JP6517051B2 - 血圧測定 - Google Patents

Description

[0001] 本発明は、広く、対象の生理学的パラメータの測定に関し、限定的ではないが、特に、対象の血圧測定に関する。

[0002] 個人の血圧などの様々な生理学的パラメータの測定は通常、臨床環境で実行される。血圧を測定するために、幾つかの地道な技術が開発されている。血圧を測定するこのような技術の一つがフォトプレスチモグラフィである。フォトプレスチモグラフィは、個人の血圧を測定する非侵襲性技術である。該技術では、個人の血圧を測定するために、光学的プレスチモグラムの一タイプで個人に関連するフォトプレスチモグラム（ＰＰＧ）を分析することができる。

[0003] 添付図面を参照しながら詳細な説明を記載する。図では、参照番号の最上位桁は、参照番号が最初に現れる図を特定する。同様の形態及び構成要素を参照するのに、図面全体で同じ番号を使用する。

[0004]本主題の実施態様により、対象の血圧測定を容易にするネットワーク環境を示す。 [0005]本主題の実施態様により、対象の血圧を測定する基準モデルを判定する方法を示す。 [0006]本主題の実施態様により、対象の血圧を測定する方法を示す。

[0007] 本主題は、対象に関連するフォトプレスチモグラム（ＰＰＧ）に基づき、例えば個人などの対象の血圧を測定することに関する。

[0008] 通常、自分の血圧を測定してもらいたい個人は診療所又は病院を訪れる。このようなシナリオでは、医師又は訓練された医療技術者が、血圧計及び聴診器などの医療機器を用いて個人の血圧を測定する。推測されるように、上記シナリオでは、血圧を測定する医療機器を効率的に使用するのに適切な特定の技術一式を有する個人のみが血圧の測定を実行することができる。したがって、血圧を定期的に測定するには、規則的に来院する必要があり、個人にとって費用がかかる方法であることが分かる。

[0009] 従来の方法では、血圧を測定するために、フォトプレスチモグラフィを実施するカウンタデバイスを使用することができる。フォトプレスチモグラフィは、個人の呼吸数、心拍数、及び血圧などの生理学的パラメータを測定する非侵襲性光学技術と理解することができる。このような従来の方法では、個人に伴うＰＰＧ波形は、個人のビデオ又は個人の身体の一部のビデオを処理することによって得ることができる。ＰＰＧの波形及び所定の統計モデルに基づき、これで個人の血圧を判定することができる。しかしながら、上記方法に基づいて血圧を判定した結果、時には血圧測定が曖昧になることがある。例えば、血圧の判定に血圧記録の大規模データセットに基づく統計モデルを使用する場合は、血圧の正確な測定を達成することができる。一方、血圧記録の小規模データセットに基づく統計モデルを使用する場合、例えば血圧の測定に低予算のデバイスを使用する場合は、血圧の判定が不正確になることがある。推測されるように、統計モデルに基づく上記方法では、血圧の正確な測定が得られないことがある。さらに、上記方法は、個人の他の生理学的パラメータを考慮に入れていない。したがって、この方法は、個人の血圧の真の測定値を提供しないことがある。

[0010] 本主題は、対象、例えば個人の血圧を測定する方法、システム及びデバイスについて説明する。本主題のある態様によれば、個人の血圧は、対象及び基準モデルに関連するＰＰＧ波形に基づいて測定することができる。本主題によれば、基準モデルは、個人に関連する動脈コンプライアンス（Ｒ）、末梢抵抗（Ｃ）、心室から動脈への血流量（Ｉ_０）、及び心拍出量（Ｃ_ｏ）などの１つ又は複数の潜在パラメータに基づくものでよい。個人の潜在パラメータに基づく個人の血圧測定の結果、測定される血圧値の正確さの程度が上がる。

