KR101820511B1 - 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 - Google Patents
생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 Download PDFInfo
- Publication number
- KR101820511B1 KR101820511B1 KR1020160151695A KR20160151695A KR101820511B1 KR 101820511 B1 KR101820511 B1 KR 101820511B1 KR 1020160151695 A KR1020160151695 A KR 1020160151695A KR 20160151695 A KR20160151695 A KR 20160151695A KR 101820511 B1 KR101820511 B1 KR 101820511B1
- Authority
- KR
- South Korea
- Prior art keywords
- blood pressure
- user
- state
- signal
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000036772 blood pressure Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims description 60
- 230000000694 effects Effects 0.000 title description 5
- 230000006870 function Effects 0.000 claims abstract description 73
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 230000001133 acceleration Effects 0.000 claims description 24
- 238000012706 support-vector machine Methods 0.000 claims description 24
- 230000003287 optical effect Effects 0.000 claims description 22
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000000747 cardiac effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 10
- 229940079593 drug Drugs 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- SFLSHLFXELFNJZ-QMMMGPOBSA-N (-)-norepinephrine Chemical compound NC[C@H](O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-QMMMGPOBSA-N 0.000 description 2
- PTKSEFOSCHHMPD-SNVBAGLBSA-N 2-amino-n-[(2s)-2-(2,5-dimethoxyphenyl)-2-hydroxyethyl]acetamide Chemical compound COC1=CC=C(OC)C([C@H](O)CNC(=O)CN)=C1 PTKSEFOSCHHMPD-SNVBAGLBSA-N 0.000 description 2
- 102000015427 Angiotensins Human genes 0.000 description 2
- 108010064733 Angiotensins Proteins 0.000 description 2
- SNIOPGDIGTZGOP-UHFFFAOYSA-N Nitroglycerin Chemical compound [O-][N+](=O)OCC(O[N+]([O-])=O)CO[N+]([O-])=O SNIOPGDIGTZGOP-UHFFFAOYSA-N 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 229960001094 midodrine Drugs 0.000 description 2
- 229960002748 norepinephrine Drugs 0.000 description 2
- SFLSHLFXELFNJZ-UHFFFAOYSA-N norepinephrine Natural products NCC(O)C1=CC=C(O)C(O)=C1 SFLSHLFXELFNJZ-UHFFFAOYSA-N 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 206010020772 Hypertension Diseases 0.000 description 1
- 208000001953 Hypotension Diseases 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000003976 glyceryl group Chemical group [H]C([*])([H])C(O[H])([H])C(O[H])([H])[H] 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 208000012866 low blood pressure Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring pulse rate or heart rate
- A61B5/02405—Determining heart rate variability
-
- 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
- A61B5/024—Measuring pulse rate or heart rate
- A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A61B5/0402—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G06N99/005—
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Cardiology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Veterinary Medicine (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Vascular Medicine (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
Abstract
본 발명의 일 실시예에 따른 혈압 추정 장치는, 기 정해진 종류의 생체 신호를 사용자로부터 측정하는 측정부, 상기 측정된 생체 신호에 기초하여 상기 사용자의 신체 상태가 기 정해진 복수의 상태 유형 중 어떤 것에 해당하는지를 판단하는 상태 판단부, 상기 상태 유형 각각을, 상기 측정된 생체 신호로부터 상기 사용자의 혈압을 추정하기 위한 복수의 기 정해진 혈압 추정 함수 중 적어도 하나에 대응되도록 하는 대응 관계 정보를 저장하는 데이터베이스 및 상기 대응 관계 정보에 기초하여, 상기 사용자의 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수를 이용함으로써 상기 사용자의 혈압을 추정하는 혈압 추정부를 포함할 수 있다.
Description
본 발명은, 사용자로부터 측정된 생체 신호를 기초로 사용자의 혈압을 추정하되, 사용자의 신체 상태를 반영하여 더욱 정확하게 혈압을 추정하기 위한, 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법에 관한 것이다.
사람을 비롯한 생명체에서는 전기적, 기계적, 광학적 등의 원리를 통해 생체 신호(biosignal)라 통칭될 수 있는 다양한 전기 신호들이 생성된다. 이와 같은 생체 신호의 예로는 심전도(electrocardiogram, ECG), 심탄도(ballistocardiogram, BCG), 광용적맥파도(photoplethysmogram, PPG) 등이 있으며, 이러한 생체 신호들을 분석함으로써 생명체의 상태에 관한 다양한 정보를 얻을 수 있다.
생체 신호를 이용하여 추정할 수 있는 정보 중에는 생명체의 혈압(blood pressure)이 있다. 혈압은 혈관을 따라 흐르는 혈액이 혈관의 벽에 주는 압력으로서, 중요한 생명 징후 중 하나다. 혈압이 비정상적으로 높아지는 고혈압 혹은 비정상적으로 낮아지는 저혈압은 그 자체로도 관리가 필요한 질환일 뿐만 아니라 다양한 다른 질병들의 원인 혹은 위험 인자로서 작용하기 때문에, 혈압을 정확하게 관찰하는 것은 건강 유지를 위해 매우 중요하다 할 수 있다.
전술한 심전도, 심탄도, 광용적맥파도 등의 생체 신호를 이용하여 혈압을 알아내는 기법은 기존의 혈압 측정 방법에 비해 일상 생활을 하면서도 혈압의 변화를 편리하게 수시로 관찰할 수 있다는 이점이 있어 최근 각광받고 있다. 하지만, 이와 같은 기법에 의하면 혈압 추정에 있어서 단일한 알고리즘을 적용하기 때문에, 신체 활동의 종류 혹은 각종 약물 복용 여부 등 사용자의 신체 상태에 따라 정확도가 균일하지 않은 문제가 있었다.
본 발명의 해결하고자 하는 과제는, 신체 활동의 종류 혹은 각종 약물 복용 여부 등 사용자의 신체 상태와 상관없이 사용자의 혈압을 정확하게 추정하기 위한 장치 및 방법을 제공하는 것이다.
