KR20210085867A - 사용자의 혈압을 추정하기 위한 장치 및 방법 - Google Patents

Abstract

본 발명에 따른 사용자의 혈압을 추정하기 위한 장치는 사용자의 생체 신호를 센싱하여 심전도와 관련된 정보를 획득하는 심전도 센서부; 상기 사용자의 생체 신호를 센싱하여 심박수와 관련된 정보를 획득하는 광용 적맥파 센서부; 상기 사용자의 생체 신호를 센싱하여 심탄도와 관련된 정보를 획득하는 심탄도 센서부; 및 상기 획득한 심전도와 관련된 정보로부터 심전도 값을 추출하고, 상기 획득한 심박수와 관련된 정보로부터 심박수 값을 추출하며, 상기 획득한 심탄도와 관련된 정보로부터 심탄도 값을 추출하고, 상기 추출된 심전도 값, 심박수 값 및 심탄도 값을 소정의 학습된 딥러닝(Deep Learning) 모델의 입력 값들로 설정하여, 상기 입력값들과 상기 딥러닝 모델을 이용하여 출력값으로 상기 사용자의 혈압 추정 값을 산출하는 프로세서를 포함할 수 있다.

Description

사용자의 혈압을 추정하기 위한 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING USER'S BLOOD PRESSURE}

본 발명은 사용자의 혈압을 추정하기 위한 장치 및 방법에 관한 것이다.

현재의 사용자의 생체 상태 측정 방식은 주로 접촉식 모델로서 피하주사, 압박, 전극부착, 구속등 위험도 높고 길고 복잡한 준비 과정 및 측정에 걸리는 시간으로 인해 불편함을 겪을 수 밖에 없는 구조이며, 일부 면역력이 약한 사용자 (혹은 환자군)에게 있어서는 병원 감염의 위험을 불러일으킬 수도 있는 위험 요소가 될 수 있다.

이러한 환경속에서 미래 측정기술로서의 '비접촉' '비고통'의 측정 모델이 지속적으로 요구되고 있는 실정이다. 이에 부흥할 만한 생체 정보 측정 장치를 통한 사용자의 생체 정보에 기반한 사용자의 혈압 추정이 필요하다.

이러한 종래의 접촉식 모델이 아닌 비접촉, 비고통 측정 모델로 사용자가 편리하게 혈압을 추정하고 또한 사용자의 혈압 값도 정확하게 예측하기 위한 장치 등을 제안하고자 한다.

본 발명에서 이루고자 하는 기술적 과제는 사용자의 혈압을 추정하기 위한 장치를 제공하는 데 있다.

본 발명에서 이루고자 하는 다른 기술적 과제는 사용자의 혈압을 추정하기 위한 방법을 제공하는 데 있다.

본 발명에서 이루고자 하는 또 다른 기술적 과제는 사용자의 혈압을 추정하기 위한 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체를 제공하는 데 있다.

본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기의 기술적 과제를 달성하기 위한, 사용자의 생체 신호를 센싱하여 심전도와 관련된 정보를 획득하는 심전도 센서부; 상기 사용자의 생체 신호를 센싱하여 심박수와 관련된 정보를 획득하는 광용 적맥파 센서부; 상기 사용자의 생체 신호를 센싱하여 심탄도와 관련된 정보를 획득하는 심탄도 센서부; 및 상기 획득한 심전도와 관련된 정보로부터 심전도 값을 추출하고, 상기 획득한 심박수와 관련된 정보로부터 심박수 값을 추출하며, 상기 획득한 심탄도와 관련된 정보로부터 심탄도 값을 추출하고, 상기 추출된 심전도 값, 심박수 값 및 심탄도 값을 소정의 학습된 딥러닝(Deep Learning) 모델의 입력 값들로 설정하여, 상기 입력값들과 상기 딥러닝 모델을 이용하여 출력값으로 상기 사용자의 혈압 추정 값을 산출하는 프로세서를 포함할 수 있다.

상기 프로세서는 상기 입력값들을 컨볼루션 신경망(Convolution Neural Network, CNN)의 필터에 통과하는 방식으로 상기 딥러닝 모델을 이용할 수 있다. 상기 프로세서는 상기 CNN 필터를 통과한 값에 활성화 함수를 적용하는 방식으로 상기 딥러닝 모델을 이용할 수 있다. 상기 프로세서는 상기 활성화 함수가 적용된 값에 배치 정규화(Batch Nomalization) 레이어를 이용하여 정규화하고, 정규화된 값에 특정 데이터를 강조하기 위한 풀링(pooling) 레이어를 이용하는 방식으로 상기 딥러닝 모델을 이용할 수 있다.

상기 프로세서는 상기 풀링 레이어에서 출력된 값에 게이트 순환 유닛(Bidirectional GRU)을 이용하는 방식으로 상기 딥러닝 모델을 이용할 수 있다. 상기 프로세서는 상기 양방향 GRU로부터 출력된 값을 완전연결층(Fully Connected Layer)에서 가중치 연산을 적용하여 최종적으로 혈압을 추정할 수 있다.

상기 사용자의 혈압을 추정하는 장치는 상기 산출된 사용자의 혈압 추정 값을 네트워크로 전송하는 통신부를 더 포함할 수 있다.

상기 소정의 학습된 딥러닝 모델은 심전도 데이터, 심박수 데이터, 심탄도 데이터, 수축기 혈압 값 및 이완기 혈압 값들을 훈련 데이터로 사용하여 학습된 모델일 수 있다.

상기 프로세서는 상기 CNN 필터의 입력값들을 지정된 간격으로 순회하면서 컨볼루션 곱을 연산하여 출력할 수 있다. 상기 활성화 함수로서 Rectified Linear Unit(Relu)가 사용될 수 있다.

상기의 다른 기술적 과제를 달성하기 위한, 사용자의 생체 신호를 센싱하여 심전도와 관련된 정보를 획득하는 단계; 상기 사용자의 생체 신호를 센싱하여 심박수와 관련된 정보를 획득하는 단계; 상기 사용자의 생체 신호를 센싱하여 심탄도와 관련된 정보를 획득하는 단계; 상기 획득한 심전도와 관련된 정보로부터 심전도 값을 추출하고, 상기 획득한 심박수와 관련된 정보로부터 심박수 값을 추출하며, 상기 획득한 심탄도와 관련된 정보로부터 심탄도 값을 추출하는 단계; 상기 추출된 심전도 값, 심박수 값 및 심탄도 값을 소정의 학습된 딥러닝(Deep Learning) 모델의 입력 값들로 설정하는 단계; 및 상기 입력값들과 상기 딥러닝 모델을 이용하여 출력값으로 상기 사용자의 혈압 추정 값을 산출할 수 있다.

