KR20230149387A - 혈압 추정 장치 및 방법 - Google Patents
혈압 추정 장치 및 방법 Download PDFInfo
- Publication number
- KR20230149387A KR20230149387A KR1020220048388A KR20220048388A KR20230149387A KR 20230149387 A KR20230149387 A KR 20230149387A KR 1020220048388 A KR1020220048388 A KR 1020220048388A KR 20220048388 A KR20220048388 A KR 20220048388A KR 20230149387 A KR20230149387 A KR 20230149387A
- Authority
- KR
- South Korea
- Prior art keywords
- blood pressure
- class
- pressure estimation
- learning
- signal
- Prior art date
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims description 32
- 238000011176 pooling Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000013135 deep learning Methods 0.000 claims description 10
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 44
- 238000010586 diagram Methods 0.000 description 14
- 230000000007 visual effect Effects 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000009530 blood pressure measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 210000000707 wrist Anatomy 0.000 description 3
- 206010020772 Hypertension Diseases 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000008280 blood Substances 0.000 description 2
- 210000004369 blood Anatomy 0.000 description 2
- 239000006059 cover glass Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 208000012866 low blood pressure Diseases 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000035488 systolic blood pressure Effects 0.000 description 2
- 206010003210 Arteriosclerosis Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 208000011775 arteriosclerosis disease Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000013186 photoplethysmography Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 210000002321 radial artery Anatomy 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000037394 skin elasticity Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003371 toe Anatomy 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
- 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6843—Monitoring or controlling sensor contact pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6846—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be brought in contact with an internal body part, i.e. invasive
- A61B5/6885—Monitoring or controlling sensor contact pressure
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7405—Details of notification to user or communication with user or patient ; user input means using sound
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/7445—Display arrangements, e.g. multiple display units
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/7455—Details of notification to user or communication with user or patient ; user input means characterised by tactile indication, e.g. vibration or electrical stimulation
-
- 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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
- A61B90/06—Measuring instruments not otherwise provided for
- A61B2090/064—Measuring instruments not otherwise provided for for measuring force, pressure or mechanical tension
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Cardiology (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Vascular Medicine (AREA)
- Fuzzy Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
일 실시예에 따르면 혈압 추정 장치는 피검체로부터 PPG 신호를 측정하는 PPG 센서, 피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 힘센서, 및 PPG 센서와 힘센서를 통해 혈압 추정을 위한 PPG 신호와 힘신호가 측정되면, 소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 상기 측정된 PPG 신호와 힘신호를 입력하여 클래스별 확률값을 획득하며, 획득된 클래스별 확률값을 기초로 혈압을 추정하는 프로세서를 포함할 수 있다
Description
비침습적으로 혈압을 추정하는 장치 및 방법에 관한 것으로, 보다 구체적으로 딥러닝 기반의 추정 모델을 이용하여 혈압을 추정하는 기술과 관련된다.
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.
딥러닝 기반 혈압 추정 모델을 이용하여 비침습적으로 혈압을 추정하는 장치 및 방법이 제시된다.
일 양상에 따르면, 혈압 추정 장치는 피검체로부터 PPG(photoplethysmogram) 신호를 측정하는 PPG 센서, 피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 힘센서, 및 PPG 센서와 힘센서를 통해 혈압 추정을 위한 PPG 신호와 힘신호가 측정되면, 소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 측정된 PPG 신호와 힘신호를 입력하여 클래스별 확률값을 획득하며, 획득된 클래스별 확률값을 기초로 혈압을 추정하는 프로세서를 포함할 수 있다.
이때, 혈압 추정 모델은 DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 할 수 있다.
프로세서는 클래스별 확률값의 벡터와 클래스별 대표값의 벡터를 내적하여 혈압값을 획득할 수 있다.
프로세서는 각 클래스별 혈압 구간의 중간값, 평균값, 최대값, 및 최소값 중의 적어도 하나를 각 클래스별 대표값으로 설정할 수 있다.
혈압 추정 모델은 PPG 신호가 입력되는 제1 컨볼루션 레이어(convolution layer), 힘신호가 입력되는 제2 컨볼루션 레이어, 상기 제1 컨볼루션 레이어와 연결된 제1 풀링 레이어(pooling layer), 상기 제2 컨볼루션 레이어와 연결된 제2 풀링 레이어, 상기 제1 풀링 레이어의 출력과 상기 제2 풀링 레이어의 출력을 연결하여 특징(feature)을 출력하는 연결 레이어(connected layer), 및 상기 특징을 입력으로 클래스별 확률값을 출력하는 덴스 레이어(Dense Layer)를 포함할 수 있다.
프로세서는 학습용 PPG 신호와 힘신호를 포함하는 학습신호 및 타겟 혈압을 포함하는 복수의 학습데이터를 수집하고, 상기 수집된 학습데이터의 타겟 혈압을 상기 각 클래스에 맞도록 라벨링(labeling)하여 클래스별로 학습데이터셋을 구성하고, 구성된 학습데이터셋을 이용하여 딥러닝 기반으로 혈압 추정 모델을 학습할 수있다.
프로세서는 라벨링된 타겟 혈압의 클래스들에 대해 원-핫 인코딩(one-hot encoding)을 수행하고, 원-핫 인코딩 수행 결과와 학습신호를 포함하는 학습데이터셋을 구성할 수 있다.
프로세서는 크로스 엔트로피 손실(Cross-Entropy Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습할 수 있다.
프로세서는 AM 소프트맥스 손실(Additive Margin Softmax Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습할 수 있다.
또한, 혈압 추정 장치는 추정된 혈압에 대한 정보를 디스플레이, 음성 출력 장치 및 햅틱 장치 중의 적어도 하나를 통해 사용자에게 제공하는 출력부를 더 포함할 수 있다.
일 양상에 따르면, 혈압 추정 방법은 피검체로부터 혈압 추정용 PPG(photoplethysmogram) 신호를 측정하는 단계, 혈압 추정용 PPG 신호가 측정되는 동안 피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 단계, 소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 상기 혈압 추정용 PPG 신호와 힘신호를 입력하여 클래스별 확률값을 획득하는 단계, 및 획득된 클래스별 확률값을 기초로 혈압을 추정하는 단계를 포함할 수 있다.
