KR20200105045A - Apparatus and Method for Measuring Blood Pressure Using Support Vector Model - Google Patents

Apparatus and Method for Measuring Blood Pressure Using Support Vector Model Download PDF

Info

Publication number
KR20200105045A
KR20200105045A KR1020190023634A KR20190023634A KR20200105045A KR 20200105045 A KR20200105045 A KR 20200105045A KR 1020190023634 A KR1020190023634 A KR 1020190023634A KR 20190023634 A KR20190023634 A KR 20190023634A KR 20200105045 A KR20200105045 A KR 20200105045A
Authority
KR
South Korea
Prior art keywords
blood pressure
data
pressure measurement
pseudo
support vector
Prior art date
Application number
KR1020190023634A
Other languages
Korean (ko)
Other versions
KR102201177B1 (en
Inventor
전광길
Original Assignee
인천대학교 산학협력단
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 인천대학교 산학협력단 filed Critical 인천대학교 산학협력단
Priority to KR1020190023634A priority Critical patent/KR102201177B1/en
Publication of KR20200105045A publication Critical patent/KR20200105045A/en
Application granted granted Critical
Publication of KR102201177B1 publication Critical patent/KR102201177B1/en

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
    • 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
    • A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Abstract

A device and method for measuring blood pressure using a support vector regression model has an effect of providing a method capable of estimating blood pressure measurement data by applying a bagging technique to improve performance of a SVR model, mitigating uncertainty about oscillometric blood pressure data estimation by using a bootstrap ensemble technique, and improving accuracy.

Description

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

본 발명은 혈압 측정 장치 및 방법에 관한 것으로서, 특히 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용하여 혈압 측정 데이터를 추정하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법에 관한 것이다.The present invention relates to an apparatus and method for measuring blood pressure, and more particularly, to an apparatus and method for measuring blood pressure using a support vector regression model for estimating blood pressure measurement data by applying a bagging technique in order to improve the performance of an SVR model.

혈압은 건강의 중요한 생체 신호 중 하나이고, 오실로메트리 자동화 모니터링은 현재 가정, 사무실 및 병원을 포함하여 쉽고 광범위하게 사용되고 있다.Blood pressure is one of the important vital signs of health, and automated oscillometry monitoring is now easily and widely used in homes, offices and hospitals.

오실로메트리를 기반으로 한 혈압 측정은 개별 피험자의 건강 상태를 확인하는 가장 보편적인 기술 중 하나이다.Blood pressure measurement based on oscillometry is one of the most common techniques for checking the health status of individual subjects.

혈압을 추정하는 방법은 피험자당 5회의 혈압 측정만으로 얻은 입력 데이터의 작은 샘플 크기로 인하여 혈압 추정치를 정확하게 예측하는 것에 한계가 있다.The method of estimating blood pressure has a limitation in accurately predicting the blood pressure estimate due to the small sample size of input data obtained only by measuring blood pressure five times per subject.

즉, 피험자당 5회의 혈압 측정으로 얻은 입력 특성 벡터는 매우 작은 표본 크기이므로 서포트 벡터 머신과 같은 기계 학습 기술을 적용하는 경우 중요한 약점으로 작용할 수 있다.That is, since the input feature vector obtained by measuring blood pressure five times per subject is a very small sample size, it can act as an important weakness when applying a machine learning technique such as a support vector machine.

한국 등록특허번호 제10-0537415호Korean Patent Registration No. 10-0537415

이와 같은 문제점을 해결하기 위하여, 본 발명은 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용하여 혈압 측정 데이터를 추정하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치 및 방법을 제공하는데 그 목적이 있다.In order to solve such a problem, the present invention provides an apparatus and method for measuring blood pressure using a support vector regression model for estimating blood pressure measurement data by applying a bagging technique in order to improve the performance of the SVR model. have.