상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 입력값들을 컨볼루션 신경망(Convolution Neural Network, CNN)의 필터에 통과하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 포함할 수 있다. 상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 CNN 필터를 통과한 값에 활성화 함수를 적용하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 더 포함할 수 있다. 상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 활성화 함수가 적용된 값에 배치 정규화(Batch Nomalization) 레이어를 이용하여 정규화하고, 정규화된 값에 특정 데이터를 강조하기 위한 풀링(pooling) 레이어를 이용하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 더 포함할 수 있다. 상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 풀링 레이어에서 출력된 값에 게이트 순환 유닛(Bidirectional GRU)을 이용하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 더 포함할 수 있다. 상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 양방향 GRU로부터 출력된 값을 완전연결층(Fully Connected Layer)에서 가중치 연산을 적용하여 최종적으로 혈압을 추정하는 단계를 포함할 수 있다.

상기 방법은 상기 산출된 사용자의 혈압 추정 값을 네트워크로 전송하는 단계를 더 포함할 수 있다,

상기 방법은 심전도 데이터, 심박수 데이터, 심탄도 데이터, 수축기 혈압 값 및 이완기 혈압 값들을 훈련 데이터로 사용하여 상기 딥러닝 모델을 학습시키는 단계를 더 포함할 수 있다. 상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 CNN 필터의 입력값들을 지정된 간격으로 순회하면서 컨볼루션 곱을 연산하여 출력하는 단계를 더 포함할 수 있다.

상기 활성화 함수로서 Rectified Linear Unit(Relu)가 사용될 수 있다.

본 발명의 일 실시예에 따른 딥러닝 모델을 이용한 사용자의 혈압 추정 장치는 사용자의 혈압 추정의 정확도가 높으며, 웨이러블 디바이스로도 구성되어 사용자가 편리하게 사용할 수 있다.

본 발명의 일 실시예에 따른 혈압 추정 모델의 경우 상관관계(Correlation) 측면에서 높은 성능향상이 있었고 PTT 기반 방법과는 달리 별도의 전처리 과정이 필요 없으며 노이즈가 있는 신호에서도 추정이 가능하다는 장점이 있다.

본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명에 관한 이해를 돕기 위해 상세한 설명의 일부로 포함되는, 첨부 도면은 본 발명에 대한 실시예를 제공하고, 상세한 설명과 함께 본 발명의 기술적 사상을 설명한다.
도 1은 인공신경망의 계층 구조(layer structure)를 예시한 도면이다.
도 2는 심층 신경망의 일 예를 도시한 도면이다.
도 3은 ECG와 PPG, BCG를 이용하여 계산되는 Feature인 PTT(Pulse Transit Time)를 예시적으로 나타낸 도면이다.
도 4는 본 발명에 따른 사용자의 생체 신호를 이용한 혈압 측정 장치의 구성요소를 설명하기 위한 블록도이다.
도 5는 본 발명에 따른 혈압 추정 장치를 설명하기 위한 예시적인 다이어그램이다.
도 6은 본 발명에 따른 머신러닝(예, 딥러닝) 모델을 이용하여 혈압을 추정하는 훈련 과정의 일 예를 도시한 도면이다.
도 7은 생체 신호를 이용하여 혈압을 추정하는 알고리즘 진행 과정 혹은 모델의 또 다른 일 예를 도시한 도면이다.
도 8은 도 7에 도시된 Attention layer에서 수행 특징을 설명하기 위한 예시적인 도면이다.
도 9는 Attention vector를 이용한 추가적인 분석을 예시한 도면이다.
도 10은 도 9에 도시한 Attention layer가 추가된 모델을 이용하여 생체신호 기반 혈압 추정 장치의 혈압 추정 결과를 도시한 도면이다.
도 11은 상술한 혈압 추정 모델에 대한 Bland-Altman plot 으로 모델의 성능을 검증한 도면이다.
도 12는 본 발명에 따른 사용자의 혈압 추정 방법의 흐름도를 예시한 도면이다.

이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 안다.

몇몇 경우, 본 발명의 개념이 모호해지는 것을 피하기 위하여 공지의 구조 및 장치는 생략되거나, 각 구조 및 장치의 핵심기능을 중심으로 한 블록도 형식으로 도시될 수 있다. 또한, 본 명세서 전체에서 동일한 구성요소에 대해서는 동일한 도면 부호를 사용하여 설명한다.

본 발명은 사용자로부터 얻은 생체 신호를 머신 러닝(기계 학습) 알고리즘을 이용한 사용자의 혈압을 측정하기 위한 장치 및 그 방법에 대해 제안한다.

본 발명을 설명하기에 앞서 인공 지능(AI), 머신 러닝, 딥러닝에 대해 설명한다. 이러한 세 가지 개념의 관계를 가장 쉽게 파악하는 방법은 세 개의 동심원을 가상하면 된다. 인공 지능이 가장 큰 원이고, 그 다음이 머신 러닝이며, 현재의 인공지능 붐을 주도하는 딥 러닝이 가장 작은 원이라 할 수 있다.

인공 지능이라는 개념은 1956년 미국 다트머스 대학에 있던 존 매카시 교수가 개최한 다트머스 회의에서 처음 등장했으며, 최근 몇 년 사이 폭발적으로 성장하고 있는 중이다. 특히 2015년 이후 신속하고 강력한 병렬 처리 성능을 제공하는 GPU의 도입으로 더욱 가속화되고 있죠. 갈수록 폭발적으로 늘어나고 있는 저장 용량과 이미지, 텍스트, 매핑 데이터 등 모든 영역의 데이터가 범람하게 된 빅데이터 시대의 도래도 이러한 성장세에 큰 영향을 미쳤다.

인공 지능 - 인간의 지능을 기계로 구현

1956년 당시 인공 지능의 선구자들이 꿈꾼 것은 최종적으로 인간의 지능과 유사한 특성을 가진 복잡한 컴퓨터를 제작하는 것이었다. 이렇듯 인간의 감각, 사고력을 지닌 채 인간처럼 생각하는 인공 지능을 ‘일반 AI(General AI)’라고 하지만, 현재의 기술 발전 수준에서 만들 수 있는 인공지능은 ‘좁은 AI(Narrow AI)’의 개념에 포함된다. 좁은 AI는 소셜 미디어의 이미지 분류 서비스나 얼굴 인식 기능 등과 같이 특정 작업을 인간 이상의 능력으로 해낼 수 있는 것이 특징이다.

머신 러닝 - 인공 지능을 구현하는 구체적 접근 방식

머신 러닝은 메일함의 스팸을 자동으로 걸러주는 역할을 합니다. 한편, 머신 러닝은 기본적으로 알고리즘을 이용해 데이터를 분석하고, 분석을 통해 학습하며, 학습한 내용을 기반으로 판단이나 예측을 수행한다. 따라서 궁극적으로는 의사 결정 기준에 대한 구체적인 지침을 소프트웨어에 직접 코딩해 넣는 것이 아닌, 대량의 데이터와 알고리즘을 통해 컴퓨터 그 자체를 ‘학습’시켜 작업 수행 방법을 익히는 것을 목표로 한다. 머신 러닝은 초기 인공 지능 연구자들이 직접 제창한 개념에서 나온 것이며, 알고리즘 방식에는 의사 결정 트리 학습, 귀납 논리 프로그래밍, 클러스터링, 강화 학습, 베이지안(Bayesian) 네트워크 등이 포함된다. 그러나 이 중 어느 것도 최종 목표라 할 수 있는 일반 AI를 달성하진 못했으며, 초기의 머신 러닝 접근 방식으로는 좁은 AI 조차 완성하기 어려운 경우도 많았던 것이 사실이다.