혈압 추정 모델은 DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 할 수 있다.
혈압을 추정하는 단계는 클래스별 확률값의 벡터와 클래스별 대표값의 벡터를 내적하여 혈압값을 획득할 수 있다.
클래스별 대표값은 각 클래스별 혈압 구간의 중간값, 평균값, 최대값, 및 최소값 중의 적어도 하나로 설정될 수 있다.
이때, 혈압 추정 모델은 PPG 신호가 입력되는 제1 컨볼루션 레이어(convolution layer), 힘신호가 입력되는 제2 컨볼루션 레이어, 상기 제1 컨볼루션 레이어와 연결된 제1 풀링 레이어(pooling layer), 상기 제2 컨볼루션 레이어와 연결된 제2 풀링 레이어, 상기 제1 풀링 레이어의 출력과 상기 제2 풀링 레이어의 출력을 연결하여 특징(feature)을 출력하는 연결 레이어(connected layer), 및 상기 특징을 입력으로 클래스별 확률값을 출력하는 덴스 레이어(Dense Layer)를 포함할 수 있다.
또한, 혈압 추정 방법은 학습용 PPG 신호와 힘신호를 포함하는 학습신호 및 타겟 혈압을 포함하는 복수의 학습데이터를 수집하는 단계, 수집된 학습데이터의 타겟 혈압을 상기 각 클래스에 맞도록 라벨링(labeling)하여 클래스별로 학습데이터셋을 구성하는 단계, 및 구성된 학습데이터셋을 이용하여 딥러닝 기반으로 혈압 추정 모델을 학습하는 단계를 포함할 수 있다.
학습데이터셋을 구성하는 단계는 라벨링된 타겟 혈압의 클래스들에 대해 원-핫 인코딩(one-hot encoding)을 수행하고, 원-핫 인코딩 수행 결과와 학습신호를 포함하는 학습데이터셋을 구성할 수 있다.
혈압 추정 모델을 학습하는 단계는 크로스 엔트로피 손실(Cross-Entropy Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습할 수 있다.
혈압 추정 모델을 학습하는 단계는 AM 소프트맥스 손실(Additive Margin Softmax Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습할 수 있다.
일 양상에 따르면, 전자장치는 컴퓨터 판독 가능한 명령어들을 저장하는 메모리, 및 명령어들을 실행하여 혈압을 추정하는 프로세서를 포함하고, 프로세서는 사용자로부터 측정된 PPG 신호와 상기 PPG 신호가 측정되는 동안 전자장치에 작용하는 외부 힘을 나타내는 힘신호를, 소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 입력하여 클래스별 확률값을 획득하고, 획득된 클래스별 확률값을 기초로 혈압을 추정할 수 있다.
딥러닝 기반 혈압 추정 모델을 학습하고, 그 혈압 추정 모델을 이용하여 혈압을 추정함으로써 정확성을 향상시킬 수 있다.
도 1은 일 실시예에 따른 혈압 추정 장치의 블록도이다.
도 2는 혈압을 추정하는 일 실시예를 설명하기 위한 도면이다.
도 3은 혈압 추정 모델의 일 실시예를 나타낸 블록도이다.
도 4는 혈압 추정 모델을 생성하는 일 실시예를 설명하기 위한 도면이다.
도 5는 다른 실시예에 따른 혈압 추정 장치의 블록도이다.
도 6은 일 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 7은 일 실시예에 따른 전자장치의 블록도이다.
도 8 내지 도 10은 전자 장치의 구조들을 예시적으로 나타낸 도면들이다.
도 2는 혈압을 추정하는 일 실시예를 설명하기 위한 도면이다.
도 3은 혈압 추정 모델의 일 실시예를 나타낸 블록도이다.
도 4는 혈압 추정 모델을 생성하는 일 실시예를 설명하기 위한 도면이다.
도 5는 다른 실시예에 따른 혈압 추정 장치의 블록도이다.
도 6은 일 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 7은 일 실시예에 따른 전자장치의 블록도이다.
도 8 내지 도 10은 전자 장치의 구조들을 예시적으로 나타낸 도면들이다.
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, 도면들을 참고하여 혈압 추정 장치 및 방법의 다양한 실시예들을 설명한다. 혈압을 추정하는 다양한 실시예들은 스마트폰, 태블릿 PC, 데스크탑 PC, 노트북 PC 등의 전자장치, 또는 손목 시계형, 팔찌형, 손목 밴드형, 반지형, 안경형, 이어폰형, 목걸이형, 발찌형, 헤어밴드형 등 웨어러블 기기 등의 전자장치에 포함될 수 있다. 이하 설명하는 실시예들은 혈압 이외에도 혈관 나이, 동맥경화도, 대동맥압 파형, 혈관 탄성도, 스트레스 지수, 피로도, 피부 나이 및 피부 탄력도 등의 다양한 생체정보를 추정하는 것으로 변형 실시될 수 있다.
도 1은 일 실시예에 따른 혈압 추정 장치의 블록도이다.
도 1을 참조하면, 혈압 추정 장치(100)는 PPG(photoplethysmography) 센서(110), 힘센서(120) 및 프로세서(130)를 포함한다.
PPG 센서(110)는 피검체의 접촉시 PPG 신호를 측정할 수 있다. 이때, 피검체는 PPG 센서(110)가 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.
PPG 센서(110)는 피검체에 광을 조사하는 하나 이상의 광원과, 광원에 의해 조사되어 피검체에 의해 산란, 반사 또는 투과 등 반응된 광을 검출하는 하나 이상의 디텍터를 포함할 수 있다. 이때, 광원은 LED(light emitting diode), 레이저 다이오드(laser diode) 및 형광체 등을 포함할 수 있다. 광원은 하나 이상의 파장(예: 녹색, 적색, 청색, 적외 파장)의 광을 조사할 수 있다. 또한, 디텍터는 하나 이상 포토다이오드(photo diode), 포토트랜지스터(photo transistor, PTr) 또는 이미지 센서(예: CMOS 이미지 센서) 등을 포함할 수 있으나 이에 제한되지 않는다.