상기 목적을 달성하기 위한 본 발명의 특징에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법은,A blood pressure measurement method using a support vector regression model according to a feature of the present invention for achieving the above object,

파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 단계;Generating a plurality of pseudo-feature vectors obtained from the mean and variance of the original blood pressure measurement data through parametric bootstrap sampling;

상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습하는 단계;The plurality of pseudo-feature vectors are extracted by applying a Radial Basis Function (RBF) kernel function and parameter values of a support vector regression algorithm to extract different training data, and use the extracted different training data into a specific learning algorithm. Learning by using;

상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 복수의 앙상블 추정기를 생성하는 단계; 및Obtaining a plurality of estimation functions to process unstable estimation of the variance of the plurality of pseudo mean errors or mean square errors, and generating a plurality of ensemble estimators using the obtained plurality of estimation functions and weighting coefficients; And

상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 단계를 포함하는 것을 특징으로 한다.And predicting each blood pressure measurement data through each of the ensemble estimators, and estimating blood pressure data using a predetermined combination method of the predicted blood pressure measurement data.

본 발명의 특징에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치는,A blood pressure measuring apparatus using a support vector regression model according to a feature of the present invention,

파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 입력 처리부;An input processor for generating a plurality of pseudo feature vectors obtained from the mean and variance of the original blood pressure measurement data through parametric bootstrap sampling;

상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습하는 하나 이상의 서포트 벡터 회귀 추정기;The plurality of pseudo-feature vectors are extracted by applying a Radial Basis Function (RBF) kernel function and parameter values of a support vector regression algorithm to extract different training data, and use the extracted different training data into a specific learning algorithm. At least one support vector regression estimator for learning using;

상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 생성되는 복수의 앙상블 추정기; 및A plurality of ensemble estimators that obtain a plurality of estimation functions to process an unstable estimation of the variance of the plurality of pseudo mean errors or mean square errors, and are generated using the obtained plurality of estimation functions and weighting coefficients; And

상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 제어부를 포함하는 것을 특징으로 한다.And a control unit that predicts each blood pressure measurement data through each of the ensemble estimators, and estimates the blood pressure data by using a predetermined combination method of the predicted blood pressure measurement data.

전술한 구성에 의하여, 본 발명은 부트스트랩 앙상블 기법을 사용하여 오실로메트릭 혈압 데이터 추정에 대한 불확실성을 완화하며, 정확성을 향상시킬 수 있는 방법을 제공하는 효과가 있다.With the above-described configuration, the present invention has an effect of providing a method capable of improving accuracy and alleviating uncertainty in estimating oscillometric blood pressure data using a bootstrap ensemble technique.

도 1은 본 발명의 실시예에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치의 구성을 간략하게 나타낸 블록도이다.
도 2는 본 발명의 실시예에 따른 혈압 측정 장치를 이용하여 혈압 측정 데이터를 추정하는 프로세스를 나타낸 도면이다.1 is a block diagram schematically showing the configuration of a blood pressure measuring apparatus using a support vector regression model according to an embodiment of the present invention.
2 is a diagram illustrating a process of estimating blood pressure measurement data using the blood pressure measuring apparatus according to an embodiment of the present invention.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification, when a part "includes" a certain component, it means that other components may be further included rather than excluding other components unless otherwise stated.

도 1은 본 발명의 실시예에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치의 구성을 간략하게 나타낸 블록도이고, 도 2는 본 발명의 실시예에 따른 혈압 측정 장치를 이용하여 혈압 측정 데이터를 추정하는 프로세스를 나타낸 도면이다.1 is a block diagram schematically showing the configuration of a blood pressure measurement apparatus using a support vector regression model according to an embodiment of the present invention, and FIG. 2 is a blood pressure measurement data estimation using a blood pressure measurement apparatus according to an embodiment of the present invention. It is a diagram showing the process of doing.

본 발명의 실시예에 따른 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치(100)는 입력 처리부(110), 제어부(120), 서포트 벡터 회귀 추정기(130) 및 앙상블 추정기(140)를 포함한다.The blood pressure measurement apparatus 100 using a support vector regression model according to an embodiment of the present invention includes an input processing unit 110, a control unit 120, a support vector regression estimator 130, and an ensemble estimator 140.

제어부(120)는 입력 처리부(110), 서포트 벡터 회귀 추정기(130) 및 앙상블 추정기(140)의 데이터 송수신과 연동 제어 등의 전체적인 혈압 측정 프로세스를 수행하는 기능을 한다.The control unit 120 functions to perform a whole blood pressure measurement process such as data transmission/reception and interlock control between the input processing unit 110, the support vector regression estimator 130, and the ensemble estimator 140.

