[논문]휴대용 및 웨어러블 측정기를 위한 ECG와 PPG 신호를 활용한 합성곱 신경망 알고리즘 기반의 비가압식 혈압 추정 방법

조진우; 최아영

doi:10.9723/jksiis.2020.25.3.001

휴대용 및 웨어러블 측정기를 위한 ECG와 PPG 신호를 활용한 합성곱 신경망 알고리즘 기반의 비가압식 혈압 추정 방법
Cuffless Blood Pressure Estimation Based on a Convolutional Neural Network using PPG and ECG Signals for Portable or Wearable Blood Pressure Devices 원문보기

한국산업정보학회논문지 = Journal of the Korea Industrial Information Systems Research, v.25 no.3, 2020년, pp.1 - 10

조진우 (뷰노 연구원) , 최아영 (가천대학교 소프트웨어학과)

초록
AI-Helper

본 논문에서는 시계열 심전도 (Electrocardiogram: ECG) 및 광전용맥파 측정센서 (Photoplethysmography: PPG)을 이용하여 혈압을 추정하는 알고리즘을 제안한다. 혈압 (Blood pressure: BP)을 추정하기 위해 주기적 입력 신호를 생성하고 차동 및 임계값 방법에 따라 잡음을 제거한 다음 합성곱 신경망 알고리즘을 기반으로 하여 수축기 혈압과 이완기 혈압을 예측한다. 본 논문에서 사용된 데이터는 MIMIC 데이터베이스에서 총 3.1GB의 49명의 환자 데이터를 사용하였다. 실험결과 수축기 혈압의 평균 제곱근 오차는 5.80mmHg, 이완기 혈압의 예측 오차는 2.78mmHg을 나타내었다. 또한, 영국 고혈압 협회가 제안한 혈압계 평가 방법을 적용하였을 때, 최고 성능인 등급 A를 만족함을 확인할 수 있었다.

Abstract ▼ AI-Helper

In this paper, we propose an algorithm for estimating blood pressure using ECG (Electrocardiogram) and PPG (Photoplethysmography) signals. To estimate the BP (Blood pressure), we generate a periodic input signal, remove the noise according to the differential and threshold methods, and then estimate the systolic and diastolic blood pressures based on the convolutional neural network. We used 49 patient data of 3.1GB in the MIMIC database. As a result, it was found that the prediction error (RMSE) of systolic BP was 5.80mmHg, and the prediction error of diastolic BP was 2.78mmHg. This result confirms that the performance of class A is satisfied with the existing BP monitor evaluation method proposed by the British High Blood Pressure Association.

주제어

표/그림 (11)

그림 Fig. 1 Data Processing Procedure
그림 Fig. 3 Noise Removal of Continuous BP Signal
그림 Fig. 2 Noise of ECG and PPG Signals
그림 Fig. 4 Overall Architecture of CNN Model
표 Table 1 Abnormality Criteria of Signals
그림 Fig. 5 Input Data Sequence
표 Table 2 Parameters of CNN Model
그림 Fig. 6 Bland-Altman Plot of Blood Pressure Estimation (a) Diastolic Blood Pressure (DBP), (b) Systolic Blood Pressure (SBP)
표 Table 3 Performance Comparison
그림 Fig. 7 Data Distribution
그림 Fig. 8 Examples of Original Input Data with 22mmHg SBP Error and 33mmHg DBP Error

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 논문에서는 웨어러블 기기에서 쉽게 측정 할 수 있는 시계열 ECG 및 PPG를 기반으로 혈압을 예측하는 알고리즘을 제안한다. ECG나 PPG의 신호 자체는 혈압의 특성을 반영하기 어려운 성질을 가지고 있으나, 혈압이 변할 때 ECG와 PPG의 진폭과 패턴의 변화가 발생한다는 것을 기반으로 딥러닝 알고리즘인 합성곱신경망 알고리즘을 기반으로 혈압을 예측하는 방법을 제안한다.
본 연구에서 합성곱신경망 방법을 기반으로 비가압방식의 혈압 추정 방법을 제안하였다. 혈압을 예측하기 위해서 주기적인 입력 신호를 생성하고, 잡음을 제거한 후 3개 레이어를 갖는 합성곱 신경망 모델을 제안하였다.