힘센서(120)는 PPG 센서(110)가 피검체로부터 PPG 신호를 측정하는 동안 피검체와 PPG 센서(110) 사이에 작용하는 힘신호를 측정할 수 있다. 예컨대, 사용자가 피검체를 PPG 센서(110)에 접촉한 상태에서 소정 시간 동안 맥파 진폭의 변화를 유도하기 위해 누르는 힘을 점차 증가/감소시키는 경우 그 접촉힘의 변화를 검출할 수 있다. 힘센서(120)는 PPG 센서(110)의 상부 또는 하부에 배치될 수 있다. 힘센서(120)는 스트레인 게이지(strain gauge) 등으로 형성된 하나의 힘센서 또는 힘센서의 어레이로 형성될 수 있다. 다만, 이에 제한되지 않으며 힘센서(110) 대신에 압력센서, 공기주머니(air bladder) 형태의 압력센서, 힘센서와 면적센서가 결합된 압력센서 등으로 형성될 수도 있다. 따라서, 이하에서 사용하는 용어 "힘"은 "힘" 또는 "압력"을 의미할 수 있다.
프로세서(130)는 PPG 센서(110) 및/또는 힘센서(120)와 전기적으로 연결되어 PPG 센서(110) 및/또는 힘센서(120)를 제어할 수 있다. 프로세서(130)는 PPG 센서(110)로부터 PPG 신호가 수신되면, 수신된 PPG 신호에서 노이즈를 제거하는 전처리를 수행할 수 있다. 예를 들어, 로우 패스 필터링, 밴드 패스 필터링(예: 0.4~10Hz), 생체신호의 증폭, 디지털 신호로의 변환, 스무딩 및, 연속 측정 PPG 신호의 앙상블 평균화(ensemble averaging) 등의 신호 보정을 수행할 수 있다. 또한, 프로세서(120)는 소정 시간 동안 연속 측정된 PPG 신호의 파형을 주기 단위로 분할하여 복수의 단위 파형을 획득하고, 복수의 단위 파형 중의 어느 하나 또는 둘 이상을 조합하여 혈압 추정에 사용할 대표 파형을 결정할 수도 있다.
프로세서(130)는 PPG 센서(110) 및 힘센서(120)를 통해 혈압 추정을 위한 PPG 신호와 힘신호가 수신되면 혈압 추정 모델을 이용하여 혈압을 추정할 수 있다. 이때, 혈압 추정 모델은 DNN(Deep Neural Network), CNN(Co0nvolution Neural Network), 또는 RNN(Recurrent Neural Network) 등을 기반으로 하는 신경망 모델일 수 있다. 혈압 추정 모델(200)은 자세히 후술하는 바와 같이 소정의 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 해당할 확률을 나타내는 확률값 벡터를 출력하도록 딥러닝 기반으로 학습되어 생성될 수 있다.
도 2는 혈압을 추정하는 일 실시예를 설명하기 위한 도면이다. 도 3은 혈압 추정 모델의 일 실시예를 나타낸 블록도이다.
도 1 및 도 2를 참조하면, 프로세서(130)는 PPG 신호와 힘신호를 혈압 추정 모델(200)에 입력하고, 혈압 추정 모델(200)이 PPG 신호와 힘신호를 처리하여 클래스별 확률값(p1,p2,p3,…,pn)을 출력하면, 그 출력된 확률값(p1,p2,p3,…,pn)의 벡터를 이용하여 최종 혈압값을 획득할 수 있다. 예컨대, 클래스별 확률값(p1,p2,p3,…,pn)의 벡터를 미리 정의된 클래스별 대표값(c1,c2,c3,…,cn)의 벡터와 내적하고, 그 결과를 최종 혈압값으로 결정할 수 있다. 이때, 클래스별 대표값(c1,c2,c3,…,cn)은 각 클래스의 혈압 구간에서 그 중간값, 평균값, 최대값, 최소값, 또는 최소값과 최대값을 특정 비율로 내분한 값 등으로 정의될 수 있다.
도 3을 참조하면, 일 실시예의 혈압 추정 모델(200)은 컨볼루션 레이어(310a,310b), 풀링 레이어(320a,320b), 연결 레이어(330) 및 덴스 레이어(340)가 차례대로 배치될 수 있다. PPG 신호(IP1)와 힘신호(IP2)는 각각 제1 컨볼루션 레이어(310a)와 제2 컨볼루션 레이어(310b)에 입력되고, 각 컨볼루션 레이어(310a,310b)는 PPG 신호와 힘신호에서 차원 축소(dimensional reduction)를 위한 컨볼루션 연산을 수행할 수 있다. 제1 풀링 레이어(320a)와 제2 풀링 레이어(320b)는 각각 제1 컨볼루션 레이어(310a)와 제2 컨볼루션 레이어(310b)의 출력을 입력으로 풀링 연산을 수행할 수 있다. 이때, 풀링 레이어(320a,320b)는 최대 풀링(max pooling) 또는 평균 풀링(average pooling) 등의 통계 풀링을 수행할 수 있다. 연결 레이어(330)는 각 풀링 레이어(320a,320b)의 출력들을 연결하여 특징(OP1)을 출력할 수 있다. 이때, 특징(OP1)은 하나의 특징 또는 복수의 특징으로 이루어진 특징 벡터일 수 있다. 덴스 레이어(340)는 연결 레이어(330)에서 출력된 특징(OP1)을 입력받아 n개의 클래스별 확률값(OP2)을 출력한다.
한편, 프로세서(120)는 사용자의 나이, 성별, 키, 몸무게, 및 건강 정보 등의 사용자 특성 정보를 수집할 수 있다. 예를 들어, 프로세서(120)는 사용자에게 인터페이스를 제공하여 인터페이스를 통해 사용자로부터 사용자 특성 정보를 입력받을 수 있다. 또는 사용자의 특성 정보를 관리하는 다른 애플리케이션들과 연동하여 필요한 정보들을 수집할 수 있다.
