116—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics of pulse wave amplitude
    • 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
    • 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
    • A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
    • 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
    • A61B5/022—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers
    • A61B5/02225—Measuring pressure in heart or blood vessels by applying pressure to close blood vessels, e.g. against the skin; Ophthalmodynamometers using the oscillometric method
    • 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
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02416—Detecting, measuring or recording 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
    • A61B5/02—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
    • A61B5/026—Measuring blood flow
    • A61B5/0295—Measuring blood flow using plethysmography, i.e. measuring the variations in the volume of a body part as modified by the circulation of blood therethrough, e.g. impedance plethysmography
    • 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
    • A61B5/6802—Sensor mounted on worn items
    • 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
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • 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
    • A61B5/6822—Neck
    • 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
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
    • 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
    • A61B5/6824—Arm or wrist
    • 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
    • A61B5/6828—Leg
    • 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
    • A61B5/6829—Foot or ankle
    • 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
    • A61B5/6843—Monitoring or controlling sensor contact pressure
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
    • 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
    • A61B5/7253—Details of waveform analysis characterised by using transforms
    • A61B5/726—Details of waveform analysis characterised by using transforms using Wavelet transforms
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors
    • 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
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • 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
    • A61B5/7239—Details of waveform analysis using differentiation including higher order derivatives

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Vascular Medicine (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Ophthalmology & Optometry (AREA)
  • Fuzzy Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Hematology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

일 양상에 따른 혈압 측정 장치는, 피검체의 맥파 신호를 측정하는 맥파 측정부와, 상기 피검체와 상기 맥파 측정부 사이의 접촉 압력 신호를 측정하는 압력 측정부와, 상기 측정된 맥파 신호 및 상기 측정된 접촉 압력 신호를 이미지화하여 맥파 이미지 및 접촉 압력 이미지를 생성하고, 상기 생성된 맥파 이미지, 상기 생성된 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서를 포함할 수 있다.