제안 방법

데이터 처리는 크게 4단계로 나뉘어져 있다. ECG, PPG 및 연속 혈압 파형에 대한 잡음 필터링, 데이터 세분화, 이상치 제거 및 데이터 셔플링을 수행하였다. 첫 번째 단계로 잡음 필터링을 위해 표본 윈도우 크기가 100인 이동 평 균화 방법으로 저역 통과 필터링을 적용하였다.
따라서 본 논문에서는 웨어러블 기기에서 쉽게 측정 할 수 있는 시계열 ECG 및 PPG를 기반으로 혈압을 예측하는 알고리즘을 제안한다. ECG나 PPG의 신호 자체는 혈압의 특성을 반영하기 어려운 성질을 가지고 있으나, 혈압이 변할 때 ECG와 PPG의 진폭과 패턴의 변화가 발생한다는 것을 기반으로 딥러닝 알고리즘인 합성곱신경망 알고리즘을 기반으로 혈압을 예측하는 방법을 제안한다. 전반적인 데이터 프로시저는 Fig.
1과 같다. 공용 데이터베이스를 통해 데이터를 수집한 후, 데이터 프로세싱 과정을 거쳐 잡음과 아웃라이어를 제거하고, ECG, PPG 의 한주기 데이터를 획득하여 입력 데이터를 생성한다. 입력 데이터로는 ECG 및 PPG의 원시 파형 데이터를 사용하였고, 출력 데이터로 연속 혈압 파형에서 도출한 최고 혈압과 최저 혈압 값을 사용하였다.
데이터 분포는 정규 분포로 가정하여 데이터 분포의 99 %를 포함하는 범위는 μ ± 3σ로 가정하여 일반적으로 발생할 수 없는 범주의 데이터를 일차적으로 제거하였다.
첫 번째 단계로 잡음 필터링을 위해 표본 윈도우 크기가 100인 이동 평 균화 방법으로 저역 통과 필터링을 적용하였다. 두 번째 단계는 데이터 분할 프로세스로 주석이 달린 연속 혈압 값과 최대 피크를 기반으로 동일한 윈도우의 PPG와 ECG를 세그먼트화하였다. 연속 혈압 파형에서 최저 혈압값을 기준으로 한주기 길이에 해당하는 ECG와 PPG 신호를 추출하였다.
그러나 Fully-connected NN에 의한 예측 방식은 일반적으로 도출한 특징값이 많을수록 성능이 향상되고, 추출된 특징이 데이터베이스가 바뀌면 성능이 보장되지 않는 경우가 발생한다. 따라서 본 연구에서는 특징값을 입력으로 사용하는 것이 아니라 Raw 데이터를 입력으로 넣고, CNN 을 적용하여 특징값을 도출하고, NN을 적용하여 혈압을 예측하는 모델을 제안한다.
혈압 분포의 경우, 데이터의 양이 매우 많을 때 이러한 분포가 따르지만 저혈압 또는 고혈압 영역의 데이터는 상대적으로 부족하기 때문에 고혈압 혹은 저혈압의 경우 예측 오류가 증가하는 문제가 발생할 수 있다. 따라서 이 문제를 최소화하기 위해 데이터 표본이 적은 영역의 무게를 조정하기 위해 Bootstrap 방법을 적용하여 데이터가 적은 부분의 데이터를 Bagging 하여 추가적으로 획득하였으며, Stratified Split을 적용하여 인식 정확도를 향상시켰다. Stratified Split은 테스트와 트레이닝 데이터를 구분할 때 데이터 분포가 균일하지 않는 경우 테스트와 트레이닝 데이터 분포를 동일 한 분포가 되도록 데이터를 만드는 과정을 의미한다.
각각의 Convolution Layer에서는 ReLU 활성화 함수를 사용하였으며, 데이터 크기를 줄이는데 사용하는 Pooling Layer에서 최대값을 찾는 Max-pooling 을 적용하여 결과를 획득하였다. 마지막으로 Convolution Layer 출력을 평탄화하고 결합하여 Fully-connected Layer로 데이터를 전달하여 최종적으로 최고혈압 (SBP) 및 최저혈압 (DBP) 값을 출력하도록 하였다. 최상의 학습 매개 변수를 얻기 위해 필터 크기, 필터 수, 풀링 방법 및 레이어 수를 변경하여 Table 2와 같은 파라미터를 도출하였다.
마지막으로 데이터 셔플링을 수행하여 혈압 값 데이터를 그룹화하여 1 mmHg 간격으로 저장하고, 그룹 간에 데이터를 무작위로 혼합하였다.
SBP[t]는 시간 t 시점에서 측정한 최고혈압을 의미하며, SBP[t-1]는 1 표본 이전에 측정한 최고혈압을 의미한다. 본 연구에서는 300mmHg 이상의 최고혈압, 20mmHg 미만의 최저혈압 및 20mmHg 미만의 펄스 압력을 잡음으로 간주하였다. 또한, 맥압이 20mmHg 미만인 경우, 현재 측정혈압과 이전에 측정한 혈압이 20mmHg 이상 차이가 나는 경우도 측정 오류로 간주하였다.
세 번째 단계로 이상 값 제거 프로세스를 적용하였다. 데이터 분포는 정규 분포로 가정하여 데이터 분포의 99 %를 포함하는 범위는 μ ± 3σ로 가정하여 일반적으로 발생할 수 없는 범주의 데이터를 일차적으로 제거하였다.
두 번째 단계는 데이터 분할 프로세스로 주석이 달린 연속 혈압 값과 최대 피크를 기반으로 동일한 윈도우의 PPG와 ECG를 세그먼트화하였다. 연속 혈압 파형에서 최저 혈압값을 기준으로 한주기 길이에 해당하는 ECG와 PPG 신호를 추출하였다. 추출한 데이터는 150×2 차원의 행렬에 저장하여 입력 데이터를 생성한다.
입력 데이터로는 ECG 및 PPG의 원시 파형 데이터를 사용하였고, 출력 데이터로 연속 혈압 파형에서 도출한 최고 혈압과 최저 혈압 값을 사용하였다. 이후 입출력 데이터를 기반으로 합성곱신경망 모델에 학습을 시켜 최고혈압과 최저혈압을 구한다. 본 논문은 다음과 같은 방식으로 서술되어 있다.
제안한 모델은 2채널 및 3개의 Convolution Layer와 1개의 Fully-connected Layer를 로 구성되어 있다. 데이터 처리 후 ECG 및 PPG 데이터는 2 차원 CNN 입력으로 사용된다.
또한, 맥압이 20mmHg 미만인 경우, 현재 측정혈압과 이전에 측정한 혈압이 20mmHg 이상 차이가 나는 경우도 측정 오류로 간주하였다. 측정값이 지속적으로 0이 기록이 되거나 nan으로 측정이 안된 비정상적인 형태의 ECG 및 PPG 및 ECG 신호를 제거하였다. ECG, PPG 데이터에서 발생되는 잡음은 Fig.
, 2013). 특히 BHS 표준은 AAMI에 비해 구간별 누적 오류를 평가할 수 있도록 되어 있어 구간별 오류에 대한 분석이 가능하여 본 논문에서 적용하였다. BHS 표준에 따라 분석한 결과 5mmHg 미만의 누적 오류 비율은 최저혈압에서 68%, 최고혈압에서 93%를 나타냄을 확인하였다.
본 연구에서 합성곱신경망 방법을 기반으로 비가압방식의 혈압 추정 방법을 제안하였다. 혈압을 예측하기 위해서 주기적인 입력 신호를 생성하고, 잡음을 제거한 후 3개 레이어를 갖는 합성곱 신경망 모델을 제안하였다. MIMIC 데이터베이스를 활용한 실험 결과 평균 제곱근 오차는 최고혈압의 경우 5.