프로세서(120)는 수집된 사용자 특성 정보를 더 고려하여 최종 혈압을 획득할 수 있다. 예를 들어, 혈압 추정 모델은 PPG 신호, 힘신호 외에 사용자 특성 정보를 입력으로 클래스별로 확률값을 출력하도록 학습될 수도 있다. 이 경우, 프로세서(120)는 수집된 사용자 특성 정보를 PPG 신호 및 힘신호와 함께 혈압 추정 모델에 입력하고, 혈압 추정 모델의 출력인 클래스별 확률값과 클래스별 대표값을 내적하여 혈압값을 획득할 수 있다.
도 4는 혈압 추정 모델을 생성하는 일 실시예를 설명하기 위한 도면이다.
도 1 및 도 4를 참조하면, 프로세서(130)는 복수의 사용자들로부터 또는 특정 사용자로부터 일정 기간 동안 복수의 학습데이터를 수집할 수 있다. 학습데이터는 학습용 PPG 신호와 학습용 힘신호를 포함한 학습신호와, 그 학습신호에 대응하는 타겟 혈압을 포함할 수 있다. 프로세서(130)는 PPG 센서(110)와 힘센서(120)를 제어하여 복수의 사용자들 또는 특정 사용자로부터 학습용 PPG 신호 및 힘신호를 획득할 수 있다. 또는 통신 모듈을 통해 복수의 사용자들이 각각 사용하는 다른 혈압 추정 장치로부터 학습용 PPG 신호 및 힘신호를 수신할 수 있다.
프로세서(130)는 예측하고자 하는 혈압값의 범위를 특정 범위로 제한하고, 그 제한된 특정 범위를 소정 단위로 나누어 복수의 클래스로 구분할 수 있다. 예컨대 정상 혈압군의 학습데이터가 수집된 것으로 가정할 때, 프로세서(130)는 도 4에 도시된 바와 같이 SBP(Systolic Blood Pressure)의 범위를 100mmHg ~ 140mmHg로 제한하고 5mmHg 단위로 나누어 8개의 클래스(411)로 구분할 수 있다. 이때, 혈압값의 제한 범위는 수집된 학습데이터들의 혈압군 및/또는 혈압 추정 장치(100)를 이용하는 사용자의 건강 상태 예컨대(저혈압, 정상혈압, 고혈압인지 여부) 등을 고려하여 다양한 범위로 설정될 수 있다.
또한, 프로세서(130)는 구분된 각 클래스(411)별로 대표값(412)을 설정할 수 있다. 이때, 각 클래스의 대표값은 도 4에 도시된 바와 같이 각 클래스 구간(411)의 혈압 범위에서 중간값일 수 있다. 다만, 이에 제한되는 것은 아니며 평균값, 최대값, 최소값 또는, 최소값과 최대값을 특정 비율로 내분한 값 등을 대표값으로 설정할 수도 있다.
그 다음, 프로세서(130)는 학습데이터의 타겟 혈압을 각 클래스 구간에 맞게 라벨링(labeling) 작업을 할 수 있다. 또한, 프로세서(130)는 라벨링 된 타겟 혈압 클래스들에 대해 원-핫 인코딩(one-hot encoding)을 수행한 다음, 원-핫 인코딩 수행 결과와 대응하는 학습신호를 포함하는 학습데이터셋을 구성할 수 있다. 그 다음, 프로세서(130)는 학습데이터셋을 이용하여 딥러닝 기반으로 혈합 추정 모델(400)을 학습시킬 수 있다.
예를 들어, 프로세서(130)는 전체 학습데이터셋의 학습신호(421)를 혈압 추정 모델(400)에 입력하고, 혈압 추정 모델(400)에서 클래스별로 확률값(422)을 출력하도록 학습시킬 수 있다. 즉, 각 클래스의 확률값(422)이 대응하는 각 클래스의 대표값(412)에 대한 가중치로 작용하여, 클래스들의 대표값들의 가중합이 정확한 혈압값(423)으로 예측되도록 혈압 추정 모델(400)을 학습시킬 수 있다.
이때, 프로세서(130)는 일 예로 크로스 엔트로피 손실(Cross-Entropy Loss) 함수를 사용하여 정답 클래스의 확률값과 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델(400)을 학습시킬 수 있다. 다른 예로, AM 소프트맥스 손실(Additive Margin Softmax Loss) 함수를 사용하여 정답 클래스의 확률값과 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델(400)을 학습시킬 수 있다.
한편, 프로세서(130)는 복수의 사용자들 또는 특정 사용자의 사용자 특성 정보를 추가로 학습데이터로 수집할 수 있다. 이에 따라 프로세서(130)는 학습신호와 함께 사용자 특성 정보를 입력으로 하는 혈압 추정 모델을 구성할 수 있으며, 전술한 바와 같이 혈압 추정 모델이 클래스별 확률값을 출력하도록 학습시킬 수 있다.
본 실시예에 따르면, 혈압 추정 모델을 구성할 때 일반적인 회귀 태스크(regression task)를 기반으로 구성하는 대신 분류 태스크(classification task)를 기반으로 구성하고, 일반적인 평균 제곱 오차 손실 함수(mean squared error loss function)를 사용하는 대신 크로스 엔트로피 손실함수 또는 AM 소프트맥스 손실 함수를 사용함으로써, 고혈압 샘플을 저혈압으로 예측하거나 그 반대로 예측하는 경우와 같이 예측 혈압의 오차가 크게 발생할 수 있는 문제를 줄일 수 있다. 특히, AM 소프트맥스 손실 함수를 이용하는 경우 클래스의 분리성을 높이고 동일한 클래스 간의 거리를 더 간결하게 만들어 보다 정확한 분류 효과를 얻을 수 있다.
도 5는 다른 실시예에 따른 혈압 추정 장치의 블록도이다.
도 5를 참조하면 혈압 추정 장치(500)는 PPG 센서(110), 힘센서(120), 프로세서(130), 저장부(510), 출력부(520) 및 통신부(530)를 포함할 수 있다. PPG 센서(110), 힘센서(120) 및 프로세서(130) 구성들은 앞에서 자세히 설명하였으므로 중복되지 않은 내용을 위주로 설명한다.