[0011] ある実施態様では、複数の被験者それぞれに関連する生理学的データを含むサンプルデータセットに基づいて基準モデルを決定することができる。ある例では、被験者に対応する生理学的データは、被験者の血圧のグラウンドトルース値及び対象に関連するＰＰＧ波形を含むことができる。グラウンドトルース値は、従来の血圧計デバイスを使用して測定した血圧の値と理解することができる。上記実施態様では、複数のＰＰＧ形態を得るためにＰＰＧ波形を処理することができる。ＰＰＧ形態の例には、収縮期昇脚時間（Ｔ_ｓ）、拡張期間（Ｔ_ｄ）、及び所定の間隔での収縮期幅と拡張期幅の合計（Ｂ）が含まれるが、これらに限定されない。ＰＰＧ形態及び血圧のグラウンドトルース値に基づき、被験者に関連する潜在パラメータを計算することができる。理解されるように、各被験者の潜在パラメータが得られる。潜在パラメータは、個人の１つ又は複数の生理学的パラメータを示すパラメータと理解することができる。その後、被験者の潜在パラメータと被験者のＰＰＧ形態とを相関させることによって、基準モデルを判定することができる。これで、例えば携帯電話、ラップトップ、及びデスクトップなどのユーザ機器のようなデバイスに、対象の血圧を実時間で測定するための基準モデルを導入することができる。

[0012] ある実施態様では、対象の血圧を測定するために、対象に関連する複数のＰＰＧ形態を得ることができる。一例では、対象に関連するＰＰＧ波形を処理することによってＰＰＧ形態を得ることができる。その後、基準モデル及びＰＰＧ形態に基づき、対象に関連する１つ又は複数の潜在パラメータを確認することができる。上述したように、基準モデルはＰＰＧ形態と潜在パラメータとの間の相関を示す。したがって、対象のＰＰＧ形態に対応する各潜在パラメータの値を、基準モデルに基づいて識別することができる。これで、潜在パラメータ及びＰＰＧ形態に基づき対象の血圧を判定することができる。

[0013] 以上の説明から明らかであるように、対象の血圧を測定する間、対象に関連する潜在パラメータを考慮に入れる。その結果、本主題による対象の血圧測定は、統計モデルに全面的には依存せず、対象の潜在パラメータを伴う。したがって、対象の血圧測定において高レベルの正確さを達成することができる。

[0014] 本主題の以上及びその他の利点について、以下で図面との関連でさらに詳細に説明する。血圧を測定するための記載されたシステム及び方法の態様は、任意の数の異なる計算システム、環境及び／又は構成で実施することができるが、実施形態は以下のデバイスの文脈で説明される。

[0015] 図１は、本主題の実施形態により対象の血圧測定を容易にするネットワーク環境１００を示す。ネットワーク環境１００はモデリングシステム１０２及び複数のデバイス１０４−１，１０４−２，．．．，及び１０４−Ｎを含み、以降ではこれらをまとめてデバイス１０４と呼び、個別にデバイス１０４と呼ぶ。モデリングシステム１０２及びデバイス１０４は、本主題の実施形態により、ネットワーク１０６を通して相互に通信することができる。

[0016] ある実施態様では、モデリングシステム１０２は、クラウドサーバ、メインフレームコンピュータ、ワークステーション、マルチプロセッサシステム、ネットワークコンピュータ、及びゲートウェイサーバなどの１つ又は複数のシステムとして実施することができる。ある例では、モデリングシステム１０２は、デバイス１０４を使用することにより、対象、例えば個人の血圧測定を容易にする基準モデルを開発するように準備することができる。基準モデルに基づき、対象の血圧を実時間で測定することができる。デバイス１０４の例には携帯電話、スマートフォン、携帯情報端末（ＰＤＡ）、タブレット、ラップトップ、ワークステーションコンピュータ、サーバ、及びパーソナルコンピュータが含まれるが、これらに限定されない。