입력 처리부(110)는 복수의 피험자를 대상으로 오실로메트릭 혈압에 대한 기설정된 개수의 피험자별 샘플 혈압 측정 데이터와 오실로메트릭 파형 신호를 획득한다. The input processing unit 110 acquires a preset number of sample blood pressure measurement data for each subject and an oscillometric waveform signal for the oscillometric blood pressure for a plurality of subjects.

여기서, 오실로메트릭 파형 신호는 오실로메트릭 펄스의 피크값을 사용하여 생성된다.Here, the oscillometric waveform signal is generated using the peak value of the oscillometric pulse.

입력 처리부(110)는 WM(Weighted Median) 필터를 사용하여 오실로메트릭 파형 신호를 부드럽게 하고, 평균 필터(Gaussian Fitting)를 사용하여 노이즈를 제거하여 평활화된 오실로메트릭 엔빌로프 곡선을 획득한다.The input processing unit 110 obtains a smoothed oscillometric envelope curve by smoothing the oscillometric waveform signal by using a Weighted Median (WM) filter and removing noise by using a Gaussian Fitting (Gaussian Fitting) filter.

입력 처리부(110)는 획득한 평활화된 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 추출하며, 추출한 의사 특징(Pseudo Features) 벡터들을 생성한다.The input processing unit 110 extracts feature vectors from the obtained smoothed oscillometric envelope curve, and generates the extracted pseudo feature vectors.

입력 처리부(110)는 파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성한다.The input processing unit 110 generates a plurality of pseudo feature vectors obtained from the average and variance of the original blood pressure measurement data through parametric bootstrap sampling.

입력 처리부(110)는 훈련 데이터 집합

Figure pat00001
을 입력받았다고 가정한다. 여기서, Xi는 훈련 데이터이고, Yi는 타겟 혈압 측정 데이터들이다.The input processing unit 110 is a training data set
Figure pat00001
Suppose you have received input. Here, Xi is training data, and Yi is target blood pressure measurement data.

본 발명의 서포트 벡터 회귀 추정기(130)는 3개로 각각 구성하고, 3개의 훈련 과정(Training 1 SVR, Training 2 SVR, Training 3 SVR)이 형성되고((9), (10), (11)), 3개의 예측 과정(Prediction 1 SVM(Support Vector Machine), Prediction 2 SVM, Prediction 3 SVM)((12), (13), (14))의 두 부분으로 이루어진다.The support vector regression estimator 130 of the present invention consists of three, respectively, and three training courses (Training 1 SVR, Training 2 SVR, Training 3 SVR) are formed ((9), (10), (11)) , It consists of two parts: three prediction processes (Prediction 1 SVM (Support Vector Machine), Prediction 2 SVM, Prediction 3 SVM) ((12), (13), (14)).

서포트 벡터 회귀(Support Vector Regression) 알고리즘은 다음의 [수학식 1]과 같이 정의된다.The support vector regression algorithm is defined as the following [Equation 1].

Figure pat00002
Figure pat00002

Figure pat00003
는 커널 힐버트 스페이스(Kernel Hilbert Space)
Figure pat00004
를 재생하여 얻은 벡터를 나타내고, b는 상수 파라미터를 나타낸다.
Figure pat00003
Kernel Hilbert Space
Figure pat00004
Represents a vector obtained by reproducing and b represents a constant parameter.

서포트 벡터 회귀 알고리즘은 다음의 [수학식 2], [수학식 3], [수학식 4]를 이용하여 위험도를 최소화할 수 있다.The support vector regression algorithm can minimize the risk by using the following [Equation 2], [Equation 3], and [Equation 4].

Figure pat00005
Figure pat00005

여기서,

Figure pat00006
는
Figure pat00007
-손실 함수를 나타낸다.here,
Figure pat00006
Is
Figure pat00007
-Represents the loss function.

Figure pat00008
Figure pat00008

Figure pat00009
Figure pat00009

W 벡터는 다음의 [수학식 5]를 이용하여 계산할 수 있다.The W vector can be calculated using the following [Equation 5].

Figure pat00010
Figure pat00010

여기서,

Figure pat00011
는 주어진 제약 조건에 대한 라그랑지 승수(Lagrangian Multipliers)를 나타낸다.here,
Figure pat00011
Represents Lagrangian Multipliers for a given constraint.

각각의 서포트 벡터 회귀 추정기(Support Vector Regression Estimator)(130)는 입력 처리부(110)로부터 의사 특징들을 각각 수신하고, 훈련 데이터 집합, 상수 파라미터를 입력받는다.Each of the support vector regression estimators 130 receives pseudo features from the input processing unit 110, respectively, and receives a training data set and a constant parameter.