저장부(510)는 혈압 추정과 관련된 각종 정보들을 저장한다. 예를 들어, PPG 센서(110), 힘센서(120) 및 프로세서(130)에 의해 처리된 데이터들을 저장할 수 있다. 예컨대, 사용자의 PPG 신호, 힘신호 및/또는 혈압 추정값을 저장할 수 있으며, 혈압 추정 모델이나 사용자 특성 정보를 저장할 수 있다. 저장부(510)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(520)는 PPG 센서(110), 힘센서(120), 및/또는 프로세서(130)의 처리 결과를 출력하여 사용자에게 제공할 수 있다. 출력부(520)는 디스플레이와 같은 시각적 출력 모듈, 스피커와 같은 음성 출력 모듈, 또는 진동이나 촉감 등의 신호를 출력하는 햅틱 모듈 등을 이용하여 시각적/비시각적인 다양한 방법으로 사용자에게 정보를 제공할 수 있다. 예컨대, 출력부(520)는 혈압 추정값을 디스플레이에 표시할 수 있으며, 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.
통신부(530)는 프로세서(130)의 제어에 따라 통신 기술을 이용하여 다른 전자장치와 필요한 데이터를 송수신할 수 있으며, 수신된 데이터를 저장부(510)에 저장할 수 있다. 예컨대, 다른 전자장치에 포함된 혈압 추정 장치에서 측정된 PPG 신호, 힘신호 등을 학습용 신호로 수신할 수 있으며, 커프 혈압 장치와 같은 혈압 측정 장치를 통해 측정된 커프 혈압을 타겟 혈압으로 수신할 수 있다. 또한, 사용자의 건강 상태가 관리되는 클라우드 장치로부터 사용자의 건강 정보 등의 사용자 특성 정보를 수신할 수 있다. 또한, 혈압 추정값을 다른 전자장치로 전송하여 다른 전자장치의 출력장치를 통해 사용자에게 제공되도록 할 수 있다. 여기서, 다른 전자 장치는 스마트폰, 태블릿 PC, 데스크탑 PC, 노트북 PC, 웨어러블 기기, 커프 혈압 장치와 같은 혈압 측정 장치 등을 포함할 수 있으며, 이에 제한되지는 않는다.
통신 기술은 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 포함할 수 있다.
도 6은 일 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 6은 혈압 추정 장치(100,500)에 의해 수행되는 혈압 추정 방법의 일 실시예로 앞에서 상술하였으므로 이하 간단하게 설명한다.
먼저, PPG 센서를 이용하여 피검체가 PPG 센서에 접촉할 때 PPG 신호를 측정하고(611), 힘센서를 이용하여 PPG 신호가 측정되는 동안 피검체가 PPG 센서에 가하는 힘의 변화를 나타내는 힘신호를 측정할 수 있다(612).
그 다음, PPG 신호 및 힘신호를 혈압 추정 모델에 입력하여 클래스별로 확률값을 획득할 수 있다(613). 이때, 혈압 추정 모델은 분류 태스크(classification task) 기반 신경망 모델로서, 혈압 범위를 복수의 클래스로 구분하여 PPG 신호 및 힘신호를 입력으로 각 클래스별로 확률값을 출력하도록 딥러닝 기반으로 학습된 모델일 수 있다. 이때, 혈압 추정 모델은 크로스 엔트로피 손실 함수 또는 AM 소프트맥스 손실 함수를 사용하여 그 손실이 최소가 되도록 학습될 수 있다.
그 다음, 단계(613)에서 출력된 클래스별 확률값을 이용하여 혈압을 추정할 수 있다(514). 예를 들어, 각 클래스별 확률값의 벡터와 미리 정의된 각 클래스별 대표값의 벡터를 내적함으로써 구해지는 스칼라 값을 최종 혈압값으로 결정할 수 있다. 이때, 각 클래스별 대표값은 각 클래스의 혈압 범위의 중간값, 평균값, 최대값, 최소값 또는 최소값과 최대값을 소정 비율로 내분한 값일 수 있다.
도 7은 일 실시예에 따른 전자장치의 블록도이다.
일 실예에 따른 전자장치는 전술한 혈압 추정 장치(100,500)을 포함하며, 스마트 워치, 스마트 밴드, 스마트 안경, 스마트 이어폰, 스마트 링, 스마트 패치, 스마트 목걸이, 스마트 팔찌, 스마트 발찌 타입의 웨어러블 기기나, 스마트폰, 태블릿 PC 등의 모바일기기, 또는 냉장고, 전자렌지 등의 가전 기기나 사물인터넷(Internet of Things)을 기반으로 하는 다양한 IoT 기기(예: 홈 IoT 기기 등) 등으로 구현될 수 있다.
도 7을 참조하면, 전자장치(700)는 센서장치(710), 프로세서(720), 입력장치(730), 통신모듈(740), 카메라모듈(750), 출력장치(760), 저장장치(770), 및 전력모듈(780)을 포함할 수 있다. 전자장치(700)의 구성들은 특정 기기에 일체로 탑재되거나, 둘 이상의 기기에 분산 탑재될 수 있다.
센서장치(710)는 전술한 혈압 추정 장치(100,500)의 PPG 센서 및 힘센서를 포함하며, 그 밖에 전자장치(700)에서 제공하는 다양한 기능들을 수행하기 위한 센서, 예컨대 자이로센서, GPS(Global Positioning System), 가스센서, 온/습도 센서, 근접센서, 조도 센서, 중력 센서, 가속도 센서, 지자기 센서, 초음파 센서 등을 포함할 수 있다.
프로세서(720)는 저장장치(770)에 저장된 프로그램, 컴퓨터 판독 가능한 명령어 등을 실행하여 프로세서(720)에 연결된 구성요소들을 제어할 수 있고, 이를 통해 전술한 바 있는 혈압 추정과 관련된 동작들을 비롯하여 그 밖에 다양한 데이터 처리 또는 연산을 수행할 수 있다. 프로세서(720)는 중앙 처리 장치 및 어플리케이션 프로세서 등과 같은 메인 프로세서 및, 이와 독립적으로 또는 함께 운영 가능한 보조 프로세서 예컨대, 그래픽 처리 장치, 이미지 시그널 프로세서, 센서 허브 프로세서, 커뮤니케이션 프로세서 등을 포함할 수 있다.
