KR102573068B1 - 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템 - Google Patents

고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템 Download PDF

Info

Publication number
KR102573068B1
KR102573068B1 KR1020210016766A KR20210016766A KR102573068B1 KR 102573068 B1 KR102573068 B1 KR 102573068B1 KR 1020210016766 A KR1020210016766 A KR 1020210016766A KR 20210016766 A KR20210016766 A KR 20210016766A KR 102573068 B1 KR102573068 B1 KR 102573068B1
Authority
KR
South Korea
Prior art keywords
blood pressure
image sequence
webcam
pressure measurement
learning
Prior art date
Application number
KR1020210016766A
Other languages
English (en)
Other versions
KR20220113053A (ko
Inventor
이종하
김범준
장대진
Original Assignee
계명대학교 산학협력단
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 계명대학교 산학협력단 filed Critical 계명대학교 산학협력단
Priority to KR1020210016766A priority Critical patent/KR102573068B1/ko
Priority to PCT/KR2022/001786 priority patent/WO2022169312A1/ko
Priority to US18/274,942 priority patent/US20240108235A1/en
Publication of KR20220113053A publication Critical patent/KR20220113053A/ko
Application granted granted Critical
Publication of KR102573068B1 publication Critical patent/KR102573068B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow
    • 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/026—Measuring blood flow
    • A61B5/0261—Measuring blood flow using optical means, e.g. infrared light
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • 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 pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/021—Measuring pressure in heart or blood vessels
    • A61B5/02108—Measuring pressure in heart or blood vessels from analysis of pulse wave characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • 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
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Cardiology (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Vascular Medicine (AREA)
  • Fuzzy Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Hematology (AREA)

Abstract

본 발명은 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에 관한 것으로서, 보다 구체적으로는 컴퓨터에 의해 각 단계가 수행되는 비접촉 영상기반 혈압측정 방법으로서, (1) 웹캠에서 비접촉 방식으로 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 단계; 및 (2) 웹캠에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 상기 단계 (1)에서 생성한 혈압측정 모델을 이용해 상기 측정 대상자의 혈압을 추정하는 단계를 포함하며, 상기 단계 (1)은, (1-1) 웹캠에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스에 저장하는 단계; (1-2) 상기 데이터베이스에 저장된 이미지 시퀀스로부터 맥파(Pulse wave)를 추출하는 단계; (1-3) 상기 추출한 맥파에서 특징값을 추출하는 단계; 및 (1-4) 상기 추출한 특징값을 이용해 신경망 학습을 수행하여, 상기 특징값으로부터 혈압을 예측하는 상기 혈압측정 모델을 생성하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
또한, 본 발명은 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템에 관한 것으로서, 보다 구체적으로는 비접촉 영상기반 혈압측정 시스템으로서, 비접촉 방식으로 이미지 시퀀스를 촬영하는 웹캠; 웹캠에서 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 학습부; 및 웹캠에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 상기 학습부에서 생성한 혈압측정 모델을 이용해 상기 측정 대상자의 혈압을 추정하는 예측부를 포함하며, 상기 학습부는, 웹캠에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스에 저장하는 데이터 수집 모듈; 상기 데이터베이스에 저장된 이미지 시퀀스로부터 맥파(Pulse wave)를 추출하는 맥파 추출 모듈; 상기 추출한 맥파에서 특징값을 추출하는 특징 추출 모듈; 및 상기 추출한 특징값을 이용해 신경망 학습을 수행하여, 상기 특징값으로부터 혈압을 예측하는 상기 혈압측정 모델을 생성하는 모델 생성 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
본 발명에서 제안하고 있는 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템에 따르면, 웹캠에서 비접촉 방식으로 촬영된 이미지 시퀀스를 신경망 학습하여 혈압측정 모델을 생성하고, 혈압측정 모델로 측정 대상자의 혈압을 추정함으로써, 비접촉식으로 동영상 즉, 이미지 시퀀스가 촬영되는 웹캠을 사용하므로 장치나 타인과의 접촉 없이 웹캠의 촬영 동안 연속적으로 혈압을 추정할 수 있고, 웹캠의 앞에 있는 것만으로 혈압이 추정되므로 사용성이 높고 비용이 저렴하며, 신경망 알고리즘을 이용해 충분한 정밀도를 확보할 수 있다.