각각의 서포트 벡터 회귀 추정기(130)는 SVR 모델을 생성하기 위하여 SVR 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 다음의 [수학식 6]과 같은 SVR 모델링을 수행한다.Each of the support vector regression estimators 130 performs SVR modeling as shown in [Equation 6] by applying the RBF (radial basis function) kernel function and parameter values of the SVR algorithm to generate the SVR model.

Figure pat00012
Figure pat00012

여기서,

Figure pat00013
는 크로네커 심볼(Kronecker Symbol)을 나타낸다.here,
Figure pat00013
Represents the Kronecker Symbol.

SVR 모델은 도 2의 (9), (10), (11)과 같이, 혈압 측정 데이터(기준 수축기 혈압(Reference Systolic Blood Pressure, RSBP)과 기준 이완기 혈압(Reference Diastolic Blood Pressurem, RDBP)과 의사 특징 데이터 사이의 관계를 3개의 훈련 과정(Training 1 SVR, Training 2 SVR, Training 3 SVR)에서 얻을 수 있으며, 도 2의 (12), (13), (14)와 같이, 3개의 예측 과정(Prediction 1 SVM(Support Vector Machine), Prediction 2 SVM, Prediction 3 SVM)에서 이완기 혈압 데이터와 수축기 혈압 데이터를 얻을 수 있다.As shown in (9), (10), and (11) of FIG. 2, the SVR model includes blood pressure measurement data (Reference Systolic Blood Pressure (RSBP), Reference Diastolic Blood Pressure (RDBP)) and physician characteristics. The relationship between the data can be obtained in three training courses (Training 1 SVR, Training 2 SVR, and Training 3 SVR), and as shown in (12), (13), and (14) of FIG. 2, three prediction processes (Prediction Diastolic blood pressure data and systolic blood pressure data can be obtained from 1 SVM (Support Vector Machine), Prediction 2 SVM, and Prediction 3 SVM).

각각의 서포트 벡터 회귀 추정기(130)는 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습한다.Each support vector regression estimator 130 extracts different training data by applying a radial basis function (RBF) kernel function and parameter values of a support vector regression algorithm to a plurality of pseudo-feature vectors, and the extracted Different learning data are learned using a specific learning algorithm.

본 발명은 부트 스트랩 기법 이외에 SVR 모델의 성능을 향상시키기 위해서 백킹(Bagging) 기술을 적용한다.In addition to the bootstrap technique, the present invention applies a bagging technique to improve the performance of the SVR model.

본 발명은 주어진 데이터 세트를 기초로 타겟 혈압의 함수(Target BP's Function)를 추정하는 것이다.The present invention is to estimate a target BP's function based on a given data set.

앙상블 추정기(140)는 주어진 데이터 세트를 기초로 추정된 함수

Figure pat00014
를 생성할 수 있다. 여기서, 데이터 세트는
Figure pat00015
, X는 설명 벡터(Explanatory Vector), Y는 응답 벡터를 나타낸다.The ensemble estimator 140 is an estimated function based on a given data set.
Figure pat00014
Can be created. Here, the data set is
Figure pat00015
, X represents an explanatory vector, and Y represents a response vector.

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

Figure pat00016
와 같은 복수의 추정 함수를 획득하는 것이다.The concept of the bagging technique is to use pseudo data extracted from the original data set to process unstable estimates such as mean error or variance of mean squared error.
Figure pat00016
It is to obtain a plurality of estimation functions such as.

앙상블 추정기(

Figure pat00017
)(140)는 다음의 [수학식 7]를 이용하여 복수의 앙상블 추정기(140)를 생성할 수 있다.Ensemble Estimator(
Figure pat00017
) 140 may generate a plurality of ensemble estimators 140 using the following [Equation 7].

Figure pat00018
Figure pat00018

여기서,

Figure pat00019
는 k번째 유사 데이터 세트로부터 획득한 추정된 함수,
Figure pat00020
는 가중 계수를 나타낸다.here,
Figure pat00019
Is the estimated function obtained from the k-th similar data set,
Figure pat00020
Represents the weighting factor.