입력장치(730)는 전자장치(700)의 각 구성요소에서 사용될 명령 및/또는 데이터를 사용자 등으로부터 수신할 수 있다. 입력장치(730)는 마이크, 마우스, 키보드, 및/또는 디지털 펜(스타일러스 펜 등)을 포함할 수 있다. 예를 들어, 입력장치(730)는 사용자로부터 혈압 추정과 관련된 명령 및/또는 사용자 특성 정보를 수신하여 프로세서(720)에 전달하거나, 저장장치(770)에 저장할 수 있다.
통신모듈(740)은 전자장치(700)와 네트워크 환경 내에 있는 다른 전자장치나 서버 또는 센서장치(710) 사이의 직접(유선) 통신 채널 및/또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신모듈(740)은 프로세서(720)와 독립적으로 운영되고, 직접 통신 및/또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 통신장치(720)는 예컨대 셀룰러 통신 모듈, 근거리 무선 통신 모듈, GNSS(Global Navigation Satellite System 등) 통신 모듈 등의 무선 통신 모듈, 및/또는 예컨대 LAN(Local Area Network) 통신 모듈, 전력선 통신 모듈 등의 유선 통신 모듈을 포함할 수 있다. 이와 같이 다양한 종류의 통신 모듈들은 단일 칩 등으로 통합되거나, 서로 별도의 복수 칩으로 구현될 수 있다. 무선 통신 모듈은 가입자 식별 모듈에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI) 등)를 이용하여 통신 네트워크 내에서 전자 장치(700)를 확인 및 인증할 수 있다.
카메라모듈(750)은 정지영상 및 동영상을 촬영할 수 있다. 카메라모듈(750)은 하나 이상의 렌즈를 포함하는 렌즈 어셈블리, 이미지센서들, 이미지 시그널 프로세서들, 및/또는 플래시들을 포함할 수 있다. 카메라모듈(750)에 포함된 렌즈 어셈블리는 이미지 촬영의 대상인 피사체로부터 방출되는 빛을 수집할 수 있다.
출력장치(760)은 전자장치(700)에 의해 생성되거나 처리된 데이터를 시각적/비시각적인 방식으로 출력할 수 있다. 출력장치(760)는 음향 출력 장치, 표시 장치, 오디오 모듈 및/또는 햅틱 모듈을 포함할 수 있다.
음향 출력 장치는 음향 신호를 전자장치(700)의 외부로 출력할 수 있다. 음향 출력 장치는 스피커 및/또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있고, 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 리시버는 스피커의 일부로 결합되어 있거나 또는 독립된 별도의 장치로 구현될 수 있다.
표시 장치는 전자장치(700)의 외부로 정보를 시각적으로 제공할 수 있다. 표시 장치는 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 표시 장치는 터치를 감지하도록 설정된 터치 회로(Touch Circuitry) 및/또는 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 센서 회로(압력 센서 등)를 포함할 수 있다.
오디오 모듈은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 오디오 모듈은 입력 장치를 통해 소리를 획득하거나, 음향 출력 장치 및/또는 전자 장치(700)와 직접 또는 무선으로 연결된 다른 전자 장치의 스피커 및/또는 헤드폰을 통해 소리를 출력할 수 있다.
햅틱 모듈은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(진동, 움직임 등) 또는 전기적인 자극으로 변환할 수 있다. 햅틱 모듈은, 모터, 압전 소자, 및/또는 전기 자극 장치를 포함할 수 있다.
저장장치(770)는 센서장치(710)의 구동을 위해 필요한 구동 조건 및, 그 밖의 전자장치(700)의 구성요소들이 필요로 하는 다양한 데이터 예컨대, 소프트웨어 및 이와 관련된 명령에 대한 입력 데이터 및/또는 출력 데이터 등을 저장할 수 있다. 저장장치(770)는 휘발성 메모리 및/또는 비휘발성 메모리를 포함할 수 있다.
전력모듈(780)은 전자장치(700)에 공급되는 전력을 관리할 수 있다. 전력 관리 모듈은 PMIC(Power Management Integrated Circuit)의 일부로서 구현될 수 있다. 전력모듈(780)은 배터리를 포함할 수 있으며, 배터리는 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 및/또는 연료 전지를 포함할 수 있다.
도 8 내지 도 10은 도 7의 전자장치의 구조들을 예시적으로 나타낸 도면들이다.
도 8을 참조하면 전자장치(700)는 시계 타입의 웨어러블 장치(800)로 구현될 수 있으며 본체와 손목 스트랩을 포함할 수 있다. 본체의 전면에는 디스플레이가 마련되어, 시간 정보, 수신 메시지 정보 등을 포함하는 다양한 애플리케이션 화면이 표시될 수 있다. 본체의 후면에는 센서장치(810)가 배치되어 혈압 추정을 위한 PPG 신호 및 힘신호를 측정할 수 있다.
도 9를 참조하면 전자장치(700)는 스마트 폰(Smart Phone)과 같은 모바일 장치(900)로 구현될 수 있다.
모바일 장치(900)는 하우징 및 디스플레이 패널을 포함할 수 있다. 하우징은 모바일 장치(900)의 외관을 형성할 수 있다. 하우징의 제1 면에는 디스플레이 패널 및 커버 글래스(Cover Glass)가 차례로 배치될 수 있고, 디스플레이 패널은 커버 글래스를 통해 외부로 노출될 수 있다. 하우징의 제2 면에는 센서장치(910), 카메라 모듈, 및/또는 적외선 센서 등이 배치될 수 있다. 하우징의 내부에는 프로세서(720) 및 그 밖의 구성들이 배치될 수 있다.
도 10을 참조하면 전자장치(700)는 이어(Ear) 웨어러블 장치(1000)로도 구현될 수 있다.
