KR20220009672A

KR20220009672A - 혈압 추정 장치 및 방법

Info

Publication number: KR20220009672A
Application number: KR1020200088178A
Authority: KR
Inventors: 배상곤; 장준혁; 최창목; 김연호; 최진우; 경제현; 박태준; 양준영; 연인모
Original assignee: 삼성전자주식회사; 한양대학교 산학협력단
Priority date: 2020-07-16
Filing date: 2020-07-16
Publication date: 2022-01-25
Also published as: US20220015651A1

Abstract

혈압 추정 장치가 개시된다. 일 실시예에 따르면 혈압 추정 장치는 피검체의 접촉에 따라 맥파신호를 측정하는 센서부 및, 맥파신호를 기초로 MAP(mean arterial pressure)를 획득하고, 분류 기준에 따라 상기 획득된 MAP의 구간을 분류하며, 구간별 추정 모델 중에서 상기 MAP가 속한 구간의 추정 모델을 이용하여 SBP(systolic blood pressure)를 획득하는 프로세서를 포함할 수 있다.

Description

혈압 추정 장치 및 방법{APPARATUS AND METHOD FOR ESTIMATING BLOOD PRESSURE}

커프리스 혈압 추정과 관련되며, 보다 구체적으로 딥러닝 기반의 혈압 추정 및 방법에 관한 것이다.

일반적으로 인체에 손상을 가하지 않고 비침습적(non-invasive)으로 혈압을 측정하는 방법으로서, 커프 기반의 압력 자체를 측정하여 혈압을 측정하는 방식과 커프 없이 맥파 측정을 통해 혈압을 추정하는 방식이 있다. 커프 기반의 혈압을 측정하는 방식으로는 상완(upper arm)에 커프(cuff)를 감고 커프 내 압력을 증가시켰다가 감소시키면서 청진기를 통해 혈관에서 발생하는 청음을 듣고 혈압을 측정하는 코로트코프 소리 방법(Korotkoff-sound method)과 자동화된 기계를 이용하는 방식으로 상완에 커프를 감고 커프 압력을 증가시킨 후 점차 커프 압력을 감소시키면서 커프 내 압력을 지속적으로 측정한 뒤 압력 신호의 변화가 큰 지점을 기준으로 혈압을 측정하는 오실로메트릭 방법(Oscillometric method)이 있다. 커프리스 혈압 측정 방법은 일반적으로 맥파전달시간(PTT, pulse transit time)을 계산하여 혈압을 추정하는 방식과, 맥파의 모양을 분석하여 혈압을 추정하는 PWA(Pulse Wave Analysis) 방식이 있다.

복수의 구간별로 딥러닝 기반의 학습을 통해 생성된 추정 모델을 이용하여 혈압을 추정하는 장치 및 방법이 제시된다.

일 양상에 따르면, 혈압 추정 장치는 피검체의 접촉에 따라 맥파신호를 측정하는 센서부 및, 맥파신호를 기초로 MAP(mean arterial pressure)를 획득하고, 분류 기준에 따라 획득된 MAP의 구간을 분류하며, 구간별 추정 모델 중에서 상기 MAP가 속한 구간의 추정 모델을 이용하여 SBP(systolic blood pressure)를 획득하는 프로세서를 포함할 수 있다.

구간별 추정 모델은 MAP의 크기에 따라 분류된 복수의 구간별로, DNN(Deep Neural Network)을 포함한 딥러닝 기반의 학습을 통해 생성될 수 있다.

프로세서는 맥파신호를 기초로 특징(feture)을 추출하고, 초기 추정 모델을 이용하여 상기 추출된 특징으로부터 초기 SBP 및 초기 DBP(diastolic blood pressure)를 획득할 수 있다.

센서부는 피검체가 맥파센서에 가하는 접촉힘을 더 측정하고, 프로세서는 맥파신호 및 접촉힘을 기초로 오실로메트릭 포락선을 획득하고, 획득된 오실로메트릭 포락선을 기초로 상기 특징을 추출할 수 있다.

프로세서는 오실로메트릭 포락선에서, 최대 진폭값, 최대 진폭 지점의 접촉압력값, 상기 최대 진폭값의 소정 비율에 해당하는 지점 사이의 폭, 최대 진폭값의 소정 비율에 해당하는 지점의 접촉압력 중의 하나 이상을 포함할 수 있다.

프로세서는 초기 SBP 및 초기 DBP를 기초로 MAP를 획득하고, 획득된 MAP가 속한 구간의 추정 모델에 상기 초기 SBP 및 상기 추출된 특징을 입력하여 상기 SBP를 획득할 수 있다.

프로세서는 초기 SBP 및 초기 DBP를 기초로 제1 MAP를 획득하고, 구간별 제1 추정 모델 중에서 제1 MAP가 속한 구간의 제1 추정 모델을 이용하여 제1 SBP를 획득하며, 획득된 제1 SBP 및 상기 초기 DBP를 기초로 제2 MAP를 획득하고, 구간별 제2 추정 모델 중에서 제2 MAP가 속한 구간의 제2 추정 모델을 이용하여 제2 SBP를 획득할 수 있다.

프로세서는 제1 MAP가 속한 구간의 제1 추정 모델에 초기 SBP 및 특징을 입력하여 상기 제1 SBP를 획득하고, 제2 MAP가 속한 구간의 제2 추정 모델에 상기 제1 SBP 및 상기 특징을 입력하여 제2 SBP를 획득할 수 있다.

일 양상에 따르면, 혈압 추정 장치는 피검체의 접촉에 따라 맥파신호를 측정하는 센서부 및, 맥파신호를 기초로 특징을 추출하고, 둘 이상의 분류기를 이용하여 상기 추출된 특징을 기초로 MAP 구간을 분류하며, 구간별 추정 모델 중에서 상기 분류된 MAP 구간의 추정 모델을 이용하여 SBP를 획득하는 프로세서를 포함할 수 있다.

프로세서는 추출된 특징을 제1 분류기에 입력하여 제1 분류기의 출력값이 제1 임계치를 초과하면 상기 MAP 구간을 제1 구간으로 분류할 수 있다.

프로세서는 제1 분류기의 출력값이 제1 임계치 이하이면, 상기 특징을 제2 분류기에 입력하여 제2 분류기의 출력값이 제2 임계치를 초과하면 상기 MAP 구간을 제1 구간으로 분류할 수 있다.

프로세서는 추출된 특징을 제3 분류기에 입력하여 제3 분류기의 출력값이 제3 임계치를 초과하면 상기 MAP 구간을 제3 구간으로 분류하고, 제2 분류기의 출력값이 제2 임계치 이하이고 제3 분류기의 출력값이 제3 임계치 이하이면 상기 MAP 구간을 제2 구간으로 분류할 수 있다.

제1 임계치, 제2 임계치 및 제3 임계치는 복수의 특징 데이터를 포함한 학습데이터를 이용하여, 제1 분류기, 제2 분류기 및 제3 분류기의 딥러닝 기반의 학습을 통해 획득될 수 있다.

