KR20220105092A - 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 - Google Patents
심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 Download PDFInfo
- Publication number
- KR20220105092A KR20220105092A KR1020210007727A KR20210007727A KR20220105092A KR 20220105092 A KR20220105092 A KR 20220105092A KR 1020210007727 A KR1020210007727 A KR 1020210007727A KR 20210007727 A KR20210007727 A KR 20210007727A KR 20220105092 A KR20220105092 A KR 20220105092A
- Authority
- KR
- South Korea
- Prior art keywords
- blood pressure
- ecg
- signal
- ppg
- sequence
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000013186 photoplethysmography Methods 0.000 title claims abstract description 31
- 238000009530 blood pressure measurement Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 13
- 230000035487 diastolic blood pressure Effects 0.000 claims abstract description 38
- 230000035488 systolic blood pressure Effects 0.000 claims abstract description 37
- 230000000877 morphologic effect Effects 0.000 claims abstract description 15
- 230000002123 temporal effect Effects 0.000 claims abstract description 14
- 230000004872 arterial blood pressure Effects 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000036772 blood pressure Effects 0.000 abstract description 47
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010002383 Angina Pectoris Diseases 0.000 description 1
- 206010005746 Blood pressure fluctuation Diseases 0.000 description 1
- 240000005589 Calophyllum inophyllum Species 0.000 description 1
- 206010007559 Cardiac failure congestive Diseases 0.000 description 1
- 206010019280 Heart failures Diseases 0.000 description 1
- 208000032843 Hemorrhage Diseases 0.000 description 1
- 206010020772 Hypertension Diseases 0.000 description 1
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 206010037423 Pulmonary oedema Diseases 0.000 description 1
- 208000001647 Renal Insufficiency Diseases 0.000 description 1
- 208000004756 Respiratory Insufficiency Diseases 0.000 description 1
- 206010040047 Sepsis Diseases 0.000 description 1
- 230000001154 acute effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 208000034158 bleeding Diseases 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 208000029028 brain injury Diseases 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 206010007625 cardiogenic shock Diseases 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003205 diastolic effect Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005520 electrodynamics Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 201000006370 kidney failure Diseases 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000004660 morphological change Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 208000005333 pulmonary edema Diseases 0.000 description 1
- 201000004193 respiratory failure Diseases 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- A61B5/02—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
- A61B5/024—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
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
- A61B5/346—Analysis of electrocardiograms
-
- 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
- A61B5/7271—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Cardiology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Databases & Information Systems (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
심전도 신호(Electrocardiogram signal, ECG) 및 광체적 변화신호(Photoplethysmography signal, PPG)의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법은, 환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG) 및 동맥혈압신호(Arterial Blood Pressure signal, ABP)를 전처리하여 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 각각 생성하는 단계와, 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 입력받는 CNN-LSTM 네트워크 기반의 지도학습모델을 이용하여 시간적 특징 및 형태적 특징을 기반으로 수축기 혈압과 확장기 혈압의 예측 결과를 동시에 출력하는 단계를 포함하는 것을 특징으로 한다.
Description
본 발명은 비침습적인 혈압측정 방법에 관한 것으로서, 더 상세하게는 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법에 관한 것이다.
통상적으로 사용되고 있는 혈압측정 방식에는 침습적 방식과 비침습적 방식 두 가지가 있다. 비침습적 방식은 혈압 측정띠에 공기를 주입하여 팔뚝 혈관을 압박시킴으로써 발생하는 맥박 소리를 측정하는 방식을 사용한다. 하지만, 비침습적 혈압 측정 방식의 경우 연속적으로 혈압을 측정하지 못한다. 침습적 혈압측정 방식은 연속적으로 혈압을 측정할 수 있지만 동맥 내에 카뉼라를 삽입하여 혈압을 측정하기 때문에 집중치료실에서 생명이 위독한 급성 기능 부전 환자들을 대상으로만 사용된다.
많은 연구그룹들은 비침습적이면서 연속적 혈압 측정을 위해서 심전도(ECG)와 광체적 변화 신호(PPG) 기반의 혈압 측정 알고리즘을 제안해 왔다. 이는 혈압과 맥파전달시간 (Pulse transit time, PTT) 간의 알려진 상관관계를 기반으로 개발된 것이다. 따라서 PTT의 변화를 연속적으로 측정함으로써 혈압을 연속적으로 추정할 수 있다. Proneca 그룹에서는 PTT와 혈압 사이의 관계를 비선형 방정식을 사용해 표현하였으며, Whong and Poon은 혈압과 PTT 및 심박수(Heart rate) 간의 상관관계를 선형 회귀를 통해 추정하였다. PTT는 ECG의 R피크와 PPG의 systolic peak의 시간 차이를 통해 쉽게 측정가능 하지만 각 개인의 생리학적 특성과 병리학적 상태에 따라 변하기 때문에 보정하기(Calibration) 쉽지않다. 이는 검증 환자 그룹이 아닌 완전히 새로운 환자 그룹에 대한 혈압 추정에서는 정확도가 감소하거나 그 신뢰성에 문제가 있을 수 있다.