[0017] ネットワーク１０６は、無線ネットワーク、有線ネットワーク、又はそれらの組み合わせであってよい。ネットワーク１０６は個別のネットワーク、又は互いに相互接続され、単一の大規模ネットワーク、例えばインターネット又はイントラネットとして機能する多くのこのような個別のネットワークの集合であってもよい。ネットワーク１０６は、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、広域ネットワーク（ＷＡＮ）、インターネットなどのような異なるタイプのネットワークの一つとして実施することができる。さらに、ネットワーク１０６は、通信リンクを通してモデリングシステム１０２及びデバイス１０４と相互作用することができるネットワークデバイスを含むことができる。

[0018] 一実施態様では、モデリングシステム１０２及びデバイス１０４は、個々にプロセッサ１０８−１及び１０８−２を含む。プロセッサ１０８−１及び１０８−２は、以降ではまとめてプロセッサ１０８と呼ばれるが、１つ又は複数のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理装置、状態機械、論理回路及び／又は演算命令に基づいて信号を操作する任意のデバイスとして実施することができる。他の機能の中でも、１つ又は複数のプロセッサは、メモリに記憶されたコンピュータ可読命令を取り出し、実行するように構成される。

[0019] 「プロセッサ」というラベルを付けた任意の機能ブロックなど、図に示した様々な要素の機能は、専用ハードウェア、さらに適切なソフトウェアと関連するソフトウェアを実行することができるハードウェアを使用することにより提供することができる。プロセッサによって提供される場合、機能は、単一の専用プロセッサによって、単一の共有プロセッサによって、又は一部を共有することができる複数の個別のプロセッサによって提供することができる。

[0020] また、モデリングシステム１０２及びデバイス１０４はそれぞれ、Ｉ／Ｏインタフェース１１０−１及び１１０−２を含む。Ｉ／Ｏインタフェース１１０−１及び１１０−２は、まとめてＩ／Ｏインタフェース１１０と呼ばれるが、モデリングシステム１０２及びデバイス１０４がネットワーク１０６と、又は相互に相互作用することを可能にする様々なソフトウェア及びハードウェアインタフェースを含むことができる。さらに、Ｉ／Ｏインタフェース１１０は、モデリングシステム１０２及びデバイス１０４がウェブサーバ及び外部リポジトリなどの他の通信及びデバイスと通信できるようにすることができる。モデリングシステム１０２及びデバイス１０４はさらに、それぞれメモリ１１２−１及び１１２−２を含むことができ、これらはまとめてメモリ１１２と呼ばれる。メモリ１１２−１及び１１２−２は、それぞれプロセッサ１０８−１及びプロセッサ１０８−２と結合することができる。メモリ１１２は、例えば揮発性メモリ（例えばＲＡＭ）及び／又は不揮発性メモリ（例えばＥＰＲＯＭ、フラッシュメモリなど）のような当技術分野で知られている任意のコンピュータ可読媒体を含むことができる。

[0021] モデリングシステム１０２及びデバイス１０４は、それぞれモジュール１１４−１、１１４−２及びデータ１１６−１、１１６−２を含み、これらはまとめてそれぞれモジュール１１４及びデータ１１６と呼ばれる。モジュール１１４は、特定のタスクを実行するか、又は特定の抽象データ型を実施するルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含む。モジュール１１４はさらに、例えばオペレーティングシステムのモジュールなど、モデリングシステム１０２及びデバイス１０４にアプリケーションを補足するモジュールを含む。

[0022] さらに、モジュール１１４はハードウェア、処理装置が実行する命令、又はこれらの組み合わせによって実施することができる。処理装置は、コンピュータ、プロセッサ１０８などのプロセッサ、状態機械、論理アレイ又は命令を処理することができる任意の他の適切なデバイスを含むことができる。処理装置は汎用プロセッサであってもよく、これは汎用プロセッサに必要なタスクを実行させる命令を実行し、又は処理装置は必要な機能を実行するように専用とすることができる。