현재 머신 러닝은 컴퓨터 비전 등의 분야에서 큰 성과를 이뤄내고 있으나, 구체적인 지침이 아니더라도 인공 지능을 구현하는 과정 전반에 일정량의 코딩 작업이 수반된다는 한계점에 봉착하였다. 가령 머신 러닝 시스템을 기반으로 정지 표지판의 이미지를 인식할 경우, 개발자는 물체의 시작과 끝 부분을 프로그램으로 식별하는 경계 감지 필터, 물체의 면을 확인하는 형상 감지, ‘S-T-O-P’와 같은 문자를 인식하는 분류기 등을 직접 코딩으로 제작해야 한다. 이처럼 머신 러닝은 ‘코딩’된 분류기로부터 이미지를 인식하고, 알고리즘을 통해 정지 표지판을 ‘학습’하는 방식으로 작동된다.

머신 러닝의 이미지 인식률은 상용화하기에 충분한 성능을 구현하지만, 안개가 끼거나 나무에 가려서 표지판이 잘 보이지 않는 특정 상황에서는 이미지 인식률이 떨어지기도 한다. 최근까지 컴퓨터 비전과 이미지 인식이 인간의 수준으로 올라오지 못한 이유는 이 같은 인식률 문제와 잦은 오류 때문이다.

딥 러닝 - 완전한 머신 러닝을 실현하는 기술

초기 머신 러닝 연구자들이 만들어 낸 또 다른 알고리즘인 인공 신경망(artificial neural network)에 영감을 준 것은 인간의 뇌가 지닌 생물학적 특성, 특히 뉴런의 연결 구조였습니다. 그러나 물리적으로 근접한 어떤 뉴런이든 상호 연결이 가능한 뇌와는 달리, 인공 신경망은 레이어 연결 및 데이터 전파 방향이 일정합니다.

예를 들어, 이미지를 수많은 타일(tile)로 잘라 신경망의 첫 번째 레이어에 입력하면, 그 뉴런들은 데이터를 다음 레이어로 전달하는 과정을 마지막 레이어에서 최종 출력이 생성될 때까지 반복합니다. 그리고 각 뉴런에는 수행하는 작업을 기준으로 입력의 정확도를 나타내는 가중치가 할당되며, 그 후 가중치를 모두 합산해 최종 출력이 결정됩니다. 정지 표지판의 경우, 팔각형 모양, 붉은 색상, 표시 문자, 크기, 움직임 여부 등 그 이미지의 특성이 잘게 잘려 뉴런에서 ‘검사’되며, 신경망의 임무는 이것이 정지 표지판인지 여부를 식별하는 것입니다. 여기서는 충분한 데이터를 바탕으로 가중치에 따라 결과를 예측하는 ‘확률 벡터(probability vector)’가 활용된다.

딥 러닝은 인공신경망에서 발전한 형태의 인공 지능으로, 뇌의 뉴런과 유사한 정보 입출력 계층을 활용해 데이터를 학습합니다. 그러나 기본적인 신경망조차 굉장한 양의 연산을 필요로 하는 탓에 딥 러닝의 상용화는 초기부터 난관에 부딪혔다. 그럼에도 불구하고 연구자들의 연구는 지속됐고, 슈퍼컴퓨터를 기반으로 딥 러닝 개념을 증명하는 알고리즘을 병렬화하는데 성공했다. 그리고 병렬 연산에 최적화된 GPU의 등장은 신경망의 연산 속도를 획기적으로 가속하며 진정한 딥 러닝 기반 인공 지능의 등장을 불러왔다.

신경망 네트워크는 ‘학습’ 과정에서 수많은 오답을 낼 가능성이 크다. 정지 표지판의 예로 돌아가서, 기상 상태, 밤낮의 변화에 관계 없이 항상 정답을 낼 수 있을 정도로 정밀하게 뉴런 입력의 가중치를 조정하려면 수백, 수천, 어쩌면 수백만 개의 이미지를 학습해야 할지도 모른다. 이 정도 수준의 정확도에 이르러서야 신경망이 정지 표지판을 제대로 학습했다고 볼 수 있다. 2012년, 구글과 스탠퍼드대 앤드류 응(Andrew NG) 교수는 1만6,000개의 컴퓨터로 약 10억 개 이상의 신경망으로 이뤄진 ‘심층신경망(Deep Neural Network)’을 구현했다. 이를 통해 유튜브에서 이미지 1,000만 개를 뽑아 분석한 뒤, 컴퓨터가 사람과 고양이 사진을 분류하도록 하는데 성공했습니다. 컴퓨터가 영상에 나온 고양이의 형태와 생김새를 인식하고 판단하는 과정을 스스로 학습하게 한 것이다.

딥 러닝으로 훈련된 시스템의 이미지 인식 능력은 이미 인간을 앞서고 있습니다. 이 밖에도 딥 러닝의 영역에는 혈액의 암세포, MRI 스캔에서의 종양 식별 능력 등이 포함된다. 구글의 알파고는 바둑의 기초를 배우고, 자신과 같은 AI를 상대로 반복적으로 대국을 벌이는 과정에서 그 신경망을 더욱 강화해 나갔다. 딥 러닝의 등장으로 인해 머신 러닝의 실용성은 강화됐고, 인공 지능의 영역은 확장됐다. 딥 러닝은 컴퓨터 시스템을 통해 지원 가능한 모든 방식으로 작업을 세분화한다. 운전자 없는 자동차, 더 나은 예방 의학, 더 정확한 영화 추천 등 딥 러닝 기반의 기술들은 우리 일상에서 이미 사용되고 있거나, 실용화를 앞두고 있다. 딥 러닝은 공상 과학에서 등장했던 일반 AI를 실현할 수 있는 잠재력을 지닌 인공 지능의 현재이자, 미래로 평가 받고 있다.

이하 딥러닝에 대해 좀 더 구체적으로 살펴본다.

딥러닝이란 인간의 신경망(Neural Network) 이론을 이용한 인공신경망(Artificial Neural Network, ANN)의 일종으로, 계층 구조(Layer Structure)로 구성하면서 입력층(Input layer)과 출력층(Output layer) 사이에 하나 이상의 숨겨진 층(Hidden layer)(이하, 중간층이라 지칭함)을 갖고 있는 심층 신경망(Deep Neural Network, DNN)을 지칭하는 기계학습(Machine Learning) 모델 또는 알고리즘의 집합입니다. 간단히 말하면, 딥러닝(Deep Learning)은 심층 계층을 가진 인공신경망이라 할 수 있다.