Description

혈압 측정 장치 및 방법{Apparatus and method for measuring blood pressure}
혈압 측정 기술과 관련된다.
현재 혈압을 측정하는 방법으로는 침습적(invasive)인 방법과 비침습적(non??invasive)인 방법이 있다. 침습적인 방법은 일반적으로 수술실이나 중환자실에서 고 위험도 환자를 관리하는 경우에 이용된다. 그러나 침습적인 방법은 준비와 시술이 매우 번거롭고 감염이나 혈관폐쇄에 의한 조직 손상 등의 합병증을 유발할 수도 있으며 그 적용대상이 대부분 중환자에게 국한되어 있고 관리에 많은 주의가 요구되고 있다.
따라서, 일상적인 측정에서는 비침습적인 방법이 주류를 이루고 있으나, 이러한 비침습적인 방법은 침습적인 방법보다 측정의 정확도가 떨어진다.
혈압 측정 장치 및 방법을 제공하는 것을 목적으로 한다.
일 양상에 따른 혈압 측정 장치는, 피검체의 맥파 신호를 측정하는 맥파 측정부와, 상기 피검체와 상기 맥파 측정부 사이의 접촉 압력 신호를 측정하는 압력 측정부와, 상기 측정된 맥파 신호 및 상기 측정된 접촉 압력 신호를 이미지화하여 맥파 이미지 및 접촉 압력 이미지를 생성하고, 상기 생성된 맥파 이미지, 상기 생성된 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서를 포함할 수 있다.
상기 맥파 신호는, 광용적맥파(photoplethysmogram) 신호일 수 있다.
상기 맥파 측정부는, 서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정할 수 있다.
상기 압력 측정부는, 상기 피검체와 상기 맥파 측정부 사이의 접촉 힘 신호 및 접촉 면적 신호를 측정하고, 상기 접촉 힘 신호 및 상기 접촉 면적 신호를 기반으로 상기 접촉 압력 신호를 획득할 수 있다.
상기 프로세서는, 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 맥파 신호를 이미지화하여 상기 맥파 이미지를 생성할 수 있다.
상기 프로세서는, 상기 측정된 접촉 압력 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 접촉 압력 이미지를 생성할 수 있다.
상기 프로세서는, 상기 맥파 이미지 및 상기 접촉 압력 이미지를 동일한 스케일의 시간 도메인을 가지도록 가공할 수 있다.
상기 혈압 추정 모델은, 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
상기 혈압 추정 모델은 학습 데이터를 기반으로 기계 학습을 통해 구축되며, 상기 학습 데이터는 맥파 이미지 데이터, 접촉 압력 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함할 수 있다.
혈압 측정 장치는, 상기 피검체의 복수의 시간별 접촉 이미지를 획득하는 접촉 이미지 획득부를 더 포함할 수 있다.
상기 프로세서는, 상기 획득된 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환하고, 상기 단일 접촉 이미지를 더 이용하여 상기 피검체의 혈압을 추정할 수 있다.
상기 프로세서는, 상기 측정된 맥파 신호를 n(n은 자연수)차 미분하여 n차 미분된 맥파 신호를 획득하고, 상기 획득된 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성하고, 상기 생성된 n차 미분된 맥파 이미지를 더 이용하여 상기 피검체의 혈압을 추정할 수 있다.
상기 프로세서는, 상기 측정된 접촉 압력 신호를 기반으로 접촉 압력 증가 또는 감소를 위한 가이드 정보를 생성하여 사용자에게 제공할 수 있다.
다른 양상에 따른 혈압 측정 방법은, 피검체의 맥파 신호를 측정하는 단계와, 상기 피검체와 맥파 측정부 사이의 접촉 압력 신호를 측정하는 단계와, 상기 측정된 맥파 신호를 이미지화하여 맥파 이미지를 생성하는 단계와, 상기 측정된 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성하는 단계와, 상기 생성된 맥파 이미지, 상기 생성된 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 단계를 포함할 수 있다.
상기 맥파 신호는, 광용적맥파(photoplethysmogram) 신호일 수 있다.
상기 맥파 신호를 측정하는 단계는, 서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정할 수 있다.
상기 접촉 압력 신호를 측정하는 단계는, 상기 피검체와 상기 맥파 측정부 사이의 접촉 힘 신호를 측정하는 단계와, 상기 피검체와 상기 맥파 측정부 사이의 접촉 면적 신호를 측정하는 단계와, 상기 접촉 힘 신호 및 상기 접촉 면적 신호를 기반으로 상기 접촉 압력 신호를 획득하는 단계를 포함할 수 있다.
상기 맥파 이미지를 생성하는 단계는, 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 맥파 신호를 이미지화하여 상기 맥파 이미지를 생성할 수 있다.
상기 접촉 압력 이미지를 생성하는 단계는, 상기 접촉 압력 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 접촉 압력 이미지를 생성할 수 있다.
혈압 측정 방법은, 상기 맥파 이미지 및 상기 접촉 압력 이미지를 동일한 스케일의 시간 도메인을 가지도록 가공하는 단계를 더 포함할 수 있다.
상기 혈압 추정 모델은, 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
상기 혈압 추정 모델은 학습 데이터를 기반으로 기계 학습을 통해 구축되며, 상기 학습 데이터는 맥파 이미지 데이터, 접촉 압력 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함할 수 있다.
혈압 측정 방법은, 상기 피검체의 복수의 시간별 접촉 이미지를 획득하는 단계와, 상기 획득된 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환하는 단계를 더 포함하고, 상기 혈압을 추정하는 단계는, 상기 단일 접촉 이미지를 더 이용하여 상기 피검체의 혈압을 추정할 수 있다.
혈압 측정 방법은, 상기 측정된 맥파 신호를 n(n은 자연수)차 미분하여 n차 미분된 맥파 신호를 획득하는 단계와, 상기 획득된 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성하는 단계를 더 포함하고, 상기 혈압을 추정하는 단계는, 상기 생성된 n차 미분된 맥파 이미지를 더 이용하여 상기 피검체의 혈압을 추정할 수 있다.
혈압 측정 방법은, 상기 측정된 접촉 압력 신호를 기반으로 접촉 압력 증가 또는 감소를 위한 가이드 정보를 생성하여 사용자에게 제공하는 단계를 더 포함할 수 있다.
또 다른 양상에 따른 혈압 측정 장치는, 피검체의 맥파 신호를 측정하는 맥파 측정부와, 상기 피검체와 상기 맥파 측정부 사이의 접촉 힘 신호를 측정하는 힘 측정부와, 상기 피검체와 상기 맥파 측정부 사이의 접촉 면적 신호를 측정하는 면적 측정부와, 상기 측정된 맥파 신호, 상기 측정된 접촉 힘 신호 및 상기 측정된 접촉 면적 신호를 이미지화하여 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지를 생성하고, 상기 생성된 맥파 이미지, 상기 생성된 접촉 힘 이미지, 상기 생성된 접촉 면적 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서를 포함할 수 있다.
상기 프로세서는, 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 맥파 신호를 이미지화하여 상기 맥파 이미지를 생성할 수 있다.
상기 프로세서는, 상기 측정된 접촉 힘 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 접촉 힘 이미지를 생성하고, 상기 측정된 접촉 면적 신호를 그라디언트 이미지로 변환하여 상기 접촉 면적 이미지를 생성할 수 있다.
상기 혈압 추정 모델은, 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
상기 혈압 추정 모델은 학습 데이터를 기반으로 기계학습을 통해 구축되며, 상기 학습 데이터는 맥파 이미지 데이터, 접촉 힘 이미지 데이터, 접촉 면적 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함할 수 있다.
또 다른 양상에 따른 혈압 측정 장치는, 피검체에 장착되는 커프와, 커프 압력 신호를 측정하는 압력 측정부와, 커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출하는 신호 추출부와, 상기 AC 성분 신호와 상기 DC 성분 신호를 이미지화하여 AC 성분 이미지 및 DC 성분 이미지를 생성하고, 상기 생성된 AC 성분 이미지, 상기 생성된 DC 성분 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서를 포함할 수 있다.
상기 프로세서는, 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 AC 성분 신호를 이미지화하여 상기 AC 성분 이미지를 생성할 수 있다.
상기 프로세서는, 상기 DC 성분 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 DC 성분 이미지를 생성할 수 있다.
상기 혈압 추정 모델은, 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
상기 혈압 추정 모델은 학습 데이터를 기반으로 기계학습을 통해 구축되며, 상기 학습 데이터는 AC 성분 이미지 데이터, DC 성분 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함할 수 있다.
또 다른 양상에 따른 혈압 측정 방법은, 피검체에 커프가 장착되면 커프 압력 신호를 측정하는 단계와, 커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출하는 단계와, 상기 AC 성분 신호를 이미지화하여 AC 성분 이미지를 생성하는 단계와, 상기 DC 성분 신호를 이미지화하여 DC 성분 이미지를 생성하는 단계와, 상기 생성된 AC 성분 이미지, 상기 생성된 DC 성분 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 단계를 포함할 수 있다.
상기 AC 성분 이미지를 생성하는 단계는, 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 AC 성분 신호를 이미지화하여 상기 AC 성분 이미지를 생성할 수 있다.
상기 DC 성분 이미지를 생성하는 단계는, 상기 DC 성분 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 DC 성분 이미지를 생성할 수 있다.
상기 혈압 추정 모델은, 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
상기 혈압 추정 모델은 학습 데이터를 기반으로 기계학습을 통해 구축되며, 상기 학습 데이터는 DC 성분 이미지 데이터, AC 성분 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함할 수 있다.
맥파 신호를 이미지화하고, 이미지화된 맥파 신호와 신경망 기반 혈압 추정 모델을 이용하여 혈압을 추정함으로써 혈압 추정의 정확도를 향상시킬 수 있다.
도 1은 혈압 측정 장치의 일 실시예를 도시한 도면이다.
도 2는 프로세서의 일 실시예를 도시한 도면이다.
도 3은 맥파 이미지 생성의 예를 도시한 도면이다.
도 4는 접촉 압력 이미지 생성의 예를 도시한 도면이다.
도 5는 프로세서의 다른 실시예를 도시한 도면이다.
도 6은 맥파 측정부의 일 실시예를 도시한 도면이다.
도 7은 맥파 측정부의 다른 실시예를 도시한 도면이다.
도 8은 맥파 측정부의 또 다른 실시예를 도시한 도면이다.
도 9는 혈압 측정 장치의 다른 실시예를 도시한 도면이다.
도 10은 프로세서의 일 실시예를 도시한 도면이다.
도 11 및 도 12는 복수의 시간별 접촉 이미지를 단일 접촉 이미지로 변환하는 예들을 도시한 도면이다.
도 13은 프로세서의 다른 실시예를 도시한 도면이다.
도 14는 혈압 측정 장치의 또 다른 실시예를 도시한 도면이다.
도 15는 혈압 측정 방법의 일 실시예를 도시한 도면이다.
도 16은 혈압 측정 방법의 다른 실시예를 도시한 도면이다.
도 17은 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다.
도 18은 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다.
도 19는 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다.
도 20은 혈압 측정 장치의 또 다른 실시예를 도시한 도면이다.
도 21은 프로세서의 일 실시예를 도시한 도면이다.
도 22는 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다.
도 23은 혈압 측정 장치의 또 다른 실시예를 도시한 도면이다.
도 24는 프로세서의 일 실시예를 도시한 도면이다.
도 25는 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 실시예를 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 관련된 공지 기능 또는 구성에 대한 설명이 실시예의 이해를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
한편, 각 단계들에 있어, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않은 이상 명기된 순서와 다르게 일어날 수 있다. 즉, 각 단계들은 명기된 순서와 동일하게 수행될 수 있고 실질적으로 동시에 수행될 수도 있으며 반대의 순서대로 수행될 수도 있다.
제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함하고, '포함하다' 또는 '가지다' 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