프로세서는 초기 추정 모델을 이용하여 상기 추출된 특징으로부터 초기 SBP를 획득하고, 상기 MAP의 구간에 해당하는 추정 모델에 상기 특징과 상기 초기 SBP를 입력하여 상기 SBP를 획득할 수 있다.

일 양상에 따르면 혈압 추정 방법은 피검체의 접촉에 따라 맥파신호를 측정하는 단계, 맥파신호를 기초로 MAP를 획득하여 분류 기준에 따라 상기 획득된 MAP의 구간을 분류하는 단계 및, 구간별 추정 모델 중에서 상기 MAP가 속한 구간의 추정 모델을 이용하여 SBP를 획득하는 단계를 포함할 수 있다.

또한, 혈압 추정 방법은 맥파신호를 기초로 특징을 추출하는 단계 및 초기 추정 모델을 이용하여 상기 추출된 특징으로부터 초기 SBP 및 초기 DBP를 획득하는 단계를 더 포함할 수 있다.

또한, 혈압 추정 방법은 피검체가 맥파센서에 가하는 접촉힘을 측정하는 단계를 더 포함하고, 특징을 추출하는 단계는 맥파신호 및 접촉힘을 기초로 오실로메트릭 포락선을 획득하고, 획득된 오실로메트릭 포락선을 기초로 상기 특징을 추출할 수 있다.

MAP의 구간을 분류하는 단계는 초기 SBP 및 초기 DBP를 기초로 MAP를 획득하고, SBP를 획득하는 단계는 획득된 MAP가 속한 구간의 추정 모델에 상기 초기 SBP 및 상기 추출된 특징을 입력하여 상기 SBP를 획득할 수 있다.

MAP의 구간을 분류하는 단계는 초기 SBP 및 초기 DBP를 기초로 제1 MAP를 획득하는 단계, 제1 분류 기준에 따라 제1 MAP의 구간을 분류하는 단계, 구간별 제1 추정 모델 중에서 제1 MAP가 속한 구간의 제1 추정 모델을 이용하여 제1 SBP를 획득하는 단계, 제1 SBP 및 상기 초기 DBP를 기초로 제2 MAP를 획득하는 단계 및 제2 분류 기준에 따라 제2 MAP의 구간을 분류하는 단계를 포함할 수 있다.

SBP를 획득하는 단계는 제2 MAP가 속한 구간의 제2 추정 모델에 상기 제1 SBP 및 상기 특징을 입력하여 제2 SBP를 획득할 수 있다.

복수의 구간별로 딥러닝 기반의 학습을 통해 생성된 혈압 추정 모델을 이용하여 혈압을 정확하게 추정할 수 있다.

도 1은 일 실시예에 따른 혈압 추정 장치의 블록도이다.
도 2는 다른 실시예에 따른 혈압 추정 장치의 블록도이다.
도 3은 도 1 및 도 2의 프로세서 구성의 일 실시예이다.
도 4a 및 도 4b는 오실로메트릭 기반 혈압 추정을 설명하기 위한 도면이다.
도 5는 도 1 및 도 2의 프로세서 구성의 다른 실시예이다.
도 6은 도 1 및 도 2의 프로세서 구성의 또 다른 실시예이다.
도 7은 일 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 8은 다른 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 9는 또 다른 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 10은 다른 실시예에 따른 혈압 추정 장치의 블록도이다.
도 11은 도 10의 프로세서 구성의 일 실시예이다.
도 12는 일 실시예에 따른 웨어러블 기기를 도시한 것이다.
도 13은 일 실시예에 따른 스마트 기기를 도시한 것이다.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다. 기재된 기술의 이점 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

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 포함한다. 또한 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. 또한, 명세서에 기재된 "…부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.

이하, 혈압 추정 장치 및 방법의 실시예들을 도면들을 참고하여 자세히 설명하도록 한다.

도 1은 일 실시예에 따른 혈압 추정 장치의 블록도이다.

도 1을 참조하면 혈압 추정 장치(100)는 센서부(110) 및 프로세서(120)를 포함한다.

센서부(110)는 피검체의 접촉시 광전용적 맥파(photoplethysmography, PPG)를 포함한 맥파신호를 측정하는 맥파센서를 포함할 수 있다. 피검체는 맥파센서가 접촉하여 맥파를 용이하게 측정할 수 있는 인체 부위일 수 있다. 예를 들어, 인체 내의 혈관 밀도가 높은 부위인 손가락일 수 있으나, 이에 제한되는 것은 아니며 요골 동맥과 인접한 손목 표면의 영역으로 모세혈이나 정맥혈이 지나가는 손목 상부, 발가락 등 인체의 말초 부위일 수도 있다.

맥파센서는 피검체에 광을 조사하는 하나 이상의 광원과, 광원으로부터 소정 거리 떨어져 배치되며 피검체로부터 산란 또는 반사된 광을 검출하는 하나 이상의 디텍터를 포함할 수 있다. 하나 이상의 광원은 서로 다른 파장의 광을 조사할 수 있다. 예컨대, 적외(infrared) 파장, 녹색(green) 파장, 청색(blue) 파장, 적색(red) 파장, 백색(white) 파장 등을 포함할 수 있다. 광원은 LED(light emitting diode), 레이저 다이오드(laser diode) 및 형광체 등을 포함할 수 있으나 이에 한정되지 않는다. 또한, 디텍터는 포토다이오드(photodiode), 포토다이오드 어레이 및 CMOS(complementary metal-oxide semiconductor) 이미지 센서, CCD(charge-coupled device) 이미지 센서 등을 포함할 수 있다.

또한, 센서부(110)는 피검체가 접촉하여 맥파 진폭의 변화를 유도하기 위해 압력을 증가 또는 감소시킬 때의 접촉힘 또는 접촉압력을 측정하는 힘/압력센서를 포함할 수 있다. 힘/압력 센서는 스트레인 게이지(strain gauge) 등으로 형성된 하나의 힘센서로 형성되거나, 힘센서의 어레이로 형성될 수 있다. 또는, 압력센서, 공기주머니(air bladder) 형태의 압력센서, 힘센서와 면적센서가 결합된 압력센서 등으로 형성될 수도 있다.

프로세서(120)는 센서부(110)에 의해 측정된 맥파신호를 기초로 혈압을 추정할 수 있다. 예를 들어, 프로세서(120)는 맥파신호를 기초로 MAP(mean arterial pressure)를 획득하고, 획득된 MAP를 기초로 추정 모델을 선택하여, 그 선택된 추정 모델을 이용하여 혈압을 추정할 수 있다. 이때, 혈압 추정 모델은 MAP의 크기를 기초로 분류된 복수의 각 구간별로 DNN(Deep Neural Network)을 포함한 딥러닝 기반의 학습을 통해 미리 생성될 수 있다.