사람의 뇌는 250억 개의 신경세포로 구성되어 있다고 추정됩니다. 뇌는 신경세포로 이루어지며, 각각의 신경세포(뉴런, Neuron)는 신경망을 구성하는 신경세포 1개를 지칭한다. 신경세포는 1개의 세포체(cell body)와 세포체의 돌기인 1개의 축삭(Axon or nurite) 및 보통 여러 개의 수상돌기(dendrite or protoplasmic process)를 포함하고 있다. 이러한 신경세포들 간의 정보 교환은 시냅스라고 부르는 신경세포 간의 접합부를 통하여 전달됩니다. 신경세포 하나만 떼어 놓고 보면 매우 단순하지만, 이러한 신경세포들이 모이면 인간의 지능을 지닐 수 있다. 수상돌기에서 다른 신경세포들이 보내는 신호를 전달받는 부분(Input)이고 축색돌기는 세포체로부터 아주 길게 뻗어가는 부분으로 다른 신경세포에 신호를 전달하는 부분(Output)이다. 신경세포들 사이의 신호를 전달해주는 축색돌기와 수상돌기 간을 연결해주는 시냅스라는 연결부가 있는데, 신경세포의 신호를 무조건 전달하는 것이 아니라, 신호 강도가 일정한 값(임계치, Threshold) 이상이 되어야 신호를 전달하는 것이다. 즉, 각 시냅스마다 연결강도가 다를 뿐만 아니라 신호를 전달할지 말지를 결정하게 되는 것이다.

인공지능의 한 분야인 인공신경망(ANN)은 생물학(통상 인간)의 뇌 구조(신경망)를 모방하여 모델링한 수학적 모델이다. 즉, 인공신경망은 이러한 생물학적 신경세포의 정보처리 및 전달 과정을 모방하여 구현한 것이다. 인간의 뇌가 문제를 해결하는 방식과 유사하게 구현한 것으로서 신경망은 각 신경세포가 독립적으로 동작하는 하기 때문에 병렬성이 뛰어나다. 또한 많은 연결선에 정보가 분산되어 있어서 몇몇 신경세포에 문제가 발생해도 전체에 큰 영향을 주지 않으므로 일정 수준의 오류에 강하고 주어진 환경에 대한 학습 능력을 갖고 있다.

심층신경망(Deep neural network)는 인공신경망의 후손이라 볼 수 있으며, 기존의 한계를 뛰어넘어서 과거에 수많은 인공 지능 기술이 실패를 겪었던 영역에 성공 사례를 거두고 인공신경망의 최신 버전이다. 생물학적 신경망을 모방하여 인공신경망을 모델링한 내용을 살펴보면 처리 단위(Processing unit) 측면에서는 생물적인 뉴런(neurons)이 노드(nodes)로, 연결성(Connections)은 시냅스(Synapse)가 가중치(weights)로 다음 표 1과 같이 모델링 되었다.

생물학적 신경망	인공신경망
세포체	노드(node)
수상돌기	입력(input)
축삭(Axon)	출력(output)
시냅스	가중치(weight)

도 1은 인공신경망의 계층 구조(layer structure)를 예시한 도면이다.

인간의 생물학적 신경세포가 하나가 아닌 다수가 연결되어 의미 있는 작업을 하듯, 인공신경망의 경우도 개별 뉴런들을 서로 시냅스를 통해 서로 연결시켜서 복수개의 계층(layer)이 서로 연결되어 각 층간의 연결 강도는 가중치로 수정(update) 가능합니다. 이와 같이 다층 구조와 연결강도로 학습과 인지를 위한 분야에 활용됩니다.

각 노드들은 가중치가 있는 링크들로 연결되어 있고, 전체 모델은 가중치를 반복적으로 조정하면서 학습을 한다. 가중치는 장기 기억을 위한 기본 수단으로서 각 노드들의 중요도를 표현한다. 간단히 이야기하면, 인공신경망은 이들 가중치를 초기하고 훈련시킬 데이터 세트로 가중치를 갱신하여 조정하여 전체 모델을 훈련시키는 것입니다. 훈련이 완료된 후에 새로운 입력값이 들어오면 적절한 출력값을 추론해 내게 된다. 인공신경망의 학습원리는 경험의 일반화로부터 지능이 형성되는 과정이라고 보면 되고 bottom-up 방식으로 이루어지게 된다. 도 1에서 중간층이 2개 이상(즉 5~10개)일 경우를 층이 깊어진다고 보고 심층신경망(Deep Neural Netowkr)이라 하며, 이러한 심층신경망을 통해서 이루어진 학습과 추론 모델을 딥러닝이라고 지칭할 수 있다.

인공신경망은 입력과 출력을 제외하고 하나의 중간계층(통상적으로 은닉계층, 'hidden layer'라 지칭함)을 가지고 있어도 어느 정도의 역할을 수행할 수 있지만, 문제의 복잡도가 커지면 노드의 수 또는 계층의 수를 증가시켜야 한다. 이 중에서 계층의 수를 증가시켜 다층구조 모델을 가져가는 것이 효과적인데, 효율적인 학습이 불가능하고 네트워크를 학습하기 위한 계산량이 많다는 한계로 인해 활용 범위가 제한적이다.

그러나, 위와 같이 기존의 한계점이 극복됨으로써, 인공신경망은 깊은 구조(Deep Structure)를 가져갈 수 있게 되었습니다. 이로 인해 복잡하고 표현력 높은 모델을 구축할 수 있게 되어 음성인식, 얼굴인식, 물체인식, 문자인식 등 다양한 분야에서 획기적인 결과들이 발표되고 있다.

도 2는 심층 신경망의 일 예를 도시한 도면이다.

심층 신경망(Deep Neural Network, DNN)은 입력층(input layer)과 출력층(output layer) 사이에 여러 개의 은닉층(hidden layer)들로 이뤄진 인공신경망(Artificial Neural Network, ANN)이다. 입력층(Input layer)과 출력층(Output layer) 사이에 하나 이상의 은닉계층(Hidden layer)을 갖고 있는 심층 신경망(Deep Neural Network, DNN)을 지칭하는 머신 러닝(기계학습(Machine Learning)) 모델 또는 알고리즘의 집합이다. 신경망의 연결은 입력층에서 은닉계층으로,은닉계층에서 출력층으로 이루어진다.

심층 신경망은 일반적인 인공신경망과 마찬가지로 복잡한 비선형 관계(non-linear relationship)들을 모델링할 수 있다. 예를 들어, 물체 식별 모델을 위한 심층 신경망 구조에서는 각 물체가 영상의 기본적 요소들의 계층적 구성으로 표현될 수 있다. 이때, 추가 계층들은 점진적으로 모인 하위 계층들의 특징들을 규합시킬 수 있다. 심층 신경망의 이러한 특징은, 비슷하게 수행된 인공신경망에 비해 더 적은 수의 유닛(unit, node)들 만으로도 복잡한 데이터를 모델링할 수 있게 해준다.

이전의 심층 신경망들은 보통 앞먹임 신경망으로 설계되어 왔지만, 최근의 연구들은 심층 학습 구조들을 순환 신경망(Recurrent Neural Network, RNN)에 성공적으로 적용했다. 일례로 언어 모델링(language modeling) 분야에 심층 신경망 구조를 적용한 사례 등이 있다. 합성곱 신경망(Convolutional Neural Network, CNN)의 경우에는 컴퓨터 비전(computer vision) 분야에서 잘 적용되었을 뿐만 아니라, 각각의 성공적인 적용 사례에 대한 문서화 또한 잘 되어 있다. 더욱 최근에는 합성곱 신경망이 자동음성인식(Automatic Speech Recognition, ASR)을 위한 음향 모델링(acoustic modeling) 분야에 적용되었으며, 기존의 모델들 보다 더욱 성공적으로 적용되었다는 평가를 받고 있다. 심층 신경망은 표준 오류역전파 알고리즘으로 학습될 수 있다. 이때, 가중치(weight)들은 아래의 등식을 이용한 확률적 경사 하강법(stochastic gradient descent)을 통하여 갱신될 수 있다.