또한, 본 명세서에서의 구성부들에 대한 구분은 각 구성부가 담당하는 주 기능별로 구분한 것에 불과하다. 즉, 2개 이상의 구성부가 하나의 구성부로 합쳐지거나 또는 하나의 구성부가 보다 세분화된 기능별로 2개 이상으로 분화되어 구비될 수도 있다. 그리고 구성부 각각은 자신이 담당하는 주기능 이외에도 다른 구성부가 담당하는 기능 중 일부 또는 전부의 기능을 추가적으로 수행할 수도 있으며, 구성부 각각이 담당하는 주기능 중 일부 기능이 다른 구성부에 의해 전담되어 수행될 수도 있다. 각 구성부는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
도 1은 혈압 측정 장치의 일 실시예를 도시한 도면이다. 도 1의 혈압 측정 장치(100)는 비침습적으로 피검체의 혈압을 측정할 수 있는 장치로, 전자 장치에 탑재되거나, 하우징으로 감싸져 별개의 장치로 형성될 수 있다. 전자 장치는 휴대폰, 스마트폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등을 포함할 수 있고, 웨어러블 디바이스는 손목시계형, 손목 밴드형, 반지형, 벨트형, 목걸이형, 발목 밴드형, 허벅지 밴드형, 팔뚝 밴드형 등을 포함할 수 있다. 그러나 전자 장치는 상술한 예에 제한되지 않으며, 웨어러블 디바이스 역시 상술한 예에 제한되지 않는다.
도 1을 참조하면, 혈압 측정 장치(100)는 맥파 측정부(110), 압력 측정부(120) 및 프로세서(130)를 포함할 수 있다.
맥파 측정부(110)는 피검체의 맥파 신호를 측정할 수 있다. 일 실시예에 따르면 맥파 측정부(110)는 서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정할 수 있다. 즉, 맥파 측정부(110)는 단일 파장에 대한 맥파 신호를 측정하거나 서로 다른 파장에 대한 복수의 맥파 신호를 측정할 수 있다. 이때, 맥파 신호는 광용적맥파(photoplethysmogram) 신호일 수 있다.
예컨대, 맥파 측정부(110)는 피검체가 맥파 측정부(110)에 접촉하면 피검체에 광을 조사하고, 피검체로부터 되돌아오는 광을 수신하여 적어도 하나의 맥파 신호를 측정할 수 있다. 이때, 피검체로 조사되는 광은 가시광선 또는 근적외선을 포함할 수 있다.
압력 측정부(120)는 피검체와 맥파 측정부(110) 사이의 접촉 압력 신호를 측정할 수 있다. 일 실시예에 따르면, 압력 측정부(120)는 피검체와 맥파 측정부(110) 사이의 접촉 힘 신호를 측정하고 측정된 접촉 힘 신호를 소정의 면적으로 나누어 접촉 압력 신호를 획득할 수 있다. 소정의 면적은 미리 혈압 측정 장치(100)에 디폴트로 저장된 값일 수 있다. 다른 실시예에 따르면, 압력 측정부(120)는 피검체와 맥파 측정부(110) 사이의 접촉 힘 신호와 접촉 면적 신호를 측정하고, 측정된 접촉 힘 신호를 측정된 접촉 면적 신호로 나누어 접촉 압력 신호를 획득할 수 있다. 이를 위해, 압력 측정부(120)는 힘 센서, 기압센서, 가속도 센서, 압전 필름, 로드셀, 레이다, 스트레인게이지, 접촉 면적 센서 등을 포함할 수 있다.
프로세서(130)는 혈압 측정 장치(100)의 전반적인 동작을 제어할 수 있다.
프로세서(130)는 피검체가 맥파 측정부(110)에 접촉하면, 맥파 측정부(110)를 제어하여 피검체의 맥파 신호를 측정하고, 압력 측정부(120)를 제어하여 피검체와 맥파 측정부(110) 사이의 접촉 압력 신호를 측정할 수 있다.
또한, 프로세서(130)는 측정된 맥파 신호와 측정된 접촉 압력 신호를 기반으로 피검체의 혈압을 추정할 수 있다. 예컨대, 프로세서(130)는 맥파 신호와 접촉 압력 신호를 각각 이미지화하여 맥파 이미지 및 접촉 압력 이미지를 생성하고, 생성된 맥파 이미지 및 생성된 접촉 압력 이미지를 이용하여 피검체의 혈압을 추정할 수 있다.
이하, 도 2 내지 도 5를 참조하여 프로세서(130)의 실시예들을 자세히 설명하기로 한다.
도 2는 프로세서의 일 실시예를 도시한 도면이다. 도 2의 프로세서(200)는 도 1의 프로세서(130)의 일 실시예일 수 있다.
도 2를 참조하면, 프로세서(200)는 맥파 이미지 생성부(210), 접촉 압력 이미지 생성부(220), 가이드 정보 생성부(230) 및 혈압 추정부(240)를 포함할 수 있다.
맥파 이미지 생성부(210)는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성할 수 있다. 맥파 신호는 형태(shape)에 유의미한 정보를 포함하는 주기적인 신호일 수 있다. 일 실시예에 따르면, 맥파 이미지 생성부(210)는 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 맥파 신호를 이미지화하여 맥파 이미지를 생성할 수 있다. 이때 생성된 맥파 이미지는 시간 도메인과 주파수 도메인으로 표현될 수 있다. 즉, 맥파 이미지의 가로축은 시간 도메인으로 시간에 대한 물리적 특성을 반영하고, 세로축은 주파수 도메인으로 주파수에 대한 물리적 특성을 반영할 수 있다. 그러나 이에 한정되는 것은 아니며, 맥파 이미지의 가로축이 주파수 도메인으로 주파수에 대한 물리적 특성을 반영하고, 세로축이 시간 도메인으로 시간에 대한 물리적 특성을 반영하는 것도 가능하다.
접촉 압력 이미지 생성부(220)는 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성할 수 있다. 접촉 압력 신호는 신호 크기(intensity)에 유의미한 정보를 포함하는 비주기적 신호일 수 있다. 일 실시예에 따르면, 접촉 압력 이미지 생성부(220)는 접촉 압력 신호를 그라디언트 이미지(gradient image)로 변환하여 접촉 압력 이미지를 생성할 수 있다. 이때 생성된 접촉 압력 이미지는 시간 도메인으로 표현될 수 있다. 즉, 접촉 압력 이미지의 하나의 축(예컨대, 가로축 또는 세로축)이 시간 도메인으로 시간에 대한 물리적 특성을 반영할 수 있다.
가이드 정보 생성부(230)는 측정된 접촉 압력 신호를 기반으로 혈압 측정을 위하여 피검체와 맥파 측정부 사이의 접촉 압력 증가 또는 감소를 유도하기 위한 가이드 정보를 생성하여 출력 수단을 통해 사용자에게 제공할 수 있다. 예컨대, 가이드 정보 생성부(230)는 측정된 접촉 압력 신호를 선형적으로 증가 또는 감소하는 목표 압력 신호와 비교하고, 측정된 접촉 압력 신호가 목표 압력 신호보다 크면 접촉 압력 감소를 유도하기 위한 가이드 정보를 생성하고, 측정된 접촉 압력 신호가 목표 압력 신호보다 작으면 접촉 압력 증가를 유도하기 위한 가이드 정보를 생성하여 출력 수단을 통해 사용자에게 제공할 수 있다. 이때, 출력 수단은 시각적 출력 수단, 청각적 출력 수단, 촉각적 출력 수단 등 다양한 출력 수단을 포함할 수 있다.
혈압 추정부(240)는 맥파 이미지와 접촉 압력 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 이때, 혈압 추정부(240)는 미리 구축된 혈압 추정 모델을 이용할 수 있다. 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있으며, 프로세서(200)의 내부 또는 외부 메모리에 저장될 수 있다.
한편, 일 실시예에 따르면 혈압 추정부(240)는 혈압 추정 전에, 맥파 이미지와 접촉 압력 이미지가 같은 사이즈를 가지도록 맥파 이미지와 접촉 압력 이미지를 가공할 수 있다. 예컨대, 혈압 추정부(240)는 맥파 이미지와 접촉 압력 이미지가 동일한 스케일(scale)의 시간 도메인을 가지도록 맥파 이미지와 접촉 압력 이미지를 가공할 수 있다.
도 3은 맥파 이미지 생성의 예를 도시한 도면이다. 도 3은 PPG 신호를 웨이브릿 변환하여 맥파 이미지를 생성한 예를 도시한다.
도 2 및 도 3을 참조하면, 맥파 이미지 생성부(210)는 맥파 신호(310)를 웨이브릿 변환하여 맥파 이미지(320)를 생성할 수 있다. 맥파 신호(310)는 형태(shape)에 유의미한 정보를 포함하는 주기적인 신호이며, 맥파 신호(310)에서 시간에 대한 물리적 특성과 주파수에 대한 물리적 특성은 혈압 추정에 중요한 요소일 수 있다. 따라서, 맥파 이미지 생성부(210)는 맥파 신호(310)의 시간에 대한 물리적 특성과 주파수에 대한 물리적 특성이 표현되도록 웨이브릿 변환 등과 같은 주파수 영역 변환을 통해 맥파 이미지(320)를 생성할 수 있다. 이때 생성된 맥파 이미지(320)에는 맥파 신호(310)의 형태를 형성하는 고주파 성분의 조합이나 포락선(envelope)의 모양이 반영될 수 있다.
한편, 도시된 예에서, 맥파 이미지(320)의 가로축은 시간 도메인으로 시간에 대한 물리적 특성을 반영하고, 세로축은 주파수 도메인으로 주파수에 대한 물리적 특성을 반영할 수 있다.
도 4는 접촉 압력 이미지 생성의 예를 도시한 도면이다. 도 4는 접촉 압력 신호를 그라디언트 이미지로 변환하여 접촉 압력 이미지를 생성한 예를 도시한다.
도 2 및 도 4를 참조하면, 접촉 압력 이미지 생성부(220)는 접촉 압력 신호(410)를 그라이언트 이미지로 변환하여 접촉 압력 이미지(420)를 생성할 수 있다. 접촉 압력 신호(410)는 신호 크기(intensity)에 유의미한 정보를 포함하는 비주기적 신호이며, 접촉 압력 신호(410)에서 시간에 따른 물리적 특성은 혈압 추정에 중요한 요소일 수 있다. 따라서, 접촉 압력 이미지 생성부(220)는 접촉 압력 신호(410)에서 시간에 대한 물리적 특성(예컨대, 시간에 따른 신호 크기)이 잘 표현되도록 그라디언트 이미지로 변환하여 접촉 압력 이미지(420)를 생성할 수 있다.
한편, 도시된 예에서, 접촉 압력 이미지(420)의 가로축은 시간 도메인으로 시간에 대한 물리적 특성을 반영할 수 있다.
도 5는 프로세서의 다른 실시예를 도시한 도면이다. 도 5의 프로세서(500)는 도 1의 프로세서(130)의 다른 실시예일 수 있다.
도 5를 참조하면, 프로세서(500)는 맥파 이미지 생성부(510), 접촉 압력 이미지 생성부(520), 가이드 정보 생성부(530), 미분부(540), 미분 이미지 생성부(550) 및 혈압 추정부(560)를 포함할 수 있다. 여기서, 맥파 이미지 생성부(510), 접촉 압력 이미지 생성부(520) 및 가이드 정보 생성부(530)는 도 2의 맥파 이미지 생성부(210), 접촉 압력 이미지 생성부(220) 및 가이드 정보 생성부(230)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다.
미분부(540)는 맥파 신호를 n차 미분하여 n차 미분된 맥파 신호를 획득할 수 있다. 여기서 n은 자연수일 수 있다.
미분 이미지 생성부(550)는 획득된 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성할 수 있다. 맥파 신호는 형태(shape)에 유의미한 정보를 포함하는 주기적인 신호이므로, n차 미분된 맥파 신호 역시 맥파 신호와 마찬가지로 형태(shape)에 유의미한 정보를 포함하는 주기적인 신호일 수 있다. 미분 이미지 생성부(550)는 이러한 n차 미분된 맥파 신호를 주파수 영역 변환을 통해 이미지화하여 n차 미분된 맥파 이미지를 생성할 수 있다. 일 실시예에 따르면, 미분 이미지 생성부(550)는 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성할 수 있다. 생성된 n차 미분된 맥파 이미지는 시간 도메인과 주파수 도메인으로 표현될 수 있다. 즉, n차 미분된 맥파 이미지의 가로축은 시간 도메인으로 시간에 대한 물리적 특성을 반영하고, 세로축은 주파수 도메인으로 주파수에 대한 물리적 특성을 반영할 수 있다. 그러나 이에 한정되는 것은 아니며, n차 미분된 맥파 이미지의 가로축이 주파수 도메인으로 주파수에 대한 물리적 특성을 반영하고, 세로축이 시간 도메인으로 시간에 대한 물리적 특성을 반영하는 것도 가능하다.
혈압 추정부(560)는 맥파 이미지, 접촉 압력 이미지 및 n차 미분된 맥파 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 이때, 혈압 추정부(560)는 미리 구축된 혈압 추정 모델을 이용할 수 있다. 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, n차 미분된 맥파 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있으며, 프로세서(500)의 내부 또는 외부 메모리에 저장될 수 있다.
한편, 일 실시예에 따르면 혈압 추정부(560)는 혈압 추정 전에, 맥파 이미지, 접촉 압력 이미지 및 n차 미분된 맥파 이미지가 같은 사이즈를 가지도록 맥파 이미지, 접촉 압력 이미지 및 n차 미분된 맥파 이미지를 가공할 수 있다. 예컨대, 혈압 추정부(560)는 맥파 이미지, 접촉 압력 이미지 및 n차 미분된 맥파 이미지가 동일한 스케일(scale)의 시간 도메인을 가지도록 맥파 이미지, 접촉 압력 이미지 및 n차 미분된 맥파 이미지를 가공할 수 있다.
도 6은 맥파 측정부의 일 실시예를 도시한 도면이다. 도 6은 서로 다른 파장에 대한 둘 이상의 맥파 신호를 측정하는 예이고 도 6의 맥파 측정부(600)는 도 1의 맥파 측정부(110)의 일 실시예일 수 있다.
도 6을 참조하면, 맥파 측정부(600)는 서로 다른 파장에 대한 복수의 맥파 신호를 측정하기 위해 맥파 센서들의 어레이로 형성될 수 있다. 도시된 바와 같이 맥파 측정부(600)는 제1 맥파 센서(610)와 제2 맥파 센서(620)를 포함할 수 있다. 다만, 이는 설명의 편의를 위함일 뿐 어레이를 형성하는 맥파 센서의 개수에 특별한 제한이 있는 것은 아니다.
제1 맥파 센서(610)는 제1 파장의 광을 피검체에 조사하는 제1 광원(611)과, 제1 광원(611)에서 조사되어 피검체로부터 되돌아오는 제1 파장의 광을 수신하여 제1 맥파 신호를 측정하는 제1 광 검출기(612)를 포함할 수 있다.
제2 맥파 센서(620)는 제2 파장의 광을 피검체에 조사하는 제2 광원(621)과, 제2 광원(621)에서 조사되어 피검체로부터 되돌아오는 제2 파장의 광을 수신하여 제2 맥파 신호를 측정하는 제2 검출기(622)를 포함할 수 있다. 이때, 제1 파장과 제2 파장은 서로 다른 파장일 수 있다.