한편으로 몇몇 연구 그룹에서는 ECG와 PPG 신호를 통해 추출된 특징들을 사용한 머신러닝 알고리즘을 통해 혈압을 연속적으로 추정해 왔다. Chen et al의 혈압 추정 방식은 genetic algorithm-mean influence value-support vector regression (GA-MIV-SVR)을 사용하였다. 그들은 ECG와 PPG 신호에서 맥파전달시간과 관련한 특징을 포함한 여러 특징들을 각각 추출한 다음 mean influence value 순위를 사용해 최종적으로 수축기 혈압을 예측하기 위한 특징과 확장기 혈압을 예측하기 위한 특징들을 사용해 혈압계 인증기준인 AAMI (Association for the Advanced of Medical Instrument protocols) 기준을 만족하는 예측 성능을 내었다(Error: 3.27 ± 5.52 mmHg for SBP and 1.16 ± 1.97 mmHg for DBP). 또한, Sharifi 그룹에서는 ECG와 PPG 신호를 기반으로 한 multi-adaptive regression spline (MARS) methods를 제안하였으며, 수축기 혈압과 확장기 혈압, 평균 혈압의 예측 결과 각각 -0.29±9.1 mmHg, -0.09±5.21Hg, -0.16±4.6mmHg의 높은 예측 정확도를 보여주었다. Kachuee 그룹에서는 개인의 생리학적 특성에 따른 PTT의 변화를 고려하여 feature engineering을 통해 ECG와 PPG로부터 추출된 PTT feature와 heart rate, PPG feature를 사용하여 연속적으로 혈압을 추정하였다. 이들은 SVM (Support vector machine)방식을 사용한 혈압 추정 알고리즘을 통해 확장기 혈압을 정확하게 추정할 수 있음을 제시하였다.
앞서 언급한 선행 연구들은 복잡한 feature engineering과정을 통해 추출된 특징들로부터 혈압을 추정하였다.
Sharifi, I., Goudarzi, S. & Khodabakhshi, M. B. A novel dynamical approach in continuous cuffless blood pressure estimation based on ECG and PPG signals. Artif. Intell. Med. 97, 143–151 (2019).
본 발명은 상기와 같은 기술적 과제를 해결하기 위해 제안된 것으로, 맥파전달시간(Pulse transit time, PTT)의 정보를 포함할 수 있는 특징으로써 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG) 차이를 기반으로 연속적 및 비침습적으로 혈압을 추정할 수 있는 인공신경망 알고리즘을 통해 연속적인 혈압측정 방법을 제공한다.
제안하는 알고리즘은 Deep CNN-LSTM 네트워크 기반 멀티태스킹 학습 아키텍처 모델로 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG) 차이를 입력으로 시간적 특징을 비롯해 신호들의 형태적 특징을 기반으로 수축기 혈압과 확장기 혈압의 예측 결과를 동시에 출력할 수 있다.
상기 문제점을 해결하기 위한 본 발명의 일 실시예에 따르면, 심전도 신호(Electrocardiogram signal, ECG) 및 광체적 변화신호(Photoplethysmography signal, PPG)의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법에 있어서, 환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG) 및 동맥혈압신호(Arterial Blood Pressure signal, ABP)를 전처리하여 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 각각 생성하는 단계와, 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 입력받는 CNN-LSTM 네트워크 기반의 지도학습모델을 이용하여 시간적 특징 및 형태적 특징을 기반으로 수축기 혈압과 확장기 혈압의 예측 결과를 동시에 출력하는 단계를 포함하는 연속적인 혈압측정 방법이 제공된다.
또한, 본 발명에서 신호의 시퀀스를 각각 생성하는 단계는, 환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG)에 포함된 동적 잡음을 제거하고 베이스 라인이 일정하지 않은 문제를 해결하기 위해 심전도 신호(Electrocardiogram signal, ECG)에 2 Hz에서 20 Hz의 대역통과 필터를 적용하고, 광체적 변화신호(Photoplethysmography signal, PPG)에 0.5 Hz에서 20 Hz의 대역통과 필터를 적용하는 단계와, 필터링된 심전도 신호(Electrocardiogram signal, ECG)로부터 R 피크를 추출한 후 2개의 주기가 포함되도록 검출된 R피크(n)를 기준으로 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG)에서 R(n-1) - R(n+1) 시퀀스를 각각 생성하는 단계와, R-R 간격(interval)의 변화로 인한 생성된 각 R-R 시퀀스들의 시간에 따른 데이터 길이 차이를 보정해 주기 위해 최대 R-R 시퀀스를 기준으로 제로패딩을 하는 단계와, 생성된 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 최대최소 스케일링 기법을 통해 최대가 1 최소가 -1이 되도록 변환 하는 단계를 포함한다.
또한, 본 발명에서 CNN-LSTM 네트워크 기반의 지도학습모델은, 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG)의 차이로부터 형태적, 시간적 특징을 추출하기 위한 공유층;과 그로부터 수축기 혈압과 확장기 혈압을 예측하기 위한 개별층;을 구비함에 있어서, 공유층은 ECG와 PPG의 차이로부터 형태적 특징을 위한 1개의 CNN층과 시간적 특징을 위한 3개의 LSTM층으로 이루어져 있으며, CNN층과 LSTM층은 모델의 과적합을 방지하기 위한 배치정규화 층을 통해 연결되는 것을 특징으로 한다.
또한, 본 발명에서 CNN층은 크기가 10인 56개의 커널로 구성되되 활성화 함수로 'retified linear unit (ReLU) '를 사용하고 일반화 성능을 향상하기 위해 L2 regularization을 적용하며, 3개의 LSTM층은 28개의 뉴런을 가진 1개의 양방향 LSTM과 2개의 단방향 LSTM으로 구성되되, Global average pooling 층을 통해 개별층으로 연결되는 것을 특징으로 한다.