Description

고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템{ADVANCED VISUAL INTELLIGENCE BASED NON-CONTACT IMAGE BASED BLOOD PRESSURE MEASUREMENT METHOD AND SYSTEM}
본 발명은 혈압측정 방법 및 시스템에 관한 것으로서, 보다 구체적으로는 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템에 관한 것이다.
혈압(blood pressure)이란 혈액이 혈관 내를 흐를 때 혈관 벽에 미치는 압력을 의미한다. 혈압이 같은 나이의 정상인에 비하여 훨씬 높은 상태를 고혈압, 반대로 훨씬 낮은 경우를 저혈압이라고 하는데, 최저혈압이 90㎜Hg 이상이면 일반적으로 치료 대상이 되며, 고혈압을 방치하면 뇌출혈 등 치명적인 질환이 발생할 위험이 있다. 이와 같이, 혈압은 고혈압 또는 저혈압 환자의 경우 치료 여부 등을 결정하기 위한 지표일 뿐만 아니라, 심박출량, 혈관의 탄성도, 환자의 생리적인 변화 등에 대한 많은 정보를 포함하고 있는 중요한 생리 지표이므로, 혈압을 주기적으로 측정하고 모니터링할 필요가 있다.
도 1은 종래의 혈압측정 모습을 예를 들어 도시한 도면이다. 도 1에 도시된 바와 같이, 종래에는 코르트코프 소리(korotkoff sound)를 이용하여 혈압을 측정하는 청진법(auscultatory mothod)이 가장 대표적인 혈압측정 방법이다. 그러나, 이러한 종래의 혈압측정 방법은 측정을 위하여 커프를 사용하여 사용자에게 압력을 가하여야 하므로, 편의성이 떨어질 뿐만 아니라 연속적인 측정도 불가능하다.
따라서 전술한 바와 같은 종래의 혈압측정 방법의 단점을 보완하기 위하여, 최근 광 혈량계 신호를 사용해 혈압을 연속적으로 측정하는 방법이 연구되고 있다. 종래의 커프를 사용하는 혈압측정에 비해, 광 혈량계를 기반으로 한 혈압측정 기술이 여러 장점을 가지고 있다는 결과가 나오고 있다. 한 연구에서는 혈압 값을 추정하기 위해 양손의 손가락에서 동시에 기록된 광 혈량계 신호를 사용하였으며 이는 Pulse Transit Time(PTT)를 사용하여 측정을 진행한다.
그러나 이러한 방식에 따르면, 혈압측정을 위해서는 가정 등에 광 혈량계를 구비해야 하고, 신체 말단에 광 혈량계를 착용해야 하는 불편이 있다. 따라서 좀 더 높은 사용성과 충분한 정밀도를 가지면서도 저렴한 혈압측정 방식의 개발이 필요한 실정이다.
한편, 본 발명과 관련된 선행기술로서, 한국공개특허 제10-2007-0056925호(발명의 명칭: 혈압측정 방법 및 장치, 공고일자: 2007년 06월 04일) 등이 개시된 바 있다.
본 발명은 기존에 제안된 방법들의 상기와 같은 문제점들을 해결하기 위해 제안된 것으로서, 웹캠에서 비접촉 방식으로 촬영된 이미지 시퀀스를 신경망 학습하여 혈압측정 모델을 생성하고, 혈압측정 모델로 측정 대상자의 혈압을 추정함으로써, 비접촉식으로 동영상 즉, 이미지 시퀀스가 촬영되는 웹캠을 사용하므로 장치나 타인과의 접촉 없이 웹캠의 촬영 동안 연속적으로 혈압을 추정할 수 있고, 웹캠의 앞에 있는 것만으로 혈압이 추정되므로 사용성이 높고 비용이 저렴하며, 신경망 알고리즘을 이용해 충분한 정밀도를 확보할 수 있는, 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템을 제공하는 것을 그 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법은,
컴퓨터에 의해 각 단계가 수행되는 비접촉 영상기반 혈압측정 방법으로서,
(1) 웹캠에서 비접촉 방식으로 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 단계; 및
(2) 웹캠에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 상기 단계 (1)에서 생성한 혈압측정 모델을 이용해 상기 측정 대상자의 혈압을 추정하는 단계를 포함하며,
상기 단계 (1)은,
(1-1) 웹캠에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스에 저장하는 단계;
(1-2) 상기 데이터베이스에 저장된 이미지 시퀀스로부터 맥파(Pulse wave)를 추출하는 단계;
(1-3) 상기 추출한 맥파에서 특징값을 추출하는 단계; 및
(1-4) 상기 추출한 특징값을 이용해 신경망 학습을 수행하여, 상기 특징값으로부터 혈압을 예측하는 상기 혈압측정 모델을 생성하는 단계를 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 혈압측정 모델은,
LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 신경망 학습해 생성한 것일 수 있다.
바람직하게는, 상기 단계 (1-3)에서 추출한 특징값은,
수축기 진폭, 맥박 간격, 수축기 기울기, 이완기 기울기, 피크 간격, 맥파 상승 시간 및 맥파 하강 시간 중 적어도 둘 이상을 포함할 수 있다.
바람직하게는, 상기 단계 (1-1)에서는,
웹캠으로 상기 이미지 시퀀스 수집 시에 동시에 측정된 혈압을 수집하고, 상기 이미지 시퀀스와 혈압을 매칭해 학습 데이터로 상기 데이터베이스에 저장할 수 있다.
더욱 바람직하게는, 상기 단계 (1-4)에서는,
상기 데이터베이스에 저장된 학습 데이터로 지도 학습을 수행하되, 상기 이미지 시퀀스에서 추출한 특징값을 입력 데이터로 하고 혈압을 출력 데이터로 하여, 상기 특징값과 혈압 사이의 상관관계를 이해하도록 상기 신경망 학습을 수행해 상기 혈압측정 모델을 생성할 수 있다.
바람직하게는, 상기 단계 (1-2)에서는,
상기 이미지 시퀀스로부터 맥파 신호를 추출하되, 상기 이미지 시퀀스에 포함된 관심 영역으로부터 상기 맥파 신호를 추출할 수 있다.
더욱 바람직하게는, 상기 단계 (1-2)는,
(1-2-1) 상기 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출하는 단계;
(1-2-2) 상기 검출된 관심 영역에서 반사되어 나온 광신호를, 상기 이미지 시퀀스를 구성하는 개별 이미지별로 검출하는 단계;
(1-2-3) 상기 검출된 광신호를 전하로 변환시키는 단계;
(1-2-4) 상기 전하로 변환된 신호로부터 피하혈류량 변화를 연산하는 단계; 및
(1-2-5) 상기 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력하는 단계를 포함할 수 있다.
더더욱 바람직하게는, 상기 단계 (1-2-1)에서는,
사람의 모습이 촬영된 이미지로부터 맥파 신호 추출을 위한 관심 영역을 검출하도록 인공지능 알고리즘 기반으로 학습된 검출 모델을 이용해 상기 관심 영역을 검출할 수 있다.
상기한 목적을 달성하기 위한 본 발명의 특징에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템은,
비접촉 영상기반 혈압측정 시스템으로서,
비접촉 방식으로 이미지 시퀀스를 촬영하는 웹캠;
웹캠에서 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 학습부; 및