일 실시예에 따르면, 제1 광원(611) 및 제2 광원(621)은 발광 다이오드(light emitting diode, LED), 유기 발광 다이오드(organic light emitting diode, OLED), 양자점 발광 다이오드(Quantum dot light??emitting diodes, QLED), 레이저 다이오드(laser diode), 형광체 등을 포함할 수 있으나 이에 한정되지 않는다. 또한 제1 광 검출기(612) 및 제2 광 검출기(622)는 포토 다이오드(photo diode), 포토 트랜지스터(photo transistor), 전자 결합 소자(charge??coupled device, CCD), 상보성 금속산화물 반도체(complementary metal??oxide semiconductor, COMS) 등을 포함할 수 있으나 이에 한정되지 않는다.
도 7은 맥파 측정부의 다른 실시예를 도시한 도면이다. 도 7은 서로 다른 파장에 대한 둘 이상의 맥파 신호를 측정하는 예이고 도 7의 맥파 측정부(700)는 도 1의 맥파 측정부(110)의 일 실시예일 수 있다.
도 7을 참조하면, 맥파 측정부(700)는 복수의 광원(711, 712)을 포함하는 광원부(710) 및 광 검출기(720)를 포함할 수 있다. 다만 도 7은 광원부(710)가 두 개의 광원(711, 712)을 포함하는 예를 도시하나 이는 설명의 편의를 위함일 뿐 광원의 개수에 특별한 제한이 있는 것은 아니다.
제1 광원(711)은 피검체에 제1 파장의 광을 조사하고, 제2 광원(712)은 피검체에 제2 파장의 광을 조사할 수 있다. 이때, 제1 파장 및 제2 파장은 서로 다른 파장일 수 있다.
광 검출기(720)는 제1 광원(711)에서 조사되어 피검체로부터 되돌아오는 제1 파장의 광을 수신하여 제1 맥파 신호를 측정하고, 제2 광원(712)에서 조사되어 피검체로부터 되돌아오는 제2 파장의 광을 수신하여 제2 맥파 신호를 측정할 수 있다.
예를 들어, 제1 광원(711) 및 제2 광원(712)은 프로세서의 제어에 따라 시분할 방법으로 구동되어 순차적으로 피검체에 광을 조사할 수 있다. 이때, 제1 광원(711)과 제2 광원(712)의 방출 시간, 구동 순서, 전류의 세기(current intensity) 및 펄스 지속 시간(pulse duration) 등의 광원 구동 조건이 미리 설정될 수 있다. 프로세서는 광원 구동 조건을 참조하여 각 광원(711, 712)의 구동을 제어할 수 있다.
광 검출기(720)는 제1 광원(521a) 및 제2 광원(521b)에 의해 순차적으로 피검체에 조사되어 피검체로부터 되돌아오는 제1 파장의 광 및 제2 파장의 광을 순차적으로 검출하여 제1 맥파 신호 및 제2 맥파 신호를 측정할 수 있다.
도 8은 맥파 측정부의 또 다른 실시예를 도시한 도면이다. 도 8은 서로 다른 파장에 대한 둘 이상의 맥파 신호를 측정하는 예이고 도 8의 맥파 측정부(800)는 도 1의 맥파 측정부(110)의 일 실시예일 수 있다.
도 8을 참조하면, 맥파 측정부(800)는 광원(810) 및 광 검출부(820)를 포함할 수 있다. 광 검출부(820)는 제1 광 검출기(821) 및 제2 광 검출기(822)를 포함할 수 있다. 다만, 도 8은 광 검출부(820)가 두 개의 광 검출기(821, 822)를 포함하는 예를 도시하나 이는 설명의 편의를 위함일 뿐 광 검출기의 개수에 특별한 제한이 있는 것은 아니다.
광원(810)은 피검체에 소정 파장대의 광을 조사할 수 있다. 이때, 광원(810)은 단일 광원으로서 가시광선을 포함하는 넓은 파장대의 광을 조사하도록 형성될 수 있다.
광 검출부(820)는 피검체로부터 되돌아오는 소정 파장대의 광을 수신하여 복수의 맥파 신호를 측정할 수 있다. 이를 위해 광 검출부(820)는 복수의 서로 다른 응답 특성을 갖도록 형성될 수 있다.
예를 들어, 제1 광 검출기(821) 및 제2 광 검출기(822)는 피검체로부터 되돌아오는 소정 파장대의 광 중에서 서로 다른 파장의 광에 반응하는 서로 다른 측정 범위를 갖도록 형성될 수 있다. 또는 제1 광 검출기(821) 및 제2 광 검출기(822)는 서로 다른 파장의 광에 반응하도록 어느 광 검출기의 전면에 필터를 장착하거나, 두 개의 광 검출기의 전면에 서로 다른 필터를 장착할 수 있다. 또는 제1 광 검출기(821) 및 제2 광 검출기(822)를 광원(810)으로부터 서로 다른 거리 상에 배치할 수 있다. 이 경우, 광원(810)으로부터 상대적으로 가까운 거리에 배치되는 광 검출기는 단파장 대역의 광을 검출하고, 광원(810)으로부터 상대적으로 먼 거리에 배치되는 광 검출기는 장파장 대역의 광을 검출할 수 있다.
지금까지 도 6 내지 도 8을 참조하여 서로 다른 파장에 대한 복수의 맥파 신호를 측정하기 위한 맥파 측정부의 실시예들을 설명하였다. 다만, 이는 일 실시예들에 불과한 것이므로 이에 제한되는 것은 아니다. 즉, 광원 및 광 검출기의 개수 및 배열 형태 등은 다양하며 맥파 측정부의 활용 목적 및 맥파 측정부가 탑재되는 전자 장치의 크기와 형태 등에 따라 다양하게 변경될 수 있다.
도 9는 혈압 측정 장치의 다른 실시예를 도시한 도면이다. 도 9의 혈압 측정 장치(100)는 비침습적으로 피검체의 혈압을 측정할 수 있는 장치로, 전술한 전자 장치에 탑재되거나, 하우징으로 감싸져 별개의 장치로 형성될 수 있다.
도 9를 참조하면, 혈압 측정 장치(900)는 맥파 측정부(910), 압력 측정부(920), 접촉 이미지 획득부(930) 및 프로세서(940)를 포함할 수 있다. 여기서, 맥파 측정부(910) 및 압력 측정부(920)는 도 1의 맥파 측정부(110) 및 압력 측정부(120)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다.
접촉 이미지 획득부(930)는 피검체의 복수의 시간별 접촉 이미지를 획득할 수 있다. 이를 위해 접촉 이미지 획득부(930)는 터치 센서 또는 지문 센서를 포함할 수 있다. 예컨대, 접촉 이미지 획득부(930)는 터치 센서 또는 지문 센서의 시간별 센서값을 기반으로 윤곽형성(Contouring)을 수행하여 시간별 접촉 이미지를 획득할 수 있다.
프로세서(940)는 혈압 측정 장치(900)의 전반적인 동작을 제어할 수 있다.
프로세서(940)는 피검체가 맥파 측정부(910)에 접촉하면, 맥파 측정부(910)를 제어하여 피검체의 맥파 신호를 측정하고, 압력 측정부(920)를 제어하여 피검체와 맥파 측정부(910) 사이의 접촉 압력 신호를 측정하고, 접촉 이미지 획득부(930)를 제어하여 복수의 시간별 접촉 이미지를 획득할 수 있다.
또한, 프로세서(940)는 측정된 맥파 신호, 측정된 접촉 압력 신호 및 획득된 복수의 시간별 접촉 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 예컨대, 프로세서(940)는 맥파 신호와 접촉 압력 신호를 각각 이미지화하여 맥파 이미지 및 접촉 압력 이미지를 생성하고, 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환하고, 맥파 이미지, 접촉 압력 이미지 및 단일 접촉 이미지를 이용하여 피검체의 혈압을 추정할 수 있다.
이하, 도 10 내지 도 13을 참조하여 프로세서(940)의 실시예들을 자세히 설명하기로 한다.
도 10은 프로세서의 일 실시예를 도시한 도면이다. 도 10의 프로세서(1000)는 도 9의 프로세서(940)의 일 실시예일 수 있다.
도 10을 참조하면, 프로세서(1000)는 맥파 이미지 생성부(1010), 접촉 압력 이미지 생성부(1020), 가이드 정보 생성부(1030), 이미지 변환부(1040) 및 혈압 추정부(1050)를 포함할 수 있다. 여기서 맥파 이미지 생성부(1010), 접촉 압력 이미지 생성부(1020) 및 가이드 정보 생성부(1030)는 도 2의 맥파 이미지 생성부(210), 접촉 압력 이미지 생성부(220) 및 가이드 정보 생성부(230)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다.
이미지 변환부(1040)는 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환할 수 있다. 예컨대, 이미지 변환부(1040)는 각 시간별 접촉 이미지를 다수의 부분으로 구분하고 각 부분을 소정의 정렬 순서에 따라 정렬하여 각 시간별 접촉 이미지에 대한 정렬 이미지를 생성하고, 생성된 정렬 이미지를 시간에 따라 정렬함으로써, 복수의 시간별 접촉 이미지를 단일 접촉 이미지로 변환할 수 있다.
혈압 추정부(1050)는 맥파 이미지, 접촉 압력 이미지 및 단일 접촉 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 이때, 혈압 추정부(1050)는 미리 구축된 혈압 추정 모델을 이용할 수 있다. 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, 단일 접촉 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있으며, 프로세서(1000)의 내부 또는 외부 메모리에 저장될 수 있다.
한편, 일 실시예에 따르면 혈압 추정부(1050)는 혈압 추정 전에, 맥파 이미지, 접촉 압력 이미지 및 단일 접촉 이미지가 같은 사이즈를 가지도록 맥파 이미지, 접촉 압력 이미지 및 단일 접촉 이미지를 가공할 수 있다. 예컨대, 혈압 추정부(1050)는 맥파 이미지, 접촉 압력 이미지 및 단일 접촉 이미지가 동일한 스케일(scale)의 시간 도메인을 가지도록 맥파 이미지, 접촉 압력 이미지 및 단일 접촉 이미지를 가공할 수 있다.
도 11 및 도 12는 복수의 시간별 접촉 이미지를 단일 접촉 이미지로 변환하는 예들을 도시한 도면이다.
도 10 내지 도 12를 참조하면, 이미지 변환부(1040)는 복수의 시간별 접촉 이미지(1111, 1112)를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지(1130)로 변환할 수 있다. 도시된 예에서 이미지 변환부(1040)는 제1 시간별 접촉 이미지(1111)를 다수의 부분(1, 2, 3)으로 구분하고 각 부분을 소정의 정렬 순서에 따라 위에서 아래로 순차적으로 정렬하여 제1 시간별 접촉 이미지(1111)에 대한 정렬 이미지(1121)을 생성할 수 있다. 또한, 이미지 변환부(1040)는 제2 시간별 접촉 이미지(1112)를 다수의 부분으로 구분하고, 각 부분을 소정의 정렬 순서에 따라 위에서 아래로 순차적으로 정렬하여 제2 시간별 접촉 이미지(1112)에 대한 정렬 이미지(1122)를 생성할 수 있다. 이러한 방식으로 이미지 변환부(1040)는 모든 시간별 접촉 이미지에 대한 정렬 이미지를 생성하고, 생성된 정렬 이미지들(1121, 1122)을 시간에 따라 정렬하여 단일 접촉 이미지(1130)를 생성할 수 있다.
도 13은 프로세서의 다른 실시예를 도시한 도면이다. 도 13의 프로세서(1300)는 도 9의 프로세서(940)의 일 실시예일 수 있다.
도 13을 참조하면, 프로세서(1300)는 맥파 이미지 생성부(1310), 접촉 압력 이미지 생성부(1320), 가이드 정보 생성부(1330), 이미지 변환부(1340), 미분부(135), 미분 이미지 생성부(1360) 및 혈압 추정부(1370)를 포함할 수 있다. 여기서 맥파 이미지 생성부(1310), 접촉 압력 이미지 생성부(1320), 가이드 정보 생성부(1330) 및 이미지 변환부(1340)는 도 10의 맥파 이미지 생성부(1010), 접촉 압력 이미지 생성부(1020), 가이드 정보 생성부(1030) 및 이미지 변환부(1040)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다. 또한, 미분부(1350) 및 미분 이미지 생성부(1360)는 도 5의 미분부(540) 및 미분 이미지 생성부(550)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다.
혈압 추정부(1370)는 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지 및 n차 미분된 맥파 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 이때, 혈압 추정부(1370)는 미리 구축된 혈압 추정 모델을 이용할 수 있다. 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, 단일 접촉 이미지 데이터, n차 미분된 맥파 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있으며, 프로세서(1300)의 내부 또는 외부 메모리에 저장될 수 있다.
한편, 일 실시예에 따르면 혈압 추정부(1370)는 혈압 추정 전에, 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지 및 n차 미분된 맥파 이미지가 같은 사이즈를 가지도록 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지 및 n차 미분된 맥파 이미지를 가공할 수 있다. 예컨대, 혈압 추정부(1370)는 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지 및 n차 미분된 맥파 이미지가 동일한 스케일(scale)의 시간 도메인을 가지도록 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지 및 n차 미분된 맥파 이미지를 가공할 수 있다.
도 14는 혈압 측정 장치의 또 다른 실시예를 도시한 도면이다. 도 14의 혈압 측정 장치(1400)는 비침습적으로 피검체의 혈압을 측정할 수 있는 장치로, 전술한 전자 장치에 탑재되거나, 하우징으로 감싸져 별개의 장치로 형성될 수 있다.
도 14를 참조하면, 혈압 측정 장치(100)는 맥파 측정부(1410), 압력 측정부(1420), 프로세서(1430), 입력부(1440), 저장부(1450), 통신부(1460) 및 출력부(1470)를 포함할 수 있다. 여기서 맥파 측정부(1410), 압력 측정부(1420), 프로세서(1430)는 도 1의 맥파 측정부(110), 압력 측정부(120), 프로세서(130)와 각각 동일하므로 그 상세한 설명은 생략하기로 한다.