본 실시예들에 따르면 MAP의 크기에 따라 예컨대 MAP의 고, 중, 저의 3단계 구간으로 분류하고, 각 구간별로 혈압 추정 모델을 학습 및 생성하여 혈압 추정시 이용함으로써 혈압 추정의 정확성을 더욱 향상시킬 수 있다.

도 2는 다른 실시예에 따른 혈압 추정 장치의 블록도이다.

도 2를 참조하면 다른 실시예의 혈압 추정 장치(200)는 센서부(110), 프로세서(120), 저장부(210), 출력부(220) 및 통신부(230)를 포함할 수 있다. 센서부(110) 및 프로세서(120)는 앞에서 설명하였다.

저장부(210)는 혈압 추정과 관련된 정보를 저장할 수 있다. 예를 들어 맥파신호, 접촉힘/압력, 혈압 추정값 등을 저장할 수 있다. 또한, 구간별 혈압 추정 모델, 초기 추정 모델, 구간 분류 기준, 사용자 특성 정보 등을 포함할 수 있다. 이때, 사용자 특성 정보는 사용자의 나이, 성별, 건강 상태 등을 포함할 수 있다.

저장부(210)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어, SD 또는 XD 메모리 등), 램(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 등의 저장매체를 포함하며, 이에 제한되는 것은 아니다.

출력부(220)는 프로세서(120)의 처리 결과를 사용자에게 제공할 수 있다. 예를 들어, 출력부(220)는 디스플레이에 프로세서(120)의 혈압 추정값을 표시할 수 있다. 이때, 혈압 추정값이 정상 범위를 벗어나면 사용자가 쉽게 인식할 수 있도록 색깔이나 선의 굵기 등을 조절하거나 정상 범위를 함께 표시함으로써 사용자에게 경고 정보를 제공할 수 있다. 또한, 출력부(220)는 시각적 표시와 함께 또는 단독으로 스피커 등의 음성 출력 모듈, 햅틱 모듈 등을 이용하여 음성, 진동, 촉감 등의 비시각적인 방식으로 사용자에게 혈압 추정 결과를 제공할 수 있다.

통신부(230)는 외부 기기와 통신하여 혈압 추정과 관련된 각종 데이터를 송수신할 수 있다. 외부 기기는 스마트폰, 태블릿 PC, 데스크탑 PC, 노트북 PC 등의 정보 처리 장치를 포함할 수 있다. 예를 들어, 혈압 추정 결과를 사용자의 스마트폰 등에 전송하여 사용자가 상대적으로 성능이 우수한 기기를 통해 성분 분석 결과를 관리 및 모니터링하도록 할 수 있다. 또한, 외부 기기는 혈압 추정 모델을 생성하는 외부 혈압 추정 장치를 포함할 수 있으며, 외부 혈압 추정 장치로부터 혈압 추정 모델을 수신하면 저장부(210)에 저장할 수 있다.

통신부(230)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 포함하는 다양한 유무선 통신 기술을 이용하여 외부 기기와 통신할 수 있다. 다만, 이에 한정되는 것은 아니다.

도 3은 도 1 및 도 2의 프로세서 구성의 일 실시예이다. 도 4a 및 도 4b는 오실로메트릭 기반 혈압 추정을 설명하기 위한 도면이다.

도 3을 참조하면 일 실시예에 따른 프로세서(300)는 특징 추출부(310), 초기 모델 적용부(320), 분류부(330), 구간 모델 적용부(340)를 포함할 수 있다.

특징 추출부(310)는 센서부(110)에 의해 측정된 맥파신호를 기초로 특징(feature)을 추출할 수 있다.

예를 들어, 특징 추출부(310)는 맥파신호의 파형 분석을 통해 예컨대 맥파 최대점의 진폭 및/또는 시간, 맥파 전진파 및 반사파와 관련된 구성 펄스 파형 성분의 시간 및 진폭, 맥파신호 파형의 소정 구간의 면적 등을 특징으로 추출할 수 있다.

또한, 특징 추출부(310)는 센서부(110)에 의해 측정된 맥파신호 및 접촉힘/압력을 기초로 오실로메트릭 포락선을 생성하고, 오실로메트릭 포락선을 기초로 특징을 추출할 수 있다.

예를 들어, 도 4a 및 도 4b를 참조하면 특징 추출부(310)는 각 측정 시점에서 맥파신호 파형 엔벨로프(in1) 의 플러스 지점의 진폭값(in2)에서 마이너스 지점의 진폭값(in3)을 빼서 피크-투-피크(peak-to-peak) 지점을 추출할 수 있다. 또한, 피크-투-피크 지점의 진폭을 대응하는 시점의 접촉압력값을 기준으로 플롯(plot)하고, 예컨대 폴리노미얼 커브 피팅(polynomial curve fitting)을 수행하여 오실로메트릭 포락선(OW)을 획득할 수 있다.

특징 추출부(310)는 이와 같이 생성된 오실로메트릭 포락선(OW)을 이용하여 특징을 추정할 수 있다. 예를 들어, 오실로메트릭 포락선(OW)에서 맥파 최대점의 진폭(MA), 맥파 최대점의 접촉압력(MP), 맥파 최대점의 진폭(MA) 대비 제1 비율의 진폭값에 해당하는 지점의 접촉압력(DP), 맥파 최대점의 진폭(MA) 대비 제2 비율의 진폭값에 해당하는 지점의 접촉압력(SP), 오실로메트릭 포락선(OW)에서 맥파 기저점과 최대점 사이 간격의 소정 비율(예: 50%, 70% 등)에 해당하는 지점들 사이의 폭 등을 특징으로 추출할 수 있다.

또한, 특징 추출부(310)는 저장부(210)로부터 사용자의 특성 정보 예컨대, 나이, 성별, 건강 상태 등을 특징으로 추출할 수 있다.

초기 모델 적용부(320)는 미리 정의된 초기 추정 모델을 이용하여 특징 추출부(310)에 의해 추출된 특징으로부터 초기 SBP(systolic blood pressure) 및/또는 초기 DBP(diastolic blood pressure)를 획득할 수 있다. 이때, 초기 추정 모델은 DNN 기반의 SBP 추정 모델 및, DNN 기반의 DBP 추정 모델을 포함하며, 전술한 복수의 특징을 학습데이터로 하여 딥러닝 기반의 학습을 통해 미리 생성될 수 있다.

분류부(330)는 초기 모델 적용부(320)에 의해 획득된 초기 SBP 및/또는 초기 DBP를 기초로 MAP를 획득할 수 있다. 예를 들어, 아래의 수학식 1의 관계를 통해 MAP를 획득할 수 있다. 여기서, PP는 맥압을 의미한다. 다만, 이에 제한되는 것은 아니다.

분류부(330)는 MAP가 구해지면 미리 정의된 분류 기준에 따라 MAP의 구간을 분류할 수 있다. 예를 들어, 분류 기준은 MAP가 제1 값(예: 95)보다 크거나 같으면 제1 구간으로 분류하고, 제1 값보다 작고 제2 값(예: 75)보다 크면 제2 구간으로 분류하며, 제2 값 이하이면 제3 구간으로 분류할 수 있다. 다만, 이에 제한되는 것은 아니며 분류 구간은 두 개의 구간으로 분류될 수도 있으며, 또는 세 개의 구간 보다 더 많은 구간으로 세분화 될 수도 있다.