혈압과 상관성이 높은 생체정보로는 심전도(Electrocardiogram, ECG), 맥파 (Photoplethysmogram, PPG), 심탄도(Ballistocardiogram, BCG) 신호를 고려할 수 있다. 이하, ECG 센서부, PPG 센서부, BCG 센서부에 대해 간략히 살펴본다.

신호	정의
ECG	심장의 전기적 활동을 기록
PPG	광학적 특성을 이용하여 혈관의 용적 변화를 기록
BCG	심장이 수축할 때 발생되는 물리적 진동을 기록

심전도란 심장이 수축함에 따라 심박동과 함께 발생하는 전위차를 곡선으로 기록한 것이다. 심장은 자동적, 율동적인 수축을 한다는 점에서 생체내의 다른 부분의 근육에 비해 특이하다. 심장근육의 수축은 생명체의 전기를 공급하는 발전기와 같다. 즉 수축을 일으키는 원동력이 심방의 동방결절에서 발생되는 미세한 전류 인 것이다. 이 미약한 전류가 심장근육을 통하면서 신체내에 전류가 흐르게 되고, 이 전류를 신체의 표면에서 기록할 수 있게 된다. 이를 기록하는 장치를 심전도(Electrocardiography) 센서(ECG 센서)라 하고, 이 기록을 심전도(Electrocardiogram : ECG) 이라 한다.

심박수(Photoplethysmograph, PPG)

다음으로, 심박수 센서의 일 예로서 PPG(Photoplethysmograph) 센서를 설명한다. PPG 센서는 광용 적맥파 센서라고 한다. 광용 적맥파 측정법 (Photoplethysmograph, PPG)은 생체 조직의 광학적 특성을 이용하여 혈관에 흐르는 혈류량을 측정함으로써 심박 활동 상태 혹은 심박수를 알 수 있는 맥파 측정 방법이다. 맥파는 혈액이 심장에서 파상하며 나타내는 맥동성 파형으로, 심장의 이완 수축 작용에 따라 나타나는 혈류량의 변화, 즉 혈관의 용적 변화를 통하여 측정 가능하다. 광용 적맥파 측정법은 빛을 이용하여 맥파를 측정하는 방법으로, 용적 변화시 나타나는 생체조직의 반사, 흡수 투과비 등의 광학적 특성의 변화를 광 센서에서 감지하여 측정하며, 이를 통해 맥박 측정이 가능하다. 이 방법은 비침습적인 맥박 측정이 가능하고 소형화, 사용편의성 등의 장점을 가지고 있어 널리 사용되고 있으며 웨어러블 (wearable) 디바이스에서 생체 신호 감지 센서로 사용될 수 있다.

심탄도(Ballistocardiogram, BCG)

심장주기 동안 심실로부터 배출된 혈액이 대동맥을 통과하는 순간 우리 몸에 반동을 전달하게 된다. 이와 관련된 심장 및 혈관에서의 혈류변화에 따른 진동(탄도)을 계측한 신호를 심탄도(Ballistocardiogram, BCG)라고 한다. 심탄도는 심장의 수축과 이완에 따라 심장과 혈관에서의 혈류변화에 따른 탄도를 계측한 신호를 의미하며, 심전도와 유사하게 심장의 활동 상태를 나타내는 지표이다.

심탄도는 심전도와 유사하게 심장의 활동상태를 나타내는 지표로서 심박출량, 심근기능 손상에 따른 역류 및 이상혈류 현상에 대한 정보를 포함하는 것으로 알려져 있다. 따라서 이 생체신호는 심장기능 평가, 심장병(심근장애 등) 진단, 치료효과 확인 및 회복 정도 관찰 등 임상적으로 활용할 수 있는 잠재성을 가지고 있다. 심탄도 신호는 가속도 센서, 로드셀 센서, PVDF필름 센서, EMFi 센서 등을 통해 측정할 수 있다. 이러한 센서들을 이용하면 신체에 전극을 부착할 필요가 없기 때문에 무구속/무자각 상태에서 신호를 계측할 수 있으며, 장시간 또는 일상생활 중 건강 모니터링에 유용하게 활용될 수 있다.

도 3은 ECG와 PPG, BCG를 이용하여 계산되는 Feature인 PTT(Pulse Transit Time)를 예시적으로 나타낸 도면이다.

ECG와 PPG, BCG를 이용하여 계산되는 Feature인 PTT(Pulse Transit Time)를 이용하여 통계적 방법 기반으로 혈압을 추정하는 방법이 있다. 그러나, PTT는 동맥의 특성에 의해서도 영향을 받고 시간에 따른 혈관 탄성 변화에 의해서 주기적으로 교정 작업이 필요하다는 단점이 있다. 또한 생체신호 측정 시 사용자의 행동에 따라 잡음이 생겨 특징(Feature)를 구하기 어려워, 혈압 추정 알고리즘의 추정 정도가 감소할 수 있다. 따라서, 전통적으로 특징(Feature)을 구하여 추정하는 방식이 아닌 심층신경망을 통하여 학습이 이루어지는 딥러닝(Deep Learning) 기반 방법이 이를 해결하기 위한 좋은 방법일 수 있다.

본 발명에서는 생체신호인 심전도, 맥파, 심탄도를 머신러닝 학습 모델 (혹은 머신러닝 알고리즘)을 이용하여 혈압을 추정하는 장치 및 방법을 제안하고자 한다.

생체신호에는 건강상태를 알 수 있는 다양한 정보가 포함되어 있다. 따라서 생체신호를 측정하고, 측정한 생체신호로 건강상태를 예측할 수 있다. 실생활에서 건강상태를 알기 위해 주로 사용되는 생체신호는 혈압이다. 혈압을 측정하는 방법으로는 팔뚝에 감아서 측정하는 Cuff 기반 방법이 있다. 또한 최근 Cuff를 사용하지 않고 혈압을 측정하는 Cuff-less 방법이 연구되고 있다. Cuff-less 방법의 혈압계는 혈압과 상관성이 높은 생체정보를 이용하여 혈압을 간접적으로 측정한다.

도 4는 본 발명에 따른 사용자의 생체 신호를 이용한 혈압 측정 장치의 구성요소를 설명하기 위한 블록도이다.

도 4를 참조하면, 사용자의 생체 신호를 이용한 혈압 측정 장치(400)는 프로세서(410), 심전도 센서부(420), 광용 적맥파 센서부(430), 심탄도 센서부(440) 및 통신부(450)를 포함할 수 있다.

