1 |
1
피검체로부터 복수의 맥파신호를 측정하는 복수의 채널을 포함하는 맥파센서;상기 피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 힘센서; 및 채널별 맥파신호 및 힘신호를 이용하여 채널별 제1 특징(feature)을 출력하는 제1 신경망 모델, 상기 채널별로 가중치를 생성하고 생성된 가중치를 상기 출력된 채널별 제1 특징에 적용하여 제2 특징을 출력하는 제2 신경망 모델, 및 상기 출력된 제2 특징을 이용하여 생체정보를 출력하는 제3 신경망 모델을 포함하는 프로세서를 포함하는 생체정보 추정 장치
|
2 |
2
제1항에 있어서,상기 제1 신경망 모델, 제2 신경망 모델 및 제3 신경망 모델은DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 하는 생체정보 추정 장치
|
3 |
3
제1항에 있어서,상기 제1 신경망 모델은 병렬로 배치되어 제1 입력값, 제2 입력값 및 제3 입력값이 각각 입력되는 세 개의 신경망과, 상기 세 개의 신경망의 출력들을 입력으로 하여 상기 채널별 제1 특징을 출력하는 제1 완전 연결 레이어(fully connected layer)를 포함하는 생체정보 추정 장치
|
4 |
4
제3항에 있어서,상기 프로세서는상기 맥파신호로부터 1차 미분신호 및 2차 미분신호를 생성하고, 상기 맥파신호, 생성된 1차 미분신호 및 2차 미분신호 중의 적어도 하나를 상기 제1 입력값으로 획득하고, 상기 힘신호를 이용하여 맥파신호 포락선, 1차 미분신호 포락선 및 2차 미분신호 포락선 중의 적어도 하나의 포락선을 생성하고, 생성된 포락선을 상기 제2 입력값으로 획득하고, 상기 힘신호를 상기 제3 입력값으로 획득하는 생체정보 추정 장치
|
5 |
5
제1항에 있어서,상기 제2 신경망 모델은상기 제1 특징을 입력으로 하여 상기 채널별 가중치를 생성하는 어텐션 레이어(attention layer) 및 생성된 채널별 가중치를 확률값으로 변환하여 출력하는 소프트맥스(Softmax) 함수를 포함하는 생체정보 추정 장치
|
6 |
6
제5항에 있어서,상기 제2 신경망 모델은상기 소프트맥스 함수에서 변환된 각 채널별 확률값과 상기 채널별 제1 특징을 행렬곱하고, 행렬곱의 결과를 기초로 제2 특징을 출력하는 생체정보 추정 장치
|
7 |
7
제1항에 있어서, 상기 제3 신경망 모델은상기 제2 특징을 입력으로 하는 제2 완전 연결 레이어 및 상기 제2 완전 연결 레이어의 출력을 입력으로 하여 생체정보를 출력하는 제3 완전 연결 레이어를 포함하는 생체정보 추정 장치
|
8 |
8
제1항에 있어서, 상기 각 채널별 맥파신호 및 힘신호 중의 적어도 하나를 기초로 추출된 각 채널별 제3 특징을 기초로 각 채널별 가중치를 생성하고, 생성된 가중치를 상기 채널별 제3 특징에 적용하여 제4 특징을 출력하는 제4 신경망 모델을 더 포함하는 생체정보 추정 장치
|
9 |
9
제8항에 있어서, 상기 제3 신경망 모델은상기 제4 특징 및 사용자 특성 정보 중의 적어도 하나를 입력으로 하는 제4 완전 연결 레이어를 더 포함하고, 상기 제4 완전 연결 레이어의 출력은 상기 제3 완전 연결 레이어에 입력되는 생체정보 추정 장치
|
10 |
10
제9항에 있어서,상기 사용자 특성 정보는 사용자의 나이, 키, 몸무게 정보 중 적어도 하나를 포함하는 생체정보 추정 장치
|
11 |
11