입력부(1440)는 사용자로부터 다양한 조작신호를 입력 받을 수 있다. 일 실시예에 따르면, 입력부(1440)는 키 패드(key pad), 돔 스위치(dome switch), 터치 패드(touch pad)(정압/정전), 조그 휠(Jog wheel), 조그 스위치(Jog switch), H/W 버튼 등을 포함할 수 있다. 특히, 터치 패드가 디스플레이와 상호 레이어 구조를 이룰 경우, 이를 터치 스크린이라 부를 수 있다.
저장부(1450)는 혈압 측정 장치(1400)의 동작을 위한 프로그램 또는 명령들을 저장할 수 있고, 혈압 측정 장치(1400)에 입력되는 데이터 및 혈압 측정 장치(1400)로부터 출력되는 데이터를 저장할 수 있다. 또한, 저장부(1450)는 맥파 신호, 접촉 압력 신호, 맥파 이미지, 접촉 압력 이미지, 혈압 추정 모델 등을 저장할 수 있다.
저장부(1450)는 플래시 메모리 타입(flash memory type), 하드 디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예컨대, SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read Only Memory), PROM(Programmable Read Only Memory), 자기 메모리, 자기 디스크, 광디스크 등 적어도 하나의 타입의 저장매체를 포함할 수 있다. 또한, 혈압 측정 장치(1400)는 인터넷 상에서 저장부(1450)의 저장 기능을 수행하는 웹 스토리지(web storage) 등 외부 저장 매체를 운영할 수도 있다.
통신부(1460)는 외부 장치와 통신을 수행할 수 있다. 예컨대, 통신부(1460)는 혈압 측정 장치(1400)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 외부 장치로 전송하거나, 외부 장치로부터 피검체의 혈압 추정에 도움이 되는 다양한 데이터를 수신할 수 있다.
이때, 외부 장치는 혈압 측정 장치(1400)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 사용하는 의료 장비, 결과물을 출력하기 위한 프린트 또는 디스플레이 장치일 수 있다. 이외에도 외부 장치는 디지털 TV, 데스크탑 컴퓨터, 휴대폰, 스마트 폰, 태블릿, 노트북, PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), 네비게이션, MP3 플레이어, 디지털 카메라, 웨어러블 디바이스 등 일 수 있으나, 이에 제한되지 않는다.
통신부(1460)는 블루투스(bluetooth) 통신, BLE(Bluetooth Low Energy) 통신, 근거리 무선 통신(Near Field Communication, NFC), WLAN 통신, 지그비(Zigbee) 통신, 적외선(Infrared Data Association, IrDA) 통신, WFD(Wi??Fi Direct) 통신, UWB(ultra??wideband) 통신, Ant+ 통신, WIFI 통신, RFID(Radio Frequency Identification) 통신, 3G 통신, 4G 통신 및 5G 통신 등을 이용하여 외부 장치와 통신할 수 있다. 그러나, 이는 일 예에 불과할 뿐이며, 이에 한정되는 것은 아니다.
출력부(1470)는 혈압 측정 장치(1400)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 출력할 수 있다. 일 실시예에 따르면, 출력부(1470)는 혈압 측정 장치(1400)에 입력된 데이터, 저장된 데이터, 처리된 데이터 등을 청각적 방법, 시각적 방법 및 촉각적 방법 중 적어도 하나의 방법으로 출력할 수 있다. 이를 위해 출력부(1470)는 디스플레이, 스피커, 진동기 등을 포함할 수 있다.
도 15는 혈압 측정 방법의 일 실시예를 도시한 도면이다. 도 15의 혈압 측정 방법은 도 1의 혈압 측정 장치(100)에 의해 수행될 수 있다.
도 15를 참조하면, 혈압 측정 장치는 피검체의 맥파 신호를 측정할 수 있다(1510). 일 실시예에 따르면 혈압 측정 장치는 서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정할 수 있다. 예컨대, 혈압 측정 장치는 피검체가 맥파 측정부에 접촉하면 피검체에 광을 조사하고, 피검체로부터 되돌아오는 광을 수신하여 서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정할 수 있다.
혈압 측정 장치는 피검체와 맥파 측정부 사이의 접촉 압력 신호를 측정할 수 있다(1520). 일 실시예에 따르면, 혈압 측정 장치는 피검체와 맥파 측정부 사이의 접촉 힘 신호를 측정하고 측정된 접촉 힘 신호를 소정의 면적으로 나누어 접촉 압력 신호를 획득할 수 있다. 소정의 면적은 미리 혈압 측정 장치에 디폴트로 저장된 값일 수 있다. 다른 실시예에 따르면, 혈압 측정 장치는 피검체와 맥파 측정부 사이의 접촉 힘 신호와 접촉 면적 신호를 측정하고, 측정된 접촉 힘 신호를 측정된 접촉 면적 신호로 나누어 접촉 압력 신호를 획득할 수 있다.
혈압 측정 장치는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성할 수 있다(1530). 일 실시예에 따르면, 혈압 측정 장치는 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 맥파 신호를 이미지화하여 맥파 이미지를 생성할 수 있다.
혈압 측정 장치는 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성할 수 있다(1540). 일 실시예에 따르면, 혈압 측정 장치는 접촉 압력 신호를 그라디언트 이미지(gradient image)로 변환하여 접촉 압력 이미지를 생성할 수 있다.
혈압 측정 장치는 맥파 이미지, 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(1550). 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
도 16은 혈압 측정 방법의 다른 실시예를 도시한 도면이다. 도 16의 혈압 측정 방법은 도 1의 혈압 측정 장치(100)에 의해 수행될 수 있다. 도 16에서 단계 1610, 단계 1620, 단계 1640, 단계 1650 및 단계 1670는 도 15의 단계 1510, 단계 1520, 단계 1530, 단계 1540 및 단계 1550와 각각 동일하므로 간략하게 설명하기로 한다.
도 16을 참조하면, 혈압 측정 장치는 피검체의 맥파 신호를 측정하고(1610), 피검체와 맥파 측정부의 접촉 압력 신호를 측정할 수 있다(1620).
혈압 측정 장치는 측정된 접촉 압력 신호를 기반으로 혈압 측정을 위하여 피검체와 맥파 측정부 사이의 접촉 압력 증가 또는 감소를 유도하기 위한 가이드 정보를 생성하여 사용자에게 제공할 수 있다(1630). 예컨대, 혈압 측정 장치는 측정된 접촉 압력 신호를 선형적으로 증가 또는 감소하는 목표 압력 신호와 비교하고, 측정된 접촉 압력 신호가 목표 압력 신호보다 크면 접촉 압력 감소를 유도하기 위한 가이드 정보를 생성하고, 측정된 접촉 압력 신호가 목표 압력 신호보다 작으면 접촉 압력 증가를 유도하기 위한 가이드 정보를 생성하여 사용자에게 제공할 수 있다.
혈압 측정 장치는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성하고(1640), 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성할 수 있다(1650).
혈압 측정 장치는 맥파 이미지와 접촉 압력 이미지가 같은 사이즈를 가지도록 맥파 이미지와 접촉 압력 이미지를 가공할 수 있다(1660). 예컨대, 혈압 측정 장치는 맥파 이미지와 접촉 압력 이미지가 동일한 스케일(scale)의 시간 도메인을 가지도록 맥파 이미지와 접촉 압력 이미지를 가공할 수 있다.
혈압 측정 장치는 맥파 이미지, 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(1670).
도 17은 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다. 도 17의 혈압 측정 방법은 도 1의 혈압 측정 장치(100)에 의해 수행될 수 있다. 도 17에서 단계 1710, 단계 1720, 단계 1730 및 단계 1740은 도 15의 단계 1510, 단계 1520, 단계 1530 및 단계 1540과 각각 동일하므로 간략하게 설명하기로 한다.
도 17을 참조하면, 혈압 측정 장치는 피검체의 맥파 신호를 측정하고(1710), 피검체와 맥파 측정부의 접촉 압력 신호를 측정할 수 있다(1720).
혈압 측정 장치는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성하고(1730), 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성할 수 있다(1740).
혈압 측정 장치는 맥파 신호를 n차 미분하여 n차 미분된 맥파 신호를 획득할 수 있다(1750). 여기서 n은 자연수일 수 있다.
혈압 측정 장치는 획득된 n차 미분된 맥파 신호를 주파수 영역 변환을 통해 이미지화하여 n차 미분된 맥파 이미지를 생성할 수 있다(1760). 일 실시예에 따르면, 미분 이미지 생성부(550)는 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성할 수 있다.
혈압 측정 장치는 맥파 이미지, 접촉 압력 이미지, n차 미분된 맥파 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(1770). 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, n차 미분된 맥파 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
도 18은 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다. 도 18의 혈압 측정 방법은 도 9의 혈압 측정 장치(900)에 의해 수행될 수 있다. 도 17에서 단계 1810, 단계 1820, 단계 1830 및 단계 1840은 도 15의 단계 1510, 단계 1520, 단계 1530 및 단계 1540과 각각 동일하므로 간략하게 설명하기로 한다.
도 18을 참조하면, 혈압 측정 장치는 피검체의 맥파 신호를 측정하고(1810), 피검체와 맥파 측정부의 접촉 압력 신호를 측정할 수 있다(1820).
혈압 측정 장치는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성하고(1830), 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성할 수 있다(1840).
혈압 측정 장치는 피검체의 복수의 시간별 접촉 이미지를 획득할 수 있다(1850).
혈압 측정 장치는 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환할 수 있다(1860). 예컨대, 혈압 측정 장치는 각 시간별 접촉 이미지를 다수의 부분으로 구분하고 각 부분을 소정의 정렬 순서에 따라 정렬하여 각 시간별 접촉 이미지에 대한 정렬 이미지를 생성하고, 생성된 정렬 이미지를 시간에 따라 정렬함으로써, 복수의 시간별 접촉 이미지를 단일 접촉 이미지로 변환할 수 있다.
혈압 측정 장치는 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(1870). 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, 단일 접촉 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
도 19는 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다. 도 19의 혈압 측정 방법은 도 9의 혈압 측정 장치(900)에 의해 수행될 수 있다. 도 19에서 단계 1910, 단계 1920, 단계 1930, 단계 1940, 단계 1950 및 단계 1960은 도 18의 단계 1810, 단계 1820, 단계 1830, 단계 1840, 단계 1850 및 단계 1860과 각각 동일하며, 단계 1970 및 단계 1980은 도 17의 단계 1750 및 단계 1760과 각각 동일하므로 간략하게 설명하기로 한다.
도 19를 참조하면, 혈압 측정 장치는 피검체의 맥파 신호를 측정하고(1910), 피검체와 맥파 측정부의 접촉 압력 신호를 측정할 수 있다(1920).
혈압 측정 장치는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성하고(1930), 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성할 수 있다(1940).
혈압 측정 장치는 피검체의 복수의 시간별 접촉 이미지를 획득하고(1950), 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환할 수 있다(1960).
혈압 측정 장치는 맥파 신호를 n차 미분하여 n차 미분된 맥파 신호를 획득하고(1970), 획득된 n차 미분된 맥파 신호를 주파수 영역 변환을 통해 이미지화하여 n차 미분된 맥파 이미지를 생성할 수 있다(1980).
혈압 측정 장치는 맥파 이미지, 접촉 압력 이미지, 단일 접촉 이미지, n차 미분된 맥파 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(1990). 혈압 추정 모델은 맥파 이미지 데이터, 접촉 압력 이미지 데이터, 단일 접촉 이미지 데이터, n차 미분된 맥파 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
도 20은 혈압 측정 장치의 또 다른 실시예를 도시한 도면이다. 도 21의 혈압 측정 장치(2000)는 비침습적으로 피검체의 혈압을 측정할 수 있는 장치로, 전술한 전자 장치에 탑재되거나, 하우징으로 감싸져 별개의 장치로 형성될 수 있다.