심전도 센서부(420)는 사용자의 생체 신호를 센싱하여 심전도 신호에 대한 데이터를 추출 혹은 획득할 수 있다. 프로세서(410)는 심전도 센서부(420)로부터 수신한 심전도 데이터(혹은 심전도 신호)에 대해 전처리(prefiltering)를 수행할 수 있다. 전처리는 심전도 센서부(420)로부터 수신한 심전도 데이터에서 혈압 산출에 사용될 소정의 성분을 추출하고, 추출된 생체 신호를 필터를 통해 잡음을 제거하는 과정을 포함할 수 있다.

프로세서(410)는 심전도 센서부(420)(예, ECG 센서부)로부터 수신한 심전도 데이터에 대해 전처리 등을 통해 심전도 값(혹은 심전도와 관련된 값)을 추출하고, 이를 소정의 머신 러닝 알고리즘(예, 딥러닝 모델)에 입력값으로 입력할 수 있다.

광용 적맥파 센서부(430)는 사용자의 생체 신호를 센싱하여 심박수 신호에 대한 데이터를 추출 혹은 획득할 수 있다. 광용 적맥파 센서부(430)는 추출 혹은 획득한 심박수 신호에 대한 데이터를 아날로그 신호의 형태로 프로세서(410)로 전달할 수 있다. 광용 적맥파 센서부(430)는 하나의 전극을 이용하여 심박수를 측정할 수 있다. 생체 신호는 인체의 움직임에 민감하므로, 움직임이 적은 상황에서 생체 신호를 측정하는 것이 중요하다. 본 발명의 경우에도 주로 사용자가 학습하는 상황과 같이 움직임이 적은 상황에서 생체 신호를 측정하지만, 그 중에서도 움직임이 적은 사용자의 이마(forehead)에서 센싱하는 것이 바람직할 수 있다. 광용 적맥파 센서부(430)는 하나의 전극을 포함할 수 있으며, 이 하나의 전극을 이마에 부착하여 심박수를 센싱할 수 있다. 광용 적맥파 센서부(430)는 forehead PPG 센서로도 불릴 수 있다. 일 예로서, 광용 적맥파 센서부(430)는 PPG에서 매 구간당 발생하는 Peak를 검출하여 실제 심박수를 산출할 수도 있다.

프로세서(410)는 광용 적맥파 센서부(430)로부터 수신한 심박수 데이터에 대해 전처리(prefiltering)를 수행할 수 있다. 전처리는 광용 적맥파 센서부(430)로부터 수신한 심박수 데이터에서 혈압 산출에 사용될 소정의 성분을 추출하고, 추출된 생체 신호를 필터를 통해 잡음을 제거하는 과정을 포함할 수 있다.

프로세서(410)는 광용 적맥파 센서부(430)로부터 수신한 심박수 데이터로부터 전처리 과정을 통해 심박수 값(혹은 심박수와 관련된 값)을 추출하고, 학습된 딥러닝 모델에 입력값으로 입력할 수 있다.

심탄도 센서부(440)는 사용자의 생체 신호를 센싱하여 심탄도에 대한 데이터를 추출 혹은 획득할 수 있다. 심탄도 센서부(440)는 추출 혹은 획득한 심탄도 신호에 대한 데이터를 아날로그 신호의 형태로 프로세서(410)로 전달할 수 있다.

프로세서(410)는 심탄도 센서부(440)로부터 수신한 심탄도와 관련된 데이터에 대해 전처리(prefiltering)를 수행할 수 있다. 전처리는 심탄도 센서부(440)로부터 수신한 심탄도와 관련된 데이터에서 혈압 산출에 사용될 소정의 성분을 추출하고, 추출된 생체 신호를 필터를 통해 잡음을 제거하는 과정을 포함할 수 있다.

프로세서(410)는 심탄도 센서부(440)로부터 수신한 심탄도와 관련된 데이터에 대해 전처리 등의 과정을 통해 심탄도 값(혹은 심탄도와 관련된 값)을 추출하고, 이를 학습된 딥러닝 모델의 입력값으로 입력할 수 있다.

도 4에서 설명한 심전도 센서부(420), 광용 적맥파 센서부(430), 심탄도 센서부(440)의 일부 또는 전부가 하나의 센서 장치로 통합되어 구성될 수 있다. 통신부(450)는 사용자의 혈압 추정, 예측, 측정에 대한 결과를 무선 통신 등을 통해 네트워크로 전송 가능하다.

도 5는 본 발명에 따른 혈압 추정 장치를 설명하기 위한 예시적인 다이어그램이다.

도 5를 참조하면, 심전도 센서부(420)(예, ECG 센서부), 광용 적맥파 센서부(430)(예, PPG 센서부), 심탄도 센서부(440)(예, BCG 센서부)가 각각 사용자의 생체 신호를 센싱한다. 프로세서(410)는 각 센서부(420, 430, 440)로부터 수신한 데이터에 대해 필터링을 포함하여 전처리를 수행한다. 이후, 추출된 심전도 값, 추출된 심박수 값, 추출된 심탄도 값을 머신러닝 알고리즘(혹은 머신러닝 학습 모델)에 입력값으로 입력한다. 프로세서(410)는 머신러닝 알고리즘을 이용하여 혈압 값을 추정하여 출력한다. 프로세서(410)는 머신러닝 학습 모델이 정확한지 검증하고, 데이터베이스(DB)에 저장할 수 있다.

도 6은 본 발명에 따른 머신러닝(예, 딥러닝) 모델을 이용하여 혈압을 추정하는 훈련 과정의 일 예를 도시한 도면이다.

도 6의 상단 도면을 참고하면, 프로세서(410)는 심전도 데이터(예, ECG), 심박수 데이터(예, PPG), 심탄도 데이터(예, BCG), 그리고 혈압(수축기 혈압(systolic blood pressure, SBP), 이완기 혈압(diastolic blood pressure, DBP)) 값을 딥러닝 모델에 입력한다. 프로세서(410)는 상기 값들을 소정의 딥러닝 모델의 입력 값으로 수신하여 혈압을 추정하도록 훈련(training)을 수행할 수 있다.

도 6의 하단 도면을 참고하면, 프로세서(410)는 딥러닝 모델을 이용하여 훈련을 수행하고 훈련된 정보에 기초하여 학습된 딥러닝 모델에 ECG, PPG, BCG 신호들을 입력한 후 딥러닝 모델을 이용하여 출력 값을 생성하고, 출력된 값에 기초하여 사용자의 혈압 값을 추정할 수 있다.

이하에서는 딥러닝 모델에서 생체 신호를 이용하여 혈압을 추정하는 알고리즘 진행 과정에 대해 살펴본다.

도 7은 생체 신호를 이용하여 혈압을 추정하는 알고리즘 진행 과정 혹은 모델의 다른 일 예를 도시한 도면이다.

도 7을 참조하면, 입력받은 신호(심전도,맥파,심탄도 신호)를 컨볼루션 신경망(Convolution Neural Network, CNN)의 필터에 통과시킨다. 필터는 입력 데이터를 지정한 간격으로 순회하면서 합성곱(시스템의 출력을 구할 때 사용하는 연산)을 계산한다. 이후 입력 변수 또는 은닉마디의 결합을 변환하는 함수인 활성화 함수를 통과하여 특징을 추출한다.