[0023] 本主題の別の態様では、モジュール１１４は、プロセッサ／処理装置によって実行されると記載された機能のいずれかを実行する機械可読命令（ソフトウェア）であってよい。機械可読命令は、電子メモリデバイス、ハードディスク、光ディスク、又は他の機械可読記憶媒体又は非一時的媒体に記憶することができる。一実施態様では、機械可読命令は、ネットワーク接続を介して記憶媒体にダウンロードすることもできる。データ１１６は特に、１つ又は複数のモジュール１１４によって取り出し、処理、受信、又は生成を実行することができるデータを記憶するリポジトリとして働く。

[0024] ある実施態様では、モデリングシステム１０２のモジュール１１４−１は、分析モジュール１１８及び他の１つ又は複数のモジュール１２０を含む。上記実施態様では、モデリングシステム１０２のデータ１１６−１は、試験データ１２２及び他のデータ１２４を含む。他の１つ又は複数のモジュール１２０は、アプリケーション及び機能を補足するプログラム又はコードされた命令、例えばモデリングシステム１０２のオペレーティングシステム内のプログラムを含むことができる。他のデータ１２４は、１つ又は複数の他のモジュール１２０に対応するデータを含む。

[0025] 同様に、ある実施態様では、デバイス１０４のモジュール１１４−２は、血圧測定モジュール１２６及び他の１つ又は複数のモジュール１２８を含む。上記実施態様では、デバイス１０４のデータ１１６−２は、基準データ１３０及び他のデータ１３２を含む。他の１つ又は複数のモジュール１２８は、アプリケーション及び機能を補足するプログラム又はコードされた命令、例えばデバイス１０４のオペレーティングシステム内のプログラムを含むことができる。他のデータ１３２は、１つ又は複数の他のモジュール１２８に対応するデータを含む。

[0026] 動作時には、分析モジュール１１８は、基準モデルを開発するためのサンプルデータセットを得ることができる。サンプルデータセットは、複数の被験者それぞれに対応する生理学的データの集合と理解することができる。ある例では、生理学的データは、被験者の血圧の少なくとも１つのグラウンドトルース値及び被験者に関連するＰＰＧ波形を含むことができる。ある実施態様では、分析モジュール１１８は、被験者に関連する複数のＰＰＧ形態を得るために生理学的データを処理することができる。ＰＰＧ形態の例には収縮期昇脚時間（Ｔ_ｓ）、拡張期間（Ｔ_ｄ）、及びＰＰＧ波形に基づき所定の間隔で判定された収縮期幅と拡張期幅の合計（Ｂ）が含まれるが、これらに限定されない。例えば、分析モジュール１１８は公知の技術を使用して、トラフとトラフに隣接するピーク点との時間差を確認することができる。確認された時間差は収縮期昇脚時間（Ｔ_ｓ）を表す。同様に、これで分析モジュール１１８は、次に、拡張期間（Ｔ_ｄ）を識別するために公知の技術を使用して、ピーク点とピーク点に隣接するトラフとの時間差を確認することができる。同様に、分析モジュール１１８は、所定の間隔、例えばピーク振幅の３３％及び７５％にて、合計（Ｂ）を計算することができる。

[0027] その後、分析モジュール１１８は、ＰＰＧ形態及び少なくとも１つのグラウンドトルース値に基づいて被験者に関連する１つ又は複数の潜在パラメータを計算することができる。潜在パラメータの例には、被験者の動脈コンプライアンス（Ｒ）及び末梢抵抗（Ｃ）が含まれるが、これらに限定されない。ある例では、分析モジュール１１８は以下で示す式１（ａ）及び式１（ｂ）を使用して潜在パラメータを計算することができる。

式中、Ｐ_ｓ（グラウンドトルース値）は、被験者の血圧の最高値である。血圧の最高値は収縮期血圧と呼ぶこともできる。さらに、Ｐ_ｔｓは収縮期血圧の初期値であり、Ｉ_Ｏは心室から動脈への血流量である。