도 20을 참조하면, 혈압 측정 장치(2000)는 맥파 측정부(2010), 힘 측정부(2020), 면적 측정부(2030) 및 프로세서(2040)를 포함할 수 있다. 여기서 맥파 측정부(2010)는 도 1의 맥파 측정부(110)와 동일하므로 그 상세한 설명은 생략하기로 한다.
힘 측정부(2020)는 피검체와 맥파 측정부(2010) 사이의 접촉 힘 신호를 측정할 수 있다. 이를 위해 힘 측정부(2020)는 힘 센서, 압전 필름, 로드셀, 레이다, 스트레인게이지 등을 포함할 수 있다.
면적 측정부(2030)는 피검체와 맥파 측정부(2010) 사이의 접촉 면적 신호를 측정할 수 있다. 이를 위해 면적 측정부(2030)는 접촉 면적 센서(예컨대, 터치 센서 등)를 포함할 수 있다.
프로세서(2040)는 혈압 측정 장치(2000)의 전반적인 동작을 제어할 수 있다.
프로세서(2040)는 피검체가 맥파 측정부(2010)에 접촉하면, 맥파 측정부(2010)를 제어하여 피검체의 맥파 신호를 측정하고, 힘 측정부(2020)를 제어하여 피검체와 맥파 측정부(2010) 사이의 접촉 힘 신호를 측정하고, 면적 측정부(2030)를 제어하여 피검체와 맥파 측정부(2010) 사이의 접촉 면적 신호를 측정할 수 있다.
또한, 프로세서(2040)는 측정된 맥파 신호, 측정된 접촉 힘 신호 및 측정된 접촉 면적 신호를 기반으로 피검체의 혈압을 추정할 수 있다. 예컨대, 프로세서(2040)는 맥파 신호, 접촉 힘 신호 및 접촉 면적 신호를 각각 이미지화하여 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지를 생성하고, 생성된 맥파 이미지, 생성된 접촉 힘 이미지 및 생성된 접촉 면적 이미지를 이용하여 피검체의 혈압을 추정할 수 있다.
도 21은 프로세서의 일 실시예를 도시한 도면이다. 도 21의 프로세서(2100)는 도 20의 프로세서(2040)의 일 실시예일 수 있다.
도 21을 참조하면, 프로세서(2100)는 맥파 이미지 생성부(2110), 접촉 힘 이미지 생성부(2120), 접촉 면적 이미지 생성부(2130), 가이드 정보 생성부(2140) 및 혈압 추정부(2150)를 포함할 수 있다. 여기서 맥파 이미지 생성부(2110)는 도 1의 맥파 이미지 생성부(210)와 동일하므로 그 상세한 설명은 생략하기로 한다.
접촉 힘 이미지 생성부(2120)는 접촉 힘 신호를 이미지화하여 접촉 힘 이미지를 생성할 수 있다. 접촉 힘 신호는 신호 크기(intensity)에 유의미한 정보를 포함하는 비주기적 신호일 수 있다. 일 실시예에 따르면, 접촉 힘 이미지 생성부(2120)는 접촉 힘 신호를 그라디언트 이미지(gradient image)로 변환하여 접촉 힘 이미지를 생성할 수 있다. 이때 생성된 접촉 힘 이미지는 시간 도메인으로 표현될 수 있다. 즉, 접촉 힘 이미지의 하나의 축(예컨대, 가로축 또는 세로축)이 시간 도메인으로 시간에 대한 물리적 특성을 반영할 수 있다.
접촉 면적 이미지 생성부(2130)는 접촉 면적 신호를 이미지화하여 접촉 면적 이미지를 생성할 수 있다. 접촉 면적 신호는 신호 크기(intensity)에 유의미한 정보를 포함하는 비주기적 신호일 수 있다. 일 실시예에 따르면, 접촉 면적 이미지 생성부(2130)는 접촉 면적 신호를 그라디언트 이미지(gradient image)로 변환하여 접촉 면적 이미지를 생성할 수 있다. 이때 생성된 접촉 면적 이미지는 시간 도메인으로 표현될 수 있다. 즉, 접촉 면적 이미지의 하나의 축(예컨대, 가로축 또는 세로축)이 시간 도메인으로 시간에 대한 물리적 특성을 반영할 수 있다.
가이드 정보 생성부(2140)는 측정된 접촉 힘 신호와 측정된 접촉 면적 신호를 기반으로 접촉 압력 신호를 획득하고, 획득된 접촉 압력 신호를 기반으로 혈압 측정을 위하여 피검체와 맥파 측정부 사이의 접촉 압력 증가 또는 감소를 유도하기 위한 가이드 정보를 생성하여 출력 수단을 통해 사용자에게 제공할 수 있다. 예컨대, 가이드 정보 생성부(230)는 접촉 힘 신호를 접촉 면적 신호로 나누어 접촉 압력 신호를 획득할 수 있다. 또한 가이드 정보 생성부(230)는 획득된 접촉 압력 신호를 선형적으로 증가 또는 감소하는 목표 압력 신호와 비교하고, 측정된 접촉 압력 신호가 목표 압력 신호보다 크면 접촉 압력 감소를 유도하기 위한 가이드 정보를 생성하고, 측정된 접촉 압력 신호가 목표 압력 신호보다 작으면 접촉 압력 증가를 유도하기 위한 가이드 정보를 생성하여 출력 수단을 통해 사용자에게 제공할 수 있다. 이때, 출력 수단은 시각적 출력 수단, 청각적 출력 수단, 촉각적 출력 수단 등 다양한 출력 수단을 포함할 수 있다.
혈압 추정부(2150)는 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 이때, 혈압 추정부(2150)는 미리 구축된 혈압 추정 모델을 이용할 수 있다. 혈압 추정 모델은 맥파 이미지 데이터, 접촉 힘 이미지 데이터, 접촉 면적 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있으며, 프로세서(2100)의 내부 또는 외부 메모리에 저장될 수 있다.
한편, 일 실시예에 따르면 혈압 추정부(2150)는 혈압 추정 전에, 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지가 같은 사이즈를 가지도록 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지를 가공할 수 있다. 예컨대, 혈압 추정부(2150)는 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지가 동일한 스케일(scale)의 시간 도메인을 가지도록 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지를 가공할 수 있다.
도 22는 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다. 도 22의 혈압 측정 방법은 도 20의 혈압 측정 장치(2000)에 의해 수행될 수 있다. 도 22에서 단계 2210 및 단계 2240은 도 15의 단계 1510 및 단계 1530와 각각 동일하므로 간략하게 설명하기로 한다.
도 22를 참조하면, 혈압 측정 장치는 피검체의 맥파 신호를 측정하고(2210), 피검체와 맥파 측정부의 접촉 힘 신호를 측정하고(2220), 피검체와 맥파 측정부의 접촉 면적 신호를 측정할 수 있다(2230).
혈압 측정 장치는 주파수 영역 변환을 통하여 맥파 신호를 이미지화하여 맥파 이미지를 생성할 수 있다(2240).
혈압 측정 장치는 접촉 힘 신호를 이미지화하여 접촉 힘 이미지를 생성할 수 있다(2250). 일 실시예에 따르면, 혈압 측정 장치는 접촉 힘 신호를 그라디언트 이미지(gradient image)로 변환하여 접촉 힘 이미지를 생성할 수 있다.
혈압 측정 장치는 접촉 면적 신호를 이미지화하여 접촉 면적 이미지를 생성할 수 있다(2260). 일 실시예에 따르면, 혈압 측정 장치는 접촉 면적 신호를 그라디언트 이미지(gradient image)로 변환하여 접촉 면적 이미지를 생성할 수 있다.
혈압 측정 장치는 맥파 이미지, 접촉 힘 이미지, 접촉 면적 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(2270). 혈압 추정 모델은 맥파 이미지 데이터, 접촉 힘 이미지 데이터, 접촉 면적 이미지 데이터 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
한편, 도 1 내지 도 22는 맥파 신호, 접촉 압력 신호, n차 미분된 맥파 신호, 시간별 접촉 이미지, 접촉 힘 신호, 및/또는 접촉 면적 신호를 이용하여 혈압을 추정하는 예를 설명하나, 이에 한정되는 것은 아니다. 즉, 피검체의 온도와 같은 사용자의 신체 특성 또는 측정 환경을 반영하는 비주기적 신호 등을 추가적으로 더 이용할 수 있다.
도 23은 혈압 측정 장치의 또 다른 실시예를 도시한 도면이다.
도 23을 참조하면, 혈압 측정 장치(2300)는 커프(2310), 압력 측정부(2320), 신호 추출부(2330) 및 프로세서(2340)를 포함할 수 있다.
커프(2310)는 피검체에 장착되어 피검에에 압력을 가할 수 있다. 구체적으로 커프(2310)는 피검체의 상완 부근에 착용되어 소정의 제어 신호에 따라 수축기 혈압보다 높은 압력으로 가압해 상완 부위의 혈관을 차단한 다음 피검체에 가해지는 압력을 점차 줄여갈 수 있다.
압력 측정부(2320)는 커프 압력 신호를 측정할 수 있다.
신호 추출부(2330)는 측정된 커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출할 수 있다. 이를 위해 신호 추출부(2330)는 고역 통과 필터, 저역 통과 필터 등 다양한 필터를 포함할 수 있다.
프로세서(2340)는 혈압 측정 장치(2300)의 전반적인 동작을 제어할 수 있다.
프로세서(2340)는 커프(2310)가 피검체에 장착되면, 커프(2310)를 제어하여 피검체에 압력을 가하고, 압력 측정부(2320)를 제어하여 커프 압력 신호를 측정할 수 있다. 또한, 프로세서(2340)는 신호 추출부(2330)를 제어하여 측정된 커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출할 수 있다.
프로세서(2340)는 추출된 AC 성분 신호와 추출된 DC 성분 신호를 기반으로 피검체의 혈압을 추정할 수 있다. 예컨대, 프로세서(2340)는 AC 성분 신호와 DC 성분 신호를 각각 이미지화하여 AC 성분 이미지 및 DC 성분 이미지를 생성하고, 생성된 AC 성분 이미지 및 DC 성분 이미지를 이용하여 피검체의 혈압을 추정할 수 있다.
이하, 도 24를 참조하여 프로세서(2340)를 상세히 설명하기로 한다.
도 24는 프로세서의 일 실시예를 도시한 도면이다. 도 24의 프로세서(2400)는 도 23의 프로세서(2340)의 일 실시예일 수 있다.
도 24를 참조하면, 프로세서(2400)는 AC 성분 이미지 생성부(2410), DC 성분 이미지 생성부(2420) 및 혈압 추정부(2430)를 포함할 수 있다.
AC 성분 이미지 생성부(2410)는 주파수 영역 변환을 통하여 AC 성분 신호를 이미지화하여 AC 성분 이미지를 생성할 수 있다. AC 성분 신호는 형태(shape)에 유의미한 정보를 포함하는 주기적인 신호일 수 있다. 일 실시예에 따르면, AC 성분 이미지 생성부(210)는 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 AC 성분 신호를 이미지화하여 AC 성분 이미지를 생성할 수 있다. 이때 생성된 AC 성분 이미지는 시간 도메인과 주파수 도메인으로 표현될 수 있다. 즉, AC 성분 이미지의 가로축은 시간 도메인으로 시간에 대한 물리적 특성을 반영하고, 세로축은 주파수 도메인으로 주파수에 대한 물리적 특성을 반영할 수 있다. 그러나 이에 한정되는 것은 아니며, AC 성분 이미지의 가로축이 주파수 도메인으로 주파수에 대한 물리적 특성을 반영하고, 세로축이 시간 도메인으로 시간에 대한 물리적 특성을 반영하는 것도 가능하다.
DC 성분 이미지 생성부(2420)는 DC 성분 신호를 이미지화하여 DC 성분 이미지를 생성할 수 있다. DC 성분 신호는 신호 크기(intensity)에 유의미한 정보를 포함하는 비주기적 신호일 수 있다. 일 실시예에 따르면, DC 성분 이미지 생성부(2420)는 DC 성분 신호를 그라디언트 이미지(gradient image)로 변환하여 DC 성분 이미지를 생성할 수 있다. 이때 생성된 DC 성분 이미지는 시간 도메인으로 표현될 수 있다. 즉, DC 성분 이미지의 하나의 축(예컨대, 가로축 또는 세로축)이 시간 도메인으로 시간에 대한 물리적 특성을 반영할 수 있다.
혈압 추정부(2430)는 AC 성분 이미지와 DC 성분 이미지를 기반으로 피검체의 혈압을 추정할 수 있다. 이때, 혈압 추정부(2430)는 미리 구축된 혈압 추정 모델을 이용할 수 있다. 혈압 추정 모델은 AC 성분 이미지 데이터, DC 성분 이미지 데이터, 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있으며, 프로세서(2400)의 내부 또는 외부 메모리에 저장될 수 있다.
도 25는 혈압 측정 방법의 또 다른 실시예를 도시한 도면이다. 도 25의 혈압 측정 방법은 도 23의 혈압 측정 장치(2300)에 의해 수행될 수 있다.
도 25를 참조하면, 혈압 측정 장치는 피검체에 커프가 장착되면, 커프 압력 신호를 측정할 수 있다(2510).
혈압 측정 장치는 측정된 커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출할 수 있다(2520).
혈압 측정 장치는 주파수 영역 변환을 통하여 AC 성분 신호를 이미지화하여 AC 성분 이미지를 생성할 수 있다(2530). 일 실시예에 따르면, 혈압 측정 장치는 웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 AC 성분 신호를 이미지화하여 AC 성분 이미지를 생성할 수 있다.
혈압 측정 장치는 DC 성분 신호를 이미지화하여 DC 성분 이미지를 생성할 수 있다(2540). 일 실시예에 따르면, 혈압 측정 장치는 DC 성분 신호를 그라디언트 이미지(gradient image)로 변환하여 DC 성분 이미지를 생성할 수 있다.
혈압 측정 장치는 AC 성분 이미지, DC 성분 이미지 및 혈압 추정 모델을 이용하여 피검체의 혈압을 추정할 수 있다(2550). 혈압 추정 모델은 AC 성분 이미지 데이터, DC 성분 이미지 데이터, 및 이들에 대응하는 혈압 데이터를 학습 데이터로 하여 기계 학습을 통해 미리 구축된 합성곱 신경망(convolutional neural network) 기반 모델일 수 있다.
상술한 실시예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함할 수 있다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD??ROM, 자기 테이프, 플로피 디스크, 광 디스크 등을 포함할 수 있다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드로 작성되고 실행될 수 있다.
100: 혈압 측정 장치
110: 맥파 측정부
120: 압력 측정부
130: 프로세서