이어(Ear) 웨어러블 장치(1000)는 본체와 이어 스트랩(Ear Strap)을 포함할 수 있다. 사용자는 이어 스트랩을 귓바퀴에 걸어 착용할 수 있다. 이어 스트랩은 이어 웨어러블 장치(1000)의 형태에 따라 생략이 가능하다. 본체는 사용자의 외이도(External Auditory Meatus)에 삽입될 수 있다. 본체에는 센서장치(1010)가 탑재될 수 있다. 또한, 본체에는 프로세서가 배치될 수 있으며 센서장치(1010)에 측정된 PPG 신호 및 힘신호를 이용하여 혈압을 추정할 수 있다. 또는, 이어 웨어러블 장치(1000)는 외부 장치와 연동하여 혈압을 추정할 수 있다. 예컨대, 이어 웨어러블 장치(1000)의 센서장치(1010)에서 측정한 PPG 신호를 본체 내부에 마련된 통신 모듈을 통해 외부 장치 예컨대 스마트 폰, 테블릿 PC 등으로 전송하면, 외부 장치의 프로세서는 수신된 PPG 신호 및 힘신호를 이용하여 혈압을 추정하고, 외부 장치의 출력장치 및/또는 이어 웨어러블 장치의 본체 내에 마련된 음향 출력 모듈을 통해 혈압 추정값을 출력할 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.
100,500: 혈압 추정 장치
110: PPG 센서 120: 힘센서
130: 프로세서 510: 저장부
520: 출력부 530: 통신부
700: 전자장치 710: 센서장치
720: 프로세서 730: 입력장치
740: 통신모듈 750: 카메라모듈
760: 출력장치 770: 저장장치
780: 전력모듈
110: PPG 센서 120: 힘센서
130: 프로세서 510: 저장부
520: 출력부 530: 통신부
700: 전자장치 710: 센서장치
720: 프로세서 730: 입력장치
740: 통신모듈 750: 카메라모듈
760: 출력장치 770: 저장장치
780: 전력모듈
Claims (20)
- 피검체로부터 PPG(photoplethysmogram) 신호를 측정하는 PPG 센서;
피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 힘센서; 및
상기 PPG 센서와 힘센서를 통해 혈압 추정을 위한 PPG 신호와 힘신호가 측정되면, 소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 상기 측정된 PPG 신호와 힘신호를 입력하여 클래스별 확률값을 획득하며, 획득된 클래스별 확률값을 기초로 혈압을 추정하는 프로세서를 포함하는 혈압 추정 장치. - 제1항에 있어서,
상기 혈압 추정 모델은
DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 하는 혈압 추정 장치. - 제1항에 있어서,
상기 프로세서는
상기 클래스별 확률값의 벡터와 클래스별 대표값의 벡터를 내적하여 혈압값을 획득하는 혈압 추정 장치. - 제3항에 있어서,
상기 프로세서는
각 클래스별 혈압 구간의 중간값, 평균값, 최대값, 및 최소값 중의 적어도 하나를 각 클래스별 대표값으로 설정하는 혈압 추정 장치. - 제1항에 있어서,
상기 혈압 추정 모델은
PPG 신호가 입력되는 제1 컨볼루션 레이어(convolution layer), 힘신호가 입력되는 제2 컨볼루션 레이어, 상기 제1 컨볼루션 레이어와 연결된 제1 풀링 레이어(pooling layer), 상기 제2 컨볼루션 레이어와 연결된 제2 풀링 레이어, 상기 제1 풀링 레이어의 출력과 상기 제2 풀링 레이어의 출력을 연결하여 특징(feature)을 출력하는 연결 레이어(connected layer), 및 상기 특징을 입력으로 클래스별 확률값을 출력하는 덴스 레이어(Dense Layer)를 포함하는 혈압 추정 장치. - 제1항에 있어서,
상기 프로세서는
학습용 PPG 신호와 힘신호를 포함한 학습신호 및 타겟 혈압을 포함하는 복수의 학습데이터를 수집하고, 상기 수집된 학습데이터의 타겟 혈압을 상기 각 클래스에 맞도록 라벨링(labeling)하여 클래스별로 학습데이터셋을 구성하고, 구성된 학습데이터셋을 이용하여 딥러닝 기반으로 혈압 추정 모델을 학습하는 혈압 추정 장치. - 제6항에 있어서,
상기 프로세서는
상기 라벨링된 타겟 혈압의 클래스들에 대해 원-핫 인코딩(one-hot encoding)을 수행하고, 원-핫 인코딩 수행 결과와 상기 학습신호를 포함하는 학습데이터셋을 구성하는 혈압 추정 장치. - 제6항에 있어서,
상기 프로세서는
크로스 엔트로피 손실(Cross-Entropy Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습하는 혈압 추정 장치. - 제6항에 있어서,
상기 프로세서는
AM 소프트맥스 손실(Additive Margin Softmax Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습하는 혈압 추정 장치. - 제1항에 있어서,
상기 추정된 혈압에 대한 정보를 디스플레이, 음성 출력 장치 및 햅틱 장치 중의 적어도 하나를 통해 사용자에게 제공하는 출력부를 더 포함하는 혈압 추정 장치. - 피검체로부터 혈압 추정용 PPG(photoplethysmogram) 신호를 측정하는 단계;
상기 혈압 추정용 PPG 신호가 측정되는 동안 피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 단계;
소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 상기 측정된 PPG 신호와 힘신호를 입력하여 클래스별 확률값을 획득하는 단계; 및
상기 획득된 클래스별 확률값을 기초로 혈압을 추정하는 단계를 포함하는 혈압 추정 방법. - 제11항에 있어서,
상기 혈압 추정 모델은
DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 하는 혈압 추정 방법. - 제11항에 있어서,
상기 혈압을 추정하는 단계는
상기 클래스별 확률값의 벡터와 클래스별 대표값의 벡터를 내적하여 혈압값을 획득하는 혈압 추정 방법. - 제13항에 있어서,
상기 클래스별 대표값은
각 클래스별 혈압 구간의 중간값, 평균값, 최대값, 및 최소값 중의 적어도 하나로 설정되는 혈압 추정 방법. - 제11항에 있어서,
상기 혈압 추정 모델은
PPG 신호가 입력되는 제1 컨볼루션 레이어(convolution layer), 힘신호가 입력되는 제2 컨볼루션 레이어, 상기 제1 컨볼루션 레이어와 연결된 제1 풀링 레이어(pooling layer), 상기 제2 컨볼루션 레이어와 연결된 제2 풀링 레이어, 상기 제1 풀링 레이어의 출력과 상기 제2 풀링 레이어의 출력을 연결하여 특징(feature)을 출력하는 연결 레이어(connected layer), 및 상기 특징을 입력으로 클래스별 확률값을 출력하는 덴스 레이어(Dense Layer)를 포함하는 혈압 추정 방법. - 제11항에 있어서,
학습용 PPG 신호와 힘신호를 포함한 학습신호 및 타겟 혈압을 포함하는 복수의 학습데이터를 수집하는 단계;
상기 수집된 학습데이터의 타겟 혈압을 상기 각 클래스에 맞도록 라벨링(labeling)하여 클래스별로 학습데이터셋을 구성하는 단계; 및
상기 구성된 학습데이터셋을 이용하여 딥러닝 기반으로 혈압 추정 모델을 학습하는 단계를 포함하는 혈압 추정 방법. - 제16항에 있어서,
상기 학습데이터셋을 구성하는 단계는
상기 라벨링된 타겟 혈압의 클래스들에 대해 원-핫 인코딩(one-hot encoding)을 수행하고, 원-핫 인코딩 수행 결과와 상기 학습신호를 포함하는 학습데이터셋을 구성하는 혈압 추정 방법. - 제16항에 있어서,
상기 혈압 추정 모델을 학습하는 단계는
크로스 엔트로피 손실(Cross-Entropy Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습하는 혈압 추정 방법. - 제16항에 있어서,
상기 혈압 추정 모델을 학습하는 단계는
AM 소프트맥스 손실(Additive Margin Softmax Loss) 함수를 사용하여, 정답 클래스의 확률값과 혈압 추정 모델에서 출력된 예측 클래스의 확률값 사이의 손실이 최소가 되도록 혈압 추정 모델을 학습하는 혈압 추정 방법. - 컴퓨터 판독 가능한 명령어들을 저장하는 메모리; 및
상기 명령어들을 실행하여 혈압을 추정하는 프로세서를 포함하고,
상기 프로세서는
사용자로부터 측정된 PPG 신호와 상기 PPG 신호가 측정되는 동안 전자장치에 작용하는 외부 힘을 나타내는 힘신호를, 소정 혈압 범위를 복수의 클래스로 구분하여 각 클래스별로 확률값을 출력하도록 학습된 혈압 추정 모델에 입력하여 클래스별 확률값을 획득하고, 획득된 클래스별 확률값을 기초로 혈압을 추정하는 전자장치.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220048388A KR20230149387A (ko) | 2022-04-19 | 2022-04-19 | 혈압 추정 장치 및 방법 |
| US17/968,309 US20230329566A1 (en) | 2022-04-19 | 2022-10-18 | Apparatus and method for estimating blood pressure |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220048388A KR20230149387A (ko) | 2022-04-19 | 2022-04-19 | 혈압 추정 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230149387A true KR20230149387A (ko) | 2023-10-27 |
Family
ID=88308678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220048388A KR20230149387A (ko) | 2022-04-19 | 2022-04-19 | 혈압 추정 장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230329566A1 (ko) |
| KR (1) | KR20230149387A (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200123335A (ko) | 2019-04-18 | 2020-10-29 | 서울대학교산학협력단 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
-
2022
- 2022-04-19 KR KR1020220048388A patent/KR20230149387A/ko unknown
- 2022-10-18 US US17/968,309 patent/US20230329566A1/en active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200123335A (ko) | 2019-04-18 | 2020-10-29 | 서울대학교산학협력단 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20230329566A1 (en) | 2023-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4050885A1 (en) | Apparatus and method for measuring multiple bio-signals using image sensor, and electronic device | |
| US20210345973A1 (en) | Apparatus and method for estimating bio-information, and bio-signal measuring sensor | |
| EP4056108A1 (en) | Apparatus and method for estimating bio-information | |
| KR20230149387A (ko) | 혈압 추정 장치 및 방법 | |
| US20230157645A1 (en) | Apparatus and method for estimating bio-information | |
| US11540727B2 (en) | Apparatus and method for measuring bio-signal | |
| US20220378306A1 (en) | Apparatus and method for estimating bio-information | |
| US20220409072A1 (en) | Apparatus and method for estimating bio-information | |
| US11877858B2 (en) | Apparatus and method for estimating bio-information | |
| US20230190117A1 (en) | Apparatus and method for estimating blood pressure | |
| KR102569988B1 (ko) | 혈압 추정 장치 및 방법 | |
| US20230119697A1 (en) | Method of evaluating quality of bio-signal and apparatus for estimating bio-information | |
| US20220296115A1 (en) | Apparatus and method for estimating bio-information | |
| US20230007884A1 (en) | Apparatus and method for estimating bio-information | |
| KR20230141161A (ko) | 혈압 추정 장치 및 방법 | |
| US20230139441A1 (en) | Method of extracting representative waveform of bio-signal and apparatus for estimating bio-information | |
| US20230301593A1 (en) | Apparatus and method for estimating optical-based force | |
| US20240115212A1 (en) | Apparatus and method for estimating physiological variables | |
| US20230056434A1 (en) | Apparatus and method for estimating blood pressure | |
| US20240172945A1 (en) | Apparatus and method for estimating blood pressure | |
| EP4059414A1 (en) | Cuffless blood pressure estimation | |
| KR20240080674A (ko) | 항산화 성분 추정 장치 및 방법 | |
| KR20240080675A (ko) | 혈압 추정 장치 및 방법 | |
| KR20230096474A (ko) | 혈압 추정 장치 및 방법과 혈압 추정을 위한 센서 |