웹캠에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 상기 학습부에서 생성한 혈압측정 모델을 이용해 상기 측정 대상자의 혈압을 추정하는 예측부를 포함하며,
상기 학습부는,
웹캠에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스에 저장하는 데이터 수집 모듈;
상기 데이터베이스에 저장된 이미지 시퀀스로부터 맥파(Pulse wave)를 추출하는 맥파 추출 모듈;
상기 추출한 맥파에서 특징값을 추출하는 특징 추출 모듈; 및
상기 추출한 특징값을 이용해 신경망 학습을 수행하여, 상기 특징값으로부터 혈압을 예측하는 상기 혈압측정 모델을 생성하는 모델 생성 모듈을 포함하는 것을 그 구성상의 특징으로 한다.
바람직하게는, 상기 혈압측정 모델은,
LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 신경망 학습해 생성한 것일 수 있다.
바람직하게는, 상기 특징 추출 모듈에서 추출한 특징값은,
수축기 진폭, 맥박 간격, 수축기 기울기, 이완기 기울기, 피크 간격, 맥파 상승 시간 및 맥파 하강 시간 중 적어도 둘 이상을 포함할 수 있다.
바람직하게는, 상기 데이터 수집 모듈에서는,
웹캠으로 상기 이미지 시퀀스 수집 시에 동시에 측정된 혈압을 수집하고, 상기 이미지 시퀀스와 혈압을 매칭해 학습 데이터로 상기 데이터베이스에 저장할 수 있다.
더욱 바람직하게는, 상기 모델 생성 모듈에서는,
상기 데이터베이스에 저장된 학습 데이터로 지도 학습을 수행하되, 상기 이미지 시퀀스에서 추출한 특징값을 입력 데이터로 하고 혈압을 출력 데이터로 하여, 상기 특징값과 혈압 사이의 상관관계를 이해하도록 상기 신경망 학습을 수행해 상기 혈압측정 모델을 생성할 수 있다.
바람직하게는, 상기 맥파 추출 모듈에서는,
상기 이미지 시퀀스로부터 맥파 신호를 추출하되, 상기 이미지 시퀀스에 포함된 관심 영역으로부터 상기 맥파 신호를 추출할 수 있다.
더욱 바람직하게는, 상기 맥파 추출 모듈은,
(1-2-1) 상기 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출하는 단계;
(1-2-2) 상기 검출된 관심 영역에서 반사되어 나온 광신호를, 상기 이미지 시퀀스를 구성하는 개별 이미지별로 검출하는 단계;
(1-2-3) 상기 검출된 광신호를 전하로 변환시키는 단계;
(1-2-4) 상기 전하로 변환된 신호로부터 피하혈류량 변화를 연산하는 단계; 및
(1-2-5) 상기 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력하는 단계를 처리하여, 상기 맥파 신호를 추출할 수 있다.
더더욱 바람직하게는, 상기 단계 (1-2-1)에서는,
사람의 모습이 촬영된 이미지로부터 맥파 신호 추출을 위한 관심 영역을 검출하도록 인공지능 알고리즘 기반으로 학습된 검출 모델을 이용해 상기 관심 영역을 검출할 수 있다.
본 발명에서 제안하고 있는 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템에 따르면, 웹캠에서 비접촉 방식으로 촬영된 이미지 시퀀스를 신경망 학습하여 혈압측정 모델을 생성하고, 혈압측정 모델로 측정 대상자의 혈압을 추정함으로써, 비접촉식으로 동영상 즉, 이미지 시퀀스가 촬영되는 웹캠을 사용하므로 장치나 타인과의 접촉 없이 웹캠의 촬영 동안 연속적으로 혈압을 추정할 수 있고, 웹캠의 앞에 있는 것만으로 혈압이 추정되므로 사용성이 높고 비용이 저렴하며, 신경망 알고리즘을 이용해 충분한 정밀도를 확보할 수 있다.
도 1은 종래의 혈압측정 모습을 예를 들어 도시한 도면.
도 2 및 도 3은 PPT를 이용한 혈압측정을 예를 들어 도시한 도면.
도 4는 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템의 구성을 도시한 도면.
도 5는 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템에서, 학습부의 세부적인 구성을 도시한 도면.
도 6은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 흐름을 도시한 도면.
도 7은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서, 단계 S100의 세부적인 흐름을 도시한 도면.
도 8은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서, 단계 S120의 세부적인 흐름을 도시한 도면.
도 9는 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 단계 S130의 특징값 추출을 설명하기 위해 도시한 도면.
도 10은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서 사용하는 LSTM RNN을 설명하기 위해 도시한 도면.
이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예를 상세하게 설명함에 있어, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다.
덧붙여, 명세서 전체에서, 어떤 부분이 다른 부분과 ‘연결’ 되어 있다고 할 때, 이는 ‘직접적으로 연결’ 되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고 ‘간접적으로 연결’ 되어 있는 경우도 포함한다. 또한, 어떤 구성요소를 ‘포함’ 한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
도 2는 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템의 구성을 도시한 도면이다. 도 2에 도시된 바와 같이, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템은, 학습부(100) 및 예측부(200)를 포함하여 구성될 수 있으며, 웹캠(300) 및 혈압 측정기(400)에서 측정된 데이터를 데이터베이스(500)에 저장하고, 학습부(100)가 데이터베이스(500)에 저장된 데이터를 신경망 학습하여 혈압측정 모델을 생성하며, 예측부(200)가 웹캠(300)에서 촬영된 이미지 시퀀스로부터 혈압측정 모델을 사용해 혈압을 추정할 수 있다. 추정된 혈압은 출력부(600)를 통해 출력될 수 있다.
즉, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템은, 웹캠(300)에서 비접촉 방식으로 촬영된 이미지 시퀀스를 신경망 학습하여 혈압측정 모델을 생성하고, 혈압측정 모델로 측정 대상자의 혈압을 추정함으로써, 비접촉식으로 동영상 즉, 이미지 시퀀스가 촬영되는 웹캠(300)을 사용하므로 장치나 타인과의 접촉 없이 웹캠(300)의 촬영 동안 연속적으로 혈압을 추정할 수 있고, 웹캠(300)의 앞에 있는 것만으로 혈압이 추정되므로 사용성이 높고 비용이 저렴하며, 신경망 알고리즘을 이용해 충분한 정밀도를 확보할 수 있다.
특히, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템은, 신경망 학습을 위한 특징값으로 이미지 시퀀스로부터 추출한 맥파(Pulse wave)의 특징을 사용할 수 있다. 즉, 맥파의 진폭, 파장 등이 심혈관계의 직접적인 영향을 받기 때문에 해당 요인들과 혈압 간의 상관관계를 사용하여 혈압을 계산하는 것이다.