본 발명의 일 실시예에 따른 혈압 추정 장치는, 기 정해진 종류의 생체 신호를 사용자로부터 측정하는 측정부, 상기 측정된 생체 신호에 기초하여 상기 사용자의 신체 상태가 기 정해진 복수의 상태 유형 중 어떤 것에 해당하는지를 판단하는 상태 판단부, 상기 상태 유형 각각을, 상기 측정된 생체 신호로부터 상기 사용자의 혈압을 추정하기 위한 복수의 기 정해진 혈압 추정 함수 중 적어도 하나에 대응되도록 하는 대응 관계 정보를 저장하는 데이터베이스 및 상기 대응 관계 정보에 기초하여, 상기 사용자의 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수를 이용함으로써 상기 사용자의 혈압을 추정하는 혈압 추정부를 포함할 수 있다.
또한, 상기 상태 유형은, 상기 사용자의 운동 상태에 따라 분류되고, 상기 측정부는, 심전도를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하고, 상기 사용자의 가속도를 더 측정하며, 상기 상태 판단부는, 상기 심전도 측정 결과로부터 상기 사용자의 심박수를 알아내고, 상기 심박수 및 상기 가속도를 기 정해진 기준 심박수 및 기 정해진 기준 가속도와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단할 수 있다.
또한, 상기 상태 유형은, 상기 사용자의 약물 복용 상태에 따라 분류되고, 상기 측정부는, 심탄도 및 광용적맥파를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하며, 상기 상태 판단부는, 상기 심탄도의 신호 크기 및 상기 광용적맥파의 신호 크기를 기 정해진 기준 심탄도 신호 크기 및 기 정해진 기준 광용적맥파 신호 크기와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단할 수 있다.
또한, 상기 데이터베이스는, 상기 기 정해진 종류의 생체 신호를 사람의 신체로부터 측정한 결과인 생체 신호 데이터를 포함하는 복수의 측정 데이터를 더 저장하고, 상기 복수의 측정 데이터 각각은 상기 상태 유형 중 어느 하나에 매칭되며, 상기 상태 판단부는, 상기 복수의 측정 데이터를 머신 러닝(machine running) 기법을 이용하여 분석한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하고, 상기 머신 러닝 기법은 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중 어느 하나인 것일 수 있다.
또한, 상기 혈압 추정 장치는 연산부를 더 포함하며, 상기 데이터베이스는, 상기 기 정해진 종류의 생체 신호를 사람의 신체로부터 측정한 결과인 생체 신호 데이터 및 상기 생체 신호 데이터가 획득된 시점에 상기 사람의 혈압을 측정한 결과인 혈압 데이터를 포함하는 복수의 측정 데이터를 더 저장하고, 상기 복수의 측정 데이터 각각은, 상기 상태 유형 중 어느 하나에 매칭되며, 상기 연산부는, 상기 상태 유형 중 하나의 특정 상태 유형에 있어서, 상기 특정 상태 유형에 매칭된 측정 데이터 각각에 포함된 생체 신호 데이터와 혈압 데이터 사이의 관계를 나타내는 함수를, 기 정해진 복수의 머신 러닝 기법을 이용해 각각 산출하며, 상기 산출된 함수들 중 상기 산출된 함수에 기초하여 혈압을 추정한 결과와 상기 혈압 데이터 사이의 오차가 최소인 함수를 상기 특정 상태 유형에 대응되는 혈압 추정 함수로 설정할 수 있다.
또한, 상기 복수의 머신 러닝 기법은, 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중에서 선택될 수 있다.
본 발명의 일 실시예에 따른 혈압 추정 방법은, 기 정해진 종류의 생체 신호를 사용자로부터 측정하는 단계, 상기 측정된 생체 신호에 기초하여 상기 사용자의 신체 상태가 기 정해진 복수의 상태 유형 중 어떤 것에 해당하는지를 판단하는 단계, 상기 측정된 생체 신호로부터 상기 사용자의 혈압을 추정하기 위한 복수의 기 정해진 혈압 추정 함수 중 적어도 하나에 상기 상태 유형 각각을 대응되도록 하는 대응 관계 정보를 저장하는 데이터베이스를 이용하여, 상기 대응 관계 정보에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수를 이용함으로써 상기 사용자의 혈압을 추정하는 단계를 포함할 수 있다.
또한, 상기 상태 유형은, 상기 사용자의 운동 상태에 따라 분류되고, 상기 측정하는 단계는, 심전도를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하는 단계 및 상기 사용자의 가속도를 더 측정하는 단계를 포함하며, 상기 판단하는 단계는, 상기 심전도 측정 결과로부터 상기 사용자의 심박수를 알아내고, 상기 심박수 및 상기 가속도를 기 정해진 기준 심박수 및 기 정해진 기준 가속도와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는 단계를 포함할 수 있다.
또한, 상기 상태 유형은, 상기 사용자의 약물 복용 상태에 따라 분류되고, 상기 측정하는 단계는, 심탄도 및 광용적맥파를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하는 단계를 포함하며, 상기 판단하는 단계는, 상기 심탄도의 신호 크기 및 상기 광용적맥파의 신호 크기를 기 정해진 기준 심탄도 신호 크기 및 기 정해진 기준 광용적맥파 신호 크기와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는 단계를 포함할 수 있다.
또한, 상기 데이터베이스는, 상기 기 정해진 종류의 생체 신호를 사람의 신체로부터 측정한 결과인 생체 신호 데이터를 포함하는 복수의 측정 데이터를 더 저장하고, 상기 복수의 측정 데이터 각각은 상기 상태 유형 중 어느 하나에 매칭되며, 상기 판단하는 단계는, 상기 복수의 측정 데이터를 머신 러닝(machine running) 기법을 이용하여 분석한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는 단계를 포함하고, 상기 머신 러닝 기법은 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중 어느 하나인 것일 수 있다.