대상 데이터

본 논문에서는 MIT-BIH MIMIC 데이터베이스를 사용하여 제안한 방법을 검증했다 (Moody and Mark, 1996; Goldberger et al, 2000). MIMIC에서 ICU 환자의 멀티파라미터 파형 데이터를 사용하였다. 총 3.
데이터에는 ECG 파형, PPG 파형, 연속 혈압 파형이 저장되어 있으며, PPG 신호는 손가락 끝에서 측정하고, 연속혈압 파형은 침습적으로 동맥 혈압을 모니터링 하는 방식으로 측정되었으며, ECG는 전극을 통해서 총 8채널 ('I', 'II', 'III', 'V', 'MCL1', 'aVL', 'aVR', 'aVF’) 신호가 측정되었다.
예측 모델의 검증을 위해 훈련에 80% 데이터 (1,920,000)를 사용하고 테스트에 20% 데이터 (480,000)를 사용하였다. 데이터 분석 환경은 Windows 10, Ubuntu 16.
공용 데이터베이스를 통해 데이터를 수집한 후, 데이터 프로세싱 과정을 거쳐 잡음과 아웃라이어를 제거하고, ECG, PPG 의 한주기 데이터를 획득하여 입력 데이터를 생성한다. 입력 데이터로는 ECG 및 PPG의 원시 파형 데이터를 사용하였고, 출력 데이터로 연속 혈압 파형에서 도출한 최고 혈압과 최저 혈압 값을 사용하였다. 이후 입출력 데이터를 기반으로 합성곱신경망 모델에 학습을 시켜 최고혈압과 최저혈압을 구한다.
MIMIC에서 ICU 환자의 멀티파라미터 파형 데이터를 사용하였다. 총 3.1GB 크기의 49 명의 ICU 환자에 대한 총 240 만 개의 레코드가 포함되어 있으며, 남성 데이터는 30개 여성 데이터는 19개로 구성되었다. 환자의 평균 나이는 69.