제1항에 있어서,상기 생체정보는혈압, 혈관 나이, 동맥경화도, 대동맥압 파형, 혈관 탄성도, 스트레스 지수, 피로도, 피부 나이 및 피부 탄력도 중의 하나 이상을 포함하는 생체정보 추정 장치
|
12 |
12
맥파센서를 이용하여, 피검체로부터 채널별 복수의 맥파신호를 획득하는 단계;힘센서를 이용하여, 상기 피검체와 맥파센서 사이에 작용하는 힘신호를 획득하는 단계;획득된 채널별 맥파신호 및 힘신호를 제1 신경망 모델에 입력하여 채널별 제1 특징을 출력하는 단계;상기 출력된 제1 특징을 제2 신경망 모델에 입력하여 상기 채널별로 가중치를 생성하고 생성된 가중치를 상기 채널별 제1 특징에 적용하여 제2 특징을 출력하는 단계; 및출력된 제2 특징을 제3 신경망 모델에 입력하여 생체정보를 출력하는 단계를 포함하는 생체정보 추정 방법
|
13 |
13
제12항에 있어서,상기 제1 신경망 모델, 제2 신경망 모델 및 제3 신경망 모델은DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 하는 생체정보 추정 방법
|
14 |
14
제12항에 있어서,상기 채널별 제1 특징을 출력하는 단계는각 채널별로 제1 입력값, 제2 입력값 및 제3 입력값을 획득하는 단계; 상기 획득된 제1 입력값, 제2 입력값 및 제3 입력값을 상기 제1 신경망에 포함된 세 개의 신경망에 병렬로 입력하는 단계; 및상기 세 개의 신경망의 출력을 제1 완전 연결 레이어에 입력하여 제1 특징을 출력하는 단계를 포함하는 생체정보 추정 방법
|
15 |
15
제14항에 있어서,상기 제1 입력값은 상기 맥파신호, 맥파신호의 1차 미분신호 및 2차 미분신호 중의 적어도 하나를 포함하고, 상기 제2 입력값은 상기 힘신호를 이용하여 생성된 맥파신호 포락선, 1차 미분신호 포락선 및 2차 미분신호 포락선 중의 적어도 하나를 포함하고,상기 제3 입력값은 상기 힘신호를 포함하는 생체정보 추정 방법
|
16 |
16
제12항에 있어서,상기 제2 특징을 출력하는 단계는상기 제1 특징을 어텐션 레이어에 입력하여 상기 채널별 가중치를 생성하는 단계; 및소프트맥스 함수를 이용하여, 상기 생성된 채널별 가중치를 확률값으로 변환하는 단계를 포함하는 생체정보 추정 방법
|
17 |
17
제16항에 있어서,상기 제2 특징을 출력하는 단계는상기 변환된 채널별 확률값과 상기 채널별 제1 특징을 행렬곱하고, 행렬곱의 결과를 기초로 제2 특징을 출력하는 단계를 더 포함하는 생체정보 추정 방법
|
18 |
18
제12항에 있어서,상기 생체정보를 출력하는 단계는제2 완전 연결 레이어에 상기 제2 특징을 입력하는 단계; 및상기 제2 완전 연결 레이어의 출력을 제3 완전 연결 레이어에 입력하여 생체정보를 출력하는 단계를 포함하는 생체정보 추정 방법
|
19 |
19
제12항에 있어서,상기 채널별 맥파신호 및 힘신호 중의 적어도 하나를 기초로 추출된 채널별 제3 특징을 기초로 제4 신경망 모델에 의해 채널별 가중치를 생성하는 단계; 및생성된 가중치를 상기 채널별 제3 특징에 적용하여 제4 특징을 출력하는 단계를 더 포함하는 생체정보 추정 방법
|
20 |
20
제19항에 있어서,상기 생체정보를 출력하는 단계는상기 제4 특징 및 사용자 특성 정보 중의 적어도 하나를 제4 완전 연결 레이어에 입력하는 단계; 및상기 제4 완전 연결 레이어의 출력을 상기 제3 완전 연결 레이어에 입력하여 생체정보를 출력하는 단계를 포함하는 생체정보 추정 방법
|