또한, 본 발명에서 각각의 개별층은 각각 2개의 완전 연결계층과 출력층을 구비하되, 완전 연결계층에서의 뉴런의 수는 각각 28개와 16개로 구성되고, 활성화 함수로는 CNN층과 동일한 'ReLU'가 사용되며, 수축기 혈압과 확장기 혈압을 출력하기 위한 출력층의 활성화 함수는 'linear' 함수를 사용하는 것을 특징으로 한다.
본 발명의 실시예에 따른 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법은, 맥파전달시간(Pulse transit time, PTT)의 정보를 포함할 수 있는 특징으로써 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG) 차이를 기반으로 연속적 및 비침습적으로 혈압을 추정할 수 있는 인공신경망 알고리즘을 이용한다.
즉, 제안하는 알고리즘은 Deep CNN-LSTM 네트워크 기반 멀티태스킹 학습 아키텍처 모델로 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG) 차이를 입력으로 시간적 특징을 비롯해 신호들의 형태적 특징을 기반으로 수축기 혈압과 확장기 혈압의 예측 결과를 동시에 출력할 수 있다.
도 1은 제안된 모델의 예측 성능을 나타낸 도면
도 2는 제안된 모델을 통해 예측된 혈압의 정확도와 정밀도를 평가하기 위한 실제 혈압(참값)과 예측된 혈압의 오차 분포를 나타낸 도면
도 3은 제안된 연속적인 혈압측정 방법을 처리하는 인공 신경망을 포함하는 아키텍처
도 2는 제안된 모델을 통해 예측된 혈압의 정확도와 정밀도를 평가하기 위한 실제 혈압(참값)과 예측된 혈압의 오차 분포를 나타낸 도면
도 3은 제안된 연속적인 혈압측정 방법을 처리하는 인공 신경망을 포함하는 아키텍처
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 실시예를 첨부한 도면을 참조하여 설명하기로 한다.
본 발명에서 제안한 CNN-LSTM 네트워크 기반 멀티태스킹 모델의 지도 학습을 위한 정답으로 사용된 수축기 혈압은 평균 119.2(94-147) mmHg 이었으며, 확장기 혈압은 평균 70.8(56-92) mmHg 이었다.
도 1은 제안된 모델의 예측 성능을 나타낸 도면이다. - A; 수축기 혈압 훈련 및 테스트, B; 확장기 혈압 훈련 및 테스트 -
제안된 모델을 통해 예측된 혈압의 정확도는 회귀모델의 성능을 평가하기 위한 지표인 결정 계수(R2)와 평균 제곱 오차를 통해 평가되었다. 예측된 수축기 혈압의 결정 계수는 0.980 (p-value <0.05)이었으며(도 1A), 확장기 혈압의 결정계수는 0.967 (p-value<0.01, 도 1B)으로 수축기 혈압의 예측 정확도가 확장기 혈압의 예측 정확도 보다 더 높았다. 또한, 조정된 결정계수는 수축기 혈압과 확장기 혈압에서 각각 0.979와 0.966이었다. 그에 따라, 각각의 평균 제곱 오차는 수축기 혈압의 경우 2.688 mmHg이었으며, 확장기 혈압의 경우 1.79 mmHg이었다.
<표 1>
도 2는 제안된 모델을 통해 예측된 혈압의 정확도와 정밀도를 평가하기 위한 실제 혈압(참값)과 예측된 혈압의 오차 분포를 나타낸 도면이다. - 목표 혈압에 대한 예측 혈압의 오류 (A; 수축기 혈압, B; 이완기 혈압), 예측 혈압의 오류 히스토그램 (C; 수축기 혈압, D; 확장기 혈압) -
표 1은 BHS and AAMI 표준을 나타낸 표이다.
도 2는 제안된 모델을 통해 예측된 혈압의 정확도와 정밀도를 평가하기 위한 실제 혈압(참값)과 예측된 혈압의 오차 분포이다. 도 2A와 2B는 실제 혈압에 대한 예측된 혈압의 오차를 보여주며 수축기 혈압의 예측 값은 99.0%가 오차범위 ±5 mmHg 이내에 포함되었으며, 확장기 혈압의 예측값은 99.2%가 오차범위 ±5 mmHg 이내에 포함되었다. (표 1). 이러한 결과는 혈압계 인증 기준인 BHS(British Hypertension standard)에 의해 A 등급에 해당하였다. 추정된 혈압의 정밀도는 도 2C와 2D의 오차 히스토그램을 통해 확인하였다. 추정된 혈압과 실제 혈압의 오차는 수축기 혈압과 확장기 혈압에서 모두 0 mmHg의 주변에 정규적으로 분포하였다.
<표 2>
표 2는 제안된 모델의 예측 성능 비교표이다.
또한, Durbin-Watson 테스트를 통해 제안된 모델의 관측 값과 예측값 간의 자기상관성을 검증 한 결과 수축기와 확장기 혈압의 오차가 각각 독립성을 만족하는 것으로 확인되었다 (d-statics = SBP는 1.97, DBP는 1.99). ).수축기 혈압과 확장기 혈압의 예측 오차의 평균은 각각 0.017 mmHg, - 0.164 mmHg이었으며 오차의 표준편차는 1.624 mmHg와 1.297 mmHg로 AAMI기준을 통과하였다 (표 2). 그에 따른 예측된 수축기 혈압과 확장기 혈압 예측 오차의 95% 신뢰구간은 (-3.17 mmHg, 3.20 mmHg)와 (-2.71 mmHg, 2.38 mmHg) 이다.