혈압 추정을 위한 주 학습 요인으로 PTT(Pulse Transit Time)를 사용하는 방법이 있을 수 있다. PTT는 심장에서 각 신체 부위까지 맥박이 도달하는 시간을 의미하는데, PTT에 영향을 끼치는 요인들로는 혈액의 점도, 혈액량, 혈관의 탄성도, 혈압 등이 있고, 그중 가장 크게 영향을 미치는 요인은 혈압이다. 이를 기반으로 각 신체 부위까지의 PTT를 측정하여 그 차이 값을 기반으로 혈압을 유추할 수 있다.
한 연구에서는 혈압 값을 추정하기 위해 양손의 손가락에서 동시에 기록된 광 혈량계 신호를 사용하였으며 이는 PTT를 사용하여 측정을 진행한다. 그 외 일부 연구에서는 혈압과 수축기 진폭, 각 피크 사이의 지속 시간과 같은 특징 사이의 선형 상관관계를 설정하여 혈압 추정을 위해 단일 광 혈량 그래프 파형을 사용하였다.
도 3 및 도 4는 PPT를 이용한 혈압측정을 예를 들어 도시한 도면이다. 도 3 및 도 4에 도시된 바와 같이, 신체 말단에서 광 혈량계에 의해 측정한 데이터와 얼굴에서 획득한 영상으로부터 PTT를 추출하며, 추출한 PPT를 이용해 혈압을 추정할 수 있다. 보다 구체적으로, PPT를 기반으로 거리를 계산하고, 테스트 케이스에 가장 가까운 10개의 데이터 특징을 찾아 목표 결과를 평균하여 최종 예측 혈압을 얻을 수 있다. 하지만 이 방법의 경우 PTT라는 단일 요인을 사용하기 때문에 민감성이 지나치게 높아질 수 있으며, 해당 요인이 심혈관계의 상태에 따라 2차적으로 가공된 요인이기 때문에, 혈압 외의 다른 요인이 영향을 주어 최종 예측 혈압의 정확도가 낮아질 수 있다.
따라서 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템에서는, 학습을 위한 특징값으로 PTT를 사용하지 않고, 맥파로부터 직접 특징값을 추출해 신경망 학습을 수행할 수 있다.
혈압을 추정하기 위해 광 용적 혈압계 파형으로부터 수축기 업 스트로크 시간, 이완기 시간, 폭 2/3 및 1/2 펄스 높이 등을 특징값을 추출해 사용하되, 고속 푸리에 변환에 의해 추출된 정규화 기술을 적용해 특징값을 추출해 사용할 수 있다.
이하에서는, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템을 구성하는 각 구성에 대해 상세히 설명하도록 한다.
학습부(100)는, 웹캠(300)에서 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성할 수 있다. 학습부(100)의 세부적인 구성에 대해서는 추후 도 5를 참조하여 상세히 설명하도록 한다.
예측부(200)는, 웹캠(300)에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 학습부(100)에서 생성한 혈압측정 모델을 이용해 측정 대상자의 혈압을 추정할 수 있다. 즉, 예측부(200)는, 학습부(100)의 학습 결과를 사용해 실제 측정 대상자의 혈압을 추정하는 예측을 하는 구성으로써, 도 2에 도시된 바와 같이 측정 대상자의 이미지 시퀀스를 혈압측정 모델에 입력해 혈압을 출력할 수 있다.
웹캠(300)은, 비접촉 방식으로 이미지 시퀀스를 촬영할 수 있다. 이때, 사람의 얼굴 부분을 촬영할 수 있다. 웹캠(300)은 컴퓨터, 노트북, 태블릿 PC, 휴대단말기 등에 구비된 카메라로 구현될 수 있으며, 비접촉식으로 동영상 즉, 이미지 시퀀스를 촬영할 수 있다. 웹캠(300)에서 촬영된 이미지 시퀀스는 유무선 네트워크로 전달되어 데이터베이스(500)에 저장될 수 있다. 이때, 학습 데이터 수집을 위해 성별, 나이 등이 다양한 사람의 모습과 여러 조명 상태에서 촬영된 대량의 이미지 시퀀스를 수집할 수 있다.
혈압 측정기(400)는, 침습식, 비침습식, 접촉식 등 다양한 방법으로 혈압을 측정하는 장치일 수 있다. 여기서, 혈압 측정기(400)는 지도 학습을 위한 것으로서, 학습 데이터의 수집 시에 웹캠(300)에서 이미지 시퀀스를 촬영하는 동시에 혈압을 측정해, 측정한 혈압을 혈압측정 모델에서 출력되어야 할 정답으로 입력해줄 수 있다.
데이터베이스(500)는, 웹캠(300)에서 촬영된 이미지 시퀀스를 저장하되, 신경망 학습이 가능하도록 전처리한 이미지 시퀀스를 학습 데이터로 저장할 수 있으며, 이미지 시퀀스와 혈압을 매칭해 학습 데이터로 저장할 수 있다. 데이터베이스(500)는, 저장한 학습 데이터를 학습부(100)에 제공해 신경망 학습이 수행되도록 할 수 있다. 또한, 데이터베이스(500)는 예측부(200)에서 혈압 예측을 위해 사용한 측정 대상자의 이미지 시퀀스 및 예측 결과를 저장할 수도 있다.
출력부(600)는, 예측부(200)의 예측 결과를 출력하여 측정 대상자, 의료진 등의 사용자에게 제공하는 구성으로서, 사용자가 사용하는 전자 장치로 구현될 수 있다. 이때, 출력부(600)는, 예측부(200)에서 추정된 혈압과 학습부(100)의 학습 과정 및 결과 등을 텍스트, 그래프, 이미지 등을 통해 다양한 방식으로 출력할 수 있다.
여기서, 전자 장치는 스마트폰, 태블릿(tablet) PC(personal computer), 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑(desktop) PC, 랩탑(laptop) PC, 넷북(netbook) 컴퓨터, 워크스테이션(workstation), 서버(server), PDA(personal digital assistant), 미디어 박스, 게임 콘솔, 전자사전 또는 웨어러블 장치(wearable device) 중 적어도 하나를 포함할 수 있으며, 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트렌즈, 또는 머리착용형 장치(HMD, head-mounted-device), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드(skin pad) 또는 문신), 또는 생체 이식형 회로(implantable circuit) 중 적어도 하나를 포함할 수 있다. 다양한 실시예들에서, 전자 장치는 전술한 기기들에 한정되지는 않으며, 전술한 다양한 장치 중 둘 이상의 조합일 수 있다.
도 5는 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템에서, 학습부(100)의 세부적인 구성을 도시한 도면이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템의 학습부(100)는, 웹캠(300)에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스(500)에 저장하는 데이터 수집 모듈(110), 데이터베이스(500)에 저장된 이미지 시퀀스로부터 맥파(Pulse wave)를 추출하는 맥파 추출 모듈(120), 추출한 맥파에서 특징값을 추출하는 특징 추출 모듈(130), 및 추출한 특징값을 이용해 신경망 학습을 수행하여, 특징값으로부터 혈압을 예측하는 혈압측정 모델을 생성하는 모델 생성 모듈(140)을 포함하여 구성될 수 있다.