Claims (40)

  1. 피검체의 맥파 신호를 측정하는 맥파 측정부;
    상기 피검체와 상기 맥파 측정부 사이의 접촉 압력 신호를 측정하는 압력 측정부; 및
    상기 측정된 맥파 신호 및 상기 측정된 접촉 압력 신호를 이미지화하여 맥파 이미지 및 접촉 압력 이미지를 생성하고, 상기 생성된 맥파 이미지, 상기 생성된 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서; 를 포함하는,
    혈압 측정 장치.
  2. 제1항에 있어서,
    상기 맥파 신호는,
    광용적맥파(photoplethysmogram) 신호인,
    혈압 측정 장치.
  3. 제1항에 있어서,
    상기 맥파 측정부는,
    서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정하는,
    혈압 측정 장치.
  4. 제1항에 있어서,
    상기 압력 측정부는,
    상기 피검체와 상기 맥파 측정부 사이의 접촉 힘 신호 및 접촉 면적 신호를 측정하고, 상기 접촉 힘 신호 및 상기 접촉 면적 신호를 기반으로 상기 접촉 압력 신호를 획득하는,
    혈압 측정 장치.
  5. 제1항에 있어서,
    상기 프로세서는,
    웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 맥파 신호를 이미지화하여 상기 맥파 이미지를 생성하는,
    혈압 측정 장치.
  6. 제1항에 있어서,
    상기 프로세서는,
    상기 측정된 접촉 압력 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 접촉 압력 이미지를 생성하는,
    혈압 측정 장치.
  7. 제1항에 있어서,
    상기 프로세서는,
    상기 맥파 이미지 및 상기 접촉 압력 이미지를 동일한 스케일의 시간 도메인을 가지도록 가공하는,
    혈압 측정 장치.
  8. 제1항에 있어서,
    상기 혈압 추정 모델은,
    합성곱 신경망(convolutional neural network) 기반 모델인,
    혈압 측정 장치.
  9. 제1항에 있어서,
    상기 혈압 추정 모델은 학습 데이터를 기반으로 기계 학습을 통해 구축되며
    상기 학습 데이터는 맥파 이미지 데이터, 접촉 압력 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함하는,
    혈압 측정 장치.
  10. 제1항에 있어서,
    상기 피검체의 복수의 시간별 접촉 이미지를 획득하는 접촉 이미지 획득부; 를 더 포함하는,
    혈압 측정 장치.
  11. 제10항에 있어서,
    상기 프로세서는,
    상기 획득된 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환하고, 상기 단일 접촉 이미지를 더 이용하여 상기 피검체의 혈압을 추정하는,
    혈압 측정 장치.
  12. 제1항에 있어서,
    상기 프로세서는,
    상기 측정된 맥파 신호를 n(n은 자연수)차 미분하여 n차 미분된 맥파 신호를 획득하고, 상기 획득된 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성하고, 상기 생성된 n차 미분된 맥파 이미지를 더 이용하여 상기 피검체의 혈압을 추정하는,
    혈압 측정 장치.
  13. 제1항에 있어서,
    상기 프로세서는,
    상기 측정된 접촉 압력 신호를 기반으로 접촉 압력 증가 또는 감소를 위한 가이드 정보를 생성하여 사용자에게 제공하는,
    혈압 측정 장치.
  14. 피검체의 맥파 신호를 측정하는 단계;
    상기 피검체와 맥파 측정부 사이의 접촉 압력 신호를 측정하는 단계;
    상기 측정된 맥파 신호를 이미지화하여 맥파 이미지를 생성하는 단계;
    상기 측정된 접촉 압력 신호를 이미지화하여 접촉 압력 이미지를 생성하는 단계; 및
    상기 생성된 맥파 이미지, 상기 생성된 접촉 압력 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 단계; 를 포함하는,
    혈압 측정 방법.
  15. 제14항에 있어서,
    상기 맥파 신호는,
    광용적맥파(photoplethysmogram) 신호인,
    혈압 측정 방법.
  16. 제14항에 있어서,
    상기 맥파 신호를 측정하는 단계는,
    서로 다른 파장에 대한 적어도 하나의 맥파 신호를 측정하는,
    혈압 측정 방법.
  17. 제14항에 있어서,
    상기 접촉 압력 신호를 측정하는 단계는,
    상기 피검체와 상기 맥파 측정부 사이의 접촉 힘 신호를 측정하는 단계;
    상기 피검체와 상기 맥파 측정부 사이의 접촉 면적 신호를 측정하는 단계; 및
    상기 접촉 힘 신호 및 상기 접촉 면적 신호를 기반으로 상기 접촉 압력 신호를 획득하는 단계; 를 포함하는,
    혈압 측정 방법.
  18. 제14항에 있어서,
    상기 맥파 이미지를 생성하는 단계는,
    웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 맥파 신호를 이미지화하여 상기 맥파 이미지를 생성하는,
    혈압 측정 방법.
  19. 제14항에 있어서,
    상기 접촉 압력 이미지를 생성하는 단계는,
    상기 접촉 압력 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 접촉 압력 이미지를 생성하는,
    혈압 측정 방법.
  20. 제14항에 있어서,
    상기 맥파 이미지 및 상기 접촉 압력 이미지를 동일한 스케일의 시간 도메인을 가지도록 가공하는 단계; 를 더 포함하는,
    혈압 측정 방법.
  21. 제14항에 있어서,
    상기 혈압 추정 모델은,
    합성곱 신경망(convolutional neural network) 기반 모델인,
    혈압 측정 방법.
  22. 제14항에 있어서,
    상기 혈압 추정 모델은 학습 데이터를 기반으로 기계 학습을 통해 구축되며
    상기 학습 데이터는 맥파 이미지 데이터, 접촉 압력 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함하는,
    혈압 측정 방법.
  23. 제14항에 있어서,
    상기 피검체의 복수의 시간별 접촉 이미지를 획득하는 단계;
    상기 획득된 복수의 시간별 접촉 이미지를 시간에 따른 접촉 이미지 변화를 표현하는 단일 접촉 이미지로 변환하는 단계; 를 더 포함하고,
    상기 혈압을 추정하는 단계는,
    상기 단일 접촉 이미지를 더 이용하여 상기 피검체의 혈압을 추정하는,
    혈압 측정 방법.
  24. 제14항에 있어서,
    상기 측정된 맥파 신호를 n(n은 자연수)차 미분하여 n차 미분된 맥파 신호를 획득하는 단계; 및
    상기 획득된 n차 미분된 맥파 신호를 이미지화하여 n차 미분된 맥파 이미지를 생성하는 단계; 를 더 포함하고,
    상기 혈압을 추정하는 단계는,
    상기 생성된 n차 미분된 맥파 이미지를 더 이용하여 상기 피검체의 혈압을 추정하는,
    혈압 측정 방법.
  25. 제14항에 있어서,
    상기 측정된 접촉 압력 신호를 기반으로 접촉 압력 증가 또는 감소를 위한 가이드 정보를 생성하여 사용자에게 제공하는 단계; 를 더 포함하는,
    혈압 측정 방법.
  26. 피검체의 맥파 신호를 측정하는 맥파 측정부;
    상기 피검체와 상기 맥파 측정부 사이의 접촉 힘 신호를 측정하는 힘 측정부;
    상기 피검체와 상기 맥파 측정부 사이의 접촉 면적 신호를 측정하는 면적 측정부; 및
    상기 측정된 맥파 신호, 상기 측정된 접촉 힘 신호 및 상기 측정된 접촉 면적 신호를 이미지화하여 맥파 이미지, 접촉 힘 이미지 및 접촉 면적 이미지를 생성하고, 상기 생성된 맥파 이미지, 상기 생성된 접촉 힘 이미지, 상기 생성된 접촉 면적 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서; 를 포함하는,
    혈압 측정 장치.
  27. 제26항에 있어서,
    상기 프로세서는,
    웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 맥파 신호를 이미지화하여 상기 맥파 이미지를 생성하는,
    혈압 측정 장치.
  28. 제26항에 있어서,
    상기 프로세서는,
    상기 측정된 접촉 힘 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 접촉 힘 이미지를 생성하고, 상기 측정된 접촉 면적 신호를 그라디언트 이미지로 변환하여 상기 접촉 면적 이미지를 생성하는,
    혈압 측정 장치.
  29. 제26항에 있어서,
    상기 혈압 추정 모델은,
    합성곱 신경망(convolutional neural network) 기반 모델인,
    혈압 측정 장치.
  30. 제26항에 있어서,
    상기 혈압 추정 모델은 학습 데이터를 기반으로 기계학습을 통해 구축되며,
    상기 학습 데이터는 맥파 이미지 데이터, 접촉 힘 이미지 데이터, 접촉 면적 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함하는,
    혈압 측정 장치.
  31. 피검체에 장착되는 커프;
    커프 압력 신호를 측정하는 압력 측정부;
    커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출하는 신호 추출부;
    상기 AC 성분 신호와 상기 DC 성분 신호를 이미지화하여 AC 성분 이미지 및 DC 성분 이미지를 생성하고, 상기 생성된 AC 성분 이미지, 상기 생성된 DC 성분 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 프로세서; 를 포함하는,
    혈압 측정 장치.
  32. 제31항에 있어서,
    상기 프로세서는,
    웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 AC 성분 신호를 이미지화하여 상기 AC 성분 이미지를 생성하는,
    혈압 측정 장치.
  33. 제31항에 있어서,
    상기 프로세서는,
    상기 DC 성분 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 DC 성분 이미지를 생성하는,
    혈압 측정 장치.
  34. 제31항에 있어서,
    상기 혈압 추정 모델은,
    합성곱 신경망(convolutional neural network) 기반 모델인,
    혈압 측정 장치.
  35. 제30항에 있어서,
    상기 혈압 추정 모델은 학습 데이터를 기반으로 기계학습을 통해 구축되며,
    상기 학습 데이터는 AC 성분 이미지 데이터, DC 성분 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함하는,
    혈압 측정 장치.
  36. 피검체에 커프가 장착되면 커프 압력 신호를 측정하는 단계;
    커프 압력 신호에서 AC 성분 신호와 DC 성분 신호를 추출하는 단계;
    상기 AC 성분 신호를 이미지화하여 AC 성분 이미지를 생성하는 단계;
    상기 DC 성분 신호를 이미지화하여 DC 성분 이미지를 생성하는 단계; 및
    상기 생성된 AC 성분 이미지, 상기 생성된 DC 성분 이미지 및 혈압 추정 모델을 이용하여 상기 피검체의 혈압을 추정하는 단계; 를 포함하는,
    혈압 측정 방법.
  37. 제36항에 있어서,
    상기 AC 성분 이미지를 생성하는 단계는,
    웨이브릿 변환(Wavelet Transform), 단시간 푸리에 변환(Short Time Fourier transform), 와그너 빌 분포(Wigner??Ville distribution) 중 하나를 이용하여 상기 AC 성분 신호를 이미지화하여 상기 AC 성분 이미지를 생성하는,
    혈압 측정 방법.
  38. 제36항에 있어서,
    상기 DC 성분 이미지를 생성하는 단계는,
    상기 DC 성분 신호를 그라디언트 이미지(gradient image)로 변환하여 상기 DC 성분 이미지를 생성하는,
    혈압 측정 방법.
  39. 제36항에 있어서,
    상기 혈압 추정 모델은,
    합성곱 신경망(convolutional neural network) 기반 모델인,
    혈압 측정 방법.
  40. 제36항에 있어서,
    상기 혈압 추정 모델은 학습 데이터를 기반으로 기계학습을 통해 구축되며,
    상기 학습 데이터는 DC 성분 이미지 데이터, AC 성분 이미지 데이터 및 이들에 대응하는 혈압 데이터를 포함하는,
    혈압 측정 방법.
KR1020180138379A 2018-11-12 2018-11-12 혈압 측정 장치 및 방법 KR20200054723A (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020180138379A KR20200054723A (ko) 2018-11-12 2018-11-12 혈압 측정 장치 및 방법
US16/676,647 US20200146568A1 (en) 2018-11-12 2019-11-07 Blood pressure measuring apparatus and blood pressure measuring method
CN201911093347.4A CN111166312A (zh) 2018-11-12 2019-11-11 血压测量设备
EP19208519.9A EP3649928A3 (en) 2018-11-12 2019-11-12 Blood pressure measurement