또한, 상기 데이터베이스는, 상기 기 정해진 종류의 생체 신호를 사람의 신체로부터 측정한 결과인 생체 신호 데이터 및 상기 생체 신호 데이터가 획득된 시점에 상기 사람의 혈압을 측정한 결과인 혈압 데이터를 포함하는 복수의 측정 데이터를 더 저장하고, 상기 복수의 측정 데이터 각각은, 상기 상태 유형 중 어느 하나에 매칭되며, 상기 상태 유형 중 하나의 특정 상태 유형에 있어서, 상기 특정 상태 유형에 매칭된 측정 데이터 각각에 포함된 생체 신호 데이터와 혈압 데이터 사이의 관계를 나타내는 함수를, 기 정해진 복수의 머신 러닝 기법을 이용해 각각 산출하는 단계 및 상기 산출된 함수들 중 상기 산출된 함수에 기초하여 혈압을 추정한 결과와 상기 혈압 데이터 사이의 오차가 최소인 함수를 상기 특정 상태 유형에 대응되는 혈압 추정 함수로 설정하는 단계를 더 포함할 수 있다.
또한, 상기 복수의 머신 러닝 기법은, 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중에서 선택될 수 있다.
본 발명의 일 실시예에 따르면, 생체 신호를 이용하여 사용자의 혈압을 추정함에 있어서, 생체 신호 측정 장치 및 다양한 센서 등을 이용하여 사용자의 신체 상태에 관한 데이터를 획득하고, 획득된 데이터를 기초로 사용자의 신체 상태를 분석한 후, 다양한 혈압 추정 알고리즘들 중 사용자의 신체 상태에 맞는 알고리즘을 적용함으로써 사용자의 혈압을 정확히 추정할 수 있다. 이에 따라 사용자의 신체 상태에 따라 혈압 추정의 정확도가 변동한다는 종래 기술의 문제를 해결할 수 있다.
도 1은 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 기법을 개념적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치에 의해 수행되는 혈압 추정 방법의 순서를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법에서 이용되는 생체 신호들에 대해 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치에 의해 수행되는 혈압 추정 방법의 순서를 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법에서 이용되는 생체 신호들에 대해 도시한 도면이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 기법을 개념적으로 도시한 도면이다. 도 1을 참조하면, 본 발명의 일 실시예에 따른 혈압 추정 기법에서는 사용자로부터 측정된 생체 신호가 혈압 추정을 위해 이용될 뿐만 아니라, 사용자의 신체 상태를 판단하기 위해서도 이용될 수 있다. 여기서, 생체 신호는 심전도, 심탄도, 광용적맥파도 등이 될 수 있다. 단, 신체 상태를 판단하기 위해서는 심전도를 분석하는 등의 방법을 통해 얻어지는 사용자의 심박수(heart rate)와, 가속도 센서 등을 통해 얻어지는 사용자의 가속도(acceleration)가 추가로 이용될 수 있다. 또한, 혈압을 추정함에 있어서는 측정된 생체 신호 그 자체 외에도, 측정된 생체 신호를 분석하여 얻어진 2차적인 생체 신호인 PTT(pulse transit time), PEP(pre-ejection period) 등이 추가로 이용될 수 있다.
상기 필요한 정보들을 이용하여 판단된 사용자의 신체 상태는 복수의 상태 유형에 따라 분류될 수 있다. 이러한 상태 유형에는 수면 혹은 휴식을 취하는 상태, 걷기 혹은 뛰기 등의 등장성(isotonic) 운동을 하는 상태, 장시간 앉기 혹은 무거운 물건 들기 등의 등척성(isometric) 운동을 하는 상태 등 사용자의 운동 상태를 나타내는 상태 유형들이 있을 수 있다. 한편, 상태 유형에는 GTN(glyceril trinitate), 앤지오텐신(angiotensin), 노르에피네프린(Norepinephrine) 혹은 미도드린(midodrine) 등의 약물을 복용했는지의 여부와 관련된 약물 복용 상태를 나타내는 상태 유형들이 있을 수 있다.
이와 같이 사용자의 신체 상태가 상기 상태 유형들 중 어떤 것에 해당하는지가 판단되면, 해당 상태 유형에 대응되는 혈압 추정 함수를 선택하고, 상기 측정된 사용자의 생체 신호를 선택된 혈압 추정 함수의 인자로서 사용함으로써 상기 선택된 혈압 추정 함수에 의해 얻어진 값을 사용자의 혈압으로서 추정할 수 있다. 즉 본 발명의 일 실시예에 의하면, 사용자의 신체 상태를 나타내는 다양한 상태 유형 각각에 대응되는 혈압 추정 함수가 존재하며, 사용자의 신체 상태가 어떠한 상태 유형에 해당되는지에 따라 해당 상태 유형에 대응되는 혈압 추정 함수를 통하여 사용자의 혈압을 추정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치의 구성을 도시한 도면이다. 도 2의 혈압 추정 장치(100)는 측정부(110), 상태 판단부(120), 데이터베이스(130), 혈압 추정부(140), 연산부(150) 및 출력부(160)를 포함할 수 있다. 다만, 이러한 도 2의 혈압 추정 장치(100)는 본 발명의 일 실시예에 불과하므로, 도 2를 통해 본 발명의 사상이 한정 해석되는 것은 아니다.
측정부(110)는 사용자로부터 기 정해진 종류의 생체 신호를 측정할 수 있다. 이러한 생체 신호는 심전도, 심탄도, 광용적맥파도 등이 될 수 있음은 앞서 언급한 바와 같으나, 반드시 이에 한정되는 것은 아니다. 이러한 측정부(110)는 생체 신호 측정용의 전극 및 이를 위한 인터페이스를 포함하여 구현될 수 있다. 또한, 측정부(110)는 사용자의 가속도를 더 측정할 수 있으며, 이 경우 측정부(110)는 가속도 센서를 포함할 수 있다.