구간 모델 적용부(340)는 분류부(330)에 의해 MAP의 구간이 분류되면, 각 구간별로 정의된 혈압 추정 모델 중에서 그 분류된 MAP 구간에 해당하는 구간의 혈압 추정 모델을 적용하여 혈압을 추정할 수 있다. 이때, 각 구간별 혈압 추정 모델은 전술한 바와 같이 DNN 기반의 딥러닝을 통해 생성되며, 각 구간별로 SBP를 추정하는 모델일 수 있다. 구간 모델 적용부(340)는 특징 추출부(310)에 의해 추출된 특징 및/또는 초기 모델 적용부(320)에 의해 획득된 초기 SBP를 그 MAP 구간의 혈압 추정 모델에 입력하면, MAP 구간의 혈압 추정 모델은 최종 SBP를 결과로서 출력할 수 있다.

프로세서(300)는 이와 같이 구간 모델 적용부(340)에 의해 획득된 SBP 및 초기 모델 적용부(320)에 의해 획득된 초기 DBP를 그대로 또는 소정 변확식을 기초로 변환하여 최종 SBP 및 최종 DBP를 출력할 수 있다.

도 5는 도 1 및 도 2의 프로세서 구성의 다른 실시예이다.

도 5를 참조하면, 일 실시예의 프로세서(500)는 특징 추출부(510), 초기 모델 적용부(520), 분류부(530) 및 제2 구간 모델 적용부(540)를 포함할 수 있다.

특징 추출부(510)는 전술한 바와 같이 맥파신호 및/또는 접촉힘/압력을 기초로 특징을 추출할 수 있다. 또한, 저장부(210)로부터 사용자의 특성 정보를 특징으로 추출할 수 있다.

초기 모델 적용부(520)는 특징 추출부(510)에 의해 추출된 특징에 초기 추정 모델을 적용하여 초기 SBP 및/또는 초기 DBP를 획득할 수 있다. 초기 추정 모델은 DNN을 기반으로 할 수 있으며 SBP 추정 모델과 DBP 추정 모델을 포함할 수 있다.

분류부(530)는 제1 분류부(531), 제1 구간 모델 적용부(532) 및 제2 분류부(533)를 포함할 수 있다. 본 실시예에 따르면 분류부(530)는 MAP의 2단계 분류를 통해 보다 정확성을 더욱 향상시킬 수 있다.

제1 분류부(531)는 초기 모델 적용부(520)에 의해 획득된 초기 SBP 및 초기 DBP를 기초로 제1 MAP를 획득할 수 있다. 또한, 제1 분류 기준에 따라 제1 MAP의 크기를 기초로 구간을 분류할 수 있다. 예컨대, 제1 MAP의 크기가 제1 값(예: 95)보다 크거나 같으면 제1 구간으로 분류하고, 제1 값보다 작고 제2 값(예: 80)보다 큰 경우 제2 구간으로 분류할 수 있다. 만약 제2 값보다 작거나 같은 경우 제3 구간으로 분류할 수 있다. 여기서, 구간의 개수는 특별히 제한되지 않으며, 제1 값, 제2 값 등은 학습을 통해 미리 획득될 수 있다.

제1 구간 모델 적용부(532)는 제1 분류부(531)에 의해 분류된 제1 MAP의 구간에 해당하는 구간별 제1 추정 모델을 적용하여 제1 SBP를 획득할 수 있다. 이때, 구간별 제1 추정 모델은 특징 추출부(510)에 의해 추출된 특징 및 초기 모델 적용부(520)에 의해 획득된 초기 SBP를 입력으로 하고, 제1 SBP를 출력으로 할 수 있다. 구간별 제1 추정 모델은 예컨대 제1 구간, 제2 구간 및 제3 구간 각각에 대하여 DNN 모델로 정의되며 딥러닝 등의 학습을 통해 생성될 수 있다.

제2 분류부(533)는 초기 모델 적용부(520)에 의해 획득된 초기 DBP 및 제1 구간 모델 적용부(532)에 의해 획득된 제1 SBP를 기초로 제2 MAP를 획득할 수 있다. 또한, 제2 분류부(533)는 제2 분류 기준에 따라 제2 MAP의 구간을 분류할 수 있다. 예를 들어, 제2 MAP의 크기가 제3 값(예: 95)보다 크거나 같으면 제1 구간으로 분류하고, 제3 값보다 작고 제4 값(예: 80)보다 큰 경우 제2 구간으로 분류할 수 있다. 만약 제4 값 이하이면 제3 구간으로 분류할 수 있다. 여기서, 구간의 개수는 특별히 제한되지 않으며, 제3 값 및 제4 값 등은 학습을 통해 미리 획득될 수 있다. 제3 값 및 제4 값은 각각 제1 값 및 제2 값과 동일한 값일 수 있으나 반드시 동일한 것으로 제한되는 것은 아니다.

제2 구간 모델 적용부(540)는 제2 분류부(533)에 의해 분류된 제2 MAP의 구간에 해당하는 구간별 제2 추정 모델을 적용하여 제2 SBP를 획득할 수 있다. 이때, 구간별 제2 추정 모델은 특징 추출부(510)에 의해 추출된 특징 및 제1 구간 모델 적용부(532)에 의해 획득된 제1 SBP를 입력으로 하고, 제2 SBP를 출력할 수 있다. 마찬가지로 구간별 제2 추정 모델은 제1 구간, 제2 구간 및 제3 구간 각각에 대하여 DNN 모델로 정의되며 딥러닝 등의 학습을 통해 생성될 수 있다.

프로세서(500)는 제2 구간 모델 적용부(540)에 의해 획득된 제2 SBP 및 초기 모델 적용부(620)에 의해 획득된 초기 DBP를 그대로 또는 소정 변환식에 의해 변환하여 각각 최종 SBP 및 최종 DBP로 출력할 수 있다.

도 6은 도 1 및 도 2의 프로세서 구성의 또 다른 실시예이다.

도 6을 참조하면, 일 실시예의 프로세서(600)는 특징 추출부(610), 초기 모델 적용부(620), 분류부(630) 및 구간 모델 적용부(640)를 포함할 수 있다.

특징 추출부(610)는 전술한 바와 같이 맥파신호 및/또는 접촉힘/압력을 기초로 특징을 추출할 수 있다. 또한, 저장부(210)로부터 사용자의 특성 정보를 특징으로 추출할 수 있다.

초기 모델 적용부(620)는 특징 추출부(610)에 의해 추출된 특징에 초기 추정 모델을 적용하여 초기 SBP 및/또는 초기 DBP를 획득할 수 있다. 초기 추정 모델은 DNN을 기반으로 할 수 있으며 SBP 추정 모델과 DBP 추정 모델을 포함할 수 있다.

