WO2019088462A1 - 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법 - Google Patents

혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법 Download PDF

Info

Publication number
WO2019088462A1
WO2019088462A1 PCT/KR2018/011669 KR2018011669W WO2019088462A1 WO 2019088462 A1 WO2019088462 A1 WO 2019088462A1 KR 2018011669 W KR2018011669 W KR 2018011669W WO 2019088462 A1 WO2019088462 A1 WO 2019088462A1
Authority
WO
WIPO (PCT)
Prior art keywords
blood pressure
pressure estimation
estimation model
images
image
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2018/011669
Other languages
English (en)
French (fr)
Inventor
최윤경
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deepmedi
Original Assignee
Deepmedi
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 Deepmedi filed Critical Deepmedi
Publication of WO2019088462A1 publication Critical patent/WO2019088462A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room
    • A61B5/0036—Features or image-related aspects of imaging apparatus, e.g. for MRI, optical tomography or impedance tomography apparatus; Arrangements of imaging apparatus in a room including treatment, e.g., using an implantable medical device, ablating, ventilating
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • 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
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02438—Measuring pulse rate or heart rate with portable devices, e.g. worn by the patient
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • 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
    • A61B5/117—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
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/332—Portable devices specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/681—Wristwatch-type devices
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6825—Hand
    • A61B5/6826—Finger
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • 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
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesizing signals from measured signals
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/54—Interprogram communication
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • 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
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • 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
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention relates to a blood pressure estimation model generation system and method, and a blood pressure estimation system and method.
  • the bio-signal includes various information to know the health state. Therefore, the biological signal of the subject can be measured, and the current state of health of the subject can be known from the measured biological signal.
  • One of the vital signs widely measured for this purpose is blood pressure.
  • Patent Document 1 Korean Patent Registration No. 10-1366809
  • a blood pressure estimation model generation system includes a collection unit for collecting images and blood pressure information for a plurality of objects; And a controller for correcting the images collected by the collection unit and generating a blood pressure estimation model through machine learning based on the corrected images and the blood pressure information.
  • control unit learns the correspondence between the corrected images and the blood pressure information through the machine learning, and generates the blood pressure estimation model from the machine learning result.
  • control unit extracts the green channel images from the corrected images, learns the correspondence between the extracted green channel images and the blood pressure information through the machine learning, And generates the blood pressure estimation model.
  • the controller converts the collected images into HSV-type images in RGB-type images, changes V-channel values of the converted HSV-type images to predetermined values, Converts HSV type images having the changed values into RGB type images, and generates the blood pressure estimation model through machine learning based on the converted RGB type images and the blood pressure information.
  • a method of generating a blood pressure estimation model includes: collecting images and blood pressure information on a plurality of objects; And correcting the collected images, and generating a blood pressure estimation model through machine learning based on the corrected images and blood pressure information; .
  • the step of generating the blood pressure estimation model may include learning the correspondence between the corrected images and the blood pressure information through the machine learning; And generating the blood pressure estimation model from the machine learning result; .
  • the step of generating the blood pressure estimation model comprises: extracting green channel images from the corrected images; Learning the correspondence between the extracted green channel images and the blood pressure information through the machine learning; And generating the blood pressure estimation model from the machine learning result; .
  • the step of generating the blood pressure estimation model may include converting the collected images into images of RGB type, and images of HSV type; Changing V-channel values of the converted HSV-type images to preset values; Converting the HSV type images having the changed V channel values into RGB type images; And generating the blood pressure estimation model through machine learning based on the converted RGB type images and the blood pressure information; .
  • a blood pressure estimation system comprising: a photographing unit photographing a part of a body of a person to be examined as an image; A controller for correcting the photographed image, and estimating a blood pressure of the subject using the corrected image and a blood pressure estimation model; .
  • the controller extracts a channel image from the corrected image, and estimates a blood pressure of the subject using the extracted channel image and the blood pressure estimation model.
  • the controller converts the photographed image into an HSV type image from an RGB image, changes a V channel value of the converted HSV type image to a predetermined value, Converts the changed HSV type image into RGB type images, and estimates the blood pressure of the subject using the converted RGB type image and the blood pressure estimation model.
  • a blood pressure estimation method comprising: capturing a part of a body of a subject to be examined with an image; And correcting the photographed image and estimating a blood pressure of the subject using the corrected image and a blood pressure estimation model; .
  • the step of estimating the blood pressure includes extracting a green channel image from the corrected image, and estimating a blood pressure of the subject using the extracted green channel image and the blood pressure estimation model. .
  • the step of estimating the blood pressure comprises: converting the photographed image into an HSV type image from an RGB type image; Changing a V-channel value of the transformed HSV image to a predetermined value; Converting an HSV type image having the changed V-channel value into an RGB type image; And estimating a blood pressure of the subject using the converted RGB type image and the blood pressure estimation model; .
  • the present invention has the following excellent effects.
  • the system and method for generating a blood pressure estimation model generate a blood pressure estimation model by machine learning from a green channel image, so that it is possible to generate a blood pressure estimation model with high accuracy .
  • the blood pressure estimation system and method according to another embodiment of the present invention has an effect of highly accurately estimating the blood pressure of the subject from the blood pressure estimation model.
  • the blood pressure estimation model generation method and the blood pressure estimation method according to still another embodiment of the present invention can be implemented in a smart phone or the like, the testee can easily and easily measure his / her blood pressure.
  • FIG. 1 is a configuration diagram of a blood pressure estimation model generation system according to an embodiment of the present invention.
  • FIGS. 2A and 2B are conceptual diagrams of a blood pressure estimation model according to an embodiment of the present invention.
  • FIG. 3 is a flowchart of a blood pressure estimation model generation method according to another embodiment of the present invention.
  • FIG. 4 is a configuration diagram of a blood pressure estimation system according to another embodiment of the present invention.
  • FIG. 5 is a flowchart of a blood pressure estimation method according to another embodiment of the present invention.
  • FIG. 1 is a configuration diagram of a blood pressure estimation model generation system according to an embodiment of the present invention
  • FIGS. 2A and 2B are conceptual diagrams of a blood pressure estimation model according to an embodiment of the present invention.
  • a blood pressure estimation model generation system 1 includes a collection unit 110 and a control unit 120.
  • the collection unit 110 collects images and blood pressure information for a plurality of objects.
  • the images of many objects are images of a part of the body of many people.
  • a part of the body can be, for example, part of a human finger.
  • the method by which the collection unit 110 collects images and blood pressure information is not particularly limited.
  • the collecting unit 110 may receive and collect images and blood pressure information from the outside. That is, the images and the blood pressure information may be input to the collecting unit 110 from the outside.
  • the collecting unit 110 may collect images by capturing a plurality of objects, and collect and measure blood pressure information of the objects.
  • the control unit 120 corrects the images collected by the collecting unit 110.
  • the control unit 120 generates a blood pressure estimation model through machine learning based on the corrected images and the blood pressure information collected by the collection unit 110.
  • the blood pressure estimation model is a model generated from the correspondence between each image obtained from a plurality of objects and blood pressure information of the object on which the image is acquired. Based on the image of a part of the subject's body, The blood pressure of the subject is estimated. That is, the blood pressure estimation model can estimate the systolic and diastolic blood pressure of the subject to be inspected from the input image of a part of the subject's body.
  • testeee Many objects are part of the body of many people. Some of the body parts of many people and part of the body of the testee should be the same body part, but the testee need not be included in the majority. Some of the body may be, for example, the tip of a finger.
  • the control unit 120 uses the corrected images and blood pressure information as learning data, and generates a blood pressure estimation model through machine learning.
  • the controller 120 generates a blood pressure estimation model through machine learning in which corrected images are input and blood pressure information is a target. That is, the control unit 120 sets the correspondence between each image and the blood pressure information through machine learning in which each of the corrected images is input, and the corrected image is used as target blood pressure information of the acquired object And generates a blood pressure estimation model from the learning results.
  • the machine learning algorithm used for machine learning is not specified, and includes all the machine learning algorithms that can learn the corresponding relationship between each image and blood pressure information described above and generate a blood pressure estimation model from the learning results.