제어부(120)는 상기 각각의 앙상블 추정기(140)를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정한다.The control unit 120 predicts each blood pressure measurement data through each of the ensemble estimators 140, and estimates the blood pressure data by a predetermined combination method of the predicted blood pressure measurement data.

앙상블 추정기(140)는 오실로메트릭 파형 신호로부터 얻은 입력 데이터와 상기 샘플 혈압 측정 데이터와의 비선형 관계를 나타낼 수 있다.The ensemble estimator 140 may represent a nonlinear relationship between input data obtained from an oscillometric waveform signal and the sample blood pressure measurement data.

앙상블 추정기(140)에서 적용되는 백킹(Bagging) 기술은 결과의 신뢰성을 높이고, SVR 기술의 평균 오류에 대한 분산을 줄이기 위해서 사용되며, 각 환자에서 얻은 샘플 혈압 측정 데이터의 개수가 적고, SVR 모델의 불안정한 성능을 동시에 해결할 수 있다.The bagging technique applied in the ensemble estimator 140 is used to increase the reliability of the results and reduce the variance of the average error of the SVR technique, and the number of sample blood pressure measurement data obtained from each patient is small, and the SVR model Unstable performance can be solved at the same time.

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

Figure pat00021
로부터 의사 특징 데이터들을 생성하는데 이용할 수 있다.Parametric bootstrap is used to generate pseudo feature vectors obtained from the mean and variance of the original blood pressure measurement data. The same process to use target blood pressure measurement data
Figure pat00021
Can be used to generate pseudo feature data from

따라서, 충분한 샘플 측정 데이터들은 훈련 데이터 세트와 테스트 데이터로 훈련 단계에서 참여하지 않은 새로운 특징 데이터를 간호사의 혈압 측정 데이터를 예측하는데 준비될 수 있다.Accordingly, sufficient sample measurement data may be prepared as a training data set and test data to predict the blood pressure measurement data of the nurse using new feature data that did not participate in the training phase.

본 발명의 혈압 측정 장치(100) 및 방법은 SVR 추정기를 통합하고, 부트스트랩 앙상블 기법을 사용하여 오실로메트릭 혈압 데이터 추정에 대한 불확실성을 완화하며, 정확성을 향상시킬 수 있는 방법을 제공한다.The apparatus 100 and method for measuring blood pressure of the present invention provide a method of integrating an SVR estimator and easing uncertainty in estimating oscillometric blood pressure data and improving accuracy by using a bootstrap ensemble technique.

도 2에 도시된 바와 같이, 혈압 측정 장치를 이용하여 혈압 측정 데이터를 추정하는 프로세스는 특징 벡터 추출, 유사 특징 벡터 추출의 전처리 과정((1) 내지 (8)의 스텝)과, SVR 훈련 및 예측 과정((9) 내지 (14)의 스텝)과, 백킹 앙상블 과정((15) 내지 (18)의 스텝)으로 이루어져 있다.As shown in Fig. 2, the process of estimating blood pressure measurement data using a blood pressure measuring device includes a pre-processing of feature vector extraction and similar feature vector extraction (steps (1) to (8)), SVR training and prediction. It consists of a process (steps (9) to (14)) and a backing ensemble process (steps (15) to (18)).

DT(1)은 첫번째 SVR 추정기의 평균 벡터를 나타내며, K는 SVR 추정기의 개수이며, y(1)은 첫번째 SVR 추정기의 출력 벡터를 나타낸다.DT(1) represents the average vector of the first SVR estimator, K is the number of SVR estimators, and y(1) represents the output vector of the first SVR estimator.

이상에서 본 발명의 실시예는 장치 및/또는 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하기 위한 프로그램, 그 프로그램이 기록된 기록 매체 등을 통해 구현될 수도 있으며, 이러한 구현은 앞서 설명한 실시예의 기재로부터 본 발명이 속하는 기술분야의 전문가라면 쉽게 구현할 수 있는 것이다.In the above, embodiments of the present invention are not implemented only through an apparatus and/or method, but may be implemented through a program for realizing a function corresponding to the configuration of the embodiment of the present invention, a recording medium in which the program is recorded, etc. In addition, this implementation can be easily implemented by an expert in the technical field to which the present invention belongs from the description of the above-described embodiment.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements by those skilled in the art using the basic concept of the present invention defined in the following claims are also provided. It belongs to the scope of rights.