式中、Ｐ_ｄ（グラウンドトルース値）は、被験者の血圧の最低値である。血圧の最低値は、拡張期血圧と呼ぶこともできる。さらに、Ｐ_ｔｄは拡張期血圧の初期値である。

[0028] ある例では、分析モジュール１１８は２要素ウィンドケッセルモデルを使用して式１（ａ）及び式１（ｂ）を確認することができる。上記例では、分析モジュール１１８は２要素ウィンドケッセルモデルを動脈コンプライアンスと、キャパシタンスを末梢抵抗と交換することができる。その後、分析モジュール１１８は式１（ａ）及び式１（ｂ）を得るために１つ又は複数の線形回帰を実行し、それを試験データ１２２に記憶することができる。

[0029] 被験者の潜在パラメータの値を計算した後、分析モジュール１１８は、被験者の潜在パラメータを被験者のＰＰＧ形態と相関させることができる。例えば、ＰＰＧ形態の一組の値について、対応する潜在パラメータ計算値をＰＰＧ形態のその組と相関させることができる。理解されるように、分析モジュール１１８は各被験者について、潜在パラメータ及びＰＰＧ形態を相関させることができる。これで、分析モジュール１１８は相関に基づいて基準モデルを判定することができる。次に、個人の血圧を実時間で測定するために基準モデルを使用することができる。例えば、対象の血圧の実時間測定を容易にするために、デバイス１０４に基準モデルを導入することができる。

[0030] ある実施態様では、血圧測定（ＢＰＭ）モジュール１２６は、血圧が判定される対象の複数のＰＰＧ形態を得ることができる。ある例では、ＰＰＧ形態は、使用者によって提供された使用者入力から得ることができる。例えば、ＰＰＧ形態の値は、キーボード又はタッチ画面などの入力デバイスを通して使用者から受信することができる。別の例では、ＢＰＭモジュール１２６は、対象のＰＰＧをモニタするために導入されたセットアップ（図示せず）からＰＰＧ形態を得ることができる。

[0031] ＰＰＧ形態を得ると、ＢＰＭモジュール１２６は、ＰＰＧ形態及び基準モデルに基づいて対象に関連する１つ又は複数の潜在パラメータを確認することができる。基準モデルは基準データ１３０に記憶することができる。上述したように、基準モデルは、潜在パラメータとＰＰＧ形態との間の複数の相関を含む。潜在パラメータを確認するために、ＢＰＭモジュール１２６は対象のＰＰＧ形態を基準モデル中の複数のＰＰＧ形態と比較することができる。ＢＰＭモジュール１２６が基準モデルのいずれかのＰＰＧ形態と一致したことを確認した場合、ＢＰＭモジュール１２６は、ＰＰＧ形態に対応する潜在パラメータが、対象に関連する潜在パラメータであると確認することができる。その後、ＢＰＭモジュール１２６は、潜在パラメータ及びＰＰＧ形態に基づいて対象の血圧を判定することができる。ある例では、ＢＰＭモジュール１２６は、上記式１（ａ）及び式１（ｂ）に基づいて血圧を判定することができる。

[0032] 図２は、対象の血圧を測定する基準モデルを判定する方法２００を示し、図３は、本主題の実施形態により対象の血圧を測定する方法３００を示す。該方法を記載した順序は限定とは見なされず、記載された方法の任意の数のブロックを任意の順序で組み合わせて、上記方法又は任意の代替方法を実施することができる。また、本明細書に記載された主題の精神及び範囲から逸脱することなく、個々のブロックを方法から削除することができる。さらに、上記方法は任意の適切なハードウェア、ソフトウェア、ファームウェア、又はこれらの組み合わせで実施することができる。