상태 판단부(120)는 측정부(110)에 의해 측정된 생체 신호에 기초하여 사용자의 신체 상태가 복수의 상태 유형 중 어떤 것에 해당하는지를 판단할 수 있다. 구체적으로, 상태 판단부(120)는 심전도와 같은 생체 신호로부터 사용자의 심장이 단위 시간(예컨대, 분)당 몇 회 뛰는지(즉, 심장이 얼마나 빨리 뛰는지)를 나타내는 심박수를 알아낼 수 있다. 상태 판단부(120)는 이와 같이 도출된 사용자의 심박수와, 측정부(110)에 의해 측정된 사용자의 가속도를 이용하여 사용자의 신체 상태가 어떠한 상태 유형에 해당되는지를 판단할 수 있다.
또한, 상태 판단부(120)는 측정부(110)에 의해 측정된 심탄도 및 광용적맥파의 신호 크기를 이용하여 사용자의 신체 상태가 어떠한 상태 유형에 해당되는지를 판단할 수도 있으며, 이러한 판단에는 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 혹은 딥 러닝(deep learning) 등의 다양한 머신 러닝(machine learning) 기법이 사용될 수 있다. 상태 판단부(120)가 사용자의 신체 상태를 판단하는 구체적인 방법에 대해서는 후술하도록 하겠으며, 상태 판단부(120)는 후술할 혈압 측정부(140) 및 연산부(150)와 함께 마이크로프로세서(microprocessor)를 포함하는 연산 장치에 의해 구현될 수 있다.
데이터베이스(130)는 혈압 추정 장치(100)의 동작에 필요한 각종 데이터들을 저장할 수 있다. 이러한 데이터로서는 전술한 사용자의 신체 상태를 분류하기 위한 복수의 상태 유형에 관한 정보를 들 수 있다. 또한, 데이터베이스(130)는 측정부(110)에 의해 측정된 생체 신호로부터 상기 사용자의 혈압을 추정하기 위한 복수의 혈압 추정 함수를 저장할 수 있다. 이러한 혈압 추정 함수의 구체적인 사항에 대해서는 후술한다. 아울러 데이터베이스(130)는 상기 복수의 상태 유형 각각을, 상기 복수의 혈압 추정 함수 중 적어도 하나에 대응되도록 하는 대응 관계 정보를 저장할 수도 있다.
또한, 데이터베이스(130)는 복수의 측정 데이터를 포함할 수 있다. 이러한 측정 데이터 각각에는, 상기 기 정해진 종류의 생체 신호를 사용자 혹은 그 외의 사람들로부터 측정한 결과인 생체 신호 데이터와, 상기 생체 신호 데이터가 획득된 시점에 상기 생체 신호 데이터의 원천이 된 사람의 혈압을 측정한 결과인 혈압 데이터가 포함될 수 있다. 즉, 데이터베이스(130)에는 어떤 사람의 생체 신호와 혈압을 동시에 측정한 결과를 기록한 측정 데이터가 복수 개 저장된다는 것이며, 이러한 측정 데이터는 충분히 많은 수가 축적된 후 머신 러닝 기법을 통해 분석될 수 있다. 이와 같은 분석 기법의 구체적인 사항에 대해서는 후술한다.
이러한 데이터베이스(130)는 구체적으로 컴퓨터 판독 기록 매체로서 구현될 수 있으며, 이러한 컴퓨터 판독 기록 매체의 예로는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 플래시 메모리(flash memory)와 같은 프로그램 명령어들을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 들 수 있다.
혈압 추정부(140)는 데이터베이스(130)에 저장된 대응 관계 정보에 기초하여, 사용자의 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수 선택하고, 측정된 생체 신호를 선택된 함수의 인자로서 이용함으로써 사용자의 혈압을 추정할 수 있다.
연산부(150)는 상기 상태 유형 중 하나의 특정 상태 유형에 있어서, 상기 특정 상태 유형에 매칭된 측정 데이터 각각에 포함된 생체 신호 데이터와 혈압 데이터 사이의 관계를 나타내는 함수를, 기 정해진 복수의 머신 러닝 기법을 이용해 각각 산출할 수 있다. 그리고 연산부(150)는, 산출된 함수들 중 최적의 함수(예컨대, 함수에 의한 혈압 추정값과 혈압 데이터 사이의 오차가 최소인 함수)를 상기 특정 상태 유형에 대응되는 혈압 추정 함수로 설정할 수 있다. 또한 연산부(150)는, 휴대폰 등 사용자가 소지한 휴대용 장치와의 통신을 통해 상기 휴대용 장치로부터 특정 정보를 수신할 수 있다. 예컨대, 혈압 추정 장치(100)는 사용자의 휴대용 장치에 의해 획득된 사용자의 생체 신호를 상기 휴대용 장치로부터 수신하는 등의 방법으로 측정부(110)의 기능을 대신할 수 있다. 그 외에도, 연산부(150)는 혈압 추정 장치(100)의 타 구성 요소들을 전반적으로 제어하는 제어부로서의 역할을 수행할 수도 있다.
출력부(160)는 혈압 추정부(140)의 제어에 기초하여, 특정 정보를 사용자가 인지할 수 있는 형태로 출력할 수 있다. 이러한 특정 정보는 대표적으로는 혈압 추정부(140)에 의해 추정된 사용자의 혈압이 될 수 있다. 이러한 출력부(150)는 LCD(liquid crystal display) 혹은 OLED(organic light emitting diode) 등의 디스플레이 장치 혹은 스피커 등의 음향 출력 장치를 통해 구현될 수 있다.
도 3은 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치에 의해 수행되는 혈압 추정 방법의 순서를 도시한 도면이다. 한편, 도 4는 본 발명의 일 실시예에 따른 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법에서 이용되는 생체 신호들에 대해 도시한 도면이다.