도 6은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 흐름을 도시한 도면이다. 도 6에 도시된 바와 같이, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법은, 컴퓨터에 의해 각 단계가 수행되는 비접촉 영상기반 혈압측정 방법으로서, 웹캠(300)에서 비접촉 방식으로 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 단계(S100) 및 웹캠(300)에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 혈압측정 모델을 이용해 측정 대상자의 혈압을 추정하는 단계(S200)를 포함하여 구현될 수 있다.
본 발명은 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에 관한 것으로서, 메모리 및 프로세서를 포함한 하드웨어에서 기록되는 소프트웨어로 구성될 수 있다. 예를 들어, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법은, 개인용 컴퓨터, 노트북 컴퓨터, 서버 컴퓨터, PDA, 스마트폰, 태블릿 PC 등의 컴퓨터에 의해 각 단계가 수행될 수 있으며, 컴퓨터에 저장 및 구현될 수 있다. 이하에서는 설명의 편의를 위해, 각 단계를 수행하는 주체는 생략될 수 있다.
단계 S100에서는, 학습부(100)가, 웹캠(300)에서 비접촉 방식으로 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성할 수 있다. 단계 S100의 세부적인 흐름에 대해서는 추후 도 7을 참조하여 상세히 설명하도록 한다.
단계 S200에서는, 예측부(200)가 웹캠(300)에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 단계 S100에서 생성한 혈압측정 모델을 이용해 측정 대상자의 혈압을 추정할 수 있다.
도 7은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서, 단계 S100의 세부적인 흐름을 도시한 도면이다. 도 7에 도시된 바와 같이, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 단계 S100은, 웹캠(300)에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스(500)에 저장하는 단계(S110), 데이터베이스(500)에 저장된 이미지 시퀀스로부터 맥파를 추출하는 단계(S120), 추출한 맥파에서 특징값을 추출하는 단계(S130) 및 추출한 특징값을 이용해 신경망 학습을 수행하여, 특징값으로부터 혈압을 예측하는 혈압측정 모델을 생성하는 단계(S140)를 포함하여 구현될 수 있다.
단계 S110에서는, 학습부(100)의 데이터 수집 모듈(110)이, 웹캠(300)에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스(500)에 저장할 수 있다. 보다 구체적으로, 단계 S110에서는, 웹캠(300)으로 이미지 시퀀스 수집 시에 동시에 측정된 혈압을 수집하고, 이미지 시퀀스와 혈압을 매칭해 학습 데이터로 데이터베이스(500)에 저장할 수 있다. 즉, 도 2에 도시된 바와 같이, 웹캠(300)과 혈압 측정기(400)를 사용해 학습 데이터를 수집하고 데이터베이스(500)에 저장할 수 있다.
추후 상세히 설명할 단계 S140에서는, 데이터베이스(500)에 저장된 학습 데이터로 지도 학습을 수행하되, 이미지 시퀀스에서 추출한 특징값을 입력 데이터로 하고 혈압을 출력 데이터로 하여, 특징값과 혈압 사이의 상관관계를 이해하도록 신경망 학습을 수행해 혈압측정 모델을 생성할 수 있다.
단계 S120에서는, 맥파 추출 모듈(120)이, 데이터베이스(500)에 저장된 이미지 시퀀스로부터 맥파(Pulse wave)를 추출할 수 있다. 여기서, 맥파는 광용적맥파(PPG)일 수 있다. 보다 구체적으로, 단계 S120에서는, 이미지 시퀀스로부터 맥파 신호를 추출하되, 이미지 시퀀스에 포함된 관심 영역으로부터 맥파 신호를 추출할 수 있다. 이하에서는, 도 8을 참조하여 단계 S120의 세부적인 흐름에 대해 상세히 설명하도록 한다.
도 8은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서, 단계 S120의 세부적인 흐름을 도시한 도면이다. 도 8에 도시된 바와 같이, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 단계 S120은, 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출하는 단계(S121), 검출된 관심 영역에서 반사되어 나온 광신호를, 이미지 시퀀스를 구성하는 개별 이미지별로 검출하는 단계(S122), 검출된 광신호를 전하로 변환시키는 단계(S123), 전하로 변환된 신호로부터 피하혈류량 변화를 연산하는 단계(S124) 및 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력하는 단계(S125)를 포함하여 구현될 수 있다.
단계 S121에서는, 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출할 수 있다. 보다 구체적으로, 단계 S121에서는, 사람의 모습이 촬영된 이미지로부터 맥파 신호 추출을 위한 관심 영역을 검출하도록 인공지능 알고리즘 기반으로 학습된 검출 모델을 이용해 관심 영역을 검출할 수 있다. 여기서 검출 모델은, 이미지 처리에 우수한 성능을 보이는 신경망 모델인 CNN(Convolutional neural network), yolov3, ResNet 등을 기반으로 웹캠(300)의 이미지 시퀀스에서 관심 영역을 검출하도록 학습된 모델일 수 있다.
즉, 단계 S121에서는, 이미지 시퀀스로부터 대상이 되는 사람의 얼굴 영역을 인식하고, 인식한 얼굴 영역에서 특징점을 검출한 다음, 특징점 중에서 맥파 신호 검출에 효과적인 유효 특징점을 추출해, 유효 특징점들로 결정되는 영역을 관심 영역으로 검출할 수 있다.
단계 S122에서는, 검출된 관심 영역에서 반사되어 나온 광신호를, 이미지 시퀀스를 구성하는 개별 이미지별로 검출할 수 있다. 이때, 단계 S122에서는, 이미지 시퀀스를 구성하는 개별 이미지에서, 레드, 그린 및 블루의 색상 채널별로 분리된 각각의 광신호 값을 검출할 수 있다.
단계 S123에서는, 검출된 광신호를 전하로 변환시킬 수 있다. 여기서, 광전변환소자를 사용해 광신호를 전하로 변환시킬 수 있으며, 보다 구체적으로는 포토 다이오드를 사용할 수 있다.
단계 S124에서는, 전하로 변환된 신호로부터 피하혈류량 변화를 연산할 수 있다. 즉, 단계 S122에서 검출된 광신호의 세기와 이미지 시퀀스에 촬영된 사람의 혈류량 변화에 따른 피하반사율 사이에 상관관계가 있다는 특징을 이용해, 피하혈류량 변화를 연산할 수 있다.
단계 S125에서는, 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력할 수 있다. 즉, 단계 S124에서 연산된 피하혈류량 변화를 주파수 영역의 주파수 신호로 변환하여 맥파 신호로 출력할 수 있다. 또한, 단계 S125에서는, 변환한 주파수 신호에서 노이즈를 필터링하고, 증폭하여 맥파 신호를 출력할 수 있다.