  • the control unit 120 can store the generated blood pressure estimation model therein.
  • the blood pressure estimation model generation system 1 may further include a server (not shown) for storing the generated blood pressure estimation model.
  • the control unit 120 may store the generated blood pressure estimation model in an external server.
  • the blood pressure estimation model generation system 1 according to the present embodiment may further include a communication unit (not shown) capable of transmitting the generated blood pressure estimation model to an external server.
  • FIG. 3 is a flowchart of a blood pressure estimation model generation method according to another embodiment of the present invention.
  • the method for generating a blood pressure estimation model includes collecting images and blood pressure information for a plurality of objects (S210), converting the collected images from RGB to HSV (Step S220), changing each of the V-channel values of the converted HSV-type images to a preset value (S230), converting the HSV-type images having the changed V-channel values into RGB- A step S250 of extracting green channel images from the converted RGB type images, and a step of generating a blood pressure estimation model through inputting the extracted green channel images and machine learning using the collected blood pressure information as targets S260).
  • the subject performing the blood pressure estimation model generation method according to the present embodiment is the blood pressure estimation model generation system 1 according to the embodiment of the present invention.
  • Step S210 is a step of collecting images and blood pressure information on a plurality of objects.
  • the collection unit 110 collects images and blood pressure information for a plurality of objects.
  • the method by which the collection unit 110 collects images and blood pressure information is not particularly limited.
  • the collecting unit 110 may receive and collect images and blood pressure information from the outside.
  • the collecting unit 110 may collect images by capturing a plurality of objects, and collect and measure blood pressure information of the objects.
  • step S220 the collected images are converted from the RGB format to the HSV format.
  • step S230 the V-channel values of the converted HSV images are changed to preset values.
  • step S240 And converting HSV type images having changed channel values into RGB type images.
  • Steps S220 through S240 are performed by the control unit 120 to correct the images collected by the collecting unit 110.
  • FIG. 1
  • the control unit 120 converts the collected images into RGB-type images and HSV-type images.
  • the controller 120 changes each of the V-channel values of the converted HSV-type images to a predetermined value.
  • the V-channel value is a value indicating the brightness of each image. Since the images collected by the collecting unit 110 have different brightness, the converted HSV images have different V-channel values.
  • the control unit 120 changes all of these different V-channel values to the same value. That is, the control unit 120 matches the V-channel values of the converted HSV-type images. For example, the control unit 120 changes the V-channel value of the converted HSV-type images to all ones.
  • the control unit 120 improves the accuracy of the blood pressure estimation model by making the brightness of the converted HSV-type images all the same and generating the blood pressure estimation model therefrom.
  • the control unit 120 converts HSV type images having changed V channel values into RGB type images.
  • Steps S220 to S240 are performed for each frame of each image. That is, the control unit 120 converts the RGB image into the HSV image, the V channel value of the converted HSV image to a predetermined value, and the V channel value The modified HSV type image is converted into RGB type image.
  • Step S250 is a step of extracting green channel images from the converted RGB type images.
  • the RGB type image includes a red channel image, a green channel image, and a blue channel image.
  • the degree of absorbing light depends on the wavelength of light of the human body. Therefore, the accuracy of the blood pressure estimation model changes depending on which of the red channel image, the green channel image, and the blue channel image is used to generate the blood pressure estimation model .
  • the controller 120 extracts the green channel images from the converted RGB image, extracts the blood pressure estimation model .
  • Step S260 is a step of generating a blood pressure estimation model through machine learning in which the extracted green channel images are input and the collected blood pressure information is targeted.
  • the control unit 120 sets each of the extracted green channel images as an input and generates a blood pressure estimation model through machine learning with the blood channel information of the target object from which the acquired green channel image is acquired as a target .
  • the control unit 120 can store the generated blood pressure estimation model therein.
  • the control unit 120 may store the generated blood pressure estimation model in an external server.
  • FIG. 4 is a configuration diagram of a blood pressure estimation system according to another embodiment of the present invention.
  • the blood pressure estimation system 3 includes a photographing unit 310 and a control unit 320.
  • the photographing unit 310 photographs a part of the body of the examinee as an image.
  • a part of the body of the examinee is a part of the body such as a part of the body of a plurality of people photographed in the image collected by the collecting unit 110 according to an embodiment of the present invention.
  • a part of the body may be the end of the examinee's finger.
  • the control unit 320 corrects the images photographed by the photographing unit 310. Further, the control unit 320 estimates the blood pressure of the subject using the corrected image and the blood pressure estimation model.
  • the blood pressure estimation model is a blood pressure estimation model generated according to the generation method according to another embodiment of the present invention.
  • the blood pressure estimation model may be stored in the control unit 320 or may be stored in an external server.
  • the blood pressure estimation system 3 according to the present embodiment may further include a communication unit (not shown) capable of receiving a blood pressure estimation model stored in an external server.
  • control unit 320 may estimate the heart rate of the subject from the corrected image. That is, the control unit 320 may estimate the heart rate of the examinee using only the corrected image, without a separate estimation model.
  • the blood pressure estimation system 3 may further include a display unit (not shown) for outputting the estimated blood pressure and heart rate of the examinee so that the examinee can recognize the blood pressure and the heart rate.
  • the display unit outputs the estimated blood pressure and heart rate of the examinee in at least one of visual, auditory, and tactile methods.
  • FIG. 5 is a flowchart of a blood pressure estimation method according to another embodiment of the present invention.
  • the blood pressure estimation method includes a step S410 of capturing a part of the body of the examinee as an image (S410), a step S420 of converting the captured image into the HSV format from the RGB format, A step S430 of converting a V-channel value of an HSV-type image to a preset value, a step S440 of converting an HSV-type image having a changed V-channel value into an RGB-type image, A step S450 of extracting the channel image, and a step S460 of estimating the blood pressure of the examinee using the extracted green channel image and the blood pressure estimation model.
  • the subject performing the blood pressure estimation method according to the present embodiment is the blood pressure estimation system 3 according to still another embodiment of the present invention.
  • Step S410 is a step of photographing a part of the body of the examinee as an image.
  • the photographing unit 310 photographs a part of the body of the examinee as an image.
  • step S420 the photographed image is converted from the RGB format to the HSV format.
  • step S430 the V-channel value of the converted HSV image is changed to a predetermined value.
  • step S430 And converting the modified HSV type image into an RGB type image.
  • Steps S420 through S440 are performed by the control unit 320 as a process for correcting the image photographed by the photographing unit 310.
  • the control unit 320 converts the photographed image into an HSV type image from an RGB type image.
  • the control unit 320 changes the V-channel value of the converted HSV-type image to a predetermined value.
  • the V-channel value is a value representing the brightness of each image. Since the image photographed by the photographing unit 310 has different brightness for each frame, the converted HSV-type image has different V-channel values for each frame.
  • the control unit 320 changes all of these different V-channel values to the same value. That is, the control unit 320 matches the V-channel values of all frames in the converted HSV-type video. For example, the control unit 320 changes all of the V-channel values of all the frames in the converted HSV-type image to one.
  • the control unit 320 improves the accuracy of the blood pressure estimation by making all the frames in the converted HSV type image have the same brightness and estimating the blood pressure of the examinee from the same brightness.
  • the control unit 320 converts an HSV-type image in which the V-channel value of each frame is changed into an RGB-type image.
  • a green channel image is extracted from the converted RGB image.
  • the blood pressure estimation model generated by the generation method according to another embodiment of the present invention is a blood pressure estimation model generated from a green channel image. Therefore, in order to estimate the blood pressure of the examinee from the blood pressure estimation model, a green channel image should be used. Then, the controller 320 extracts the green channel image from the RGB-type image converted in step S440.
  • Step S460 is a step of estimating the blood pressure of the subject using the extracted green channel image and the blood pressure estimation model.
  • the control unit 320 estimates the blood pressure of the examinee using the extracted green channel image and the blood pressure estimation model.
  • the blood pressure estimation model generated by the generation method according to another embodiment of the present invention is a blood pressure estimation model generated from a green channel image, and the blood pressure estimation model is generated from a red channel image or a blue channel image It is more accurate than the blood pressure estimation model.
  • the blood pressure of the examinee is estimated using the blood pressure estimation model generated from the green channel image and the green channel image extracted from the image of a part of the body of the examinee, the blood pressure of the examinee can be accurately estimated can do.
  • the present invention can be implemented by a computer-readable code readable by a computer (including all devices having an information processing function) on a computer-readable recording medium.
  • a computer-readable recording medium includes all kinds of recording media in which data that can be read by a computer system is stored. Examples of the computer-readable recording medium include ROM, RAM, CD-ROM, magnetic tape, floppy disk, optical data storage, and the like.

Landscapes

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

Abstract

본 발명은 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법에 대한 것이다. 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템은, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 수집부 및 상기 수집부에서 수집된 영상들을 보정하고, 상기 보정된 영상들 및 상기 혈압 정보들에 기초한 기계 학습을 통하여 혈압 추정 모델을 생성하는 제어부를 포함한다. 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템 및 방법은, 그린 채널 영상으로부터 기계 학습에 의하여 혈압 추정 모델을 생성하기 때문에, 높은 정확도를 갖는 혈압 추정 모델을 생성할 수 있는 효과가 있다.

Description

혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
본 발명은 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법에 대한 것이다.
생체신호에는 건강상태를 알 수 있는 다양한 정보가 포함되어 있다. 따라서, 피검사자의 생체신호를 측정하고, 측정된 생체신호로부터 피검사자의 현재 건강 상태를 알 수 있다. 이러한 목적으로 널리 측정되고 있는 생체신호 중 하나가 혈압이다.
이에, 피검사자가 쉽게 자신의 혈압을 측정할 있도록 하는 혈압계에 대한 다양한 연구가 진행되었다. 특히, 전자산업의 발달로 간접적인 방법으로 혈압을 측정할 수 있는 자동화된 혈압계가 발달되었다. 예를 들어, 요골동맥을 빠르고 높은 정확도로 찾을 수 있는 혈압측정장치 및 혈압측정방법이 개시되었다. [특허문헌 1(한국등록특허공보 제10-1366809호)]
그러나, 이러한 종래의 혈압계는 부피가 비교적 커서 휴대하기에 어려움이 있으며, 혈압을 측정할 때마다 거프를 착용해야 하므로 번거로운 단점이 있다.
본 발명을 전술한 문제점을 해결하고자 창출된 것으로, 혈압 추정 모델 생성 시스템 및 방법을 제공하는 것을 그 목적으로 한다.
또한, 본 발명은 피검사자가 쉽게 자신의 혈압을 측정할 수 있는 혈압 추정 시스템 및 방법을 제공하는 것을 그 목적으로 한다.
본 발명의 목적들은 상술된 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상술된 목적들을 달성하기 위하여, 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템은, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 수집부; 및 상기 수집부에서 수집된 영상들을 보정하고, 상기 보정된 영상들 및 상기 혈압 정보들에 기초한 기계 학습을 통하여 혈압 추정 모델을 생성하는 제어부; 를 포함한다.
실시예에서, 상기 제어부는, 상기 보정된 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하고, 상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성한다.
실시예에서, 상기 제어부는, 상기 보정된 영상들로부터 그린 채널 영상들을 추출하고, 상기 추출된 그린 채널 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하고, 상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성한다.
실시예에서, 상기 제어부는, 상기 수집된 영상들을 RGB 형태의 영상들에서 HSV 형태의 영상들로 변환하고, 상기 변환된 HSV 형태의 영상들의 V 채널값들을 기설정된 값으로 변경하고, 상기 V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환하고, 상기 변환된 RGB 형태의 영상들 및 상기 혈압 정보들에 기초한 기계 학습을 통하여 상기 혈압 추정 모델을 생성한다.
본 발명의 다른 실시예에 따른 혈압 추정 모델의 생성 방법은, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 단계; 및 상기 수집된 영상들을 보정하고, 상기 보정된 영상들 및 혈압 정보들에 기초한 기계 학습을 통하여, 혈압 추정 모델을 생성하는 단계; 를 포함한다.
실시예에서, 상기 혈압 추정 모델을 생성하는 단계는, 상기 보정된 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하는 단계; 및 상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성하는 단계; 를 포함한다.
실시예에서, 상기 혈압 추정 모델을 생성하는 단계는, 상기 보정된 영상들로부터 그린 채널 영상들을 추출하는 단계; 상기 추출된 그린 채널 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하는 단계; 및 상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성하는 단계; 를 포함한다.
실시예에서, 상기 혈압 추정 모델을 생성하는 단계는, 상기 수집된 영상들을 RGB 형태의 영상들에서 HSV 형태의 영상들로 변환하는 단계; 상기 변환된 HSV 형태의 영상들의 V 채널값들을 기설정된 값으로 변경하는 단계; 상기 V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환하는 단계; 및 상기 변환된 RGB 형태의 영상들 및 상기 혈압 정보들에 기초한 기계 학습을 통하여 상기 혈압 추정 모델을 생성하는 단계; 를 포함한다.
본 발명의 또 다른 실시예에 따른 혈압 추정 시스템은, 피검사자의 신체의 일부를 영상으로 촬영하는 촬영부; 및 상기 촬영된 영상을 보정하고, 상기 보정된 영상과 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 제어부; 를 포함한다.
실시예에서, 상기 제어부는, 상기 보정된 영상으로부터 그린 채널 영상을 추출하고, 상기 추출된 그린 채널 영상과 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정한다.
실시예에서, 상기 제어부는, 상기 촬영된 영상을 RGB 형태의 영상에서 HSV 형태의 영상으로 변환하고, 상기 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하고, 상기 V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상들로 변환하고, 상기 변환된 RGB 형태의 영상 및 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정한다.
본 발명의 또 다른 실시예에 따른 혈압 추정 방법은, 피검사자의 신체의 일부를 영상으로 촬영하는 단계; 및 상기 촬영된 영상을 보정하고, 상기 보정된 영상과 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 단계; 를 포함한다.
실시예에서, 상기 혈압을 추정하는 단계는, 상기 보정된 영상으로부터 그린 채널 영상을 추출하고, 상기 추출된 그린 채널 영상과 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 단계; 를 포함한다.
실시예에서, 상기 혈압을 추정하는 단계는, 상기 촬영된 영상을 RGB 형태의 영상에서 HSV 형태의 영상으로 변환하는 단계; 상기 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하는 단계; 상기 V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상으로 변환하는 단계; 및 상기 변환된 RGB 형태의 영상 및 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 단계; 를 포함한다.
상술된 목적들을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술될 실시예들을 참조하면 명확해질 것이다.
그러나, 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구성될 수 있으며, 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자(이하, "통상의 기술자")에게 발명의 범주를 완전하게 알려주기 위해서 제공되는 것이다.
본 발명은 다음과 같은 우수한 효과들을 가진다.
우선, 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템 및 방법은, 그린 채널 영상으로부터 기계 학습에 의하여 혈압 추정 모델을 생성하기 때문에, 높은 정확도를 갖는 혈압 추정 모델을 생성할 수 있는 효과가 있다.
또한, 본 발명의 다른 실시예에 따른 혈압 추정 시스템 및 방법은, 혈압 추정 모델로부터 피검사자의 혈압을 매우 정확하게 추정할 수 있는 효과가 있다.
또한, 본 발명의 또 다른 실시예에 따른 혈압 추정 모델 생성 방법 및 혈압 추정 방법은, 스마트폰 등으로 실시될 수 있기 때문에, 피검사자가 매우 쉽고 간편하게 자신의 혈압을 측정할 수 있는 효과가 있다.
본 발명의 효과들은 상술된 효과들로 제한되지 않으며, 본 발명의 기술적 특징들에 의하여 기대되는 잠정적인 효과들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템의 구성도이다.
도 2a 및 도 2b는 본 발명의 일 실시예에 따른 혈압 추정 모델의 개념도이다.
도 3은 본 발명의 다른 실시예에 따른 혈압 추정 모델 생성 방법의 흐름도이다.
도 4는 본 발명의 또 다른 실시예에 따른 혈압 추정 시스템의 구성도이다.
도 5는 본 발명의 또 다른 실시예에 따른 혈압 추정 방법의 흐름도이다.
본 발명은 다양한 변경을 가할 수 있고, 여러 가지 실시예들을 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세히 설명하고자 한다.
청구범위에 개시된 발명의 다양한 특징들은 도면 및 상세한 설명을 고려하여 더 잘 이해될 수 있을 것이다. 명세서에 개시된 장치, 방법, 제법 및 다양한 실시예들은 예시를 위해서 제공되는 것이다. 개시된 구조 및 기능 상의 특징들은 통상의 기술자로 하여금 다양한 실시예들을 구체적으로 실시할 수 있도록 하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다. 개시된 용어 및 문장들은 개시된 발명의 다양한 특징들을 이해하기 쉽게 설명하기 위한 것이고, 발명의 범위를 제한하기 위한 것이 아니다.
본 발명을 설명함에 있어서, 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
이하, 첨부된 도면들을 참조하여, 본 발명에 따른 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법에 대하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템의 구성도이고, 도 2a 및 도 2b는 본 발명의 일 실시예에 따른 혈압 추정 모델의 개념도이다.
도 1을 참조하면, 본 실시예에 따른 혈압 추정 모델 생성 시스템(1)은, 수집부(110) 및 제어부(120)를 포함한다.
수집부(110)는, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집한다. 다수의 대상체들에 대한 영상은, 다수인의 신체의 일부를 촬영한 영상들이다. 신체의 일부는, 예를 들어, 인간의 손가락 일부일 수 있다.
수집부(110)가 영상들 및 혈압 정보들을 수집하는 방법은 특별히 한정되지 않는다. 예를 들어, 수집부(110)는 외부로부터 영상들 및 혈압 정보들을 수신하여 수집할 수 있다. 즉, 영상들 및 혈압 정보들은 외부로부터 수집부(110)에 입력될 수 있다. 또는, 수집부(110)는 다수의 대상체들을 촬영하여 영상들을 수집할 수 있으며, 대상체들의 혈압 정보들을 측정하여 수집할 수도 있다.
제어부(120)는, 수집부(110)에서 수집된 영상들을 보정한다. 그리고, 제어부(120)는, 보정된 영상들과 수집부(110)에서 수집된 혈압 정보들에 기초한 기계 학습(Machine Learning)을 통하여, 혈압 추정 모델을 생성한다.
도 2a를 참조하면, 혈압 추정 모델은 다수의 대상체들로부터 획득된 각 영상과, 그 영상이 획득된 대상체의 혈압 정보 간의 대응 관계로부터 생성된 모델로써, 피검사자 신체의 일부의 영상에 기초하여, 피검사자의 혈압을 추정하는데 사용되는 모델이다. 즉, 혈압 추정 모델은, 입력된 피검사자 신체의 일부의 영상으로부터, 피검사의 수축기 및 이완기 혈압을 추정할 수 있다.
다수의 대상체들은, 다수인의 신체의 일부이다. 다수인의 신체의 일부와 피검사자의 신체의 일부는 같은 신체 부위여야 하지만, 피검사자가 다수인에 포함되어 있을 필요는 없다. 신체의 일부는 예를 들어, 손가락의 끝부분 등 일 수 있다.
제어부(120)는, 보정된 영상들과 혈압정보들을 학습 데이터로 삼아, 기계 학습을 통하여 혈압 추정 모델을 생성한다.
구체적으로, 도 2b를 참조하면, 제어부(120)는, 보정된 영상들을 입력(input)으로 하고, 혈압 정보들을 타겟(target)으로 하는 기계 학습을 통해 혈압 추정 모델을 생성한다. 즉, 제어부(120)는, 보정된 영상들 각각을 입력(input)으로 하고, 그 보정된 영상이 획득된 대상체의 혈압 정보를 타겟으로 하는 기계 학습을 통해, 각 영상과 혈압 정보 간의 대응 관계를 학습하고, 학습 결과로부터 혈압 추정 모델을 생성한다.
기계 학습에 이용되는 기계 학습 알고리즘은 특정되지 않으며, 전술한 각 영상과 혈압 정보 간의 대응 관계를 학습하고, 그 학습 결과로부터 혈압 추정 모델을 생성할 수 있는 모든 기계 학습 알고리즘을 포함한다.
제어부(120)는, 생성된 혈압 추정 모델을 그 내부에 저장할 수 있다.
*46한편, 본 실시예에 따른 혈압 추정 모델 생성 시스템(1)은 생성된 혈압 추정 모델을 저장하는 서버(미도시)를 더 포함할 수도 있다. 제어부(120)는, 생성된 혈압 추정 모델을 외부의 서버에 저장할 수도 있다. 본 실시예에 따른 혈압 추정 모델 생성 시스템(1)은, 생성된 혈압 추정 모델을 외부의 서버로 전송할 수 있는 통신부(미도시)를 더 포함할 수 있다.
도 3은 본 발명의 다른 실시예에 따른 혈압 추정 모델 생성 방법의 흐름도이다.
도 3을 참조하면, 본 실시예에 따른 혈압 추정 모델 생성 방법은, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 단계(S210), 수집된 영상들을 RGB 형태에서 HSV 형태로 변환하는 단계(S220), 변환된 HSV 형태의 영상들의 V 채널값들 각각을 기설정된 값으로 변경하는 단계(S230), V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환하는 단계(S240), 변환된 RGB 형태의 영상들에서 그린 채널 영상들을 추출하는 단계(S250) 및 추출된 그린 채널 영상들을 입력으로 하고, 수집된 혈압 정보들을 타겟으로 하는 기계 학습을 통하여 혈압 추정 모델을 생성하는 단계(S260)를 포함한다.
본 실시예에 따른 혈압 추정 모델 생성 방법을 수행하는 주체는 본 발명의 일 실시예에 따른 혈압 추정 모델 생성 시스템(1)이다.
S210 단계는, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 단계이다. 수집부(110)는, 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집한다.
수집부(110)가 영상들 및 혈압 정보들을 수집하는 방법은 특별히 한정되지 않는다. 예를 들어, 수집부(110)는 외부로부터 영상들 및 혈압 정보들을 수신하여 수집할 수 있다. 또는, 수집부(110)는 다수의 대상체들을 촬영하여 영상들을 수집할 수 있으며, 대상체들의 혈압 정보들을 측정하여 수집할 수도 있다.
S220 단계는, 수집된 영상들을 RGB 형태에서 HSV 형태로 변환하는 단계이고, S230 단계는, 변환된 HSV 형태의 영상들의 V 채널값들 각각을 기설정된 값으로 변경하는 단계이고, S240 단계는, V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환하는 단계이다.
S220 단계 내지 S240 단계는, 수집부(110)에서 수집된 영상들을 보정하기 위한 과정으로써, 제어부(120)에 의하여 수행된다.
제어부(120)는, 수집된 영상들을 RGB 형태의 영상들에서 HSV 형태의 영상들로 변환한다. 제어부(120)는, 변환된 HSV 형태의 영상들의 V 채널값들 각각을 기설정된 값으로 변경한다.
V 채널값은 각 영상의 명도를 나타내는 값이다. 수집부(110)에서 수집된 영상들은 서로 다른 명도를 가지고 있기 때문에, 변환된 HSV 형태의 영상들은 서로 다른 V 채널값들을 가지고 있다. 제어부(120)는, 이러한 서로 다른 V 채널값들을 모두 같은 값으로 바꾼다. 즉, 제어부(120)는, 변환된 HSV 형태의 영상들의 V 채널값을 모두 일치시킨다. 예를 들어, 제어부(120)는, 변환된 HSV 형태의 영상들의 V 채널값을 모두 1로 변경한다.
제어부(120)는, 변환된 HSV 형태의 영상들의 명도를 모두 같도록 하고, 이로부터 혈압 추정 모델을 생성함으로써, 혈압 추정 모델의 정확성을 향상시킨다. 제어부(120)는, V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환한다.
S220 단계 내지 S240 단계는, 각 영상의 프레임 별로 수행된다. 즉, 제어부(120)는, 수집된 각 영상의 프레임 별로, RGB 형태의 영상에서 HSV 형태의 영상으로 변환하고, 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하고, V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상으로 변환한다.
S250 단계는, 변환된 RGB 형태의 영상들에서 그린 채널 영상들을 추출하는 단계이다.
RGB 형태의 영상은 레드 채널 영상, 그린 채널 영상 및 블루 채널 영상을 포함한다. 인체는, 빛의 파장에 따라 빛을 흡수하는 정도가 다르며, 이 때문에, 레드 채널 영상, 그린 채널 영상 및 블루 채널 영상 중 어느 영상으로부터 혈압 추정 모델을 생성하였는지에 따라, 혈압 추정 모델의 정확도가 변화한다.
즉, 그린 채널 영상으로부터 생성된 혈압 추정 모델이 그 정확성이 가장 높기 때문에, 제어부(120)는, 변환된 RGB 형태의 영상들에서 그린 채널 영상들을 추출하고, 추출된 그린 채널 영상들로부터 혈압 추정 모델을 생성한다.
S260 단계는, 추출된 그린 채널 영상들을 입력으로 하고, 수집된 혈압 정보들을 타겟으로 하는 기계 학습을 통하여 혈압 추정 모델을 생성하는 단계이다.
제어부(120)는, 추출된 그린 채널 영상들 각각을 입력(input)으로 하고, 그 그린 채널 영상이 획득된 영상이 획득된 대상체의 혈압 정보를 타겟으로 하여 기계 학습을 통해 혈압 추정 모델을 생성한다. 한편, 제어부(120)는, 생성된 혈압 추정 모델을 그 내부에 저장할 수 있다. 또는, 제어부(120)는, 생성된 혈압 추정 모델을 외부의 서버에 저장할 수도 있다.
도 4는 본 발명의 또 다른 실시예에 따른 혈압 추정 시스템의 구성도이다.
도 4를 참조하면, 본 실시예에 따른 혈압 추정 시스템(3)은, 촬영부(310) 및 제어부(320)를 포함한다.
촬영부(310)는, 피검사자의 신체의 일부를 영상으로 촬영한다. 피검사자의 신체의 일부는 본 발명의 일 실시예에 따른 수집부(110)에서 수집된 영상에 촬영된 다수인의 신체의 일부와 같은 신체의 일부이다. 예를 들어, 신체의 일부는 피검사자의 손가락의 끝부분 등 일 수 있다. 한편, 다수인에 피검사자가 포함되어 있을 필요는 없다.
제어부(320)는, 촬영부(310)에서 촬영된 영상들을 보정한다. 또한, 제어부(320)는 보정된 영상과 혈압 추정 모델을 이용하여, 피검사자의 혈압을 추정한다. 혈압 추정 모델은, 본 발명의 다른 실시예에 따른 생성 방법에 따라 생성된 혈압 추정 모델이다. 혈압 추정 모델은, 제어부(320)에 저장되어 있을 수 있으며, 외부의 서버에 저장되어 있을 수도 있다. 본 실시예에 따른 혈압 추정 시스템(3)은, 외부의 서버에 저장된 혈압 추정 모델을 수신할 수 있는 통신부(미도시)를 더 포함할 수 있다.
한편, 제어부(320)는, 보정된 영상으로부터 피검사자의 심박수를 추정할 수도 있다. 즉, 제어부(320)는, 별도의 추정 모델 없이, 보정된 영상만을 이용하여 피검사자의 심박수를 추정할 수도 있다.
한편, 본 실시예에 따른 혈압 추정 시스템(3)은 추정된 피검사자의 혈압 및 심박수를 피검사자가 인지할 수 있도록 출력하는 표시부(미도시)를 더 포함할 수 있다. 표시부는 추정된 피검사자의 혈압 및 심박수를 시각적, 청각적, 촉각적 방법 중 적어도 하나의 방법으로 출력한다.
도 5는 본 발명의 또 다른 실시예에 따른 혈압 추정 방법의 흐름도이다.
도 5를 참조하면, 본 실시예에 따른 혈압 추정 방법은, 피검사자의 신체의 일부를 영상으로 촬영하는 단계(S410), 촬영된 영상을 RGB 형태에서 HSV 형태로 변환하는 단계(S420), 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하는 단계(S430), V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상으로 변환하는 단계(S440), 변환된 RGB 형태의 영상에서 그린 채널 영상을 추출하는 단계(S450) 및 추출된 그린 채널 영상과 혈압 추정 모델을 이용하여 피검사자의 혈압을 추정하는 단계(S460)를 포함한다.
본 실시예에 따른 혈압 추정 방법을 수행하는 주체는 본 발명의 또 다른 실시예에 따른 혈압 추정 시스템(3)이다.
S410 단계는, 피검사자의 신체의 일부를 영상으로 촬영하는 단계이다. 촬영부(310)는, 피검사자의 신체의 일부를 영상으로 촬영한다.
S420 단계는, 촬영된 영상을 RGB 형태에서 HSV 형태로 변환하는 단계이고, S430 단계는, 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하는 단계이고, S430 단계는, V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상으로 변환하는 단계이다.
S420 단계 내지 S440 단계는, 촬영부(310)에서 촬영된 영상을 보정하기 위한 과정으로써, 제어부(320)에 의하여 수행된다.
제어부(320)는, 촬영된 영상을 RGB 형태의 영상에서 HSV 형태의 영상으로 변환한다. 제어부(320)는, 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경한다.
전술한 바와 같이, V 채널값은 각 영상의 명도를 나타내는 값이다. 촬영부(310)에서 촬영된 영상은, 프레임 별로 다른 명도를 가지고 있기 때문에, 변환된 HSV 형태의 영상은, 프레임 별로 다른 V 채널값들을 가지고 있다. 제어부(320)는, 이러한 서로 다른 V 채널값들을 모두 같은 값으로 바꾼다. 즉, 제어부(320)는, 변환된 HSV 형태의 영상 내의 모든 프레임의 V 채널값을 일치시킨다. 예를 들어, 제어부(320)는, 변환된 HSV 형태의 영상 내의 모든 프레임의 V 채널값을 모두 1로 변경한다.
제어부(320)는, 변환된 HSV 형태의 영상 내의 모든 프레임들이 같은 명도를 같도록 하고, 이로부터 피검사자의 혈압을 추정함으로써, 혈압 추정의 정확성을 향상시킨다.
제어부(320)는, 각 프레임의 V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상으로 변환한다.
S450 단계는, 변환된 RGB 형태의 영상에서 그린 채널 영상을 추출하는 단계이다.
본 발명의 다른 실시예에 따른 생성 방법에 의하여 생성된 혈압 추정 모델은, 그린 채널 영상으로부터 생성된 혈압 추정 모델이다. 따라서, 이러한 혈압 추정 모델로부터 피검사자의 혈압을 추정하기 위해서는, 그린 채널 영상이 이용되어야 한다. 이에, 제어부(320)는, S440 단계에서 변환된 RGB 형태의 영상에서 그린 채널 영상을 추출한다.
S460 단계는, 추출된 그린 채널 영상과 혈압 추정 모델을 이용하여 피검사자의 혈압을 추정하는 단계이다.
제어부(320)는, 추출된 그린 채널 영상과 혈압 추정 모델을 이용하여 피검사자의 혈압을 추정한다.
전술한 바와 같이, 본 발명의 다른 실시예에 따른 생성 방법에 의하여 생성된 혈압 추정 모델은, 그린 채널 영상으로부터 생성된 혈압 추정 모델이며, 이러한 혈압 추정 모델은 레드 채널 영상이나 블루 채널 영상으로부터 생성된 혈압 추정 모델보다 정확성이 매우 높다.
즉, 본 단계에선, 그린 채널 영상으로부터 생성된 혈압 추정 모델과, 피검사자의 신체의 일부를 촬영한 영상으로부터 추출된 그린 채널 영상을 이용하여 피검사자의 혈압을 추정하기 때문에, 매우 정확하게 피검사자의 혈압을 추정할 수 있다.
한편, 본 발명은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터(정보 처리 기능을 갖는 장치를 모두 포함)가 읽을 수 있는 코드로 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 매체를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는, ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광데이터 저장 장치 등이 있다.
이상의 설명은 본 발명의 기술적 사상을 예시적으로 설명한 것에 불과한 것으로, 통상의 기술자라면 본 발명의 본질적인 특성이 벗어나지 않는 범위에서 다양한 변경 및 수정이 가능할 것이다.
따라서, 본 명세서에 개시된 실시예들은 본 발명의 기술적 사상을 한정하기 위한 것이 아니라, 설명하기 위한 것이고, 이러한 실시예들에 의하여 본 발명의 범위가 한정되는 것은 아니다.
본 발명의 보호범위는 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 이해되어야 한다.

Claims (14)

  1. 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 수집부; 및
    상기 수집부에서 수집된 영상들을 보정하고, 상기 보정된 영상들 및 상기 혈압 정보들에 기초한 기계 학습(Machine Learning)을 통하여 혈압 추정 모델을 생성하는 제어부;
    를 포함하는,
    혈압 추정 모델 생성 시스템.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 보정된 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하고, 상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성하는,
    혈압 추정 모델 생성 시스템.
  3. 제1항에 있어서,
    상기 제어부는,
    상기 보정된 영상들로부터 그린 채널 영상들을 추출하고, 상기 추출된 그린 채널 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하고, 상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성하는,
    혈압 추정 모델 생성 시스템.
  4. 제1항에 있어서,
    상기 제어부는,
    상기 수집된 영상들을 RGB 형태의 영상들에서 HSV 형태의 영상들로 변환하고, 상기 변환된 HSV 형태의 영상들의 V 채널값들을 기설정된 값으로 변경하고, 상기 V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환하고,
    상기 변환된 RGB 형태의 영상들 및 상기 혈압 정보들에 기초한 기계 학습을 통하여 상기 혈압 추정 모델을 생성하는,
    혈압 추정 모델 생성 시스템.
  5. 다수의 대상체들에 대한 영상들 및 혈압 정보들을 수집하는 단계; 및
    상기 수집된 영상들을 보정하고, 상기 보정된 영상들 및 혈압 정보들에 기초한 기계 학습을 통하여, 혈압 추정 모델을 생성하는 단계;
    를 포함하는,
    혈압 추정 모델의 생성 방법.
  6. 제5항에 있어서,
    상기 혈압 추정 모델을 생성하는 단계는,
    상기 보정된 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하는 단계; 및
    상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성하는 단계;
    를 포함하는,
    혈압 추정 모델의 생성 방법.
  7. 제5항에 있어서,
    상기 혈압 추정 모델을 생성하는 단계는,
    상기 보정된 영상들로부터 그린 채널 영상들을 추출하는 단계;
    상기 추출된 그린 채널 영상들과 상기 혈압 정보들 간의 대응 관계를 상기 기계 학습을 통하여 학습하는 단계; 및
    상기 기계 학습 결과로부터 상기 혈압 추정 모델을 생성하는 단계;
    를 포함하는,
    혈압 추정 모델의 생성 방법.
  8. 제5항에 있어서,
    상기 혈압 추정 모델을 생성하는 단계는,
    상기 수집된 영상들을 RGB 형태의 영상들에서 HSV 형태의 영상들로 변환하는 단계;
    상기 변환된 HSV 형태의 영상들의 V 채널값들을 기설정된 값으로 변경하는 단계;
    상기 V 채널값이 변경된 HSV 형태의 영상들을 RGB 형태의 영상들로 변환하는 단계; 및
    상기 변환된 RGB 형태의 영상들 및 상기 혈압 정보들에 기초한 기계 학습을 통하여 상기 혈압 추정 모델을 생성하는 단계;
    를 포함하는,
    혈압 추정 모델의 생성 방법.
  9. 피검사자의 신체의 일부를 영상으로 촬영하는 촬영부; 및
    상기 촬영된 영상을 보정하고, 상기 보정된 영상과 제5항에 따른 생성 방법에 따라 생성된 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 제어부;
    를 포함하는,
    혈압 추정 시스템.
  10. 제9항에 있어서,
    상기 제어부는,
    상기 보정된 영상으로부터 그린 채널 영상을 추출하고, 상기 추출된 그린 채널 영상과 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는,
    혈압 추정 시스템.
  11. 제9항에 있어서,
    상기 제어부는,
    상기 촬영된 영상을 RGB 형태의 영상에서 HSV 형태의 영상으로 변환하고, 상기 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하고, 상기 V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상들로 변환하고,
    상기 변환된 RGB 형태의 영상 및 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는,
    혈압 추정 시스템.
  12. 피검사자의 신체의 일부를 영상으로 촬영하는 단계; 및
    상기 촬영된 영상을 보정하고, 상기 보정된 영상과 제5항에 따른 생성 방법에 따라 생성된 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 단계;
    를 포함하는,
    혈압 추정 방법.
  13. 제12항에 있어서,
    상기 혈압을 추정하는 단계는,
    상기 보정된 영상으로부터 그린 채널 영상을 추출하고, 상기 추출된 그린 채널 영상과 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 단계;
    를 포함하는,
    혈압 추정 방법.
  14. 제12항에 있어서,
    상기 혈압을 추정하는 단계는,
    상기 촬영된 영상을 RGB 형태의 영상에서 HSV 형태의 영상으로 변환하는 단계;
    상기 변환된 HSV 형태의 영상의 V 채널값을 기설정된 값으로 변경하는 단계;
    상기 V 채널값이 변경된 HSV 형태의 영상을 RGB 형태의 영상으로 변환하는 단계; 및
    상기 변환된 RGB 형태의 영상 및 상기 혈압 추정 모델을 이용하여 상기 피검사자의 혈압을 추정하는 단계;
    를 포함하는,
    혈압 추정 방법.
PCT/KR2018/011669 2017-11-03 2018-10-02 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법 Ceased WO2019088462A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2017-0146158 2017-11-03
KR20170146158 2017-11-03

Publications (1)

Publication Number Publication Date
WO2019088462A1 true WO2019088462A1 (ko) 2019-05-09

Family

ID=66332639

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/KR2018/011669 Ceased WO2019088462A1 (ko) 2017-11-03 2018-10-02 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
PCT/KR2018/013271 Ceased WO2019088769A1 (ko) 2017-11-03 2018-11-02 개방형 api 기반 의료 정보 제공 방법 및 시스템

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/013271 Ceased WO2019088769A1 (ko) 2017-11-03 2018-11-02 개방형 api 기반 의료 정보 제공 방법 및 시스템

Country Status (4)

Country Link
US (1) US20200260956A1 (ko)
EP (1) EP3705032A4 (ko)
KR (3) KR102200526B1 (ko)
WO (2) WO2019088462A1 (ko)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020069278A1 (en) * 2018-09-27 2020-04-02 Gauss Surgical, Inc. Systems and methods for inline fluid characterization
CN113395932A (zh) * 2019-02-01 2021-09-14 夏普株式会社 血压测量装置、模式设定装置以及血压测量方法
WO2020246615A1 (ja) * 2019-06-07 2020-12-10 ダイキン工業株式会社 判定システム
KR102214402B1 (ko) * 2019-09-27 2021-02-09 (주)트라이스 모바일 기반 맞춤형 정신건강관리시스템 및 그 시스템을 이용한 정신건강관리방법
KR102431521B1 (ko) * 2019-12-24 2022-08-10 전남대학교산학협력단 압력 및 맥파에 기반한 평균동맥압 추정 방법 및 장치
KR102317075B1 (ko) 2020-01-10 2021-10-22 연세대학교 산학협력단 Uwb 레이더 센서를 활용한 비접촉식 스트레스 추론 장치 및 방법
KR102400651B1 (ko) * 2020-01-30 2022-05-19 연세대학교 원주산학협력단 딥러닝 기반 환자의 저혈압 예측 방법 및 장치
KR102400652B1 (ko) * 2020-01-30 2022-05-19 연세대학교 원주산학협력단 딥러닝 기반 비침습 데이터를 활용한 환자의 저혈압 예측 방법 및 장치
KR102185933B1 (ko) * 2020-04-10 2020-12-02 주식회사 디맨드 스트레스 관리 시스템
KR102397934B1 (ko) * 2020-07-02 2022-05-16 주식회사 딥메디 가속도 센서 및 자이로스코프 센서를 이용하여 혈압을 추정하는 방법 및 장치
KR102397942B1 (ko) * 2020-07-02 2022-05-16 주식회사 딥메디 혈압을 추정하는 방법 및 장치
KR102397941B1 (ko) * 2020-07-02 2022-05-16 주식회사 딥메디 혈압을 추정하는 방법 및 장치
US10931643B1 (en) * 2020-07-27 2021-02-23 Kpn Innovations, Llc. Methods and systems of telemedicine diagnostics through remote sensing
US20250275718A1 (en) * 2020-10-09 2025-09-04 Binah.Ai Ltd System and method for blood alcohol measurements from optical data
CN112315437B (zh) * 2020-10-12 2024-08-06 乐普（北京）医疗器械股份有限公司 一种基于视频数据进行血压预测的系统
US20220133163A1 (en) * 2020-10-30 2022-05-05 Biospectal Sa Blood pressure measurement device
KR102560787B1 (ko) 2021-02-04 2023-07-26 삼성전자주식회사 생체정보 추정 장치 및 방법과, 이를 포함하는 전자장치
KR102573068B1 (ko) * 2021-02-05 2023-08-31 계명대학교 산학협력단 고도화된 시각지능기반 비접촉 영상기반 혈압측정 방법 및 시스템
KR102526181B1 (ko) * 2021-05-11 2023-04-25 한림대학교 산학협력단 다채널의 생체 신호들을 포함하는 이미지를 기반으로 수면 단계를 분류하는 전자 장치, 및 수면 단계 분류 방법
WO2023022131A1 (ja) * 2021-08-20 2023-02-23 シチズン時計株式会社 判定装置、判定方法、及び判定プログラム
JP7741683B2 (ja) 2021-10-05 2025-09-18 キヤノン株式会社 映像処理装置及びその制御方法及びプログラム
WO2024096580A1 (ko) * 2022-11-01 2024-05-10 (주)포티파이 사용자 맞춤형 스트레스 케어 장치 및 방법
KR102834160B1 (ko) * 2022-11-01 2025-07-17 (주)포티파이 얼굴인식 기반 스트레스 측정 장치 및 방법
KR102890316B1 (ko) * 2022-11-02 2025-11-24 (주)포티파이 손가락 혈류 기반 스트레스 측정 장치 및 방법
KR102564483B1 (ko) * 2023-04-04 2023-08-07 주식회사 지비소프트 비-접촉식 방식으로 획득되는 정보에 기반하여 정확도 높은 생체 신호를 제공하기 위한 전자 장치, 서버, 시스템, 그 동작 방법
KR20250094932A (ko) 2023-12-19 2025-06-26 광운대학교 산학협력단 생성 모델을 이용한 혈압추정 학습 장치 및 학습 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015027459A (ja) * 2013-07-26 2015-02-12 タタ・コンサルタンシー・サーヴィシズ・リミテッド 生理学的パラメータの監視
KR20170006071A (ko) * 2015-07-07 2017-01-17 성균관대학교산학협력단 동영상을 이용하여 혈압을 추정하는 방법
KR20170015804A (ko) * 2015-07-31 2017-02-09 한국전자통신연구원 심박수 측정 장치 및 방법
KR20170048970A (ko) * 2015-10-27 2017-05-10 삼성전자주식회사 혈압 추정 방법
KR101778533B1 (ko) * 2016-11-04 2017-09-26 인천대학교 산학협력단 기계 학습에 기반한 오실로메트릭 혈압 추정 방법

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100493714B1 (ko) * 2004-11-26 2005-06-02 주식회사 메디코아 자율신경 검사장치
KR100963698B1 (ko) * 2009-02-27 2010-06-14 주식회사 넷블루 의료 네트워크 관리 시스템 및 그 서비스 제공방법
KR101051263B1 (ko) * 2009-03-04 2011-07-21 연세대학교 산학협력단 만성질환자를 위한 재택 원격 가정 간호 서비스 시스템 및 방법
US9008457B2 (en) * 2010-05-31 2015-04-14 Pesonify, Inc. Systems and methods for illumination correction of an image
KR101352479B1 (ko) * 2012-02-15 2014-01-20 주식회사 두성기술 심박수 및 맥박수의 측정을 통한 스트레스 측정 시스템 및 그 측정 방법
WO2017005016A1 (en) * 2015-07-03 2017-01-12 Vita-Course Technologies Co., Ltd System and method for physiological parameter monitoring
WO2017023386A2 (en) * 2015-05-08 2017-02-09 YC Wellness, Inc. Integration platform and application interfaces for remote data management and security
US11069441B2 (en) * 2015-10-28 2021-07-20 Phc Holdings Corporation Biological information measurement device and biological information measurement method
KR102454895B1 (ko) * 2015-12-14 2022-10-14 삼성전자주식회사 연속적인 생체 신호 모니터링 방법 및 시스템
CN111784615A (zh) * 2016-03-25 2020-10-16 北京三星通信技术研究有限公司 多媒体信息处理的方法和装置
US10716518B2 (en) * 2016-11-01 2020-07-21 Microsoft Technology Licensing, Llc Blood pressure estimation by wearable computing device

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015027459A (ja) * 2013-07-26 2015-02-12 タタ・コンサルタンシー・サーヴィシズ・リミテッド 生理学的パラメータの監視
KR20170006071A (ko) * 2015-07-07 2017-01-17 성균관대학교산학협력단 동영상을 이용하여 혈압을 추정하는 방법
KR20170015804A (ko) * 2015-07-31 2017-02-09 한국전자통신연구원 심박수 측정 장치 및 방법
KR20170048970A (ko) * 2015-10-27 2017-05-10 삼성전자주식회사 혈압 추정 방법
KR101778533B1 (ko) * 2016-11-04 2017-09-26 인천대학교 산학협력단 기계 학습에 기반한 오실로메트릭 혈압 추정 방법

Also Published As

Publication number Publication date
US20200260956A1 (en) 2020-08-20
EP3705032A4 (en) 2021-11-24
WO2019088769A1 (ko) 2019-05-09
KR102200526B1 (ko) 2021-01-11
KR20190050725A (ko) 2019-05-13
KR102167022B1 (ko) 2020-10-16
KR102265934B1 (ko) 2021-06-17
EP3705032A1 (en) 2020-09-09
KR20190050723A (ko) 2019-05-13
KR20190050724A (ko) 2019-05-13

Similar Documents

Publication Publication Date Title
WO2019088462A1 (ko) 혈압 추정 모델 생성 시스템 및 방법과 혈압 추정 시스템 및 방법
WO2020040349A1 (ko) 교정 진단을 위한 치과 영상 분석 방법 및 이를 이용한 장치
WO2014046401A1 (ko) 단어 자동 번역에 기초한 입술 모양 변경 장치 및 방법
WO2022145519A1 (ko) 딥러닝을 이용한 심전도 시각화 방법 및 장치
WO2020111754A9 (ko) 세미 슈퍼바이즈드 학습을 이용한 진단 시스템 제공방법 및 이를 이용하는 진단 시스템
WO2015008936A1 (ko) 습관을 이용한 진단 장치 및 진단 관리 장치와 그를 이용한 진단 방법
WO2016171341A1 (ko) 클라우드 기반 병리 분석 시스템 및 방법
WO2016159726A1 (ko) 의료 영상으로부터 병변의 위치를 자동으로 감지하는 장치 및 그 방법
WO2021141253A1 (ko) 캡슐 내시경의 위치정보를 기반으로 캡슐 내시경의 위치를 파악하는 시스템 및 방법
WO2017065358A1 (ko) 시약 키트의 이미지를 통한 감염병 진단 방법 및 장치
WO2016163755A1 (ko) 품질 측정 기반의 얼굴 인식 방법 및 장치
WO2023101089A1 (ko) 머신 러닝을 이용하여 심전도 파형 분류 방법 및 장치
WO2025023358A1 (ko) 의료영상의 처리시스템 및 처리 방법
WO2021071288A1 (ko) 골절 진단모델의 학습 방법 및 장치
WO2022182182A1 (ko) 딥러닝 알고리즘을 기반으로 하는 심전도 생성 시스템 및 그 방법
WO2023059116A1 (ko) 시각적 피로발생구간 판단 방법 및 그 장치
WO2023068440A1 (ko) 로봇 손 시스템 및 로봇 손 제어 방법
WO2021015490A2 (ko) 이미지의 특이 영역 분석 방법 및 장치
WO2023200280A1 (ko) 보정된 이미지 기반 심박 추정 방법 및 그 장치
WO2019208933A1 (ko) 사용자 인증을 위한 장치 및 방법
WO2017010612A1 (ko) 의료 영상 분석 기반의 병리 진단 예측 시스템 및 방법
WO2022085972A1 (ko) 합성곱·양방향 장단기 기억 순환신경망을 활용한 광전용적맥파 기반 실시간 혈압 모니터링 시스템 및 이를 이용한 실시간 혈압 모니터링 방법
WO2021112436A1 (ko) 장 정결도의 자동화 계산 장치 및 방법
WO2019156289A1 (ko) 전자 장치 및 그 제어 방법
WO2021020949A2 (ko) 트레이닝 완성도를 평가하기 위한 장치 및 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18874244

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18874244

Country of ref document: EP

Kind code of ref document: A1