분류부(630)는 둘 이상의 분류기(631,632,633)를 이용하여 맥파신호를 기초로 추정되는 추정 MAP의 구간을 분류할 수 있다. 예를 들어, 제1 분류기(631), 제2 분류기(632) 및 제3 분류기(633)는 추정 MAP가 '고'인 제1 구간, '중'인 제2 구간 및, '저'인 제3 구간으로 분류할 수 있다. 제1 분류기(631), 제2 분류기(632) 및 제3 분류기(633)는 미니 배치 밸런싱(mini-batch balancing)을 이용하여 학습될 수 있으며, 이때 미니 배치 내에 학습데이터를 상대적으로 '고'인 비율이 '고'가 아닌 비율보다 많도록 하여 학습될 수 있다.

분류부(630)는 특징 추출부(610)에 의해 추출된 특징을 제1 분류기(631)에 입력하여 추정 MAP가 제1 구간에 속할지를 분류할 수 있다. 제1 분류기(631)는 특징이 입력되면 추정 MAP가 제1 구간에 속할지를 결정하는 제1 확률값을 출력할 수 있다. 이때, 분류부(630)는 제1 확률값이 제1 임계치(예: 0.53)를 초과하면 추정 MAP가 제1 구간에 속하는 것으로 분류할 수 있다.

분류부(630)는 제1 분류기(631)의 제1 확률값이 제1 임계치 이하이면 제2 분류기(632)를 이용하여 추정 MAP가 '고'인지 아닌지를 다시 분류할 수 있다. 예를 들어, 제2 분류기(632)는 특징이 입력되면 제2 확률값(예: 0.74)을 출력할 수 있다. 이때, 제2 분류기(632)는 미니 배치 내에 학습데이터를 '고'와 '고'가 아닌 비율을 1:0.7과 같이 상대적으로 '고'인 비율이 높도록 하여 학습될 수 있다. 분류부(630)는 제2 확률값이 제2 임계치를 초과하면 다시 제1 구간으로 분류할 수 있다.

또한, 분류부(630)는 추출된 특징을 제3 분류기(633)에 입력하고, 제3 분류기(633)에 의해 출력된 제3 확률값을 기초로 추정 MAP의 구간이 제3 구간인지 아닌지 분류할 수 있다. 예를 들어, 제3 확률값이 제3 임계치(예: 0.74)를 초과하면 추정 MAP의 구간을 제3 구간으로 분류할 수 있다. 만약, 제3 분류기(633)의 분류 결과 제3 구간으로 분류되지 않고 동시에 제2 분류기(632)의 분류 결과 제1 구간으로 분류되지 않은 경우 제2 구간으로 분류할 수 있다.

구간 모델 적용부(640)는 분류부(630)의 분류 결과 추정 MAP가 속한 구간의 구간 추정 모델을 적용하여 SBP를 추정할 수 있다. 이때, 구간 모델 적용부(640)는 초기 모델 적용부(620)에 의해 획득된 초기 SBP 및/또는 특징 추출부(610)에 의해 추출된 특징을 구간 추정 모델에 입력하고, 구간 추정 모델의 출력을 SBP로 획득할 수 있다.

프로세서(600)는 구간 모델 적용부(640)에 의해 획득된 SBP와 초기 모델 적용부(620)에 의해 획득된 DBP를 최종 SBP와 최종 DBP로 사용자에게 제공할 수 있다.

도 7은 일 실시예에 따른 혈압 추정 방법의 흐름도이다.

도 7은 도 1 및 도 2의 실시예에 따른 혈압 추정 장치에 의해 수행되는 일 실시예이다. 이하, 중복설명을 피하기 위해 간단하게 설명한다.

먼저, 혈압 추정 장치는 피검체로부터 맥파신호 및/또는 접촉힘/압력을 측정할 수 있다(711).

그 다음, 맥파신호 및 접촉힘/압력을 기초로 특징을 추출할 수 있다(712). 이때, 특징은 맥파 최대점의 진폭 및/또는 시간, 맥파 전진파 및 반사파와 관련된 구성 펄스 파형 성분의 시간 및 진폭, 맥파신호 파형의 소정 구간의 면적, 맥파 최대점의 진폭(MA), 맥파 최대점의 접촉압력(MP), 맥파 최대점의 진폭(MA) 대비 제1 비율의 진폭값에 해당하는 지점의 접촉압력(DP), 맥파 최대점의 진폭(MA) 대비 제2 비율의 진폭값에 해당하는 지점의 접촉압력(SP), 오실로메트릭 포락선(OW)에서 맥파 기저점과 최대점 사이 간격의 소정 비율에 해당하는 지점들 사이의 폭, 사용자의 나이, 성별, 건강 상태 등을 포함할 수 있다.

그 다음, 초기 추정 모델을 이용하여 초기 SBP 및 초기 DBP를 획득하고(713,714), 초기 SBP 및 초기 DBP를 기초로 MAP를 획득할 수 있다(715).

그 다음, 획득된 MAP가 제1 값보다 크거나 같으면 제1 구간으로 분류하여(716), 제1 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(718). 만약, 단계(716)에서 판단 결과 MAP가 제1 값보다 작으면 제2 값보다 큰지 판단하고(717), 제2 값보다 크면 제2 구간으로 분류하여 제2 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(719). 만약 단계(717)에서 MAP가 제2 값 이하이면 제3 구간으로 분류하여 제3 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(720).

도 8은 다른 실시예에 따른 혈압 추정 방법의 흐름도이다.

도 8은 도 1 및 도 2의 실시예에 따른 혈압 추정 장치에 의해 수행되는 다른 실시예이다. 이하, 중복설명을 피하기 위해 간단하게 설명한다.

먼저, 혈압 추정 장치는 피검체로부터 맥파신호 및/또는 접촉힘/압력을 측정하고(811), 맥파신호 및/또는 접촉힘/압력을 기초로 특징을 추출할 수 있다(812).

그 다음, 초기 추정 모델을 이용하여 초기 SBP 및 초기 DBP를 획득하고(813,814), 초기 SBP 및 초기 DBP를 기초로 제1 MAP를 획득할 수 있다(815).

그 다음, 획득된 제1 MAP가 제1 값보다 크거나 같으면 제1 구간으로 분류하여(816), 제1 구간 제1 추정 모델을 이용하여 제1 SBP를 획득할 수 있다(818). 만약, 단계(816)에서 판단 결과 제1 MAP가 제1 값보다 작으면 제2 값보다 큰지 판단하고(817), 제2 값보다 크면 제2 구간으로 분류하여 제2 구간 제1 추정 모델을 이용하여 제1 SBP를 획득할 수 있다(819). 만약 단계(817)에서 제1 MAP가 제2 값 이하이면 제3 구간으로 분류하여 제3 구간 제1 추정 모델을 이용하여 제1 SBP를 획득할 수 있다(820).