[0033] 上記方法は、コンピュータで実行可能な命令の一般的状況で説明することができる。一般的に、コンピュータで実行可能な命令は、特定の機能を実行するか、又は特定の抽象データ型を実施するルーチン、プログラム、オブジェクト、コンポーネント、データ構造、手順、モジュール、機能などを含むことができる。上記方法は、通信網を通してリンクされた遠隔処理装置によって機能を実行する分散コンピューティング環境でも実践することができる。分散コンピューティング環境で、コンピュータで実行可能な命令を、メモリ記憶装置を含めローカル及び遠隔コンピュータ記憶媒体の両方に位置付けることができる。

[0034] ある実施態様では、本明細書に記載の方法の１つ又は複数を、少なくとも一部は非一時的コンピュータ可読媒体に埋め込まれた命令として実施し、１つ又は複数の計算装置で実行可能とすることもできる。一般的に、例えばマイクロプロセッサなどのプロセッサは、例えばメモリなどの非一時的コンピュータ可読媒体から命令を受信して、これらの命令を実行し、それにより本明細書に記載の方法の１つ又は複数を含め、１つ又は複数の方法を実行する。このような命令は、様々な公知のコンピュータ可読媒体のいずれかを使用して記憶及び／又は伝送することができる。

[0035] 図２及び図３の説明を参照し、簡潔さのために、モデリングシステム１０２及びデバイス１０４のコンポーネントの詳細についてはここでは説明しない。このような詳細は、図１に関して提供された記述で提供されているものと理解することができる。

[0036] 図２を参照すると、ブロック２０２で、複数の被験者それぞれに関連する生理学的データを含むサンプルデータセットを得る。ある例では、生理学的データは、被験者に関連するＰＰＧ波形、及び被験者の血圧の少なくとも１つのグラウンドトルース値を含むことができる。グラウンドトルース値は、従来の血圧計デバイスを使用して測定した血圧の値と理解することができる。グラウンドトルース値の例には、血圧の最高値、すなわち収縮期血圧、及び、血圧の最低値、すなわち拡張期血圧が含まれるが、これらに限定されない。

[0037] ブロック２０４で、複数の被験者のそれぞれについて、被験者に関連する生理学的データを処理し、複数のＰＰＧ形態を得る。ＰＰＧ形態の例には、収縮期昇脚時間（Ｔ_ｓ）、拡張期間（Ｔ_ｄ）、及び所定の間隔でのＰＰＧ波形に基づく収縮期幅と拡張期幅の合計（Ｂ）が含まれるが、これらに限定されない。ある例では、トラフと隣接ピーク点との間の距離がＴ_ｓであると確認することができる。別の例では、ピーク点と隣接トラフとの間の距離がＴ_ｄであると確認することができる。

[0038] ブロック２０６で、複数の被験者のそれぞれについて、少なくとも複数のＰＰＧ形態に基づき、被験者に関連する１つ又は複数の潜在パラメータを計算することができる。ある例では、潜在パラメータは、個人の血圧のＰＰＧ形態及びグラウンドトルース値に基づいて計算することができる。上記例では、潜在パラメータは、上記の図１で示したように式１（ａ）及び式１（ｂ）を使用して計算することができる。

[0039] ブロック２０８で、複数の被験者のそれぞれに関する複数のＰＰＧ形態及び１つ又は複数の潜在パラメータに基づき、対象の血圧を判定する基準モデルを決定する。ある例では、各被験者のＰＰＧ形態及び潜在パラメータを相関することができる。各被験者の相関に基づき、基準モデルを決定することができる。これで、対象の血圧を測定するために基準モデルをデバイスに導入することができる。

[0040] さらに、図３は対象の血圧を測定する方法３００を示す。図３を参照すると、ブロック３０２で対象に関連する複数のＰＰＧ形態を得る。ある例では、ＰＰＧ形態は、対象に関連するＰＰＧ波形から確認することができる。上記例では、ＰＰＧ形態を得るための既知の技術を使用して、ＰＰＧ波形を処理することができる。ある例では、デバイス１０４などのデバイスは、ＰＰＧ波形を処理することによって形態を得ることができる。別の例では、上記デバイスは使用者の入力を通してＰＰＧ形態を得ることができる。