본 발명에서 멀티태스킹 인공신경망 모델을 사용한 연속적 및 비침습적 혈압추정 알고리즘을 제안하였다. 사용된 CNN-LSTM 모델은 ECG와 PPG 신호 차이 특징으로부터 형태적 특징과 시간적 특징을 추출하기 위해 Xia et al.의 LSTM-CNN 모델을 기반으로 구성되었다.
제안된 모델은 ECG와 PPG 신호의 차이 신호를 입력으로 하여 수축기와 확장기 혈압을 추정하였다. 심전도 신호(Electrocardiogram signal, ECG)의 R-peak는 심장이 수축하기 전 전기적으로 흥분하는 시간을 의미하며 광체적 변화신호(Photoplethysmography signal, PPG)의 수축기 피크는 심장에서 발생한 수축으로 인한 파동이 특정 사지로 도달하기까지의 시간을 의미한다. 그에 따라 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG) 차이는 맥파전달시간(Pulse transit time, PTT)뿐만 아니라 심장의 전기적 흥분과 역학적 수축의 지연 즉, 전기역학적 지연에 대한 정보를 함께 포함할 수 있다
제안된 모델의 출력 층은 linear 함수를 사용하였다. 이는 선형 회귀 모델을 통해 수축기 혈압과 확장기 혈압을 예측하기 위한 것으로, 회귀모델이 데이터를 얼마나 잘 예측할 수 있는지(설명력)를 평가하기 위해 결정계수(R square)를 사용하였다. 하지만, 회귀 모델의 독립변수가 증가할수록 모델의 정확도가 증가하지만, 학습 데이터에 과적합될 수 있다. 따라서 추가되는 독립변수들의 수축기 혈압과 확장기 혈압에 미치는 영향에 따라 패널티를 부가하여 과적합을 방지하고 제안된 모델의 예측 정확도가 과대평가 되는 것을 방지하기 위해 조정된 결정계수를 사용하였다
본 발명에서 사용된 데이터 베이스는 집중치료와 지속적인 모니터링이 필요한 ICU 환자로부터 측정되었다. 각각의 데이터 베이스는 같은 환자의 데이터라 할지라도 측정 당시 환자의 상태에 따라 신호의 형태가 변할 수 있다. 본 발명에서 제안하는 CNN-LSTM 모델은 시간에 따른 신호의 연속적 특성과 입력 신호 시퀀스의 형태적 특성을 모두 포함하고 있다. 그에 따라 높은 정확도로 혈압을 예측하는 것이 가능하지만, 혈압이 증가할수록 그 오차가 증가하는 것을 확인하였다 (도 1, 도 2). 이는 3가지 원인에 기인한 것으로 예측하였다. 첫째는 데이터가 습득된 환자들의 연령대의 평균이 65세 이상으로 고령의 환자에게서 관찰되는 급격한 혈압의 변화로 인해 지도학습 모델의 학습에 사용된 정답 혈압 라벨에 신뢰성 문제가 발생하였기 때문이며, 둘째는 사용 된 신호에 전처리 과정으로 제거될 수 있는 환자의 움직임 소음을 비롯해 전처리 과정으로도 제거되지 않는 특정 질병으로 인한 형태적 변화가 포함되어 있었기 때문이다. 마지막으로 연구에서 제안한 모델이 이러한 환자들의 신호 특성을 완벽하게 학습하지 못한 것으로 예측하였다. 이러한 문제는 선행 연구에서도 관찰되었으나, 본 발명에서 제안한 모델을 통한 오차율은 선행 연구보다 더 개선된 것을 확인할 수 있다 (표 2).
기존의 선행연구들의 대부분은 수축기 혈압과 확장기 혈압의 예측을 위해 개별적 모델을 학습하여 사용하였다. 하지만 본 발명에서 제안하는 combined deep CNN-LSTM기반 멀티태스킹 모델은 하나의 모델을 통해 수축기 혈압과 확장기 혈압의 두 가지 출력값(output)을 출력한다. 이는 ECG와 PPG 차이신호가 shared layer를 통과하면서 수축기 혈압과 확장기 혈압이 가지는 공통적인 대표적 요인들이 추출되기 때문에 각각의 요인을 학습시킬 때 보다 더 좋은 성능을 낼 수 있다.
제안한 모델의 오차 히스토그램은 모두 정규분포 형태를 보여주었으며, 오차의 평균이 0에 가깝게 수렴하며 정규성을 만족하는 것을 통계적으로 확인하였다 (도 2C, 도 2D). 일반적으로 혈압과 같은 시계열 데이터의 회귀 모델은 각각의 오차값 사이에 상관관계가 있을 수 있다. 이를 자기 상관성이라 하며 모델의 예측값의 오차가 인접 관측지의 오차에 영향을 받는 자기 상관성이 있는 회귀 모델의 경우 신뢰성을 의심할 수 있다. 제안된 모델의 예측값과 관측치의 자기 상관성을 검정하기 위해 Durbin-watson 검정을 수행하였으며, 수축기 혈압과 확장기 혈압의 d-통계량이 2 인접하며 오차의 독립성을 만족하였다.