그 다음, 제1 SBP 및 초기 DBP를 기초로 제2 MAP를 획득할 수 있다(821).

그 다음, 획득된 제2 MAP가 제3 값보다 크거나 같으면 제1 구간으로 분류하여(822), 제1 구간 제2 추정 모델을 이용하여 제2 SBP를 획득할 수 있다(824). 만약, 단계(822)에서 판단 결과 제2 MAP가 제3 값보다 작으면 제4 값보다 큰지 판단하고(823), 제3 값보다 크면 제2 구간으로 분류하여 제2 구간 제2 추정 모델을 이용하여 제2 SBP를 획득할 수 있다(825). 만약 단계(823)에서 제2 MAP가 제4 값 이하이면 제3 구간으로 분류하여 제3 구간 제2 추정 모델을 이용하여 제2 SBP를 획득할 수 있다(826).

도 9는 또 다른 실시예에 따른 혈압 추정 방법의 흐름도이다.

도 9는 도 1 및 도 2의 실시예에 따른 혈압 추정 장치에 의해 수행되는 다른 실시예이다. 이하, 중복설명을 피하기 위해 간단하게 설명한다.

먼저, 혈압 추정 장치는 피검체로부터 맥파신호 및/또는 접촉힘/압력을 측정하고(911), 맥파신호 및/또는 접촉힘/압력을 기초로 특징을 추출할 수 있다(912).

그 다음, 특징을 제1 분류기에 입력하고(913), 또한, 초기 추정 모델을 이용하여 초기 SBP를 획득할 수 있다(914).

그 다음, 제1 분류기의 제1 출력값이 제1 임계치보다 크면(914), 제1 구간으로 분류하고 제1 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(920). 이때, 제1 구간 추정 모델에는 단계(912)에서 추출된 특징과, 단계(914)에서 획득된 초기 SBP가 입력될 수 있다.

그 다음, 제1 분류기의 제1 출력값이 제1 임계치보다 크기 않으면, 특징을 제2 분류기에 입력하고(916), 제2 분류기의 제2 출력값이 제2 임계치보다 크면(917) 다시 제1 구간으로 분류하여 제1 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(920).

그 다음, 특징을 제3 분류기에 입력하고(918), 제3 분류기의 제3 출력값이 제3 임계치보다 크면(919), 제3 구간으로 분류하여 제3 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(921).

만약, 단계(917)에서 제2 출력값이 제2 임계치보다 크지 않고, 단계(919)에서 제3 출력값이 제3 임계치 이하이면 제2 구간으로 분류하여 제2 구간 추정 모델을 이용하여 SBP를 획득할 수 있다(920).

도 10은 일 실시예에 따른 혈압 추정 장치의 블록도이다.

도 10을 참조하면, 다른 실시예의 혈압 추정 장치(1000)는 학습 데이터 수집부(1010) 및 프로세서(1020)를 포함할 수 있다.

학습 데이터 수집부(1010)는 복수의 사용자들을 대상으로 복수의 맥파신호, 복수의 접촉힘/압력, 사용자 특성 정보, 맥파신호 및/또는 접촉힘/압력을 기초로 추출된 특징, 각 사용자들의 기준 혈압 즉, 기준 MAP, 기준 SBP 및 기준 DBP를 학습 데이터로 수집할 수 있다.

학습 데이터 수집부(1010)는 사용자들로부터 맥파신호 및 접촉힘/압력을 측정하는 센서부를 포함할 수 있다. 학습 데이터 수집부(1010)는 센서부를 통해 복수의 사용자들로부터 맥파신호 및/또는 접촉힘/압력이 측정되면, 각 맥파신호 및/또는 접촉힘/압력을 기초로 특징을 추출할 수 있다.

학습 데이터 수집부(1010)는 통신부를 통해 예컨대 커프 혈압 측정 장치 등으로부터 기준 혈압을 수신할 수 있다. 또한, 통신부를 통해 사용자의 스마트폰 등으로부터 사용자 특성 정보를 수신할 수 있으며, 또는 출력부를 통해 디스플레이에 인터페이스를 표시하고, 인터페이스를 통해 사용자로부터 사용자 특성 정보를 입력받을 수 있다.

프로세서(1020)는 수집된 학습 데이터를 기초로 분류기 및 혈압 추정 모델을 학습시킬 수 있다.

도 11은 도 10의 프로세서 구성의 일 실시예이다.

도 11을 참조하면 프로세서(1020)는 분류기 학습부(1021) 및 모델 학습부(1022)를 포함할 수 있다.

분류기 학습부(1021)는 전술한 도 6의 실시예에 적용되는 복수의 분류기를 학습시킬 수 있다. 예를 들어, 분류기 학습부(1021)는 학습 데이터의 특징을 입력으로 MAP의 구간을 분류할 수 있도록 제1 분류기, 제2 분류기 및 제3 분류기를 학습할 수 있다. 이때, 미니 배치 밸런싱을 이용하여 학습시키며, 미니 배치 내에 기준 MAP가 '고'인 특징들을 상대적으로 많이 배치함으로써, 제1 분류기 및 제2 분류기가 '고'인 구간을 더 잘 분류하도록 학습시킬 수 있다.

분류기 학습부(1021)는 기준 MAP를 정답 데이터로 하고 특징을 입력 데이터로 하여 제1 분류기, 제2 분류기 및 제3 분류기를 학습시킬 수 있다. 제1 분류기는 추정 MAP가 '고'인지 아닌지 분류하는 것으로 '고'일 제1 확률값을 출력할 수 있다. 제2 분류기는 제1 분류기에서 '고'가 아닌 경우로 판단된 경우에 대하여 다시 '고'인지 아닌지 분류하며 '고'일 제2 확률값을 출력할 수 있다. 제3 분류기는 추정 MAP가 '저'인지 아닌지를 분류하는 것으로 '저'일 제3 확률값을 출력할 수 있다.

분류기 학습부(1021)는 각 분류기에서 출력되는 확률값에 대하여 각 임계치를 일정 범위 내에서 조절하면서 가장 높은 정확도를 갖는 임계치를 결정할 수 있다. 또한, 분류기 학습부(1021)는 복수의 특징들을 개별적으로 이용하여 학습을 시킬 수 있으며 학습 결과 우수한 성능을 나타내는 특징을 전술한 실시예들에서 맥파신호로부터 추출할 특징으로 결정할 수 있다.

모델 학습부(1022)는 전술한 실시예들에서 설명한 구간별 추정 모델을 학습시킬 수 있다. 구간별 추정 모델은 기준 SBP를 정답 데이터로 하고, 특징 및/또는 전 단계에서 획득된 SBP를 입력 데이터로 하여 학습될 수 있다. 구간별 추정 모델은 각 구간별로 정의되며 DNN 기반의 모델일 수 있다. 모델 학습부(1022)는 전술한 구간별 추정 모델을 딥러닝 기반으로 학습하여 각 구간의 분류 기준인 예컨대 전술한 제1 값, 제2 값, 제3 값 및 제4 값을 결정할 수 있다.

도 12는 웨어러블 기기를 도시한 것이다. 전술한 생체정보 추정 장치(100,200,1000)의 실시예들은 웨어러블 기기에 탑재될 수 있다.

도 12를 참조하면, 웨어러블 기기(1200)는 본체(1210)와 스트랩(1230)을 포함한다.

스트랩(1230)은 본체(1210)의 양단에 연결되어 사용자의 손목에 감싸는 형태로 구부려지도록 플렉시블하게 형성될 수 있다. 스트랩(1230)은 서로 분리된 제1 스트랩과 제2 스트랩으로 구성될 수 있다. 제1 스트랩과 제2 스트랩은 일단이 본체(1210)에 연결되고 타단이 체결수단을 통해 서로 체결될 수 있다. 이때, 체결수단은 자석 체결, 벨크로(velcro) 체결, 핀 체결 등의 방식으로 형성될 수 있으며 이에 제한되는 것은 아니다. 또한, 스트랩(1230)은 이에 제한되지 않으며 밴드 형태와 같이 서로 분리되지 않는 일체로 형성될 수도 있다.

이때, 스트랩(1230)은 손목에 가해지는 압력의 변화에 따라 탄성을 갖도록 내부에 공기가 주입되거나 공기 주머니를 포함하도록 형성될 수도 있으며, 본체(1210)로 손목의 압력 변화를 전달할 수 있다.

본체(1210) 또는 스트랩(1230)의 내부에는 웨어러블 기기(1200)에 전원을 공급하는 배터리가 내장될 수 있다.

본체(1210)의 일측에는 센서부(1220)가 장착된다. 센서부(1220)는 맥파신호를 측정하는 맥파센서를 포함할 수 있다. 또한. 센서부(1220)는 손목 또는 손가락과 센서부(1220) 사이의 힘/압력을 측정하는 힘/압력 센서를 더 포함할 수 있다.

본체(1210) 내부에 프로세서가 실장되며 프로세서는 웨어러블 기기(1200)에 장착된 구성들과 전기적으로 연결될 수 있다. 프로세서는 센서부(1220)에 의해 측정된 맥파신호 및 접촉힘/압력을 기초로 혈압을 추정할 수 있으며, 이때, MAP 크기에 따라 분류된 복수의 구간별로 정의된 구간별 추정 모델을 이용하여 혈압을 추정할 수 있다.

또한, 본체(1210) 내부에 혈압 추정 및 웨어러블 기기(1200)의 다양한 기능을 수행하기 위한 기준 정보 및 각종 구성들에 의해 처리된 정보를 저장하는 저장부가 장착될 수 있다.

또한, 본체(1210)에 일측면에 사용자의 제어 명령을 수신하여 프로세서로 전달하는 조작부(1240)가 장착될 수 있다. 조작부(1240)는 웨어러블 기기(1200)의 전원을 온/오프시키는 명령을 입력하기 위한 전원 버튼을 포함할 수 있다.

또한, 본체(1210)의 전면에 사용자에게 정보를 출력하는 표시부가 장착될 수 있으며, 표시부는 터치 입력이 가능한 터치 스크린을 포함할 수 있다. 표시부는 사용자의 터치 입력을 수신하여 프로세서에 전달하고 프로세서의 처리 결과를 표시할 수 있다.

또한, 본체(1210) 내부에 외부 기기와 통신하는 통신부가 장착될 수 있다. 통신부는 외부 기기 예컨대, 사용자의 스마트폰에 혈압 추정 결과를 전송할 수 있다.

도 13은 스마트 기기를 도시한 것이다. 이때, 스마트 기기는 스마트폰 및 태블릿 PC등을 포함할 수 있다. 스마트 기기는 전술한 생체정보 추정 장치(100,200, 1000)의 기능을 탑재할 수 있다.

도 13을 참조하면, 스마트 기기(1300)는 본체(1310)의 일면에 맥파센서(1330)가 장착될 수 있다. 또한, 맥파센서(1330)의 하단 본체(1310) 내부에 손가락의 접촉힘/압력을 측정하는 힘/압력 센서를 포함할 수 있다.

또한, 본체(1310)의 전면에 표시부가 장착될 수 있다. 표시부는 혈압 추정 결과, 건강 상태 평가 결과 등을 시각적으로 출력할 수 있다. 표시부는 터치 스크린을 포함할 수 있으며, 터치 스크린을 통해 입력되는 정보를 수신하여 프로세서에 전달할 수 있다.

본체(1310)는 도시된 바와 같이 이미지 센서(1320)를 포함할 수 있다. 이미지 센서(1320)는 다양한 영상을 촬영하는 기능을 수행하며, 예컨대 손가락이 센서부(1330)에 접촉할 때의 손가락을 지문이미지를 획득할 수 있다.

프로세서는 본체(1310) 내에 실장되어 각종 구성들과 전기적으로 연결되며, 각종 구성들의 동작을 제어할 수 있다. 프로세서는 혈압 추정 요청에 따라 맥파센서 및 힘/압력 센서를 제어할 수 있으며, 맥파신호, 접촉힘/압력 및, 구간별로 정의된 혈압 추정 모델을 이용하여 혈압을 추정할 수 있다.

한편, 본 실시 예들은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.

컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현하는 것을 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록 매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산 방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다. 그리고 본 실시예들을 구현하기 위한 기능적인(functional) 프로그램, 코드 및 코드 세그먼트들은 본 발명이 속하는 기술 분야의 프로그래머들에 의하여 용이하게 추론될 수 있다.

본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 개시된 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

100,200: 혈압 추정 장치
110: 센서부 120: 프로세서
210: 저장부 220: 출력부
230: 통신부 300: 프로세서
310: 특징 추출부 320: 초기 모델 적용부
330: 분류부 340: 구간 모델 적용부
500: 프로세서 510: 특징 추출부
520: 초기 모델 적용부 530: 분류부
531: 제1 분류부 532: 제1 구간 모델 적용부
533: 제2 분류부 540: 제2 구간 모델 적용부
600: 프로세서 610: 특징 추출부
620: 초기 모델 적용부 630: 분류부
631: 제1 분류기 632: 제2 분류기
633: 제3 분류기 640: 구간 모델 적용부
1000: 혈압 추정 모델 학습 장치
1010: 학습 데이터 수집부 1020: 프로세서
1021: 분류기 학습부 1022: 모델 학습부

Claims

피검체의 접촉에 따라 맥파신호를 측정하는 센서부; 및
상기 맥파신호를 기초로 MAP(mean arterial pressure)를 획득하고, 분류 기준에 따라 상기 획득된 MAP의 구간을 분류하며, 구간별 추정 모델 중에서 상기 MAP가 속한 구간의 추정 모델을 이용하여 SBP(systolic blood pressure)를 획득하는 프로세서를 포함하는 혈압 추정 장치.
제1항에 있어서,
상기 구간별 추정 모델은
MAP의 크기에 따라 분류된 복수의 구간별로, DNN(Deep Neural Network)을 포함한 딥러닝 기반의 학습을 통해 생성되는 혈압 추정 장치.
제1항에 있어서,
상기 프로세서는
상기 맥파신호를 기초로 특징(feture)을 추출하고, 초기 추정 모델을 이용하여 상기 추출된 특징으로부터 초기 SBP 및 초기 DBP(diastolic blood pressure)를 획득하는 혈압 추정 장치.
제3항에 있어서,
상기 센서부는
피검체가 맥파센서에 가하는 접촉힘을 더 측정하고,
상기 프로세서는
상기 맥파신호 및 접촉힘을 기초로 오실로메트릭 포락선을 획득하고, 획득된 오실로메트릭 포락선을 기초로 상기 특징을 추출하는 혈압 추정 장치.
제4항에 있어서,
상기 프로세서는
상기 오실로메트릭 포락선에서, 최대 진폭값, 최대 진폭 지점의 접촉압력값, 상기 최대 진폭값의 소정 비율에 해당하는 지점 사이의 폭, 최대 진폭값의 소정 비율에 해당하는 지점의 접촉압력 중의 하나 이상을 포함하는 혈압 추정 장치.
제3항에 있어서,
상기 프로세서는
상기 초기 SBP 및 초기 DBP를 기초로 MAP를 획득하고,
획득된 MAP가 속한 구간의 추정 모델에 상기 초기 SBP 및 상기 추출된 특징을 입력하여 상기 SBP를 획득하는 혈압 추정 장치.
제3항에 있어서,
상기 프로세서는
상기 초기 SBP 및 초기 DBP를 기초로 제1 MAP를 획득하고, 구간별 제1 추정 모델 중에서 제1 MAP가 속한 구간의 제1 추정 모델을 이용하여 제1 SBP를 획득하며, 획득된 제1 SBP 및 상기 초기 DBP를 기초로 제2 MAP를 획득하고, 구간별 제2 추정 모델 중에서 제2 MAP가 속한 구간의 제2 추정 모델을 이용하여 제2 SBP를 획득하는 혈압 추정 장치.
제6항에 있어서,
상기 프로세서는
상기 제1 MAP가 속한 구간의 제1 추정 모델에 상기 초기 SBP 및 상기 특징을 입력하여 상기 제1 SBP를 획득하고,
상기 제2 MAP가 속한 구간의 제2 추정 모델에 상기 제1 SBP 및 상기 특징을 입력하여 제2 SBP를 획득하는 혈압 추정 장치.
피검체의 접촉에 따라 맥파신호를 측정하는 센서부; 및
상기 맥파신호를 기초로 특징을 추출하고, 둘 이상의 분류기를 이용하여 상기 추출된 특징을 기초로 MAP 구간을 분류하며, 구간별 추정 모델 중에서 상기 분류된 MAP 구간의 추정 모델을 이용하여 SBP를 획득하는 프로세서를 포함하는 혈압 추정 장치.
제9항에 있어서,
상기 프로세서는
상기 추출된 특징을 제1 분류기에 입력하여 제1 분류기의 출력값이 제1 임계치를 초과하면 상기 MAP 구간을 제1 구간으로 분류하는 혈압 추정 장치.
제10항에 있어서,
상기 프로세서는
제1 분류기의 출력값이 제1 임계치 이하이면, 상기 특징을 제2 분류기에 입력하여 제2 분류기의 출력값이 제2 임계치를 초과하면 상기 MAP 구간을 제1 구간으로 분류하는 혈압 추정 장치.
제11항에 있어서,
상기 프로세서는
상기 추출된 특징을 제3 분류기에 입력하여 제3 분류기의 출력값이 제3 임계치를 초과하면 상기 MAP 구간을 제3 구간으로 분류하고, 제2 분류기의 출력값이 제2 임계치 이하이고 제3 분류기의 출력값이 제3 임계치 이하이면 상기 MAP 구간을 제2 구간으로 분류하는 혈압 추정 장치.
제12항에 있어서,
상기 제1 임계치, 제2 임계치 및 제3 임계치는
복수의 특징 데이터를 포함한 학습데이터를 이용하여, 제1 분류기, 제2 분류기 및 제3 분류기의 딥러닝 기반의 학습을 통해 획득되는 혈압 추정 장치.
제9항에 있어서,
상기 프로세서는
초기 추정 모델을 이용하여 상기 추출된 특징으로부터 초기 SBP를 획득하고, 상기 MAP의 구간에 해당하는 추정 모델에 상기 특징과 상기 초기 SBP를 입력하여 상기 SBP를 획득하는 혈압 추정 장치.
피검체의 접촉에 따라 맥파신호를 측정하는 단계;
상기 맥파신호를 기초로 MAP를 획득하여 분류 기준에 따라 상기 획득된 MAP의 구간을 분류하는 단계; 및
구간별 추정 모델 중에서 상기 MAP가 속한 구간의 추정 모델을 이용하여 SBP를 획득하는 단계를 포함하는 혈압 추정 방법.
제15항에 있어서,
상기 맥파신호를 기초로 특징을 추출하는 단계; 및
초기 추정 모델을 이용하여 상기 추출된 특징으로부터 초기 SBP 및 초기 DBP를 획득하는 단계를 더 포함하는 혈압 추정 방법.
제16항에 있어서,
피검체가 맥파센서에 가하는 접촉힘을 측정하는 단계를 더 포함하고
상기 특징을 추출하는 단계는
상기 맥파신호 및 접촉힘을 기초로 오실로메트릭 포락선을 획득하고, 획득된 오실로메트릭 포락선을 기초로 상기 특징을 추출하는 혈압 추정 방법.
제16항에 있어서,
상기 MAP의 구간을 분류하는 단계는
상기 초기 SBP 및 초기 DBP를 기초로 MAP를 획득하고,
상기 SBP를 획득하는 단계는
상기 획득된 MAP가 속한 구간의 추정 모델에 상기 초기 SBP 및 상기 추출된 특징을 입력하여 상기 SBP를 획득하는 혈압 추정 방법.
제16항에 있어서,
상기 MAP의 구간을 분류하는 단계는
상기 초기 SBP 및 초기 DBP를 기초로 제1 MAP를 획득하는 단계;
제1 분류 기준에 따라 제1 MAP의 구간을 분류하는 단계;
구간별 제1 추정 모델 중에서 제1 MAP가 속한 구간의 제1 추정 모델을 이용하여 제1 SBP를 획득하는 단계;
상기 제1 SBP 및 상기 초기 DBP를 기초로 제2 MAP를 획득하는 단계; 및
제2 분류 기준에 따라 제2 MAP의 구간을 분류하는 단계를 포함하는 혈압 추정 방법.
제19항에 있어서,
상기 SBP를 획득하는 단계는
상기 제2 MAP가 속한 구간의 제2 추정 모델에 상기 제1 SBP 및 상기 특징을 입력하여 제2 SBP를 획득하는 혈압 추정 방법.