1 |
1
피검체로부터 PPG(photoplethysmogram) 신호를 측정하는 PPG 센서;피검체와 맥파센서 사이에 작용하는 힘신호를 측정하는 힘센서; 및상기 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
|
2 |
2
제1항에 있어서,상기 혈압 추정 모델은DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 하는 혈압 추정 장치
|
3 |
3
제1항에 있어서,상기 프로세서는상기 클래스별 확률값의 벡터와 클래스별 대표값의 벡터를 내적하여 혈압값을 획득하는 혈압 추정 장치
|
4 |
4
제3항에 있어서,상기 프로세서는각 클래스별 혈압 구간의 중간값, 평균값, 최대값, 및 최소값 중의 적어도 하나를 각 클래스별 대표값으로 설정하는 혈압 추정 장치
|
5 |
5
제1항에 있어서,상기 혈압 추정 모델은PPG 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
|
6 |
6
제1항에 있어서,상기 프로세서는학습용 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
|
7 |
7
제6항에 있어서,상기 프로세서는상기 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
|
8 |
8
제6항에 있어서,상기 프로세서는크로스 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
|
9 |
9
제6항에 있어서,상기 프로세서는AM 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
|
10 |
10
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
|
11 |
11
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; 및상기 획득된 클래스별 확률값을 기초로 혈압을 추정하는 단계를 포함하는 혈압 추정 방법
|
12 |
12
제11항에 있어서,상기 혈압 추정 모델은DNN(Deep Neural Network), CNN(Convolution Neural Network), 및 RNN(Recurrent Neural Network) 중의 적어도 하나를 기반으로 하는 혈압 추정 방법
|
13 |
13
제11항에 있어서,상기 혈압을 추정하는 단계는상기 클래스별 확률값의 벡터와 클래스별 대표값의 벡터를 내적하여 혈압값을 획득하는 혈압 추정 방법
|
14 |
14
제13항에 있어서,상기 클래스별 대표값은각 클래스별 혈압 구간의 중간값, 평균값, 최대값, 및 최소값 중의 적어도 하나로 설정되는 혈압 추정 방법
|
15 |
15
제11항에 있어서,상기 혈압 추정 모델은PPG 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
|
16 |
16
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; 및상기 구성된 학습데이터셋을 이용하여 딥러닝 기반으로 혈압 추정 모델을 학습하는 단계를 포함하는 혈압 추정 방법
|
17 |
17
제16항에 있어서,상기 학습데이터셋을 구성하는 단계는상기 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
|
18 |
18
제16항에 있어서,상기 혈압 추정 모델을 학습하는 단계는크로스 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
|
19 |
19
제16항에 있어서,상기 혈압 추정 모델을 학습하는 단계는AM 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
|
20 |
20
컴퓨터 판독 가능한 명령어들을 저장하는 메모리; 및상기 명령어들을 실행하여 혈압을 추정하는 프로세서를 포함하고,상기 프로세서는사용자로부터 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
|