BHS 가이드 라인은 혈압계의 수축기 혈압에 대한 예측의 정확도를 각각 측정값과 예측값의 차이가 5, 10, 15 mmHg 이내인 예측 값들의 누적 백분율에 따라 A에서 D까지 4개의 등급으로 나누어 평가하며, A가 가장 정확하며 D로 갈수록 정확도가 좋지 않음을 의미한다. 또한, AAMI 가이드 라인은 측정값과 예측값의 평균 차이가 5 mmHg 미만이면서 측정값의 85%에 대해 표준편차가 8 mmHg 미만이여야 그 기준을 만족 할 수 있다. 제안한 모델은 이러한 두 기준을 모두 충족하는 정확도를 내었다.
본 발명에서 제안하는 모델에는 몇 가지 한계가 있다. 첫째는 장시간 모니터링에 대한 정확성을 검증하지 않았다. LSTM 모델의 경우 사용하는 데이터의 측정 시간에 따라 정확도가 달라질 수 있다. 그에 따라 제안된 모델의 몇 주에서 몇 개월의 장시간 데이터를 사용한 혈압의 추정 시 그 정확도가 감소할지 증가할지에 대한 여부를 알 수 없다. 둘째는 모델의 일반화에 대한 검증이 이루어지지 않았다. 본 발명에서는 PhysioNet의 ICU 환자의 데이터를 사용하였으며, 그 중 동시 측정된 신호라 할지라도 결측된 신호가 있거나 그 신호의 질이 좋지 않은 경우 신호를 제거하고 사용되었다. 그에 따라 실제 제안된 모델의 검증에 사용된 샘플 수는 7,400 개로 충분하지만 환자의 수는 10명으로 많은 환자에 대해 검증되지 않았다. 따라서 더 많은 데이터를 통한 모델의 검증과 수정을 통해 모델의 일반화가 검증된다면 patient monitor나 홀터 심전계와 같은 implantable cardiac device를 비롯해 장기간 모니터링이 필요한 의료기기들에 적용하여 사용될 수 있을 것이다.
- 제안된 연속적인 혈압측정 방법 -
1. Dataset
본 발명에서는 PhysioNet의 Multi-parameter Intelligent Monitoring for Intensive Care (MIMIC) Database에서 동시 측정된 ECG와 PPG 및 ABP(arterial blood pressure) 신호를 사용하였다. 전체 57명(남성 36명/ 여성 21명)의 데이터에서 ECG와 PPG, ABP가 측정되지 않았거나 결측값이 포함된 데이터들은 사용되지 않았다. 그에 따라 전체 48명(남성 30명/ 여성 18명)의 집중치료를 받고 있는 환자로부터 측정된 ECG와 PPG, ABP 데이터가 최종적으로 예측에 사용되었으며 측정된 환자들의 나이는 평균 69.9 (21-92)세 이었다. 환자들은 과다출혈, 호흡부전, 울혈성 심부전 및 폐부종, 뇌손상, 협심증, 폐혈증, 척추압박, 신부전, 심인성 쇼크 등 13개의 질환 중 한 가지 질환을 가지고 있었다. 각 신호는 125 Hz의 샘플링 주파수로 습득되었으며 데이터의 기록 시간은 모두 다르지만 평균적으로 42.7 (10.5-77.4)시간 측정되었다.
2. Preprocess
PhysioNet으로부터 수집된 동시 측정된 신호들은 각 환자로부터 6,000개의 샘플(48 s)을 무작위 추출하여 사용되었다. 신호에 포함된 동적 잡음을 제거하고 베이스 라인이 일정하지 않은 문제를 해결하기 위해 ECG 신호에서는 2 Hz에서 20 Hz의 대역통과 필터가 적용되었으며 PPG 신호에서는 0.5 Hz에서 20 Hz의 대역통과 필터가 적용되었다. 필터된 ECG로부터 R 피크를 추출한 후 2개의 주기가 포함되도록 검출된 R피크(n)를 기준으로 ECG와 PPG 및 ABP 신호에서 R(n-1)-R(n+1) 시퀀스를 생성하였다. R-R interval의 변화로 인한 생성된 R-R 시퀀스들의 시간에 따른 데이터 길이 차이를 보정해주기위해 최대 R-R 시퀀스를 기준으로 제로패딩을 해주었다.
생성된 ECG와 PPG의 시퀀스는 최대최소 스케일링 기법을 통해 최대가 1 최소가 -1이 되도록 변환되었으며, 변환된 ECG신호와 PPG 신호의 차이를 멀티태스킹 머신러닝 모델의 입력으로 사용하였다. 또한, ABP 시퀀스로부터 피크(peaks)와 역 피크(inverse peaks)를 추출 한 후, 각 피크들의 평균값을 수축기 혈압과 확장기 혈압으로 사용하였다.
3. Model structures
도 3은 제안된 연속적인 혈압측정 방법을 처리하는 인공 신경망을 포함하는 아키텍처이다.