활성화 함수는 수렴속도가 빠른 Rectified Linear Unit(Relu)를 사용한다. 출력 값의 고른 분포를 위하여 배치 정규화(Batch Nomalization) 레이어를 두어 정규화한다. 또한 특정 데이터를 강조하는 풀링(Pooling) 계층을 둔다.

이후 순환신경망(Recurrent Neural Network)의 일종인 게이트 순환유닛 (Gated Recurrent Unit, GRU)을 둔다. 단일 CNN보다 CNN+GRU 기반이 예측 정확도가 더 높다. GRU란 장기간 메모리가 필요한 문제에 쓰이는 LSTM(Long Short-Term Memory)의 변형으로, Reset gate와 Update gate가 존재한다. Reset gate는 새로운 입력을 이전 메모리와 어떻게 조합하는지를 결정하며, Update gate는 이전 메모리 정보를 어느 정도만 유지하여 새로운 state를 계산해 내는지를 결정한다. GRU는 LSTM에 비해 간단한 구조를 가지고 있다. 본 혈압 추정 알고리즘은 양방향 게이트 순환유닛(Bidirectional GRU)을 사용한다.

이후 다양한 모델 결합에 따른 학습 난이도 조절 및 모델을 실행시킬 때의 연산 시간 절약을 위해 드롭아웃(Dropout) 레이어를 둔다. 실제로 실행 시 생략된 많은 모델을 따로 실행시키는 게 아닌 생략된 모델들이 파라미터를 공유하고 있기 때문에 각각의 뉴런들이 존속할 확률을 각각의 가중치에 곱해주는 형태가 된다. 전달된 정보는 완전연결층(Fully Connected Layer)로부터 가중치와 바이어스 등의 연산을 거쳐 최종적으로 혈압을 예측한다.

Attention 단계에서는 자연어처리 분야의 비약적인 성능 향상을 이룬 어텐션 메커니즘(Attention mechanism)을 적용하여 CNN에서 추출한 특징들 중 혈압 값과 관련이 높은 시간대의 특징 값에 대하여 학습 가중치(weigh)를 높인다. 즉, attention 단계에서, 프로세서(410)는 Attention mechanism을 적용하여 CNN에서 추출한 특징들 중 혈압값과 관련이 높은 시간대의 특징 값에 학습 가중치를 높여서 적용한다.

도 8은 도 7에 도시된 Attention layer에서 수행 특징을 설명하기 위한 예시적인 도면이다.

도 8을 참조하면, attention 레이어는 CNN 레어어에서 나온 특징 맵(feature map)(예를 들어, 23개의 timestep, 256개의 feature maps)들에 대하여 1층의 dense 레이어와 softmax funtion을 이용하여 attention vector를 생성한다. Attention 레이어는 입력 벡터와 attention vector를 곱한 값을 출력한다. 이 출력된 값은 Bi GRU 레이어로 입력될 수 있다.

도 9는 Attention vector를 이용한 추가적인 분석을 예시한 도면이다.

도 9를 참조하면, 최종적으로 생성된 attention vector를 활용하여 입력으로 사용한 ECG, PPG, BCG 신호를 기반으로 heatmap 형태로 표현이 가능하고, 이를 통해 추가적인 분석도 가능하다. 도 10은 도 8에 도시한 Attention layer가 추가된 모델을 이용하여 생체신호 기반 이용한 혈압 추정 장치의 혈압 추정 결과를 도시한 도면이다.

도 11은 상술한 혈압 추정 모델에 대한 Bland-Altman plot 으로 모델의 성능을 검증한 도면이다.

도 11에서 X 축은 실제 혈압(real BP)과 예측 혈압(prediction BP)의 평균(Mean) 값, Y축은 실제 혈압과 예측 혈압의 차이(Difference) 값이다. 실제 혈압과 예측 혈압의 평균 값은 다음과 같이 산출될 수 있다.

실제 혈압과 예측 혈압의 차이(Difference) 값은 다음과 같이 산출될 수 있다.

표 3 및 표 4는 각각 수축기 혈압(SBP), 이완기 혈압(DBP)에 대한 기존 모델(PTT 기반 linear regression 방법)과의 성능 비교를 나타낸 표이다. 표 3 및 표 4에서 Corr는 실제 혈압과 예측 혈압과의 상관 계수 (Correlation Coefficient)를 나타낸다. RMSE는 Root Mean Square Error로서 실험이나 관측에서 나타나는 오차(Error)를 제곱(Square)해서 평균(Mean)한 값의 제곱근(Root)이다.

표 3 및 표 4에 나타낸 바와 같이, 본 발명에서 제안한 혈압 추정 모델의 경우 상관관계(Correlation) 측면에서 높은 성능향상이 있었고 PTT 기반 방법과는 달리 별도의 전처리 과정이 필요 없으며 노이즈가 있는 신호에서도 추정이 가능하다는 장점이 있다.

SBP	Corr	RMSE
본 발명에서 제안한 혈압 추정 모델	0.76 ± 0.04	4.57 ± 1.24
기존의 PTT linear regression 방법	0.44 ± 0.13	5.22 ± 0.94

DBP	Corr	RMSE
본 발명에서 제안한 혈압 추정 모델	0.69 ± 0.11	3.98 ± 1.16
기존의 PTT linear regression 방법	0.38 ± 0.14	3.91 ± 1.01

도 12는 본 발명에 따른 사용자의 혈압 추정 방법의 흐름도를 예시한 도면이다.

도 12를 참조하면, 심전도 센서부(예, ECG 센서부)(420), 광용 적맥파 센서부(430)(예, PPG 센서부) 및 심탄도 센서부(예, BCG 센서부)(440)는 각각 사용자의 생체 신호를 센싱하여 심전도 데이터, 심박수 데이터, 심탄도 데이터를 획득할 수 있다(S1010).

프로세서(410)는 획득된 심전도 데이터, 심박수 데이터, 심탄도 데이터에 대해 전처리 과정 등을 수행하여, 심전도 값, 심박수 값, 심탄도 값을 추출할 수 있다(S1020). 프로세서(410)는 전처리되어 추출된 심전도 값, 심박수 값, 심탄도 값을 학습된 딥러닝 모델의 입력값들로 설정하여, 학습된 딥러닝 모델에 입력값으로 입력시킨다(S1030). 프로세서(410)는 입력값들과 딥러닝 모델을 이용하여 딥러닝 모델에서 출력값을 생성하고, 상기 출력 값에 기초하여 사용자의 혈압을 추정할 수 있다(S1040). 이후, 통신부(450)는 추정된 혈압 값을 네트워크로 전송할 수도 있다.

이상에서 설명된 실시예들은 본 발명의 구성요소들과 특징들이 소정 형태로 결합된 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려되어야 한다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 본 발명의 실시예를 구성하는 것도 가능하다. 본 발명의 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다. 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함시킬 수 있음은 자명하다.

프로세서(330)는 컨트롤러(controller), 마이크로 컨트롤러(microcontroller), 마이크로 프로세서(microprocessor), 마이크로 컴퓨터(microcomputer) 등으로도 호칭될 수 있다. 한편, 프로세서(320)는 하드웨어(hardware) 또는 펌웨어(firmware), 소프트웨어, 또는 이들의 결합에 의해 구현될 수 있다. 하드웨어를 이용하여 본 발명의 실시예를 구현하는 경우에는, 본 발명을 수행하도록 구성된 ASICs(application specific integrated circuits) 또는 DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays) 등이 프로세서(330)에 구비될 수 있다.

본 발명은 본 발명의 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있음은 당업자에게 자명하다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

Claims (21)

1. 사용자의 생체 신호를 센싱하여 심전도와 관련된 정보를 획득하는 심전도 센서부;
   상기 사용자의 생체 신호를 센싱하여 심박수와 관련된 정보를 획득하는 광용 적맥파 센서부;
   상기 사용자의 생체 신호를 센싱하여 심탄도와 관련된 정보를 획득하는 심탄도 센서부; 및
   상기 획득한 심전도와 관련된 정보로부터 심전도 값을 추출하고, 상기 획득한 심박수와 관련된 정보로부터 심박수 값을 추출하며, 상기 획득한 심탄도와 관련된 정보로부터 심탄도 값을 추출하고,
   상기 추출된 심전도 값, 심박수 값 및 심탄도 값을 소정의 학습된 딥러닝(Deep Learning) 모델의 입력 값들로 설정하여, 상기 입력값들과 상기 딥러닝 모델을 이용하여 출력값으로 상기 사용자의 혈압 추정 값을 산출하는 프로세서를 포함하는, 사용자의 혈압을 추정하는 장치.
2. 제 1항에 있어서,
   상기 프로세서는 상기 입력값들을 컨볼루션 신경망(Convolution Neural Network, CNN)의 필터에 통과하는 방식으로 상기 딥러닝 모델을 이용하는, 사용자의 혈압을 추정하는 장치.
3. 제 2항에 있어서,
   상기 프로세서는 상기 CNN 필터를 통과한 값에 활성화 함수를 적용하는 방식으로 상기 딥러닝 모델을 이용하는, 사용자의 혈압을 추정하는 장치.
4. 제 3항에 있어서,
   상기 프로세서는 상기 활성화 함수가 적용된 값에 배치 정규화(Batch Nomalization) 레이어를 이용하여 정규화하고, 정규화된 값에 특정 데이터를 강조하기 위한 풀링(pooling) 레이어를 이용하는 방식으로 상기 딥러닝 모델을 이용하는, 사용자의 혈압을 추정하는 장치.
5. 제 4항에 있어서,
   상기 프로세서는 상기 풀링 레이어에서 출력된 값에 게이트 순환 유닛(Bidirectional GRU)을 이용하는 방식으로 상기 딥러닝 모델을 이용하는, 사용자의 혈압을 추정하는 장치.
6. 제 5항에 있어서,
   상기 프로세서는 상기 양방향 GRU로부터 출력된 값을 완전연결층(Fully Connected Layer)에서 가중치 연산을 적용하여 최종적으로 혈압을 추정하는, 사용자의 혈압을 추정하는 장치.
7. 제 1항에 있어서,
   상기 산출된 사용자의 혈압 추정 값을 네트워크로 전송하는 통신부를 더 포함하는, 사용자의 혈압을 추정하는 장치.
8. 제 1항에 있어서,
   상기 소정의 학습된 딥러닝 모델은 심전도 데이터, 심박수 데이터, 심탄도 데이터, 수축기 혈압 값 및 이완기 혈압 값들을 훈련 데이터로 사용하여 학습된 모델인, 사용자의 혈압을 추정하는 장치.
9. 제 3항에 있어서,
   상기 프로세서는 상기 CNN 필터의 입력값들을 지정된 간격으로 순회하면서 컨볼루션 곱을 연산하여 출력하는, 사용자의 혈압을 추정하는 장치.
10. 제 4항에 있어서,
    상기 활성화 함수로서 Rectified Linear Unit(Relu)가 사용되는, 사용자의 혈압을 추정하는 장치.
11. 사용자의 생체 신호를 센싱하여 심전도와 관련된 정보를 획득하는 단계;
    상기 사용자의 생체 신호를 센싱하여 심박수와 관련된 정보를 획득하는 단계;
    상기 사용자의 생체 신호를 센싱하여 심탄도와 관련된 정보를 획득하는 단계;
    상기 획득한 심전도와 관련된 정보로부터 심전도 값을 추출하고, 상기 획득한 심박수와 관련된 정보로부터 심박수 값을 추출하며, 상기 획득한 심탄도와 관련된 정보로부터 심탄도 값을 추출하는 단계;
    상기 추출된 심전도 값, 심박수 값 및 심탄도 값을 소정의 학습된 딥러닝(Deep Learning) 모델의 입력 값들로 설정하는 단계; 및
    상기 입력값들과 상기 딥러닝 모델을 이용하여 출력값으로 상기 사용자의 혈압 추정 값을 산출하는 단계를 포함하는, 사용자의 혈압을 추정하는 방법.
12. 제 11항에 있어서,
    상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 입력값들을 컨볼루션 신경망(Convolution Neural Network, CNN)의 필터에 통과하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 포함하는, 사용자의 혈압을 추정하는 방법.
13. 제 12항에 있어서,
    상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 CNN 필터를 통과한 값에 활성화 함수를 적용하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
14. 제 13항에 있어서,
    상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 활성화 함수가 적용된 값에 배치 정규화(Batch Nomalization) 레이어를 이용하여 정규화하고, 정규화된 값에 특정 데이터를 강조하기 위한 풀링(pooling) 레이어를 이용하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
15. 제 14항에 있어서,
    상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 풀링 레이어에서 출력된 값에 게이트 순환 유닛(Bidirectional GRU)을 이용하는 방식으로 상기 딥러닝 모델을 이용하는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
16. 제 15항에 있어서,
    상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 양방향 GRU로부터 출력된 값을 완전연결층(Fully Connected Layer)에서 가중치 연산을 적용하여 최종적으로 혈압을 추정하는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
17. 제 11항에 있어서,
    상기 산출된 사용자의 혈압 추정 값을 네트워크로 전송하는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
18. 제 11항에 있어서,
    심전도 데이터, 심박수 데이터, 심탄도 데이터, 수축기 혈압 값 및 이완기 혈압 값들을 훈련 데이터로 사용하여 상기 딥러닝 모델을 학습시키는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
19. 제 13항에 있어서,
    상기 사용자의 혈압 추정 값을 산출하는 단계는 상기 CNN 필터의 입력값들을 지정된 간격으로 순회하면서 컨볼루션 곱을 연산하여 출력하는 단계를 더 포함하는, 사용자의 혈압을 추정하는 방법.
20. 제 14항에 있어서,
    상기 활성화 함수로서 Rectified Linear Unit(Relu)가 사용되는, 사용자의 혈압을 추정하는 방법.
21. 제 11항 내지 제 20항 중 어느 한 항에 기재된 사용자의 혈압을 추정하는 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.

Images