[0041] ブロック３０４で、ＰＰＧ形態及び基準モデルに基づき、対象に関連する１つ又は複数の潜在パラメータを確認する。ある例では、基準モデルはＰＰＧ形態と潜在パラメータとの相関を示す。上記例では、基準モデルは、複数の被験者に関連する生理学的データに基づいて判定することができる。ある例では、対象のＰＰＧ形態を基準モデルに含まれるＰＰＧ形態と比較することができ、一致した場合、基準モデルのＰＰＧ形態に対応する潜在パラメータが、対象の潜在パラメータであると識別することができる。別の例では、機械学習技術を使用し、基準モデル及びＰＰＧ形態に基づいて潜在パラメータを確認することができる。

[0042] ブロック３０６で、潜在パラメータ及びＰＰＧ形態に基づいて対象の血圧を判定する。ある例では、上記の図１に示すように、式１（ａ）及び式１（ｂ）を使用し、潜在パラメータ及びＰＰＧ形態に基づいて対象の収縮期血圧（Ｐ_ｓ）及び拡張期血圧（Ｐ_ｄ）を判定することができる。

[0043] 対象の血圧を測定する方法及びシステムの実施態様について記載しているが、本主題は記載された特定の形態又は方法に必ずしも限定されないことを理解されたい。むしろ、特定の形態及び方法は、対象の血圧を測定する実施態様として開示されている。

Claims (12)