도 4에 도시된 바와 같이, 본 발명의 일 실시예에 따른 혈압 추정 방법에서는 심전도(ECG), 심탄도(BCG), 광용정맥파(PPG) 외에도, 이들을 분석하여 얻을 수 있는 2차적인 신호인 PTT 및 PEP 등을 추가로 이용할 수 있다. PTT는 "맥파전달시간"에 해당하며, 보다 자세히 설명하면 맥박이 심장에서 신체의 타 부위로 전달되는 시간을 의미한다. 이러한 PTT는 심장 근처에서 측정한 심전도, 심탄도 혹은 광용적맥파 신호를, 신체의 타 부위(예컨대, 손가락 혹은 발가락 등)에서 측정한 광용적맥파 신호와 비교하여 구할 수 있다. 광용적맥파 신호는 심장 근처가 아니더라도 측정이 가능함을 이용한 것이다. 구체적으로, 비교 대상이 되는 두 신호의 파형의 시간 축에서의 위상의 차(예컨대, 두 신호의 피크(peak) 간의 시간차)가 PTT가 될 수 있다. PEP는 심장의 전기적 신호와 심장의 물리적 반응 사이의 시간을 의미하며, 구체적으로는 심전도 신호와 심탄도 신호를 비교(예컨대, 심전도 신호의 피크와 심탄도 신호의 피크 사이의 시간차를 산출)함으로써 구할 수 있다. 이러한 PTT 및 PEP 신호는 심전도, 심탄도, 광용정맥파 및 심박수와 함께 후술할 혈압 추정 함수의 인자가 될 수 있다. 한편, 상기 생체 신호들의 신호 크기(진폭) 혹은 파형 등이 생체 신호의 특징으로서 이용될 수 있다.
다시 도 3으로 돌아와서, 도 3을 참조하여 본 발명의 일 실시예에 따른 혈압 추정 방법의 각 단계를 설명하면 아래와 같으며, 상기 도 1 및 도 2와 중복되는 부분에 대해서는 설명이 생략될 수 있다. 또한, 아래의 각 단계는 반드시 순서대로 수행될 필요는 없으며, 필요에 따라 그 순서가 변경될 수도 있다.
우선, 특정 상태 유형에 대하여, 생체 신호 데이터와 혈압 데이터 사이의 관계를 나타내는 함수를 산출할 수 있다(S110). 구체적으로 설명하면, 먼저 상태 판단부(120)는 데이터베이스(130)에 저장된 복수의 상태 유형들 중, 하나의 상태 유형을 선택할 수 있다. 이러한 상태 유형은 예컨대 휴식, 등장성 운동, 등척성 운동 등 사용자의 운동 상태에 관한 것이 될 수도 있고, 각종 약물에 대한 복용 여부를 나타내는 사용자의 약물 복용 상태에 관한 것이 될 수도 있음은 전술한 바와 같다.
이하에서는 등장성 운동을 선택했다고 가정하자. 그러면, 연산부(150)는 데이터베이스(130)에 등장성 운동과 매칭되어 저장된 측정 데이터를 호출할 수 있다. 즉, 이러한 측정 데이터는 피험자(사용자 혹은 그 외의 사람)가 등장성 운동을 하고 있을 때 생체 신호 및 혈압을 측정함으로써 생성된 데이터로서, 후술할 머신 러닝 기법을 이용한 분석을 위해 측정 데이터는 충분히 많은 수로 축적되어 있을 수 있다. 이러한 측정 데이터 각각은 실제 측정 결과에 기반한 생체 신호 데이터 및 혈압 데이터를 포함할 수 있다.
그리고, 상기 등장성 운동과 매칭된 복수의 측정 데이터들을, 복수의 머신 러닝 기법을 각각 이용하여 분석함으로써, 각각의 머신 러닝 기법에 대응되는 혈압 추정 함수를 산출할 수 있다. 즉, 머신 러닝 기법으로 선형회귀 분석, SVM, ANN 및 딥 러닝의 4가지를 이용한다고 가정할 경우, 혈압 추정 함수 역시 총 4가지가 나오게 되는 것이다.
다음으로, 산출된 함수들 중 최적의 함수를 상기 특정 상태 유형에 대응되는 혈압 추정 함수로 설정할 수 있다(S120). 위의 예에서, 등장성 운동에 매칭된 측정 데이터 중 어느 하나에 포함된 생체 신호 데이터(심전도, 심탄도, 광용적맥파, PTT, PEP 및 심박수 등)를, 선형회귀 분석으로 산출된 혈압 추정 함수에 인자로서 대입할 경우, 혈압 추정값이 함수의 출력값으로서 출력될 것이다. 그러면, 해당 추정값을 상기 생체 신호 데이터와 함께 상기 측정 데이터에 포함된 혈압 데이터와 비교하여 그 오차를 구할 수 있다. 이와 같은 과정을 등장성 운동에 매칭된 측정 데이터 모두에 대해 수행함으로써 종합 오차를 구할 수 있으며, 이러한 종합 오차는 예컨대 최소제곱법(least squares approximation)을 이용하여 구할 수 있으나 반드시 이에 한정되는 것은 아니다. 전술한 과정을 선형회귀 분석 외의 다른 3가지 머신 러닝 기법을 이용하여 산출된 혈압 추정 함수에 대해서도 각각 수행할 수 있다. 그러면, 예컨대 종합 오차가 가장 작은 혈압 추정 함수로서 SVM에 의해 산출된 혈압 추정 함수가 선정될 수 있으며, 해당 상태 유형에 대한 혈압 추정 함수로서 SVM에 의해 산출된 혈압 추정 함수가 사용되도록 설정할 수 있다. 이후로는 후술할 S130 내지 S150의 단계를 통해 사용자가 등장성 운동 중이라 판단될 경우 SVM에 의해 산출된 혈압 추정 함수를 이용하여 사용자의 혈압을 추정할 수 있는 것이다.
그 다음으로는, 기 정해진 종류의 생체 신호를 사용자로부터 측정할 수 있다(S130). 생체 신호의 종류에 대해서는 이미 설명한 바 있으므로 여기에서는 더 이상의 자세한 설명은 생략한다. 또한, 생체 신호와 함께 사용자의 심박수 및 가속도 등의 정보 역시 획득될 수 있음은 위에서 설명한 바와 같다. 이어서, 측정된 생체 신호에 기초하여 사용자의 신체 상태가 데이터베이스(130)에 저장된 상태 유형 중 어느 것에 해당하는지를 판단할 수 있다(S140).
상기 신체 상태 판단 과정에 대해 보다 구체적으로 설명하면 다음과 같다. 우선, 심박수, 가속도, 심탄도의 신호 크기, 광용적맥파의 신호 크기 등이 기준 상태(예컨대, 휴식)에 비해 어떻게 변화하였는지를 관찰하여 사용자의 신체 상태를 판단할 수 있다. 이에 대한 구체적인 판단 기준은 아래의 표 1에 정리되어 있다.
| 생체 활동 | 심박수 | 가속도 | 심탄도 | 광용적맥파 |
| 휴식 (기준 상태) | 동등 | 동등 | 동등 | 동등 |
| 등장성 운동 | 상승 | 상승 | - | - |
| 등척성 운동 | 상승 | 동등 | - | - |
| GTN 복용 | 동등 | 동등 | - | 상승 |
| 앤지오텐신 복용 | 동등 | 동등 | 상승 | 하락 |
| 노르에피네프린 복용 | 동등 | 동등 | 동등 | 하락 |
| 미도드린 복용 | 동등 | 동등 | 하락 | 하락 |
상기 표 1에 따르면, 예컨대 심박수가 기준 상태인 휴식 상태에 비해 상승하였으나, 가속도는 동등(상승 혹은 하락의 비율이 기 정해진 비율 미만인 미세한 상승 혹은 하락 역시 동등으로 취급될 수 있음)할 경우, 사용자가 등척성 운동 중이라 판단할 수 있다. 또한, 심박수 및 가속도가 휴식 상태와 동등하나, 심탄도와 광용적맥파의 신호 크기가 모두 하락했을 경우 사용자가 미도드린과 같은 약물을 복용한 상태라 판단할 수 있다.
이와 달리, 앞서 설명한 선형회귀 분석, SVM, ANN 및 딥 러닝 등의 머신 러닝 기법을 이용하여 사용자의 상태를 판단할 수도 있다. 전술한 S110 및 S120의 유사하게, 데이터베이스(130)의 측정 데이터에 대해 머신 러닝을 수행함으로써 심박수, 가속도, 심탄도 및 광용적맥파를 인자로 하고 상태 유형을 출력으로 하는 함수를 도출할 수 있다. 그러면, 상기 함수에 사용자로부터 측정된 심박수, 가속도, 심탄도 및 광용적맥파 등의 인자를 입력함으로써, 사용자의 신체 상태가 어떠한 상태 유형에 해당하는지를 판단할 수 있다.
마지막으로, 사용자의 현재 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수를 이용하여 사용자의 혈압을 추정할 수 있다(S150). 예컨대, 사용자가 현재 등장성 운동을 하고 있다고 판단된 경우, 상기 S110 및 S120의 단계에서 예시적으로 설명된 바와 같이 등장성 운동에 대응된다고 정해진 SVM에 의해 산출된 혈압 추정 함수를 이용하여 사용자의 혈압을 추정할 수 있는 것이다.
이와 같이, 본 발명의 일 실시예에 따르면, 생체 신호를 이용하여 사용자의 혈압을 추정함에 있어서, 사용자의 신체 상태에 관한 데이터를 기초로 사용자의 신체 상태를 분석한 후, 다양한 혈압 추정 알고리즘들 중 사용자의 신체 상태에 맞는 알고리즘을 적용함으로써 사용자의 혈압을 정확히 추정할 수 있다. 이에 따라 사용자의 신체 상태에 따라 혈압 추정의 정확도가 변동한다는 종래 기술의 문제를 해결할 수 있다.
본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 복수의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 혈압 추정 장치
110: 측정부
120: 상태 판단부
130: 데이터베이스
140: 혈압 추정부
150: 연산부
160: 출력부
110: 측정부
120: 상태 판단부
130: 데이터베이스
140: 혈압 추정부
150: 연산부
160: 출력부
Claims (14)
- 기 정해진 종류의 생체 신호를 사용자로부터 측정하는 측정부;
상기 측정된 생체 신호에 기초하여 상기 사용자의 신체 상태가 기 정해진 복수의 상태 유형 중 어떤 것에 해당하는지를 판단하는 상태 판단부;
상기 상태 유형 각각을, 상기 측정된 생체 신호로부터 상기 사용자의 혈압을 추정하기 위한 복수의 기 정해진 혈압 추정 함수 중 적어도 하나에 대응되도록 하는 대응 관계 정보를 저장하는 데이터베이스; 및
상기 대응 관계 정보에 기초하여, 상기 사용자의 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수를 이용함으로써 상기 사용자의 혈압을 추정하는 혈압 추정부를 포함하며,
상기 상태 유형은, 상기 사용자의 약물 복용 상태에 따라 분류되고,
상기 데이터베이스는, 상기 기 정해진 종류의 생체 신호를 복수의 사람의 신체로부터 기 측정한 결과인 생체 신호 데이터 및 상기 생체 신호 데이터가 획득된 시점에 상기 복수의 사람의 혈압을 기 측정한 결과인 혈압 데이터를 포함하는 복수의 측정 데이터를 더 저장하고,
상기 복수의 측정 데이터 각각은, 상기 상태 유형 중 어느 하나에 매칭되며,
상기 상태 유형 중 하나의 특정 상태 유형에 있어서, 상기 특정 상태 유형에 매칭된 측정 데이터 각각에 포함된 생체 신호 데이터와 혈압 데이터 사이의 관계를 나타내는 복수의 함수를, 기 정해진 복수의 머신 러닝 기법 각각을 이용해 산출하며, 상기 산출된 함수들 중 상기 산출된 함수에 기초하여 혈압을 추정한 결과와 상기 혈압 데이터 사이의 오차가 최소인 함수를 상기 특정 상태 유형에 대응되는 혈압 추정 함수로 설정하는 연산부를 더 포함하는
혈압 추정 장치. - 제 1 항에 있어서,
상기 상태 유형은, 상기 사용자의 운동 상태에 따라 분류되고,
상기 측정부는, 심전도를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하고, 상기 사용자의 가속도를 더 측정하며,
상기 상태 판단부는, 상기 심전도 측정 결과로부터 상기 사용자의 심박수를 알아내고, 상기 심박수 및 상기 가속도를 기 정해진 기준 심박수 및 기 정해진 기준 가속도와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는
혈압 추정 장치. - 제 1 항에 있어서,
상기 측정부는, 심탄도 및 광용적맥파를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하며,
상기 상태 판단부는, 상기 심탄도의 신호 크기 및 상기 광용적맥파의 신호 크기를 기 정해진 기준 심탄도 신호 크기 및 기 정해진 기준 광용적맥파 신호 크기와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는
혈압 추정 장치. - 제 1 항에 있어서,
상기 상태 판단부는, 상기 복수의 측정 데이터를 머신 러닝(machine running) 기법을 이용하여 분석한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하고,
상기 머신 러닝 기법은 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중 어느 하나인 것인
혈압 추정 장치. - 삭제
- 제 1 항에 있어서,
상기 복수의 머신 러닝 기법은, 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중에서 선택되는
혈압 추정 장치. - 기 정해진 종류의 생체 신호를 사용자로부터 측정하는 단계;
상기 측정된 생체 신호에 기초하여 상기 사용자의 신체 상태가 기 정해진 복수의 상태 유형 중 어떤 것에 해당하는지를 판단하는 단계; 및
상기 측정된 생체 신호로부터 상기 사용자의 혈압을 추정하기 위한 복수의 기 정해진 혈압 추정 함수 중 적어도 하나에 상기 상태 유형 각각을 대응되도록 하는 대응 관계 정보를 저장하는 데이터베이스를 이용하여, 상기 대응 관계 정보에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형에 대응되는 혈압 추정 함수를 이용함으로써 상기 사용자의 혈압을 추정하는 단계를 포함하며,
상기 상태 유형은, 상기 사용자의 약물 복용 상태에 따라 분류되고,
상기 데이터베이스는, 상기 기 정해진 종류의 생체 신호를 복수의 사람의 신체로부터 기 측정한 결과인 생체 신호 데이터 및 상기 생체 신호 데이터가 획득된 시점에 상기 복수의 사람의 혈압을 기 측정한 결과인 혈압 데이터를 포함하는 복수의 측정 데이터를 더 저장하고,
상기 복수의 측정 데이터 각각은, 상기 상태 유형 중 어느 하나에 매칭되며,
상기 상태 유형 중 하나의 특정 상태 유형에 있어서, 상기 특정 상태 유형에 매칭된 측정 데이터 각각에 포함된 생체 신호 데이터와 혈압 데이터 사이의 관계를 나타내는 복수의 함수를, 기 정해진 복수의 머신 러닝 기법 각각을 이용해 산출하는 단계; 및
상기 산출된 함수들 중 상기 산출된 함수에 기초하여 혈압을 추정한 결과와 상기 혈압 데이터 사이의 오차가 최소인 함수를 상기 특정 상태 유형에 대응되는 혈압 추정 함수로 설정하는 단계를 더 포함하는
혈압 추정 방법. - 제 7 항에 있어서,
상기 상태 유형은, 상기 사용자의 운동 상태에 따라 분류되고,
상기 측정하는 단계는, 심전도를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하는 단계; 및
상기 사용자의 가속도를 더 측정하는 단계를 포함하며,
상기 판단하는 단계는, 상기 심전도 측정 결과로부터 상기 사용자의 심박수를 알아내고, 상기 심박수 및 상기 가속도를 기 정해진 기준 심박수 및 기 정해진 기준 가속도와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는 단계를 포함하는
혈압 추정 방법. - 제 7 항에 있어서,
상기 측정하는 단계는, 심탄도 및 광용적맥파를 상기 기 정해진 종류의 생체 신호로서 상기 사용자로부터 측정하는 단계를 포함하며,
상기 판단하는 단계는, 상기 심탄도의 신호 크기 및 상기 광용적맥파의 신호 크기를 기 정해진 기준 심탄도 신호 크기 및 기 정해진 기준 광용적맥파 신호 크기와 각각 비교한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는 단계를 포함하는
혈압 추정 방법. - 제 7 항에 있어서,
상기 판단하는 단계는, 상기 복수의 측정 데이터를 머신 러닝(machine running) 기법을 이용하여 분석한 결과에 기초하여 상기 사용자의 신체 상태에 해당하는 상태 유형을 판단하는 단계를 포함하고,
상기 머신 러닝 기법은 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중 어느 하나인 것인
혈압 추정 방법. - 삭제
- 제 7 항에 있어서,
상기 복수의 머신 러닝 기법은, 선형회귀 분석(linear regression analysis), SVM(support vector machine), ANN(artificial neural network) 및 딥 러닝(deep learning) 중에서 선택되는
혈압 추정 방법. - 제 7 항 내지 제 10 항 및 제 12 항 중 어느 한 항에 기재된 방법에 따른 각각의 단계를 수행하는, 컴퓨터 판독 가능 기록매체에 저장된 프로그램.