단계 S130에서는, 특징 추출 모듈(130)이, 추출한 맥파에서 특징값을 추출할 수 있다. 보다 구체적으로, 단계 S130에서 추출한 특징값은, 수축기 진폭, 맥박 간격, 수축기 기울기, 이완기 기울기, 피크 간격, 맥파 상승 시간 및 맥파 하강 시간 중 적어도 둘 이상을 포함할 수 있다.
도 9는 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 단계 S130의 특징값 추출을 설명하기 위해 도시한 도면이다. 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법의 단계 S130에서는, 도 9에 도시된 바와 같이, 맥파를 2차원 좌표 평면에 표시한 그래프에서 (a1, b1), (a2, b2), (a3, b3) 및 (a4, b4)의 4개의 점을 선정하여, 수축기 진폭(b2-b1), 맥박 간격(a3-a1), 수축기 기울기((b2-b1)/(a2-a1)), 이완기 기울기((b3-b2)/(a3-a2)), 피크 간격(a4-a2), 맥파 상승 시간(a2-a1) 및 맥파 하강 시간(a3-a2)를 산출하고, 이를 학습을 위한 특징값으로 사용할 수 있다. 이와 같이, 최대 및 최소 피크의 좌표값을 이용해 특징값을 추출하기 때문에, 정확하게 특징값을 추출할 수 있다.
단계 S140에서는, 모델 생성 모듈(140)이, 추출한 특징값을 이용해 신경망 학습을 수행하여, 특징값으로부터 혈압을 예측하는 혈압측정 모델을 생성할 수 있다. 보다 구체적으로, 단계 S140에서는, 단계 S130에서 추출한 특징값들을 하나의 벡터로 구성하며, 구성한 벡터를 신경망 모델에 입력하여 학습을 수행할 수 있다.
여기서, 혈압측정 모델은, LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 신경망 학습해 생성한 것일 수 있다. 즉, 본 발명에서는, 웹캠(300)에서 촬영된 이미지 시퀀스를 이용해 시간에 따라 변화하는 파형을 나타내는 맥파에서 특징값을 추출하는데, 이러한 시계열적인 정보의 분류 및 분석에는 DNN 구조 중 하나인 RNN이 우수한 성능을 가진다.
도 10은 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서 사용하는 LSTM RNN을 설명하기 위해 도시한 도면이다. 도 10에 도시된 바와 같이, RNN 구조 중에서도 특히 LSTM은 각 단계별로 forget gate를 별도로 구성하여, 현재 상태가 오래전의 입력 데이터에도 영향을 받게 하는 Long Short-Term Memory 구조를 통해 성능을 향상시킬 수 있다. 단계 S140에서는, 이와 같은 LSTM 구조를 학습 데이터로 학습하여, 웹캠(300)에서 촬영된 이미지 시퀀스로부터 혈압을 연속적으로 추정할 수 있는 혈압측정 모델을 생성할 수 있다.
한편, 본 발명의 일실시예에 따른 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법에서는, 전이 학습(Transfer learning)을 사용할 수 있다. 전이 학습은 새로운 문제에 대해 사전 훈련된 모델을 재사용하는 것이다. 이미 훈련된 모델을 사용하므로, 상대적으로 적은 데이터로 깊은 신경망을 훈련시킬 수 있는 장점이 있다. 또한, 대부분의 실제 문제들은 일반적으로 복잡한 모델을 훈련시키기 위해 수백만 개의 라벨이 붙은 데이터를 가지고 있지 않기 때문에 유용하게 사용될 수 있다.
본 발명에서는, 이와 같은 전이 학습을 이용해, 대량의 학습 데이터를 이용해 사전 훈련된 모델로부터, 혈압측정에 특화된 혈압측정 모델을 생성할 수 있다. 실시예에 따라서는, 일반적인 혈압측정 모델로부터 전이 학습을 이용해 개별 측정 대상자에 최적화된 혈압측정 모델을 생성하거나, 측정 대상자를 성별, 연령대, 질환 등으로 그룹화하여, 각 그룹별 혈압측정 모델을 생성함으로써, 측정 대상자의 신체 정보에 따라 정밀하게 혈압을 추정할 수 있다.
전술한 바와 같이, 본 발명에서 제안하고 있는 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템에 따르면, 웹캠(300)에서 비접촉 방식으로 촬영된 이미지 시퀀스를 신경망 학습하여 혈압측정 모델을 생성하고, 혈압측정 모델로 측정 대상자의 혈압을 추정함으로써, 비접촉식으로 동영상 즉, 이미지 시퀀스가 촬영되는 웹캠(300)을 사용하므로 장치나 타인과의 접촉 없이 웹캠(300)의 촬영 동안 연속적으로 혈압을 추정할 수 있고, 웹캠(300)의 앞에 있는 것만으로 혈압이 추정되므로 사용성이 높고 비용이 저렴하며, 신경망 알고리즘을 이용해 충분한 정밀도를 확보할 수 있다.
한편, 본 발명은 다양한 통신 단말기로 구현되는 동작을 수행하기 위한 프로그램 명령을 포함하는 컴퓨터에서 판독 가능한 매체를 포함할 수 있다. 예를 들어, 컴퓨터에서 판독 가능한 매체는, 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) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
이와 같은 컴퓨터에서 판독 가능한 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 이때, 컴퓨터에서 판독 가능한 매체에 기록되는 프로그램 명령은 본 발명을 구현하기 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 예를 들어, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상 설명한 본 발명은 본 발명이 속한 기술분야에서 통상의 지식을 가진 자에 의하여 다양한 변형이나 응용이 가능하며, 본 발명에 따른 기술적 사상의 범위는 아래의 특허청구범위에 의하여 정해져야 할 것이다.
100: 학습부
110: 데이터 수집 모듈
120: 맥파 추출 모듈
130: 특징 추출 모듈
140: 모델 생성 모듈
200: 예측부
300: 웹캠
400: 혈압 측정기
500: 데이터베이스
600: 출력부
S100: 웹캠에서 비접촉 방식으로 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 단계
S110: 웹캠에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스에 저장하는 단계
S120: 데이터베이스에 저장된 이미지 시퀀스로부터 맥파를 추출하는 단계
S121: 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출하는 단계
S122: 검출된 관심 영역에서 반사되어 나온 광신호를, 이미지 시퀀스를 구성하는 개별 이미지별로 검출하는 단계
S123: 검출된 광신호를 전하로 변환시키는 단계
S124: 전하로 변환된 신호로부터 피하혈류량 변화를 연산하는 단계
S125: 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력하는 단계
S130: 추출한 맥파에서 특징값을 추출하는 단계
S140: 추출한 특징값을 이용해 신경망 학습을 수행하여, 특징값으로부터 혈압을 예측하는 혈압측정 모델을 생성하는 단계
S200: 웹캠에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 혈압측정 모델을 이용해 측정 대상자의 혈압을 추정하는 단계

Claims (16)

  1. 컴퓨터에 의해 각 단계가 수행되는 비접촉 영상기반 혈압측정 방법으로서,
    (1) 웹캠(300)에서 비접촉 방식으로 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 단계; 및
    (2) 웹캠(300)에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 상기 단계 (1)에서 생성한 혈압측정 모델을 이용해 상기 측정 대상자의 혈압을 추정하되, 상기 웹캠(300)의 앞에 측정 대상자가 있는 것만으로 상기 웹캠(300)의 촬영 동안 연속적으로 혈압을 추정하며, 추정된 혈압과 상기 단계 (1)의 학습 과정 및 결과를 텍스트, 그래프 및 이미지를 통해 출력하는 단계를 포함하며,
    상기 단계 (1)은,
    (1-1) 웹캠(300)에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스(500)에 저장하되, 성별과 나이가 서로 다른 사람의 모습과 서로 다른 조명 상태에서 촬영된 이미지 시퀀스를 수집하며, 상기 이미지 시퀀스 수집 시에 동시에 측정된 혈압을 수집하고, 상기 이미지 시퀀스와 혈압을 매칭해 학습 데이터로 상기 데이터베이스(500)에 저장하되, 신경망 학습이 가능하도록 전처리한 이미지 시퀀스를 상기 학습 데이터로 저장하는 단계;
    (1-2) 상기 데이터베이스(500)에 저장된 이미지 시퀀스로부터 맥파 신호(Pulse wave)를 추출하되, 상기 이미지 시퀀스에 포함된 관심 영역으로부터 상기 맥파 신호를 추출하는 단계;
    (1-3) 상기 추출한 맥파에서 특징값을 추출하되, 고속 푸리에 변환에 의해 추출된 정규화 기술을 적용해 특징값을 추출하는 단계; 및
    (1-4) 상기 추출한 특징값을 이용해 신경망 학습을 수행하여, 상기 특징값으로부터 혈압을 예측하는 상기 혈압측정 모델을 생성하는 단계를 포함하되,
    상기 단계 (1-2)는,
    (1-2-1) 상기 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출하는 단계;
    (1-2-2) 상기 검출된 관심 영역에서 반사되어 나온 광신호를, 상기 이미지 시퀀스를 구성하는 개별 이미지별로 검출하는 단계;
    (1-2-3) 포토 다이오드를 사용해 상기 검출된 광신호를 전하로 변환시키는 단계;
    (1-2-4) 상기 전하로 변환된 신호로부터 피하혈류량 변화를 연산하는 단계; 및
    (1-2-5) 상기 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력하는 단계를 포함하고,
    상기 단계 (1-2-1)에서는,
    상기 이미지 시퀀스로부터 대상이 되는 사람의 얼굴 영역을 인식하고, 인식한 얼굴 영역에서 특징점을 검출한 다음, 특징점 중에서 맥파 신호 검출에 사용할 유효 특징점을 추출해, 상기 유효 특징점들로 결정되는 영역을 관심 영역으로 검출하며,
    상기 단계 (1-3)에서 추출한 특징값은,
    맥파를 2차원 좌표 평면에 표시한 그래프에서 최대 피크 및 최소 피크의 좌표값 총 4개를 이용하여 산출되는 것으로, 수축기 진폭, 맥박 간격, 수축기 기울기, 이완기 기울기, 피크 간격, 맥파 상승 시간 및 맥파 하강 시간 중 적어도 둘 이상을 포함하고,
    상기 단계 (1-4)에서는,
    상기 데이터베이스(500)에 저장된 학습 데이터로 지도 학습을 수행하되, 상기 이미지 시퀀스에서 추출한 특징값을 입력 데이터로 하고 혈압을 출력 데이터로 하여, 상기 특징값과 혈압 사이의 상관관계를 이해하도록 상기 신경망 학습을 수행해 상기 혈압측정 모델을 생성하며, 상기 단계 (1-3)에서 추출한 특징값들을 하나의 벡터로 구성하고, 구성한 벡터를 신경망 모델에 입력하여 학습을 수행하며,
    상기 혈압측정 모델은,
    상기 웹캠(300)에서 촬영된 이미지 시퀀스를 이용해 시간에 따라 변화하는 파형을 나타내는 맥파에서 추출한 특징값의 시계열적인 정보의 분석을 위해, LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 신경망 학습해 생성한 것으로, 상기 웹캠(300)에서 촬영된 이미지 시퀀스로부터 혈압을 연속적으로 추정할 수 있으며,
    상기 단계 (1)에서는,
    전이 학습(Transfer learning)을 이용해, 대량의 학습 데이터를 이용해 사전 훈련된 모델로부터, 측정 대상자를 성별, 연령대, 질환으로 그룹화하여, 각 그룹별 혈압측정 모델을 생성함으로써, 측정 대상자의 신체 정보에 따라 혈압을 추정하는 것을 특징으로 하는, 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법.
  2. 삭제
  3. 삭제
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 삭제
  9. 비접촉 영상기반 혈압측정 시스템으로서,
    비접촉 방식으로 이미지 시퀀스를 촬영하는 웹캠(300);
    웹캠(300)에서 촬영된 이미지 시퀀스를 이용해 신경망 기반의 혈압측정 모델을 생성하는 학습부(100);
    웹캠(300)에서 측정 대상자가 촬영된 이미지 시퀀스를 수신하여, 상기 학습부(100)에서 생성한 혈압측정 모델을 이용해 상기 측정 대상자의 혈압을 추정하되, 상기 웹캠(300)의 앞에 측정 대상자가 있는 것만으로 상기 웹캠(300)의 촬영 동안 연속적으로 혈압을 추정하는 예측부(200);
    비접촉 방식으로 이미지 시퀀스를 촬영하되, 성별과 나이가 서로 다른 사람의 모습과 서로 다른 조명 상태에서 촬영된 이미지 시퀀스를 수집하는 웹캠(300);
    혈압을 측정하는 혈압 측정기(400);
    상기 웹캠(300)에서 촬영된 이미지 시퀀스를 저장하되, 신경망 학습이 가능하도록 전처리한 이미지 시퀀스를 학습 데이터로 저장하는 데이터베이스(500); 및
    상기 예측부(200)의 예측 결과를 출력하되, 추정된 혈압과 상기 학습부(100)의 학습 과정 및 결과를 텍스트, 그래프 및 이미지를 통해 출력하는 출력부(600)를 포함하며,
    상기 학습부(100)는,
    웹캠(300)에서 비접촉으로 촬영된 이미지 시퀀스를 수집해 데이터베이스(500)에 저장하되, 상기 이미지 시퀀스 수집 시에 동시에 측정된 혈압을 수집하고, 상기 이미지 시퀀스와 혈압을 매칭해 학습 데이터로 상기 데이터베이스(500)에 저장하되, 신경망 학습이 가능하도록 전처리한 이미지 시퀀스를 상기 학습 데이터로 저장하는 데이터 수집 모듈(110);
    상기 데이터베이스(500)에 저장된 이미지 시퀀스로부터 맥파 신호(Pulse wave)를 추출하되, 상기 이미지 시퀀스에 포함된 관심 영역으로부터 상기 맥파 신호를 추출하는 맥파 추출 모듈(120);
    상기 추출한 맥파에서 특징값을 추출하되, 고속 푸리에 변환에 의한 정규화 기술을 적용해 특징값을 추출하는 특징 추출 모듈(130); 및
    상기 추출한 특징값을 이용해 신경망 학습을 수행하여, 상기 특징값으로부터 혈압을 예측하는 상기 혈압측정 모델을 생성하는 모델 생성 모듈(140)을 포함하되,
    상기 맥파 추출 모듈(120)은,
    (1-2-1) 상기 이미지 시퀀스에서 광신호를 추출할 관심 영역을 검출하는 단계;
    (1-2-2) 상기 검출된 관심 영역에서 반사되어 나온 광신호를, 상기 이미지 시퀀스를 구성하는 개별 이미지별로 검출하는 단계;
    (1-2-3) 포토 다이오드를 사용해 상기 검출된 광신호를 전하로 변환시키는 단계;
    (1-2-4) 상기 전하로 변환된 신호로부터 피하혈류량 변화를 연산하는 단계; 및
    (1-2-5) 상기 피하혈류량 변화를 주파수 신호로 변환시켜 맥파 신호로 출력하는 단계를 처리하여, 상기 맥파 신호를 추출하고,
    상기 단계 (1-2-1)에서는,
    상기 이미지 시퀀스로부터 대상이 되는 사람의 얼굴 영역을 인식하고, 인식한 얼굴 영역에서 특징점을 검출한 다음, 특징점 중에서 맥파 신호 검출에 사용할 유효 특징점을 추출해, 상기 유효 특징점들로 결정되는 영역을 관심 영역으로 검출하며,
    상기 특징 추출 모듈(130)에서 추출한 특징값은,
    맥파를 2차원 좌표 평면에 표시한 그래프에서 최대 피크 및 최소 피크의 좌표값 총 4개를 이용하여 산출되는 것으로, 수축기 진폭, 맥박 간격, 수축기 기울기, 이완기 기울기, 피크 간격, 맥파 상승 시간 및 맥파 하강 시간 중 적어도 둘 이상을 포함하고,
    상기 모델 생성 모듈(140)에서는,
    상기 데이터베이스(500)에 저장된 학습 데이터로 지도 학습을 수행하되, 상기 이미지 시퀀스에서 추출한 특징값을 입력 데이터로 하고 혈압을 출력 데이터로 하여, 상기 특징값과 혈압 사이의 상관관계를 이해하도록 상기 신경망 학습을 수행해 상기 혈압측정 모델을 생성하며, 상기 특징 추출 모듈(130)에서 추출한 특징값들을 하나의 벡터로 구성하고, 구성한 벡터를 신경망 모델에 입력하여 학습을 수행하며,
    상기 혈압측정 모델은,
    상기 웹캠(300)에서 촬영된 이미지 시퀀스를 이용해 시간에 따라 변화하는 파형을 나타내는 맥파에서 추출한 특징값의 시계열적인 정보의 분석을 위해, LSTM(Long short-term memory) RNN(Recurrent Neural Network)을 신경망 학습해 생성한 것으로, 상기 웹캠(300)에서 촬영된 이미지 시퀀스로부터 혈압을 연속적으로 추정할 수 있으며,
    상기 학습부(100)에서는,
    전이 학습(Transfer learning)을 이용해, 대량의 학습 데이터를 이용해 사전 훈련된 모델로부터, 측정 대상자를 성별, 연령대, 질환으로 그룹화하여, 각 그룹별 혈압측정 모델을 생성함으로써, 측정 대상자의 신체 정보에 따라 혈압을 추정하는 것을 특징으로 하는, 고도화된 시각지능기반 비접촉 영상기반 혈압측정 시스템.
  10. 삭제
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
  15. 삭제
  16. 삭제
KR1020210016766A 2021-02-05 2021-02-05 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템 KR102573068B1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020210016766A KR102573068B1 (ko) 2021-02-05 2021-02-05 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템
PCT/KR2022/001786 WO2022169312A1 (ko) 2021-02-05 2022-02-04 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템
US18/274,942 US20240108235A1 (en) 2021-02-05 2022-02-04 Non-contact image-based blood pressure measurement method and system based on advanced visual intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210016766A KR102573068B1 (ko) 2021-02-05 2021-02-05 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220113053A KR20220113053A (ko) 2022-08-12
KR102573068B1 true KR102573068B1 (ko) 2023-08-31

Family

ID=82742388

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210016766A KR102573068B1 (ko) 2021-02-05 2021-02-05 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템

Country Status (3)

Country Link
US (1) US20240108235A1 (ko)
KR (1) KR102573068B1 (ko)
WO (1) WO2022169312A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016077890A (ja) * 2014-10-09 2016-05-16 パナソニックＩｐマネジメント株式会社 非接触血圧測定装置、及び、非接触血圧測定方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6052027B2 (ja) * 2013-03-29 2016-12-27 富士通株式会社 脈波検出装置、脈波検出プログラムおよび脈波検出方法
KR20160107007A (ko) * 2015-03-03 2016-09-13 삼성전자주식회사 혈압 측정 장치 및 방법
WO2019088462A1 (ko) * 2017-11-03 2019-05-09 주식회사 딥메디 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
KR102277105B1 (ko) * 2019-06-03 2021-07-14 계명대학교 산학협력단 카메라를 이용한 비접촉 혈압 측정 시스템 및 그 구동 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016077890A (ja) * 2014-10-09 2016-05-16 パナソニックＩｐマネジメント株式会社 非接触血圧測定装置、及び、非接触血圧測定方法

Also Published As

Publication number Publication date
WO2022169312A1 (ko) 2022-08-11
KR20220113053A (ko) 2022-08-12
US20240108235A1 (en) 2024-04-04

Similar Documents

Publication Publication Date Title
US11517211B2 (en) Apparatus and method for measuring bioinformation
Fan et al. Robust blood pressure estimation using an RGB camera
KR20190050725A (ko) 모바일 단말을 이용한 맥파 신호 및 스트레스 측정 방법 및 장치
US20080045847A1 (en) Non-contact and passive measurement of arterial pulse through thermal IR imaging, and analysis of thermal IR imagery
KR102202029B1 (ko) 순환신경망을 이용한 구간혈압 추정 방법 및 그 방법을 구현하기 위한 구간 혈압 추정 장치
Gupta et al. Higher order derivative-based integrated model for cuff-less blood pressure estimation and stratification using PPG signals
US20220183569A1 (en) Blood Pressure Assessment Using Features Extracted Through Deep Learning
KR20190011026A (ko) 혈압 측정 장치 및 방법
Mehrgardt et al. Deep learning fused wearable pressure and PPG data for accurate heart rate monitoring
Wu et al. A facial-image-based blood pressure measurement system without calibration
Ayesha et al. Heart rate monitoring using PPG with smartphone camera
Wang et al. Photoplethysmography-based blood pressure estimation using deep learning
KR102576126B1 (ko) 생체정보 추정 장치 및 방법
KR102567952B1 (ko) 생체정보 추정 장치 및 방법
KR102573068B1 (ko) 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템
JP2023510943A (ja) 光データによる脈遷移時間測定のためのシステムおよび方法
Gupta et al. A supervised learning approach for robust health monitoring using face videos
Le et al. Heart Rate Estimation Based on Facial Image Sequence
KR20220012582A (ko) 생체정보 추정 장치 및 방법
Devaki et al. Smartphone-based diagnostic model for hypertension using features from photoplethysmogram
CN114271800B (zh) 一种办公环境下的非侵扰式连续血压监测方法及应用
de Brito Souza et al. Contributions to the acquisition of heart rate and photoplethysmography signal using a real-time software
Sridhar et al. A unique framework for contactless estimation of body vital signs using facial recognition
Lima et al. Remote detection of heart beat and heart rate from video sequences
Alam et al. UbiHeart: A novel approach for non-invasive blood pressure monitoring through real-time facial video

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant