| 1 |
1
피검체로부터 심전도 신호(ECG: electrocardiography)를 획득하는 제1 센서부;상기 피검체로부터 광전용적맥파(PPG: photoplethysmography)를 획득하는 제2 센서부; 및상기 심전도 신호의 제1 포인트, 상기 광전용적맥파의 제2 포인트 및 제3 포인트로부터 추출된 적어도 하나의 특징 벡터를 지도 학습(supervised learning)된 결과값에 입력하여 수축기 혈압 및 이완기 혈압을 추정하는 프로세서를 포함하는 혈압 측정 장치
|
| 2 |
2
제1항에 있어서,상기 프로세서는 상기 추출된 적어도 하나의 특징 벡터를 미리 지도 학습된 심층신경망(DNN: Deep Neural Network)에 입력하여 상기 수축기 혈압 및 상기 이완기 혈압을 추정하는 혈압 측정 장치
|
| 3 |
3
제1항에 있어서,상기 프로세서는 상기 심전도 신호의 R 피크 포인트, 상기 광전용적맥파의 피크 포인트 및 밸리 포인트를 이용하여 적어도 하나의 특징 벡터를 추출하는 혈압 측정 장치
|
| 4 |
4
제3항에 있어서,상기 적어도 하나의 특징 벡터는, 소정의 측정 시간 동안의 상기 광전용적맥파 내에 포함되는 밸리 포인트들의 개수를 포함하는 혈압 측정 장치
|
| 5 |
5
제3항에 있어서,상기 적어도 하나의 특징 벡터는, 소정의 측정 시간 동안의 상기 심전도 신호 내에 포함되는 R 피크 포인트들의 개수를 포함하는 혈압 측정 장치
|
| 6 |
6
제3항에 있어서,상기 적어도 하나의 특징 벡터는, 상기 광전용적맥파의 제1 주기에 대응하는 제1 밸리 포인트 및 상기 제1 주기에 후속하는 제2 주기에 대응하는 제2 밸리 포인트의 시간 인덱스 차이의 중앙값을 포함하는 혈압 측정 장치
|
| 7 |
7
제3항에 있어서,상기 적어도 하나의 특징 벡터는, 상기 심전도 신호의 제1 주기에 대응하는 제1 R 피크 포인트 및 상기 제1 주기에 후속하는 제2 주기에 대응하는 제2 R 피크 포인트의 시간 인덱스 차이의 중앙값을 포함하는 혈압 측정 장치
|
| 8 |
8
제3항에 있어서,상기 프로세서는, 제1 주파수 이상의 신호를 차단하는 로우 패스 필터링 처리를 수행하여 상기 심전도 신호에서 잡음 신호를 제거하고, 제2 주파수 대역 내의 신호를 통과시키는 밴드 패스 필터링 처리를 수행하여 상기 광전용적맥파에서 잡음 신호를 제거하는 혈압 측정 장치
|
| 9 |
9
제8항에 있어서,상기 제1 주파수는 30Hz로부터 임계 차이 이하에 있는 주파수이고, 상기 제2 주파수 대역은 0
|
| 10 |
10
제1항에 있어서,상기 프로세서는 중앙값 필터를 이용하여 상기 추출된 적어도 하나의 특징 벡터에서 이상 데이터를 제거하고, 상기 피검체의 키, 몸무게, 나이 및 성별 중 적어도 하나를 구성요소(element)로서 더 포함하는 보정된 특징 벡터를 생성하는 혈압 측정 장치
|
| 11 |
11
제1항에 있어서,상기 제1 센서부 및 상기 제2 센서부는 상기 피검체의 손목으로부터 소정 범위 내에 존재하는 신체 영역내에 접촉되어 센싱을 수행하는 혈압 측정 장치
|
| 12 |
12
입력된 심전도 신호 및 광전용적맥파로부터 복수의 특징 벡터들을 추출하는 단계; 및상기 추출된 복수의 특징 벡터들을 지정된 뉴럴 네트워크에 입력하여 수축기 혈압 및 이완기 혈압을 추정하는 단계를 포함하는 혈압 추정 방법
|
| 13 |
13
제12항에 있어서,상기 지정된 뉴럴 네트워크는, 피검체의 심전도 신호 및 광전용적맥파를 입력 데이터로서 이용하고 상기 피검체의 수축기 혈압 및 이완기 혈압을 출력 데이터로 이용하여 학습된 심층 신경망(DNN: Deep Neural Network)를 나타내는 혈압 추정 방법
|
| 14 |
14
제12항에 있어서,제1 주파수 이상의 신호를 차단하는 로우 패스 필터링 처리를 수행하여 상기 입력된 심전도 신호에서 잡음 신호를 제거하는 단계; 및제2 주파수 대역 내의 신호를 통과시키는 밴드 패스 필터링 처리를 수행하여 상기 광전용적맥파에서 잡음 신호를 제거하는 단계를 더 포함하는 혈압 추정 방법
|
| 15 |
15
제12항에 있어서,상기 복수의 특징 벡터들을 추출하는 단계는,소정의 측정 시간 동안의 상기 광전용적맥파 내에 포함되는 밸리 포인트들의 개수를 특징 벡터로서 추출하는 단계를 포함하는 혈압 추정 방법
|
| 16 |
16
제12항에 있어서,상기 복수의 특징 벡터들을 추출하는 단계는,소정의 측정 시간 동안의 상기 심전도 신호 내에 포함되는 R 피크 포인트들의 개수를 특징 벡터로서 추출하는 단계를 포함하는 혈압 추정 방법
|
| 17 |
17
제12항에 있어서,상기 복수의 특징 벡터들을 추출하는 단계는,상기 광전용적맥파의 제1 주기에 대응하는 제1 밸리 포인트 및 상기 제1 주기에 후속하는 제2 주기에 대응하는 제2 밸리 포인트의 시간 인덱스 차이의 중앙값을 상기 특징 벡터로서 추출하는 단계를 포함하는 혈압 추정 방법
|
| 18 |
18
제12항에 있어서,상기 복수의 특징 벡터들을 추출하는 단계는,상기 심전도 신호의 제1 주기에 대응하는 제1 R 피크 포인트 및 상기 제1 주기에 후속하는 제2 주기에 대응하는 제2 R 피크 포인트의 시간 인덱스 차이의 중앙값을 상기 특징 벡터로서 추출하는 단계를 포함하는 혈압 추정 방법
|
| 19 |
19
측정된 생체신호(biosignal)을 이용하여 피검체의 혈압(blood pressure)을 측정하는 프로그램을 수록한 컴퓨터 판독 가능한 기록 매체에 있어서, 상기 프로그램은:입력된 심전도 신호 및 광전용적맥파로부터 복수의 특징 벡터들을 추출하는 명령어 세트; 및상기 추출된 복수의 특징 벡터들을 지정된 뉴럴 네트워크에 입력하여 수축기 혈압 및 이완기 혈압을 추정하는 명령어 세트를 포함하고,상기 지정된 뉴럴 네트워크는, 피검체의 심전도 신호 및 광전용적맥파를 입력 데이터로서 이용하고 상기 피검체의 수축기 혈압 및 이완기 혈압을 출력 데이터로 이용하여 학습된 심층 신경망(DNN: Deep Neural Network)를 나타내는 컴퓨터 판독 가능한 기록 매체
|