1. 対象の血圧を測定するデバイスであって、
   プロセッサと、
   前記プロセッサに結合された血圧測定（ＢＰＭ）モジュールであって、
   前記対象に関連する複数のフォトプレスチモグラム（ＰＰＧ）形態を得ることと、
   前記複数のＰＰＧ形態及び基準モデルに基づいて、前記対象に関連する潜在パラメータを確認することとを実行し、前記基準モデルは、前記複数のＰＰＧ形態と前記潜在パラメータとの相関を示し、前記対象に関連する前記潜在パラメータは、前記対象の動脈コンプライアンス、末梢抵抗、心室から動脈への血流量、及び心拍出量を含み、さらに、
   前記潜在パラメータ及び前記複数のＰＰＧ形態に基づいて前記対象の血圧を判定すること、
   を実行するＢＰＭモジュールと、
   を備えるデバイス。
2. 前記ＢＰＭモジュールがさらに、前記複数のＰＰＧ形態を得るために、前記対象に関連するＰＰＧ波形を分析するものである、請求項１に記載のデバイス。
3. 時間ドメイン及び周波数ドメインのうち１つで、前記複数のＰＰＧ形態から各ＰＰＧ形態を抽出する、請求項２に記載のデバイス。
4. 対象の血圧を測定する方法であって、
   前記対象に関連する複数のフォトプレスチモグラム（ＰＰＧ）形態を得ることと、
   前記複数のＰＰＧ形態及び基準モデルに基づいて、前記対象に関連する潜在パラメータを確認することと、を含み、前記基準モデルが、前記複数のＰＰＧ形態と前記潜在パラメータとの相関を示し、前記対象に関連する前記潜在パラメータは、前記対象の動脈コンプライアンス、末梢抵抗、心室から動脈への血流量、及び心拍出量を含み、さらに、
   前記潜在パラメータ及び前記複数のＰＰＧ形態に基づいて前記対象の血圧を判定することを含む、方法。
5. 時間ドメイン及び周波数ドメインのうち１つで、前記複数のＰＰＧ形態から各ＰＰＧ形態を抽出する、請求項４に記載の方法。
6. 対象の血圧を測定するモデリングシステムであって、
   プロセッサと、
   前記プロセッサに結合された分析モジュールであって、
   複数の被験者の中から各被験者に関連する生理学的データを含むサンプルデータセットを得て、前記生理学的データは、前記被験者に関連する血圧の少なくとも１つのグラウンドトルース値及び前記被験者に関連するＰＰＧ波形を含むものであり、さらに、
   前記複数の被験者のそれぞれに対して、複数のＰＰＧ形態を得るために前記被験者に関連する前記生理学的データを処理し、
   前記複数の被験者のそれぞれに対して、前記複数のＰＰＧ形態及び前記少なくとも１つのグラウンドトルース値に基づいて、前記被験者に関連する潜在パラメータを計算し、前記対象に関連する前記潜在パラメータは、前記対象の動脈コンプライアンス、末梢抵抗、心室から動脈への血流量、及び心拍出量を含み、
   前記複数の被験者それぞれに関連する前記潜在パラメータ及び前記ＰＰＧ形態に基づき、前記対象の血圧を実時間で測定する基準モデルを決定し、前記基準モデルは、前記複数の被験者のそれぞれに関連する前記潜在パラメータと前記ＰＰＧ形態との相関を示す、分析モジュールと、
   を含むモデリングシステム。
7. 前記分析モジュールがさらに、機械学習技術に基づいて前記基準モデルを決定するものである、請求項６に記載のモデリングシステム。
8. 前記分析モジュールがさらに、時間ドメイン及び周波数ドメインのうち１つで、前記ＰＰＧ波形から前記複数のＰＰＧ形態を抽出するものである、請求項６に記載のモデリングシステム。
9. 対象の血圧を測定する方法であって、
   複数の被験者の中から各被験者に関連する生理学的データを含むサンプルデータセットを受け取ることを含み、前記生理学的データは、前記被験者に関連する血圧の少なくとも１つのグラウンドトルース値及び前記被験者に関連するＰＰＧ波形を含むものであり、さらに、
   前記複数の被験者のそれぞれに対して、複数のＰＰＧ形態を得るために前記被験者に関連する前記生理学的データを処理することと、
   前記複数の被験者のそれぞれに対して、前記複数のＰＰＧ形態及び前記少なくとも１つのグラウンドトルース値に基づいて、前記被験者に関連する潜在パラメータを計算することであって、前記対象に関連する前記潜在パラメータは、前記対象の動脈コンプライアンス、末梢抵抗、心室から動脈への血流量、及び心拍出量を含む、ことと、
   前記複数の被験者それぞれに関連する前記潜在パラメータ及び前記ＰＰＧ形態に基づき、前記対象の血圧を実時間で測定する基準モデルを決定することと、を含み、前記基準モデルは、前記複数の被験者のそれぞれに関連する前記潜在パラメータと前記ＰＰＧ形態との相関を示す、方法。
10. 前記基準モデルの前記決定が、機械学習技術に基づくものである、請求項９に記載の方法。
11. 前記処理が、時間ドメイン及び周波数ドメインのうち１つで、前記ＰＰＧ波形から前記複数のＰＰＧ形態を抽出することを含む、請求項９に記載の方法。
12. コンピュータ可読命令を有するコンピュータ可読媒体であって、実行されると、これによってデバイスが
    対象に関連する複数のフォトプレスチモグラム（ＰＰＧ）形態を得て、
    前記複数のＰＰＧ形態及び基準モデルに基づいて、前記対象に関連する潜在パラメータを確認し、前記基準モデルは、前記複数のＰＰＧ形態と前記潜在パラメータとの相関を示し、前記対象に関連する前記潜在パラメータは、前記対象の動脈コンプライアンス、末梢抵抗、心室から動脈への血流量、及び心拍出量を含み、さらに、
    前記潜在パラメータ及び前記複数のＰＰＧ形態に基づき、前記対象の血圧を判定する、コンピュータ可読媒体。