도 3을 참조하면, 본 발명에서 사용된 모델은 ECG와 PPG의 차이로부터 형태적, 시간적 특징을 추출하기 위한 공유층과 그로부터 수축기 혈압과 확장기 혈압을 예측하기 위한 개별층으로 구성되었다. 공유층은 ECG와 PPG의 차이로부터 형태적 특징을 위한 1개의 CNN층과 시간적 특징을 위한 3개의 LSTM층으로 이루어져 있으며, CNN층과 LSTM층은 모델의 과적합을 방지하기 위한 배치정규화 층을 통해 연결되었다. CNN층은 크기가 10인 56개의 커널로 구성되었으며 활성화 함수로 'retified linear unit (ReLU) '를 사용하였다. 또한, 모델의 일반화 성능을 향상하기 위해 L2 regularization을 적용하였다. 3개의 LSTM층은 28개의 뉴런을 가진 1개의 양방향 LSTM과 2개의 단방향 LSTM으로 구성되었으며, Global average pooling 층을 통해 개별층으로 연결되었다.
각각의 개별층은 2개의 완전 연결계층과 출력층으로 구성된다. 완전 연결 계층에서의 뉴런의 수는 각각 28개와 16개로 구성되어 있으며 활성화 함수로는 CNN층과 동일한 'ReLU'가 사용되었다. 수축기 혈압과 확장기 혈압을 출력하기 위한 출력층의 활성화 함수는 'linear' 함수를 사용하였다(도 3).
4. Model train and evaluation
모델의 학습을 위해 전체 데이터의 80%는 학습 데이터로 사용하였으며, 20%는 모델의 성능 평가를 위해 사용되었다. 또한, 모델이 과적합 되는 것을 방지하기 위해 학습 데이터의 10%는 검증 데이터로 사용되었다. 출력 결과에 대한 오차 함수는 평균 제곱 오차를 사용하였으며, 모델의 최적화 함수로는 0.01의 학습률(learnig rate)과 0.00002의 기울기 감소율(dacay rate)의 'Adam (Adaptive Moment Estimation)'을 사용하였다. 모델은 28의 배치 크기로 1,000회 학습되었으나, early-stoping을 통해 하이퍼 파라미터를 가진 최적의 모델을 최종 학습 모델로 선택하였다.
제안된 모델을 통해 예측된 수축기 혈압과 확장기 혈압의 정확도는 회귀모델의 성능 평가 시 사용되는 결정계수(R2)와 평균제곱오차를 비롯해 평균제곱근오차와 평균절대오차를 통해 평가되었다. 또한, 혈압계 인증 기준인 BHS와 AAMI기준을 사용해 제안된 모델의 의료기기 접목 가능성을 검증하였다.
즉, 상술한 바와 같이, 심전도 신호(Electrocardiogram signal, ECG) 및 광체적 변화신호(Photoplethysmography signal, PPG)의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법은, 환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG) 및 동맥혈압신호(Arterial Blood Pressure signal, ABP)를 전처리하여 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 각각 생성하는 단계와, 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 입력받는 CNN-LSTM 네트워크 기반의 지도학습모델을 이용하여 시간적 특징 및 형태적 특징을 기반으로 수축기 혈압과 확장기 혈압의 예측 결과를 동시에 출력하는 단계를 통해서 처리된다.
이때, 신호의 시퀀스를 각각 생성하는 단계는, 환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG)에 포함된 동적 잡음을 제거하고 베이스 라인이 일정하지 않은 문제를 해결하기 위해 심전도 신호(Electrocardiogram signal, ECG)에 2 Hz에서 20 Hz의 대역통과 필터를 적용하고, 광체적 변화신호(Photoplethysmography signal, PPG)에 0.5 Hz에서 20 Hz의 대역통과 필터를 적용하는 단계와, 필터링된 심전도 신호(Electrocardiogram signal, ECG)로부터 R 피크를 추출한 후 2개의 주기가 포함되도록 검출된 R피크(n)를 기준으로 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG)에서 R(n-1) - R(n+1) 시퀀스를 각각 생성하는 단계와, R-R 간격(interval)의 변화로 인한 생성된 각 R-R 시퀀스들의 시간에 따른 데이터 길이 차이를 보정해 주기 위해 최대 R-R 시퀀스를 기준으로 제로패딩을 하는 단계와, 생성된 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 최대최소 스케일링 기법을 통해 최대가 1 최소가 -1이 되도록 변환 하는 단계를 포함한다.
또한, CNN-LSTM 네트워크 기반의 지도학습모델은, 심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG)의 차이로부터 형태적, 시간적 특징을 추출하기 위한 공유층;과 그로부터 수축기 혈압과 확장기 혈압을 예측하기 위한 개별층;을 구비함에 있어서, 공유층은 ECG와 PPG의 차이로부터 형태적 특징을 위한 1개의 CNN층과 시간적 특징을 위한 3개의 LSTM층으로 이루어져 있으며, CNN층과 LSTM층은 모델의 과적합을 방지하기 위한 배치정규화 층을 통해 연결되는 것을 특징으로 한다.
또한, CNN층은 크기가 10인 56개의 커널로 구성되되 활성화 함수로 'retified linear unit (ReLU) '를 사용하고 일반화 성능을 향상하기 위해 L2 regularization을 적용하며, 3개의 LSTM층은 28개의 뉴런을 가진 1개의 양방향 LSTM과 2개의 단방향 LSTM으로 구성되되, Global average pooling 층을 통해 개별층으로 연결되는 것을 특징으로 한다.