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180138379A KR20200054723A (ko) 2018-11-12 2018-11-12 혈압 측정 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20200054723A true KR20200054723A (ko) 2020-05-20

Family

ID=68581212

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180138379A KR20200054723A (ko) 2018-11-12 2018-11-12 혈압 측정 장치 및 방법

Country Status (4)

Country Link
US (1) US20200146568A1 (ko)
EP (1) EP3649928A3 (ko)
KR (1) KR20200054723A (ko)
CN (1) CN111166312A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11337609B2 (en) 2019-01-25 2022-05-24 Samsung Electronics Co., Ltd. Texture interface for measuring bio-signal and bio-signal measuring apparatus including the same
US11419529B2 (en) 2019-01-23 2022-08-23 Samsung Electronics Co., Ltd. Apparatus and method for measuring bio-signal
KR20220134216A (ko) * 2021-03-26 2022-10-05 한국과학기술연구원 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템
US11622692B2 (en) 2020-01-30 2023-04-11 Samsung Electronics Co., Ltd. Signal processing apparatus, and apparatus and method for estimating bio-information
KR20230061051A (ko) 2021-10-28 2023-05-08 강원대학교산학협력단 광용적맥파 데이터 분석 방법 및 기록매체

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020044523A1 (ja) * 2018-08-30 2020-03-05 オリンパス株式会社 記録装置、画像観察装置、観察システム、観察システムの制御方法、及び観察システムの作動プログラム
KR102640331B1 (ko) * 2018-10-19 2024-02-26 삼성전자주식회사 생체정보 추정 장치 및 방법과, 생체정보 추정 지원 장치
CN112190245B (zh) * 2020-11-06 2024-06-04 深圳市汇顶科技股份有限公司 血压测量装置
WO2022094931A1 (zh) * 2020-11-06 2022-05-12 深圳市汇顶科技股份有限公司 血压测量装置及血压测量方法
EP4039182B1 (en) * 2020-12-09 2023-09-13 Shenzhen Goodix Technology Co., Ltd. Blood pressure measurement method and apparatus, and electronic device
CN112806973B (zh) * 2021-01-06 2024-02-23 珠海中科先进技术研究院有限公司 关脉脉象辨识方法及装置
KR102569987B1 (ko) * 2021-03-10 2023-08-24 삼성전자주식회사 생체정보 추정 장치 및 방법
CN113456042A (zh) * 2021-06-30 2021-10-01 浙江师范大学 一种基于3d cnn的无接触面部血压测量方法
CN113647924A (zh) * 2021-08-20 2021-11-16 刘明 基于鸿蒙操作系统的臂戴式血压仪
CN113786180B (zh) * 2021-10-25 2023-10-20 中国科学技术大学 基于毫米波雷达信号的人体血压检测装置
CN114305364B (zh) * 2022-01-05 2023-08-11 北京科技大学 基于毫米波雷达的血压检测方法、系统及设备
CN117933310A (zh) * 2022-05-13 2024-04-26 鸿海精密工业股份有限公司 数据处理设备以及方法
CN115590489B (zh) * 2022-09-28 2024-01-23 中国人民解放军总医院 一种基于调频连续波雷达的无接触血压监测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4880013A (en) * 1988-03-24 1989-11-14 Chio Shiu Shin Method and apparatus for determining blood pressure and cardiovascular condition
JP3590462B2 (ja) * 1995-09-20 2004-11-17 コーリンメディカルテクノロジー株式会社 血圧測定装置
JP2000000217A (ja) * 1998-06-15 2000-01-07 Nippon Colin Co Ltd 透析用連続血圧測定装置
CN201150533Y (zh) * 2007-11-30 2008-11-19 沈阳东软医疗系统有限公司 一种血压测量装置
JP5035114B2 (ja) * 2008-05-28 2012-09-26 オムロンヘルスケア株式会社 電子血圧計
US8761853B2 (en) * 2011-01-20 2014-06-24 Nitto Denko Corporation Devices and methods for non-invasive optical physiological measurements
US10420515B2 (en) * 2015-06-15 2019-09-24 Vital Labs, Inc. Method and system for acquiring data for assessment of cardiovascular disease
JP2018536454A (ja) * 2015-10-12 2018-12-13 ノースウエスタン ユニヴァーシティＮｏｒｔｈｗｅｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ 携行式血圧及びバイタルサインモニタリング装置、システム、及び方法
US11589758B2 (en) * 2016-01-25 2023-02-28 Fitbit, Inc. Calibration of pulse-transit-time to blood pressure model using multiple physiological sensors and various methods for blood pressure variation
KR102655738B1 (ko) * 2016-12-27 2024-04-05 삼성전자주식회사 접촉형 혈압 측정 장치

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11419529B2 (en) 2019-01-23 2022-08-23 Samsung Electronics Co., Ltd. Apparatus and method for measuring bio-signal
US11337609B2 (en) 2019-01-25 2022-05-24 Samsung Electronics Co., Ltd. Texture interface for measuring bio-signal and bio-signal measuring apparatus including the same
US11622692B2 (en) 2020-01-30 2023-04-11 Samsung Electronics Co., Ltd. Signal processing apparatus, and apparatus and method for estimating bio-information
KR20220134216A (ko) * 2021-03-26 2022-10-05 한국과학기술연구원 인공지능 학습을 통해 광용적맥파로부터 대동맥판막협착증 및 기타 심혈관 질환 위험도를 판단하는 방법 및 시스템
KR20230061051A (ko) 2021-10-28 2023-05-08 강원대학교산학협력단 광용적맥파 데이터 분석 방법 및 기록매체

Also Published As

Publication number Publication date
EP3649928A3 (en) 2020-12-23
EP3649928A2 (en) 2020-05-13
US20200146568A1 (en) 2020-05-14
CN111166312A (zh) 2020-05-19

Similar Documents

Publication Publication Date Title
KR20200054723A (ko) 혈압 측정 장치 및 방법
US20200245878A1 (en) Blood pressure measurement apparatus, portable pressure measurement apparatus, and calibration method for blood pressure measurement apparatus
US11517206B2 (en) Electronic device, blood pressure measurement method of electronic device and blood pressure measurement system
US11419529B2 (en) Apparatus and method for measuring bio-signal
US11576584B2 (en) Apparatus and method for detecting bio-signal feature
US20200029870A1 (en) Apparatus and method for measuring a biosignal
KR20180045382A (ko) 생체 신호 품질 평가 장치 및 방법과, 생체 신호 측정 파라미터 최적화 장치 및 방법
KR102441332B1 (ko) 심혈관 정보 추정 장치 및 방법
EP3632309A1 (en) Apparatus and method for estimating analyte concentration
KR20190107430A (ko) 혈압 측정 장치 및 방법
US20200409470A1 (en) Wearable gesture recognition device and associated operation method and system
KR102564544B1 (ko) 생체 신호 측정 장치와, 혈압 측정 장치 및 방법
US20230200744A1 (en) Apparatus and method for estimating target component
US11540727B2 (en) Apparatus and method for measuring bio-signal
US20210386375A1 (en) Foldable electronic device and method of estimating bio-information using the same
KR102655673B1 (ko) 혈압 측정 장치 및 방법
CN114098668A (zh) 一种活体检测方法和电子设备
KR20200077932A (ko) 심혈관 정보 추정 장치 및 방법
KR20200095891A (ko) 심박 지표 판단 장치 및 방법
US20220061704A1 (en) Apparatus and method for estimating target component
US11969232B2 (en) Apparatus and method for estimating bio-information
EP3792675A1 (en) Lens, light source device with lens, and apparatus for estimating concentration of analyte
EP4023145A1 (en) Apparatus and method for estimating bio-information
US20200121230A1 (en) Apparatus and method for estimating analyte concentration
US20230000446A1 (en) Apparatus and method for estimating lipid concentration

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application