- 제 7 항 내지 제 10 항 및 제 12 항 중 어느 한 항에 기재된 방법에 따른 각각의 단계를 수행하는 명령어를 포함하는 프로그램이 기록된 컴퓨터 판독 가능 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160151695A KR101820511B1 (ko) | 2016-11-15 | 2016-11-15 | 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160151695A KR101820511B1 (ko) | 2016-11-15 | 2016-11-15 | 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101820511B1 true KR101820511B1 (ko) | 2018-01-19 |
Family
ID=61025339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160151695A Active KR101820511B1 (ko) | 2016-11-15 | 2016-11-15 | 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101820511B1 (ko) |
Cited By (6)
| 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 |
| KR20210063996A (ko) * | 2019-11-25 | 2021-06-02 | 한국전자통신연구원 | 실시간 혈압 추정 장치 및 그 방법 |
| CN113873938A (zh) * | 2019-04-01 | 2021-12-31 | 维瓦灵克有限公司 | 用于无创心脏监测的系统、装置和方法 |
| KR20220125988A (ko) * | 2021-03-08 | 2022-09-15 | 주식회사 소프트웨어융합연구소 | 심탄도와 인공지능 기술을 이용한 혈압측정장치 |
| WO2023190085A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 血圧推定装置、血圧推定方法およびプログラム |
| US12207907B2 (en) | 2020-07-16 | 2025-01-28 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating blood pressure |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101308522B1 (ko) * | 2012-05-23 | 2013-09-17 | 부산대학교 산학협력단 | 다중 생체 신호를 이용한 실시간 혈압 모니터링 및 바이오피드백 시스템 및 방법 |
| JP5388580B2 (ja) * | 2005-11-29 | 2014-01-15 | ベンチャー ゲイン リミテッド ライアビリティー カンパニー | ヒトの健康に関する残差ベースの管理 |
-
2016
- 2016-11-15 KR KR1020160151695A patent/KR101820511B1/ko active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5388580B2 (ja) * | 2005-11-29 | 2014-01-15 | ベンチャー ゲイン リミテッド ライアビリティー カンパニー | ヒトの健康に関する残差ベースの管理 |
| KR101308522B1 (ko) * | 2012-05-23 | 2013-09-17 | 부산대학교 산학협력단 | 다중 생체 신호를 이용한 실시간 혈압 모니터링 및 바이오피드백 시스템 및 방법 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113873938A (zh) * | 2019-04-01 | 2021-12-31 | 维瓦灵克有限公司 | 用于无创心脏监测的系统、装置和方法 |
| KR20200123335A (ko) * | 2019-04-18 | 2020-10-29 | 서울대학교산학협력단 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
| KR102202029B1 (ko) * | 2019-04-18 | 2021-01-13 | 서울대학교산학협력단 | 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치 |
| KR20210063996A (ko) * | 2019-11-25 | 2021-06-02 | 한국전자통신연구원 | 실시간 혈압 추정 장치 및 그 방법 |
| KR102389499B1 (ko) * | 2019-11-25 | 2022-04-25 | 한국전자통신연구원 | 실시간 혈압 추정 장치 및 그 방법 |
| US12207907B2 (en) | 2020-07-16 | 2025-01-28 | Samsung Electronics Co., Ltd. | Apparatus and method for estimating blood pressure |
| KR20220125988A (ko) * | 2021-03-08 | 2022-09-15 | 주식회사 소프트웨어융합연구소 | 심탄도와 인공지능 기술을 이용한 혈압측정장치 |
| KR102517533B1 (ko) | 2021-03-08 | 2023-04-04 | 주식회사 소프트웨어융합연구소 | 심탄도와 인공지능 기술을 이용한 혈압측정장치 |
| WO2023190085A1 (ja) * | 2022-03-30 | 2023-10-05 | ヌヴォトンテクノロジージャパン株式会社 | 血圧推定装置、血圧推定方法およびプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101820511B1 (ko) | 생체 신호를 이용한 활동 모델 기반 혈압 추정 장치 및 방법 | |
| US11367525B2 (en) | Calibration for continuous non-invasive blood pressure monitoring using artificial intelligence | |
| US10617316B2 (en) | Detachable biosignal complex sensor and method of detecting biosignal information using the same | |
| JP5779299B2 (ja) | 心拍出量の監視 | |
| CN101061950B (zh) | 利用spo2进行心房纤颤检测 | |
| EP3429456B1 (en) | A method and apparatus for determining a baseline for one or more physiological characteristics of a subject | |
| US20180199824A1 (en) | Device for measuring biological signals | |
| US10973428B2 (en) | Device and method for measuring a physiological characteristic of a subject | |
| WO2018105447A1 (ja) | 接触状態推定装置及び生体信号測定装置 | |
| US10923217B2 (en) | Condition or treatment assessment methods and platform apparatuses | |
| US11617545B2 (en) | Methods and systems for adaptable presentation of sensor data | |
| RU2706973C2 (ru) | Система и способ обнаружения падения | |
| US20180233234A1 (en) | System and Method for Sympathetic and Parasympathetic Activity Monitoring by Heartbeat | |
| Marques et al. | A real time, wearable ECG and blood pressure monitoring system | |
| WO2016006250A1 (ja) | 生体情報測定装置 | |
| Jain et al. | A sparse regression based approach for cuff-less blood pressure measurement | |
| EP3941344A1 (en) | Methods and apparatus for dynamically identifying and selecting the best photoplethysmography sensor channel during monitoring | |
| WO2020129052A1 (en) | System and method for blood pressure monitoring with subject awareness information | |
| WO2023117560A1 (en) | Tool for identifying measures against hypertension and for their monitoring | |
| US20210290075A1 (en) | Noninvasive systems and methods for continuous hemodynamic monitoring | |
| US20230346234A1 (en) | Wearable photoplethysmography device for detecting clinical decompensation based on heart rate variability | |
| US20210369207A1 (en) | An apparatus for use with a wearable cuff | |
| Kazemi | Non-invasive cuff-less blood pressure estimation using LSTM-based recurrent neural networks | |
| Yoshikawa et al. | Reliability Estimation and Filtering of Heart Rate Measurement Using Inertial Sensor during Exercise. | |
| WO2024126178A1 (en) | Monitoring the treatment of hypertension |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20161115 |
|
| PA0201 | Request for examination | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20170615 Patent event code: PE09021S01D |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20171228 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20180115 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20180116 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration | ||
| PR1001 | Payment of annual fee |
Payment date: 20201229 Start annual number: 4 End annual number: 4 |
|
| PR1001 | Payment of annual fee |
Payment date: 20241226 Start annual number: 8 End annual number: 8 |