또한, 각각의 개별층은 각각 2개의 완전 연결계층과 출력층을 구비하되, 완전 연결계층에서의 뉴런의 수는 각각 28개와 16개로 구성되고, 활성화 함수로는 CNN층과 동일한 'ReLU'가 사용되며, 수축기 혈압과 확장기 혈압을 출력하기 위한 출력층의 활성화 함수는 'linear' 함수를 사용하는 것을 특징으로 한다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
Claims (5)
- 심전도 신호(Electrocardiogram signal, ECG) 및 광체적 변화신호(Photoplethysmography signal, PPG)의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법에 있어서,
환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG) 및 동맥혈압신호(Arterial Blood Pressure signal, ABP)를 전처리하여 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 각각 생성하는 단계; 및
심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 입력받는 CNN-LSTM 네트워크 기반의 지도학습모델을 이용하여 시간적 특징 및 형태적 특징을 기반으로 수축기 혈압과 확장기 혈압의 예측 결과를 동시에 출력하는 단계;
를 포함하는 연속적인 혈압측정 방법.
- 제1항에 있어서,
신호의 시퀀스를 각각 생성하는 단계는,
환자로부터 수집된 심전도 신호(Electrocardiogram signal, ECG)에 포함된 동적 잡음을 제거하고 베이스 라인이 일정하지 않은 문제를 해결하기 위해 심전도 신호(Electrocardiogram signal, ECG)에 2 Hz에서 20 Hz의 대역통과 필터를 적용하고, 광체적 변화신호(Photoplethysmography signal, PPG)에 0.5 Hz에서 20 Hz의 대역통과 필터를 적용하는 단계;
필터링된 심전도 신호(Electrocardiogram signal, ECG)로부터 R 피크를 추출한 후 2개의 주기가 포함되도록 검출된 R피크(n)를 기준으로 심전도 신호(Electrocardiogram signal, ECG), 광체적 변화신호(Photoplethysmography signal, PPG)에서 R(n-1) - R(n+1) 시퀀스를 각각 생성하는 단계;
R-R 간격(interval)의 변화로 인한 생성된 각 R-R 시퀀스들의 시간에 따른 데이터 길이 차이를 보정해 주기 위해 최대 R-R 시퀀스를 기준으로 제로패딩을 하는 단계; 및
생성된 심전도 신호(Electrocardiogram signal, ECG)의 시퀀스 및 광체적 변화신호(Photoplethysmography signal, PPG)의 시퀀스를 최대최소 스케일링 기법을 통해 최대가 1 최소가 -1이 되도록 변환 하는 단계;를 포함하는 것을 특징으로 하는 연속적인 혈압측정 방법.
- 제1항에 있어서,
상기 CNN-LSTM 네트워크 기반의 지도학습모델은,
심전도 신호(Electrocardiogram signal, ECG)와 광체적 변화신호(Photoplethysmography signal, PPG)의 차이로부터 형태적, 시간적 특징을 추출하기 위한 공유층;과 그로부터 수축기 혈압과 확장기 혈압을 예측하기 위한 개별층;을 구비함에 있어서,
상기 공유층은 ECG와 PPG의 차이로부터 형태적 특징을 위한 1개의 CNN층과 시간적 특징을 위한 3개의 LSTM층으로 이루어져 있으며, CNN층과 LSTM층은 모델의 과적합을 방지하기 위한 배치정규화 층을 통해 연결되는 것을 특징으로 하는 연속적인 혈압측정 방법.
- 제3항에 있어서,
상기 CNN층은 크기가 10인 56개의 커널로 구성되되 활성화 함수로 'retified linear unit (ReLU) '를 사용하고 일반화 성능을 향상하기 위해 L2 regularization을 적용하며,
상기 3개의 LSTM층은 28개의 뉴런을 가진 1개의 양방향 LSTM과 2개의 단방향 LSTM으로 구성되되, Global average pooling 층을 통해 상기 개별층으로 연결되는 것을 특징으로 하는 연속적인 혈압측정 방법.
- 제4항에 있어서,
각각의 개별층은 각각 2개의 완전 연결계층과 출력층을 구비하되,
완전 연결계층에서의 뉴런의 수는 각각 28개와 16개로 구성되고, 활성화 함수로는 상기 CNN층과 동일한 'ReLU'가 사용되며, 수축기 혈압과 확장기 혈압을 출력하기 위한 상기 출력층의 활성화 함수는 'linear' 함수를 사용하는 것을 특징으로 하는 연속적인 혈압측정 방법.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210007727A KR102469495B1 (ko) | 2021-01-19 | 2021-01-19 | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210007727A KR102469495B1 (ko) | 2021-01-19 | 2021-01-19 | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220105092A true KR20220105092A (ko) | 2022-07-26 |
| KR102469495B1 KR102469495B1 (ko) | 2022-11-21 |
Family
ID=82609548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210007727A KR102469495B1 (ko) | 2021-01-19 | 2021-01-19 | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102469495B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220296105A1 (en) * | 2021-03-22 | 2022-09-22 | Nicholas D.P. Drakos | Photoplethysmography derived blood pressure measurement capability |
| CN115349836A (zh) * | 2022-08-09 | 2022-11-18 | 湘潭大学 | 一种基于残差网络结构对连续血压预测的方法 |
| CN115607129A (zh) * | 2022-11-14 | 2023-01-17 | 北京康康盛世信息技术有限公司 | 一种基于时序的血压标定方法 |
| CN116994310A (zh) * | 2023-06-28 | 2023-11-03 | 齐鲁工业大学(山东省科学院) | 一种基于rPPG信号的远程心率检测方法 |
| WO2024093309A1 (zh) * | 2022-11-01 | 2024-05-10 | 华为技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
| KR102696798B1 (ko) * | 2024-04-15 | 2024-08-20 | 주식회사 라이프시맨틱스 | 혈압 및 맥박 데이터를 이용한 인공지능 기반 혈압 예측 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190056858A (ko) * | 2017-11-17 | 2019-05-27 | 가천대학교 산학협력단 | 딥러닝 기반의 혈압 예측 시스템 및 방법 |
| US20200121258A1 (en) * | 2018-10-18 | 2020-04-23 | Alayatec, Inc. | Wearable device for non-invasive administration of continuous blood pressure monitoring without cuffing |
-
2021