100: 혈압 측정 장치
110: 입력 처리부
120: 제어부
130: SVR 추정기
140: 앙상블 추정기100: blood pressure measuring device
110: input processing unit
120: control unit
130: SVR estimator
140: ensemble estimator

Claims (7)

파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 단계;
상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습하는 단계;
상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 복수의 앙상블 추정기를 생성하는 단계; 및
상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.Generating a plurality of pseudo-feature vectors obtained from the mean and variance of the original blood pressure measurement data through parametric bootstrap sampling;
The plurality of pseudo-feature vectors are extracted by applying a Radial Basis Function (RBF) kernel function and parameter values of a support vector regression algorithm to extract different training data, and use the extracted different training data into a specific learning algorithm. Learning by using;
Obtaining a plurality of estimation functions to process unstable estimation of the variance of the plurality of pseudo mean errors or mean square errors, and generating a plurality of ensemble estimators using the obtained plurality of estimation functions and weighting coefficients; And
Predicting each blood pressure measurement data through each of the ensemble estimators, and estimating blood pressure data using a predetermined combination method for each of the predicted blood pressure measurement data using a support vector regression model. How to measure blood pressure. 제1항에 있어서,
상기 의사 특징 벡터를 복수개 생성하는 단계는,
복수의 피험자를 대상으로 오실로메트릭 혈압에 대한 기설정된 개수의 피험자별 샘플 혈압 측정 데이터와 오실로메트릭 파형 신호를 획득하는 단계;
WM(Weighted Median) 필터를 사용하여 상기 오실로메트릭 파형 신호를 부드럽게 하고, 평균 필터(Gaussian Fitting)를 사용하여 노이즈를 제거하여 평활화된 오실로메트릭 엔빌로프 곡선을 획득하는 단계; 및
상기 획득한 평활화된 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 추출하며, 추출한 의사 특징(Pseudo Features) 벡터들을 생성하는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.The method of claim 1,
The step of generating a plurality of pseudo feature vectors,
Acquiring a predetermined number of sample blood pressure measurement data for each subject and an oscillometric waveform signal for the oscillometric blood pressure for a plurality of subjects;
Smoothing the oscillometric waveform signal using a Weighted Median (WM) filter and removing noise using a Gaussian Fitting to obtain a smoothed oscillometric envelope curve; And
And extracting a feature vector from the obtained smoothed oscillometric envelope curve, and generating the extracted pseudo-feature vectors. 14. A method of measuring blood pressure using a support vector regression model. 제2항에 있어서,
상기 특정 학습 알고리즘을 이용하여 학습하는 단계는,
상기 혈압 측정 데이터(기준 수축기 혈압과 기준 이완기 혈압과 의사 특징 데이터 사이의 관계를 훈련 과정에서 얻는 단계; 및
상기 훈련 과정을 통해 출력된 출력 벡터와, 상기 추출한 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 비교하는 예측 과정을 통해 이완기 혈압 데이터와 수축기 혈압 데이터를 얻는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.The method of claim 2,
Learning by using the specific learning algorithm,
The blood pressure measurement data (a step of obtaining a relationship between the reference systolic blood pressure and the reference diastolic blood pressure and the pseudo characteristic data in a training process; And
A support vector regression model comprising the step of obtaining diastolic blood pressure data and systolic blood pressure data through a prediction process of comparing an output vector output through the training process with a feature vector from the extracted oscillometric envelope curve. Blood pressure measurement method used. 제2항에 있어서,
상기 각각의 앙상블 추정기는 하기의 수학식 1를 이용하여 상기 복수의 앙상블 추정기를 생성하여 오실로메트릭 파형 신호로부터 얻은 입력 데이터와 상기 샘플 혈압 측정 데이터와의 비선형 관계를 나타내는 단계를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 방법.
[수학식 1]
Figure pat00022

여기서,
Figure pat00023
는 k번째 유사 데이터 세트로부터 획득한 추정된 함수,
Figure pat00024
는 가중 계수임The method of claim 2,
Each of the ensemble estimators comprises the step of generating the plurality of ensemble estimators using Equation 1 below to represent a nonlinear relationship between the input data obtained from the oscillometric waveform signal and the sample blood pressure measurement data. Blood pressure measurement method using a support vector regression model.
[Equation 1]
Figure pat00022

here,
Figure pat00023
Is the estimated function obtained from the k-th similar data set,
Figure pat00024
Is the weighting factor 파라메트릭 부트스트랩 샘플링을 통해 원본 혈압 측정 데이터의 평균과 분산으로부터 획득한 의사 특징 벡터를 복수개 생성하는 입력 처리부;
상기 복수의 의사 특징 벡터를 서포트 벡터 회귀(Support Vector Regression) 알고리즘의 RBF(Radial Basis Function) 커널 함수와 파라미터값을 적용하여 서로 다른 학습 데이터를 추출하고, 상기 추출한 서로 다른 학습 데이터를 특정 학습 알고리즘을 이용하여 학습하는 하나 이상의 서포트 벡터 회귀 추정기;
상기 복수의 의사 평균 오차 또는 평균 제곱 오차의 분산의 불안정한 추정을 처리하기 위하여 복수의 추정 함수를 획득하고, 상기 획득한 복수의 추정 함수와 가중 계수를 이용하여 생성되는 복수의 앙상블 추정기; 및
상기 각각의 앙상블 추정기를 통해 각각의 혈압 측정 데이터를 예측하고, 상기 예측한 각각의 혈압 측정 데이터를 기설정된 결합 방식에 의해 혈압 데이터를 추정하는 제어부를 포함하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치.An input processor for generating a plurality of pseudo feature vectors obtained from the mean and variance of the original blood pressure measurement data through parametric bootstrap sampling;
The plurality of pseudo-feature vectors are extracted by applying a Radial Basis Function (RBF) kernel function and parameter values of a support vector regression algorithm to extract different training data, and use the extracted different training data into a specific learning algorithm. At least one support vector regression estimator for learning using;
A plurality of ensemble estimators that obtain a plurality of estimation functions to process an unstable estimation of the variance of the plurality of pseudo mean errors or mean square errors, and are generated using the obtained plurality of estimation functions and weighting coefficients; And
And a control unit that predicts each blood pressure measurement data through each of the ensemble estimators, and estimates the blood pressure data by a preset combination method. Blood pressure measuring device. 제5항에 있어서,
상기 입력 처리부는 복수의 피험자를 대상으로 오실로메트릭 혈압에 대한 기설정된 개수의 피험자별 샘플 혈압 측정 데이터와 오실로메트릭 파형 신호를 획득하고, WM(Weighted Median) 필터를 사용하여 상기 오실로메트릭 파형 신호를 부드럽게 하고, 평균 필터(Gaussian Fitting)를 사용하여 노이즈를 제거하여 평활화된 오실로메트릭 엔빌로프 곡선을 획득하고, 상기 획득한 평활화된 오실로메트릭 엔빌로프 곡선에서 특징 벡터를 추출하며, 상기 추출한 의사 특징(Pseudo Features) 벡터들을 생성하는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치.The method of claim 5,
The input processing unit acquires a preset number of sample blood pressure measurement data for each subject and an oscillometric waveform signal for an oscillometric blood pressure for a plurality of subjects, and smoothes the oscillometric waveform signal by using a weighted median (WM) filter. And, by removing noise using a Gaussian Fitting, a smoothed oscillometric envelope curve is obtained, a feature vector is extracted from the obtained smoothed oscillometric envelope curve, and the extracted pseudo features ) Blood pressure measuring apparatus using a support vector regression model, characterized in that generating vectors. 제5항에 있어서,
상기 각각의 앙상블 추정기는 하기의 수학식 2를 이용하여 상기 복수의 앙상블 추정기를 생성하여 오실로메트릭 파형 신호로부터 얻은 입력 데이터와 상기 샘플 혈압 측정 데이터와의 비선형 관계를 나타내는 것을 특징으로 하는 서포트 벡터 회귀 모델을 이용한 혈압 측정 장치.
[수학식 2]
Figure pat00025

여기서,
Figure pat00026
는 k번째 유사 데이터 세트로부터 획득한 추정된 함수,
Figure pat00027
는 가중 계수임.The method of claim 5,
Each of the ensemble estimators generates the plurality of ensemble estimators using Equation 2 below to represent a nonlinear relationship between the input data obtained from the oscillometric waveform signal and the sample blood pressure measurement data. Blood pressure measuring device using.
[Equation 2]
Figure pat00025

here,
Figure pat00026
Is the estimated function obtained from the k-th similar data set,
Figure pat00027
Is the weighting factor.
KR1020190023634A 2019-02-28 2019-02-28 Apparatus and Method for Measuring Blood Pressure Using Support Vector Model KR102201177B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190023634A KR102201177B1 (en) 2019-02-28 2019-02-28 Apparatus and Method for Measuring Blood Pressure Using Support Vector Model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190023634A KR102201177B1 (en) 2019-02-28 2019-02-28 Apparatus and Method for Measuring Blood Pressure Using Support Vector Model

Publications (2)

Publication Number Publication Date
KR20200105045A true KR20200105045A (en) 2020-09-07
KR102201177B1 KR102201177B1 (en) 2021-01-12

Family

ID=72472270

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190023634A KR102201177B1 (en) 2019-02-28 2019-02-28 Apparatus and Method for Measuring Blood Pressure Using Support Vector Model

Country Status (1)

Country Link
KR (1) KR102201177B1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100537415B1 (en) 2003-07-05 2005-12-19 윤경배 A System of Web Information Prediction in Internet Environment Using Ensemble Support Vector Machine and A Methode Thereof
KR101738850B1 (en) * 2016-02-03 2017-05-24 인천대학교 산학협력단 Two-Step Pseudomaximum Amplitude-Based Confidence Interval Estimation for Oscillometric Blood Pressure Measurements
KR101778533B1 (en) * 2016-11-04 2017-09-26 인천대학교 산학협력단 Oscillometric blood pressure estimation method based on machine learning

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100537415B1 (en) 2003-07-05 2005-12-19 윤경배 A System of Web Information Prediction in Internet Environment Using Ensemble Support Vector Machine and A Methode Thereof
KR101738850B1 (en) * 2016-02-03 2017-05-24 인천대학교 산학협력단 Two-Step Pseudomaximum Amplitude-Based Confidence Interval Estimation for Oscillometric Blood Pressure Measurements
KR101778533B1 (en) * 2016-11-04 2017-09-26 인천대학교 산학협력단 Oscillometric blood pressure estimation method based on machine learning

Also Published As

Publication number Publication date
KR102201177B1 (en) 2021-01-12

Similar Documents

Publication Publication Date Title
CN106073743B (en) Method and system for noise cleaning of photoplethysmograph signals
US9795306B2 (en) Method of estimating blood pressure based on image
US10052070B2 (en) Method and apparatus for determining a central aortic pressure waveform
US10980429B2 (en) Method and system for cuffless blood pressure estimation using photoplethysmogram features and pulse transit time
Lastre-Domínguez et al. ECG signal denoising and features extraction using unbiased FIR smoothing
WO2017199631A1 (en) Blood pressure estimating device, blood pressure estimating method, and computer program
Nigam et al. Accessing heart dynamics to estimate durations of heart sounds
KR20140145595A (en) System and method for analysis and reconstruction of variable pulse-width signals having low sampling rates
KR20200006447A (en) Method and program for stroke volume acquisition using arterial pressure waveform
JP6213943B1 (en) Blood pressure estimation device, blood pressure estimation method, and computer program
JP6138818B2 (en) Method and apparatus for parameterizing a signal
CN112967735A (en) Training method of voice quality detection model and voice quality detection method
Zairi et al. Intelligent system for detecting cardiac arrhythmia on FPGA
Lastre-Domínguez et al. Unbiased FIR denoising of ECG data for features extraction
KR102201177B1 (en) Apparatus and Method for Measuring Blood Pressure Using Support Vector Model
US10769820B2 (en) System and method for model-based reconstruction of quantitative images
Forsberg On the usefulness of singular value decomposition-ARMA models in Doppler ultrasound
Had et al. Detection of heart valves closure instants in phonocardiogram signals
JP2021071586A (en) Sound extraction system and sound extraction method
CN113229799A (en) PPG heart rate estimation method, PPG heart rate estimation system, PPG heart rate estimation storage medium and PPG heart rate estimation equipment
KR102451268B1 (en) Signal processing method, signal filtering apparatus and signal processing unit
CN115956887B (en) Pulse wave signal processing method and device, electronic equipment and storage medium
Porter et al. Sparse bayesian learning for non-Gaussian sources
Berief et al. Modelling and synthesizing motion artifacts in unobtrusive multimodal sensing using copulas
Pulavskyi et al. Determination of the signal-to-noise ratio for noisy electrocardiogram using lossless data compression

Legal Events

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