이론/모형

입력 시퀀스 매트릭스의 크기는 150×2 이며, 입력 데이터는 필터 사이즈 2와 5인 1차원 필터를 갖는 합성 곱 연산을 통해 특징맵을 출력한다. 각각의 Convolution Layer에서는 ReLU 활성화 함수를 사용하였으며, 데이터 크기를 줄이는데 사용하는 Pooling Layer에서 최대값을 찾는 Max-pooling 을 적용하여 결과를 획득하였다. 마지막으로 Convolution Layer 출력을 평탄화하고 결합하여 Fully-connected Layer로 데이터를 전달하여 최종적으로 최고혈압 (SBP) 및 최저혈압 (DBP) 값을 출력하도록 하였다.
예측 모델의 검증을 위해 훈련에 80% 데이터 (1,920,000)를 사용하고 테스트에 20% 데이터 (480,000)를 사용하였다. 데이터 분석 환경은 Windows 10, Ubuntu 16.04, 64GB RAM, Nvidia 1080Ti의 컴퓨터를 사용하였으며, 합성 곱신경망 모델은 Tensorflow, Scikit-learn Framework를 사용하였다. 예측된 값과 원본 데이터의 차이를 비교한 결과 최고혈압의 평균 제곱근 오차는 5.
마지막으로 제안된 혈압 예측 결과를 혈압계 제품을 평가하는데 사용하는 BHS (British hypertension society) 표준을 적용하여 분석하였다. BHS 표준은 미국의 AAMI (US association for the advancement of medical instrumentation) 표준과 함께 평가 방법으로 널리 사용되고 있는 표준으로 다양한 연구 결과에 서도 활용이 되고 있다 (Brien et al.
본 논문에서는 MIT-BIH MIMIC 데이터베이스를 사용하여 제안한 방법을 검증했다 (Moody and Mark, 1996; Goldberger et al, 2000). MIMIC에서 ICU 환자의 멀티파라미터 파형 데이터를 사용하였다.
ECG, PPG 및 연속 혈압 파형에 대한 잡음 필터링, 데이터 세분화, 이상치 제거 및 데이터 셔플링을 수행하였다. 첫 번째 단계로 잡음 필터링을 위해 표본 윈도우 크기가 100인 이동 평 균화 방법으로 저역 통과 필터링을 적용하였다. 두 번째 단계는 데이터 분할 프로세스로 주석이 달린 연속 혈압 값과 최대 피크를 기반으로 동일한 윈도우의 PPG와 ECG를 세그먼트화하였다.
학습 및 테스트 데이터를 생성하기 위해 Bootstrap 방법과 Stratified Split 방법을 사용하여 학습 데이터와 테스트 데이터를 나누었다. 일반적으로 자연 신호는 중심 한계 정리로 인해 데이터의 양이 무한대인 경향이 있으므로, 정규 분포를 따르는 특성을 갖는다.

성능/효과

특히 BHS 표준은 AAMI에 비해 구간별 누적 오류를 평가할 수 있도록 되어 있어 구간별 오류에 대한 분석이 가능하여 본 논문에서 적용하였다. BHS 표준에 따라 분석한 결과 5mmHg 미만의 누적 오류 비율은 최저혈압에서 68%, 최고혈압에서 93%를 나타냄을 확인하였다. 이 결과는 영국 고혈압 협회의 Grade A 기준인 5 mmHg 의 누적 오류가 60% 미만, 10 mmHg의 누적 오류를 갖는 데이터가 85% 미만, 15 mmHg의 누적 오류를 갖는 데이터가 90 % 미만이어야 한다는 기준을 상회하는 결과로 ECG, PPG 신호를 기반으로 합성곱신경망 기반의 혈압 예측 방식이 일상생활에서 활용 가능한 유의미한 수준을 나타냄을 확인할 수 있다.
혈압을 예측하기 위해서 주기적인 입력 신호를 생성하고, 잡음을 제거한 후 3개 레이어를 갖는 합성곱 신경망 모델을 제안하였다. MIMIC 데이터베이스를 활용한 실험 결과 평균 제곱근 오차는 최고혈압의 경우 5.80 mmHg이고 최저혈압의 경우 2.78 mmHg을 나타냄을 확인할 수 있었다. 이 연구에서 우리는 제안된 딥러닝이 비 침습적 혈압 모니터링 장치를 위한 교정 없는 혈압 추정에 적용될 수 있음을 확인하였다.
6 은 최고 혈압과 최저혈압의 Bland-altman 그래프를 나타내고 있다. 다수의 데이터가 평균에서 2 표준편차 이내 들어오는 것을 확인할 수 있으며, 최고혈압의 예측보다 최저혈압의 예측분포가 고르고 정확도가 높게 나타남을 확인할 수 있다. Table 3은 제안한 방식과 기존 연구들의 최고혈압과 최저혈압의 평균 제곱근 오차를 나타낸 표이다.
랜덤하게 일정 데이터를 뽑아 트레이닝 하는 경우, 최고혈압의 예측 오차가 특정 사용장의 경우 14.92mmHg에서 19.52mmHg 까지 증가하였으나, Stratified Split을 적용한 경우 평균 최고 혈압 예측 오차는 5.80 mmHg ± 5.0 mmHg 으로 정확도가 향상이 되었다.
Table 3은 제안한 방식과 기존 연구들의 최고혈압과 최저혈압의 평균 제곱근 오차를 나타낸 표이다. 비교 결과 Teng and Zhang (2003)이 제안한 Linear Regression을 통한 데이터 기반의 예측방식보다는 제안한 방식이 예측오차가 적었다. PAT나 PTT를 이용한 기존의 방식은 제안된 방법보다 평균 예측 오차는 적지만 표준편차가 큰 경향이 있고, 다른 데이터를 사용하여 검증하는 경우 예측 오차가 증가하는 제약점이 있다 (Zhang at al.
04, 64GB RAM, Nvidia 1080Ti의 컴퓨터를 사용하였으며, 합성 곱신경망 모델은 Tensorflow, Scikit-learn Framework를 사용하였다. 예측된 값과 원본 데이터의 차이를 비교한 결과 최고혈압의 평균 제곱근 오차는 5.80 mmHg이고 최저혈압의 평균 제곱근 오차는 2.78 mmHg로 나타났다. Fig.
BHS 표준에 따라 분석한 결과 5mmHg 미만의 누적 오류 비율은 최저혈압에서 68%, 최고혈압에서 93%를 나타냄을 확인하였다. 이 결과는 영국 고혈압 협회의 Grade A 기준인 5 mmHg 의 누적 오류가 60% 미만, 10 mmHg의 누적 오류를 갖는 데이터가 85% 미만, 15 mmHg의 누적 오류를 갖는 데이터가 90 % 미만이어야 한다는 기준을 상회하는 결과로 ECG, PPG 신호를 기반으로 합성곱신경망 기반의 혈압 예측 방식이 일상생활에서 활용 가능한 유의미한 수준을 나타냄을 확인할 수 있다.
78 mmHg을 나타냄을 확인할 수 있었다. 이 연구에서 우리는 제안된 딥러닝이 비 침습적 혈압 모니터링 장치를 위한 교정 없는 혈압 추정에 적용될 수 있음을 확인하였다.

후속연구

그러나 본 연구의 한계점은 입력 신호가 안정 적으로 취득되지 않으면 분석 정확도에 영향을 받을 수 있으며, 혈압 분포의 특성상 정상 범위의 혈압에 대해서는 높은 정확도를 보이나 저혈압과 고혈압 군의 데이터가 상대적으로 적어 이를 예측하는 정확도가 낮아질 수 있는 제약이 있다. 따라서 향후에는 ECG와 PPG 신호의 동 잡음을 제거하는 방식을 적용하고, 상대적으로 적은 분포의 데이터의 예측 정확도를 향상시키기 위한 방안에 대한 연구가 수행되어야 한다.
그러나 본 연구의 한계점은 입력 신호가 안정적으로 취득되지 않으면 분석 정확도에 영향을 받을 수 있으며, 입력으로 사용한 MIMIC 데이터베이스의 혈압 분포의 특성상 정상 범위의 혈압에 대해서는 높은 정확도를 보이나 저혈압과 고혈압 군의 데이터가 상대적으로 적어 이를 예측하는 정확도가 낮아질 수 있는 제약이 있다. 따라서 향후에는 누락된 데이터를 복원하는 방안을 고려하여 고른 분포의 데이터를 적용할 계획이다.
그러나 본 연구의 한계점은 입력 신호가 안정 적으로 취득되지 않으면 분석 정확도에 영향을 받을 수 있으며, 혈압 분포의 특성상 정상 범위의 혈압에 대해서는 높은 정확도를 보이나 저혈압과 고혈압 군의 데이터가 상대적으로 적어 이를 예측하는 정확도가 낮아질 수 있는 제약이 있다. 따라서 향후에는 ECG와 PPG 신호의 동 잡음을 제거하는 방식을 적용하고, 상대적으로 적은 분포의 데이터의 예측 정확도를 향상시키기 위한 방안에 대한 연구가 수행되어야 한다. 또한, 제안된 딥러닝 방식 이외 시계열 데이터에 적합한 딥러닝 모델을 통해 혈압 예측의 정확도를 향상하는 방안에 대한 연구가 필요하다.
그러나 본 연구의 한계점은 입력 신호가 안정적으로 취득되지 않으면 분석 정확도에 영향을 받을 수 있으며, 입력으로 사용한 MIMIC 데이터베이스의 혈압 분포의 특성상 정상 범위의 혈압에 대해서는 높은 정확도를 보이나 저혈압과 고혈압 군의 데이터가 상대적으로 적어 이를 예측하는 정확도가 낮아질 수 있는 제약이 있다. 따라서 향후에는 누락된 데이터를 복원하는 방안을 고려하여 고른 분포의 데이터를 적용할 계획이다.
따라서 향후에는 ECG와 PPG 신호의 동 잡음을 제거하는 방식을 적용하고, 상대적으로 적은 분포의 데이터의 예측 정확도를 향상시키기 위한 방안에 대한 연구가 수행되어야 한다. 또한, 제안된 딥러닝 방식 이외 시계열 데이터에 적합한 딥러닝 모델을 통해 혈압 예측의 정확도를 향상하는 방안에 대한 연구가 필요하다.
이러한 후속 연구를 통해 향후에는 일상생활의 제약 없이 연속적으로 혈압 모니터링이 가능한 디바이스 개발이 된다면, 고혈압 환자의 모니터링 및 관리에 많은 도움이 될 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	오실로메트리에서 동맥을 압축하기 위해 무엇이 필요한가?	이를 모니터링하기 위해 대표적으로 사용되고 있는 방법은 Babbs (2012)이 제안한 커프를 착용하여 커프에 주입된 압력 변화로부터 혈압을 측정하는 오실로메트리(Oscillometry) 방식이 있다. 오실로메트리는 측정하기 쉽고 정확도가 높아 널리 사용되고 있으나, 동맥을 압축하기 위해서는 커프 및 공기 주입 장치가 필요하기 때문에 장치의 크기가 커지고 일상생활에서 연속적인 측정이 쉽지 않다. 따라서 웨어러블 또는 모바일 환경에서 사용하기가 어렵다.
	Stratified Split은 무엇을 의미하는가?	따라서 이 문제를 최소화하기 위해 데이터 표본이 적은 영역의 무게를 조정하기 위해 Bootstrap 방법을 적용하여 데이터가 적은 부분의 데이터를 Bagging 하여 추가적으로 획득하였으며, Stratified Split을 적용하여 인식 정확도를 향상시켰다. Stratified Split은 테스트와 트레이닝 데이터를 구분할 때 데이터 분포가 균일하지 않는 경우 테스트와 트레이닝 데이터 분포를 동일 한 분포가 되도록 데이터를 만드는 과정을 의미한다. 랜덤하게 일정 데이터를 뽑아 트레이닝 하는 경우, 최고혈압의 예측 오차가 특정 사용장의 경우 14.
	고혈압을 모니터링 하기 위해 사용하는 대표적인 방법에는 무엇이 있는가?	고혈압은 전 세계적으로 10억 명이 넘는 사람들이 앓고 있는 질환으로 주기적인 모니터링을 통해 혈압을 관리하는 것이 중요하다. 이를 모니터링하기 위해 대표적으로 사용되고 있는 방법은 Babbs (2012)이 제안한 커프를 착용하여 커프에 주입된 압력 변화로부터 혈압을 측정하는 오실로메트리(Oscillometry) 방식이 있다. 오실로메트리는 측정하기 쉽고 정확도가 높아 널리 사용되고 있으나, 동맥을 압축하기 위해서는 커프 및 공기 주입 장치가 필요하기 때문에 장치의 크기가 커지고 일상생활에서 연속적인 측정이 쉽지 않다.

참고문헌 (30)

Allen, R., Schneider, J., Davidson, D., Winchester, M., and Taylor, C. (1981). The Covariation of Blood Pressure and Pulse Transit Time in Hypertensive Patients, Psychophysiology, 18(3), 301-306.

상세보기
Babbs, C. (2012). Oscillometric Measurement of Systolic and Diastolic Blood Pressures Validated in a Physiologic Mathematical Model, BioMedical Engineering OnLine, 11(56), 1-22.

상세보기
Baker, P. (1990). Neural Network P rocessing of Oscillometric Waveforms and Blood Pressure Estimation from the Superficial Temporal Artery, Ph. D. Thesis, Graduate School of University of Utah, USA.
Brien, E., Waeber, B., Parati, G., Staessen, J., and Myers, G. (2001). Blood Pressure Measuring Devices: Recommendations of the European Society of Hypertension, British Medical Journal, 322(7285), 531-536.

상세보기
Chen, W., Kobayashi, T., Ichikawa, S., Takeuchi, Y., and Togawa, T. (2000). Continuous Estimation of Systolic Blood Pressure using the Pulse Arrival Time and Intermittent Calibration, Medical and Biological Engineering and Computing, 38(5), 569-574.

상세보기
Cho, Y., Kim, M., and Yoon, J. (2014). Comparison of Characteristics of P-Wave Detection in ECG with Wireless Patch Electrodes, Korea Society of Industrial Information Systems, 19(1), 43-52.
Choi, S., Lee, K., Kim, K., and Kwak, S. (2019). Lane Departure Warning System using Deep Learning, Journal of the Korea Industrial Information Systems Research, 24(2), 25-31.
Chung, M., and Lee. J. (2018). Systemic Analysis of Research Activities and Trends Related to Artificial Intelligence (A.I.) Technology based on Latent Dirichlet Allocation (LDA) Model, Journal of the Korea Industrial Information Systems Research, 23(3), 87-95.
Choi, Y., Kim, K., Hong, W., and Ryu, J. (2009). Development of Blood Pressure Measuring System using Piezoelectric and Photo Sensor, Korea Society of Industrial Information Systems, 14(5), 149-154.
Ding, X., Zhao, N., Yang, G., Pettigrew, R., Lo, B., Miao, F., Li, Y., Liu, J., and Zhang, Y. (2016). Continuous Blood Pressure Measurement from Invasive to Unobtrusive: Celebration of 200th Birth Anniversary of Carl Ludwig, IEEE Journal of Biomedical and Health Informatics, 20(6), 1455-1465.

상세보기
Ding, X., Yan, B., Zhang, Y., Liu, J., Zhao, N., and Tsang, H. (2017). Pulse Transit Time Based Continuous Cufess Blood Pressure Estimation: A New Extension and A Comprehensive Evaluation, Scientific Reports, 7(11554), 1-11.

상세보기
Forouzanfar, M., Dajani, H., Groza, V., Bolic, M., and Rajan, S. (2011). Feature-based Neural Network Approach for Oscillometric Blood Pressure Estimation, IEEE Transactions on Instrumentation and Measurement, 60(8), 2786-2796.

상세보기
Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P., Mark, R., Mietus, J., Moody, G., Peng, C., and Stanley, H. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a New Research Resource for Complex Physiologic Signals. Circulation 101(23), e215-e220.

상세보기
Kachuee, M., Kiani, M., Mohammadzade, H., and Shabany, M. (2016). Cuffless Blood Pressure Estimation Algorithms for Continuous Health-Care Monitoring, IEEE Transactions on Biomedical Engineering, 64(4), 859-869.
Kim, M., Kim, Y., and Cho, Y. (2015). Electrocardiographic Characteristics of Significant Factors of Detected Atrial Fibrillation using WEMS, Korea Society of Industrial Information Systems, 20(6), 37-46.
Lee, H., Lee, J., and Shin, M. (2019). Using Wearable ECG/PPG Sensors for Driver Drowsiness Detection Based on Distinguishable Pattern of Recurrence Plots, Electronics, 8(2), 192, 1-15.

상세보기
Lee, M., Nam, K., and Lee, C. (2019). Crack Detection on the Road in Aerial Image using Mask R-CNN, Journal of the Korea Industrial Information Systems Research, 24(3), 23-29.
Lee, S., and Chang, J. (2017). Oscillometric Blood Pressure Estimation Based on Deep Learning, IEEE Transactions on Industrial Informatics, 13(2), 461-472.

상세보기
Moody, G., and Mark, R. (1996). A Database to Support Development and Evaluation of Intelligent Intensive Care Monitoring, Computers in Cardiology, 23, 657-660.
Naschitz, J., Bezobchuk, S., Mussafia-Priselac, R., Sundick, S., Dreyfuss, D., Khorshidi, I., Karidis, A., Manor, H., Nagar M., Peck, E., Peck, S., Storch, S., Rosner, I., and Gaitini, L. (2004). Pulse Transit Time by R-wave-gated Infrared photoplethysmography: Review of the Literature and Personal Experience, Journal of Clinical Monitoring and Computing. 8(5), 333-342.
Payne, R., Symeonides, C., Webb, D., and Maxwell, S. (2006). Pulse Transit Time Measured from the ECG: an Unreliable Marker of Beat-to-beat Blood Pressure, Jpurnal of Applied Physiology, 100(1), 136-141.

상세보기
Ruiz-Rodriguez, J., Ruiz-Sanmartin, A., Ribas, A., Caballero, J., Garcia-Roche, A., Riera, J., Nuvials, X., Nadal, M., SolaMorales, O., and Serra, J. (2013). Innovative Continuous Non-invasive Cuffless bBood Pressure Monitoring based on Photoplethysmography Technology, Intensive Care Medician, 39(9), 1618-1625.

상세보기
Rundo F., Conoci, S., Ortis A., and Battiato, S. (2018). An Advanced Bio-Inspired PhotoPlethysmoGraphy(PPG) and ECG Pattern Recognition System for Medical Assessment, Sensors, 18(2), 405, 1-22.

상세보기
Sola, J., Proenca, M., Ferrario, D., Porchet, J., Falhi, A, Grossenbacher, O, Allemann, Y., Rimoldi, S., and Sartori, C. (2013). Noninvasive and Nonocclusive Blood Pressure Estimation Via a Chest Sensor, IEEE Transactions on Biomedical Engineering, 60(12), 3505-3513.

상세보기
Sun, J., Reisner, A., and Mark, R. (2006). A Signal Abnormality Index for Arterial Blood Pressure Waveforms, Proceedings on Computers in Cardiology, Valencia, Spain, pp. 13-16.
Teng, X., and Zhang, Y. (2013). Continuous and Noninvasive Estimation of Arterial Blood Pressure using a Photoplethysmographic Approach, The 25th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Sep. 17-21, Cancun, Mexico, pp. 3153-3156.
Wang, L., Zhou, W., Xing, Y., and Zhou, X. (2018). A Novel Neural Network Model for Blood Pressure Estimation using Photoplethesmography without Electrocardiogram, Journal of Healthcare Engineering, 2018(7804243), 1-9.
Wippermann, C., Schranz, D., and Huth, R. (1995). Evaluation of the Pulse Wave Arrival Time as a Marker for Blood Pressure Changes in Critically Ill Infants and Children, Journal of Clinical Monitoring, 11(5), 324-328.

상세보기
Xing, X., and Sun, M. (2016). Optical Blood Pressure Estimation with Photoplethysmography and FFT-based Neural Networks, Biomedical Optics Express, 7(8), 3007-3020.

상세보기
Zhang, Q., Zeng, X., Hu, W., and Zhou, D. (2017). A Machine Learning-Empowered System for Long-Term Motion-Tolerant Wearable Monitoring of Blood Pressure and Heart Rate With Ear-ECG/PPG, IEEE Access, 5, 10547-10561.

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format