- 2021-01-19 KR KR1020210007727A patent/KR102469495B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20190056858A (ko) * | 2017-11-17 | 2019-05-27 | 가천대학교 산학협력단 | 딥러닝 기반의 혈압 예측 시스템 및 방법 |
| US20200121258A1 (en) * | 2018-10-18 | 2020-04-23 | Alayatec, Inc. | Wearable device for non-invasive administration of continuous blood pressure monitoring without cuffing |
Non-Patent Citations (1)
| Title |
|---|
| Sharifi, I., Goudarzi, S. & Khodabakhshi, M. B. A novel dynamical approach in continuous cuffless blood pressure estimation based on ECG and PPG signals. Artif. Intell. Med. 97, 143–151 (2019). |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220296105A1 (en) * | 2021-03-22 | 2022-09-22 | Nicholas D.P. Drakos | Photoplethysmography derived blood pressure measurement capability |
| CN115349836A (zh) * | 2022-08-09 | 2022-11-18 | 湘潭大学 | 一种基于残差网络结构对连续血压预测的方法 |
| WO2024093309A1 (zh) * | 2022-11-01 | 2024-05-10 | 华为技术有限公司 | 数据处理方法、装置及计算机可读存储介质 |
| CN115607129A (zh) * | 2022-11-14 | 2023-01-17 | 北京康康盛世信息技术有限公司 | 一种基于时序的血压标定方法 |
| CN116994310A (zh) * | 2023-06-28 | 2023-11-03 | 齐鲁工业大学(山东省科学院) | 一种基于rPPG信号的远程心率检测方法 |
| CN116994310B (zh) * | 2023-06-28 | 2024-02-23 | 齐鲁工业大学(山东省科学院) | 一种基于rPPG信号的远程心率检测方法 |
| KR102696798B1 (ko) * | 2024-04-15 | 2024-08-20 | 주식회사 라이프시맨틱스 | 혈압 및 맥박 데이터를 이용한 인공지능 기반 혈압 예측 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102469495B1 (ko) | 2022-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102469495B1 (ko) | 심전도와 광체적 변화신호의 차이를 인공 신경망에 입력하는 연속적인 혈압측정 방법 | |
| Tjahjadi et al. | Noninvasive classification of blood pressure based on photoplethysmography signals using bidirectional long short-term memory and time-frequency analysis | |
| Bian et al. | Respiratory rate estimation using PPG: A deep learning approach | |
| CN106821356B (zh) | 基于Elman神经网络的云端连续血压测量方法及系统 | |
| Shimazaki et al. | Features extraction for cuffless blood pressure estimation by autoencoder from photoplethysmography | |
| CN112274126A (zh) | 一种基于多路脉搏波的无创连续血压检测方法、装置 | |
| Kim et al. | Deepcnap: A deep learning approach for continuous noninvasive arterial blood pressure monitoring using photoplethysmography | |
| Paviglianiti et al. | Noninvasive arterial blood pressure estimation using ABPNet and VITAL-ECG | |
| Argha et al. | A novel automated blood pressure estimation algorithm using sequences of Korotkoff sounds | |
| CN112274121A (zh) | 一种基于多路脉搏波的无创动脉硬化检测方法、装置 | |
| Kılıçkaya et al. | Comparison of different machine learning techniques for the cuffless estimation of blood pressure using PPG signals | |
| Mousavi et al. | Cuff-Less blood pressure estimation using only the ecg signal in frequency domain | |
| Kuzmanov et al. | Fast cuffless blood pressure classification with ECG and PPG Signals using CNN-LSTM models in emergency medicine | |
| Pan et al. | Improved blood pressure estimation using photoplethysmography based on ensemble method | |
| Xu et al. | A novel Blood Pressure estimation method combing Pulse Wave Transit Time model and neural network model | |
| Sarkar et al. | Schrödinger spectrum based continuous cuff-less blood pressure estimation using clinically relevant features from PPG signal and its second derivative | |
| Ghosh et al. | Introduction of boosting algorithms in continuous non-invasive cuff-less blood pressure estimation using pulse arrival time | |
| CN117100239A (zh) | 基于cnn+lstm和ppg信号的血压检测系统 | |
| CN116831543A (zh) | 一种基于Transformer网络的无创血压预测方法 | |
| Zhang et al. | Cuff-less blood pressure estimation from ECG and PPG using CNN-LSTM algorithms | |
| Sameen et al. | A novel waveform mirroring technique for systolic blood pressure estimation from anacrotic photoplethysmogram | |
| CN113940646B (zh) | 一种基于因果关系的无袖带连续血压监测系统 | |
| Aguet et al. | Feature learning for blood pressure estimation from photoplethysmography | |
| CN115836847A (zh) | 一种血压预测装置及设备 | |
| Mamun et al. | Myocardial infarction detection using multi biomedical sensors |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |