스마트폰을 이용한 실시간 혈압측정 시스템의 설계 및 구현kiise.or.kr/e_journal/2015/3/KTCP/pdf/04.pdf · 2015-03-12 · 스마트폰을 이용한 실시간 혈압측정

ISSN 2383-6318(Print) / ISSN 2383-6326(Online)

KIISE Transactions on Computing Practices, Vol. 21, No. 3, pp. 192-214, 2015. 3

http://dx.doi.org/10.5626/KTCP.2015.21.3.192

스마트폰을 이용한 실시간 압측정

시스템의 설계 구(Design and Implementation of Real-time Blood Pressure

Measuring System using Smartphone)

길 † 이 정 태 ††

(Yeongjoon Gil) (Jungtae Lee)

요 약 ECG, PTT SpO2와 같은 생체신호를 이용하여 실시간으로 압을 측정하고, IPv4/IPv6

로토콜을 이용하여 인터넷에 속할 수 있는 시스템을 설계하고 구 하 다. 아울러 임상 실험을 통해 실

시간 환경에서 수축기 압과 이완기 압을 계산할 수 있는 모델을 제시하 다. 이 게 구 된 실시간

압측정 시스템을 28명의 피험자를 상으로 임상 실험을 실시한 결과, 국 고 압 회(BHS)에서 인증

하는 압계 인증 등 Grade B 수 에서 정상으로 동작함을 확인하 다.

키워드: 실시간 압측정 시스템, 심 도, PTT, SpO2

Abstract Blood pressure may be measured using physiological signals, such as ECG, PTT, and

SpO2. In this study, we designed and implemented a portable real-time blood pressure measuring

system, which can access the Internet simultaneously using the IPv4 / IPv6 protocol. In addition, we

presented a model for the calculation of systolic and diastolic blood pressure in a real-time environ-

ment. Through clinical experiments on 28 subjects, the blood pressure measuring system was shown

to satisfy the requirements of Grade B level of the BHS (British Hypertension Society) certification.

Keywords: real-time blood pressure measuring system, ECG, PTT, SpO2

․이 논문은 부산 학교 자유과제 학술연구비(2년)에 의하여 연구되었음

†

††

정 회 원

종신회원

:

:

HUiNNO Inc.

[email protected]

부산 학교 컴퓨터공학과 교수

(Pusan National Univ.)

[email protected]

(Corresponding author임)

논문 수 : 2014년 11월 13일

(Received 13 November 2014)

논문수정 : 2015년 1월 14일

(Revised 14 January 2015)

심사완료 : 2015년 1월 29일

(Accepted 29 January 2015)

CopyrightⒸ2015 한국정보과학회ː개인 목 이나 교육 목 인 경우, 이 작

물의 체 는 일부에 한 복사본 혹은 디지털 사본의 제작을 허가합니다.

이 때, 사본은 상업 수단으로 사용할 수 없으며 첫 페이지에 본 문구와 출처를

반드시 명시해야 합니다. 이 외의 목 으로 복제, 배포, 출 , 송 등 모든 유형의

사용행 를 하는 경우에 하여는 사 에 허가를 얻고 비용을 지불해야 합니다.

정보과학회 컴퓨 의 실제 논문지 제21권 제3호(2015. 3)

1. 서 론

IOT(Internet of Things) 시 가 도래함에 따라 의료

서비스도 차 Smart Health 시 로 발 되고, 이를 기

반으로 “진단과 치료” 개념의 의료산업이 차 “ 방과

리” 개념의 패러다임으로 바 어가고 있다.

고 압은 심 질환과 뇌졸증 등의 원인이며, 고

압 자체로 사망하는 경우는 드물지만, 심 질환

뇌졸증은 생명에 치명 이다. 특히 세계 성인의 25%

정도가 고 압 환자이며, 고 압으로 인한 의료비용이

매년 3천억불 이상인 것으로 보고되고 있다[1]. 우리나

라의 경우도 성인 30%가 고 압 험군에 속하며

60세 이상 성인의 경우 고 압 유병율이 50%에 달하는

것으로 나타나고 있다[2].

고 압은 침묵의 살인자라고 한다. 고 압 환자 에

서 30% 정도는 본인도 고 압 환자임을 모른 체 살아

가고 있으며, 40% 정도만 압 리 약제를 복용하는 것

으로 나타나고 있다. 따라서 고 압을 치료하거나 리

하면 성심근경색으로 인한 사망률을 25% 정도 감소

시킬 수 있으며, 뇌졸증으로 인한 사망률을 40%까지

하시킬 수 있다는 보고가 있다[2].

고 압으로 인한 심장질환이나 뇌졸증은 사망이나 치

스마트폰을 이용한 실시간 압측정 시스템의 설계 구 193

그림 1 ECG 측정을 한 표 사지 측정법

Fig. 1 Standard limb lead method for measuring ECG signal

명 인 장애를 유발할 확률이 높은 질병이기 때문에 보

다 빠르고 정확한 진단과 응이 필요하다. 따라서 좀더

빠른 시간 안에 고 압의 을 알기 해서는 압을

지속 으로 측정하여 실시간으로 알려주는 시스템이 필

요하다.

기존의 압측정기법은 팔에 커 를 감아 측정하기

때문에 지속 이고 실시간 으로 측정하기 어렵다. 따라

서 심 도(ECG: Electrocardiogram), 용 맥 (PPG:

Photoplethysmography)와 같은 생체신호를 이용하여

실시간으로 압을 모니터링하고 이를 스마트폰이나 인

터넷에 연결하여 환자에게 피드백 한다면 평소에 압

을 리하고 고 압을 방하는데 큰 도움이 될 것이다.

압을 실시간으로 측정하는 방법에 해서는 그 동

안 많은 연구들이 이루어져 왔다. W. Abraham 등은

환자의 폐동맥에 압측정 센서를 삽입하여 주치의에게

무선으로 알려주는 방법을 제안하 었지만 시술상의 어

려움과 험성이 있다[3]. 따라서 비침습 으로 압을

측정하는 방법이 다양하게 연구되었으며[4], 측정된

압을 바이오피드백하여 환자가 자신의 압을 조 하는

연구도 수행되었다[5,6,8].

심 도, 용 맥 산소포화도(SpO2: Saturation

of peripheral Oxygen) 등의 생체신호는 압과 련이

있다. 심 도와 용 맥 를 이용하여 유도되는 맥

달시간(PTT: Pulse Transit Time)은 압과 반비례

계에 있고, SpO2신호도 압과 반비례하는 특성을 보

이고 있다. 따라서 이제까지 연구된 압추정 모델은 이

들 신호와 압 계를 이용하여 압을 모델링하고 있

다. 그러나 이들 생체신호를 세 히 분석해 보면 압은

PTT와 SpO2에 반비례하지만, 최 치가 ECG의 최 치

와 시간상에서 차이가 있다. 그러나 지 까지 제시된 방

법은 이러한 시간 인자를 고려하지 않았기 때문에 정확

한 압을 모델링할 수 없었다.

따라서 본 연구에서는 ECG, PPG, SpO2 등의 생체신

호의 시간특성까지 고려하여 보다 정확한 압측정 모

델을 제시하고, 이 모델을 기반으로 실시간으로 압을

측정하여 스마트폰이나 인터넷을 통하여 필요한 곳에

달하고, 환자에게 피드백 하는 시스템을 개발하고 구

하 다. 한편 앞으로는 IOT의 시 로 발 함에 따라

수많은 기기 에 압측정센서도 인터넷에 연결될 수

있도록 하기 하여 IPv6기반으로 인터넷에 속할 수

있게 구 하 다.

본 연구에서 개발한 실시간 압측정 시스템을 사용

하여 28명의 피험자를 상으로 압을 측정한 결과, 수축

기 압(SBP: Systolic Blood Pressure) 이완기 압

(DBP: Diastolic Blood Pressure)은 국 BHS(British

Hypertension Society)에서 제시하는 Grade B 를 만족

시켰다.

이 게 실시간 압측정 시스템을 이용하면 압 수

치가 정상 범 를 벗어날 경우 사용자에게 즉시 바이오

피드백시킴으로써 평소에 자신의 압을 리할 수 있

다. 아울러 정상인들도 시계처럼 압측정 장치를 소지

하고, 일상생활에서 자신의 압을 실시간으로 모니터

링하고 리함으로써 질병 방에도 기여할 수 있을 것

이다.

2. 생체신호 특성과 압

2.1 생체신호

본 연구에서는 압을 측정하기 하여 생체신호

에서 ECG, PPG SpO2 신호를 이용하 다.

2.1.1 ECG 신호

심 도는 심장의 특수흥분 도시스템(special excitatory

& conductive system)에 의해 발생되는 활동 의 벡

터 합으로 표 되는 신호다. 일반 으로 심 도는 그림 1

과 같이 4개의 극에서 얻어지는 표 사지 유도법으로

194 정보과학회 컴퓨 의 실제 논문지 제 21 권 제 3 호(2015.3)

(a) (b) (c)

그림 2 PPG 측정을 한 블록도. (a) 통과형 PPG, (b) 반사형 PPG, (c) PPG 특성

Fig. 2 Block diagram for measurement of PPG signal: (a) transmission type PPG and (b) reflection type PPG, (c)

Characteristics of PPG waveform

얻는데, 3개는 활동 , 나머지 하나는 기 이다.

이 게 측정된 심 도는 일반 으로 그림 1 우측과 같

은 형으로 나타나는데, 여기서 P 는 심방이 수축할

때 발생하고, QRS군(QRS Complex)은 심실이 수축할

때, T 는 심실이 이완될 때 발생되는 형이다. 의학에

서는 심 도의 P , QRS군, T 의 특성을 분석하여 심

장질환의 진단에 이용하고 있다. 이외에도 RR 간의

거리(RR Interval)을 이용하여 스트 스 여부를 단하

는데도 이용하고 있다[7,8].

2.1.2 PPG신호

용 맥 (PPG)는 심실 수축기 동안 내뿜어지는

액이 말 에 달될 때 말 신경에서 측정되는

신호이다. 손끝의 말 신경에 그림 2와 같이 PPG센

서를 부착하면 말 의 류량에 따라 흡수되는 빛

의 양이 달라지므로, 빛의 양을 측정하면 PPG신호를 측

정할 수 있다. 즉 말 신경에 도달한 액의 양이 많을

경우 외부에서 입사된 색 이 액에 많이 흡수되므

로 측정되는 량은 어진다. 한편 심실이 이완하여 말

신경의 액이 어지면 신호가 증가한다. 이러한

원리에 의해 심실의 이완기 동안 말 신경의 용 량에

상응하는 량을 측정하여 반 증폭기를 거치면 PPG신

호를 얻을 수 있다.

이 게 측정된 PPG신호는 일반 으로 그림 2(c)와

같은데, 여기서 S 은 좌심실이 수축하여 동맥으로

액이 분출되는 경우에 말 에 측정된 신호이며, P

은 말 의 압력과 용 률이 최 가 되는 시 이

다. 그 후 동맥 이 닫히기 직 에 짧은 시간 동안

액의 역류 상이 잠시 발생되는데 이 흔(Incisura)의

시작 이 C 이고 끝나는 이 T 이다.

2.1.3 PTT신호

PPG신호와 ECG신호의 상 계를 분석하면 맥 달

시간(PTT)이나 맥 달속도(PWM: Pulse Wave Velocity)

그림 3 PTT 측정 방법

Fig. 3 PTT(Pulse Transit Time) measurement method

를 구할 수 있다. PPG신호와 ECG신호를 동기화하면 그

림 3과 같이 PTT신호를 구할 수 있다.

심장이 수축할 때 박출된 액은 동맥을 통해 말

까지 달된다. 심장이 수축할 때 나타나는 ECG신

호는 R 이며, PPG신호는 P 이다. PTT신호는 심장에

서 방출된 액이 말 까지 도달하는데 걸리는 시

간을 나타내는데, 이는 말 의 액양이 최 가 되

는 이 아니라 유입되는 시간까지이다. 따라서 PPG의

S 과 P 의 간 값까지 거리를 일반 으로 PTT로

정의하고 있다. 한편 PWV는 PTT신호를 측정한 부 ,

즉 손 는 발 끝까지의 거리를 PTT로 나 값이 된

다. PTT값이 낮다는 것은 액의 달시간이 짧다는

의미이고, 이는 이 매우 경직되어 내 류 속

도가 빠르다는 의미가 된다.

2.1.4 SpO2신호

산소포화도(SpO2)는 액 성분 헤모 로빈

내에 존재하는 산소 함유량을 나타내는 신호다. 액 속


(a) (b)

그림 5 SpO2 신호의 성분. (a) 660nm 색 빛에 한 성분, (b) 940 nm 외선 빛에 한 성분

Fig. 5 SpO2 signal components. (a) components of transmitted light or absorbed light by red LED at 660 nm (left) and

(b) components of transmitted light or absorbed light by infrared LED at 940 nm (right)

그림 4 산화헤모 로빈(HbO2)과 환원헤모 로빈(Hb)에

서 흡수율 차이

Fig. 4 Differential of absorption by oxyhemoglobin (HbO2)

and deoxyhemoglobin (Hb)

에는 4가지 헤모 로빈이 존재하는데 SpO2 측정에는 산

화 헤모 로빈 (HbO2; Oxyhemoglobin)과 환원 헤모

로빈 (Hb; Deoxyhemoglobin)의 특성을 이용한다.

HbO2와 Hb에 한 빛의 흡수도는 그림 4에 제시된

바와 같이 색(660nm)과 외선(940nm)에서 큰 차이

를 나타낸다. 따라서 PPG 센서의 발 부에 색

외선 LED를 부착하고 수 부에서 포토다이오드로 측정

하면 그림 5와 같은 신호가 나타난다.

모듈에서 측정된 신호는 AC성분과 DC성분으로 구

성되는데 AC성분은 말 을 통과하는 액에 흡수

된 량을 나타내고 DC성분은 근육, 표피, 와 같은

조직에 의해 흡수된 량을 표시하는데 이는 액의 변

화와 무 하게 일정 값으로 나타난다.

이 그림에서 I2 는 액 내에 존재하는 헤모 로빈의

수치에 따라 변화하는 값이다. 색 원은 HbO2에

흡수율이 낮은 반면에 외선은 상 으로 높다. 따라

서 SpO2를 일반 으로 다음과 같이 정의한다[11].

(1)

이 수식에서 볼 때 색과 외선의 AC, DC성분이

거의 같은 경우에는 SpO2는 거의 100%에 가깝지만, 다

른 경우에는 그 값이 감소한다. SpO2의 값이 95% 이하

가 되면 인지능력 감소 상이 나타나고, 90% 이하의 경

우에는 호흡곤란 상이 나타난다[10].

2.2 기존 압측정 기술

실시간 압측정의 요성이 두됨에 따라 압을

무구속(Non-instructive), 무자극(Non-stimulated) 상태

에서 측정하는 방법이 꾸 히 연구되어 왔다[9,12,13].


표 1 비침습 압측정 방식과 그 특성

Table 1 Various non-invasive blood pressure measurement methods and their characteristics

Measurement Parameters Cuff Indirect data

Stethoscope sphygmomanometer Korotkoff sound ○ ○

Palpation Pulse ○ ○

Ultrasound sphygmomanometer Doppler sound ○

Electronic sphygmomanometer Oscillometric ○

PTT and PWV Estimation ○

그림 6 휴 용 실시간 압측정 시스템의 블록도

Fig. 6 Block diagram of the portable real-time BP measurement system

표 1에는 비침습 인(Non-invasive) 방법으로 압을 측

정하는 방법을 보여주고 있다.

Stethoscope sphygmomanometer 방식은 커 를 이

용하여 을 압박한 후 청진기를 통해 들리는 Korot-

koff Sound를 이용하여 수은 압계의 을 읽어 압

을 측정하는 방법이다.

이외에도 진(palpation)을 사용하는 방법, 음 (ultra-

sound) 청진기를 사용하는 방법 등이 있고, 자 압계

(electronic sphygmomanometer)는 동맥 에서 발생

되는 형을 분석하여 압을 측정한다.

마지막으로 PTT를 이용하여 압을 측정하는 방법이

있는데, 이는 ECG와 PPG를 이용하여 PTT(혹은 PWV)

를 계산하고 이를 이용하여 압을 계산하는 방법이다.

Mase M등은 압이 높아질수록 PTT가 감소하는 특성

을 이용하여 식 (2) (3)를 이용하여 압을 계산하 다

[13]. 여기서 ms, md, qs, qd는 계수이다.

(2)

(3)

이 모델은 수축기 압의 경우 5 mmHg 이하의 오차

범 에서는 50%의 정확도를 보 고, 이완기는 60%의

정확도를 보 다. 오차범 를 10 mmHg 이하로 설정

한 경우 수축기는 75%, 이완기는 85%의 정확도를 보

다. 한편 Gesche는 PWV를 이용한 압 추정 모델을

제시하기도 했다[12].

3. 실시간 압측정 시스템의 설계

본 연구에서는 다음과 같은 요구조건을 만족하는 실

시간 압측정 시스템을 설계하 다.

1) 지속 이고 실시간으로 압을 측정할 수 있을 것

2) 압정보를 피드백 하기 해 스마트폰에서 디스

이 할 수 있을 것

3) IOT 시 에 비하여 IPv6를 지원할 수 있을 것

4) 압정보 데이이타베이스를 구축할 수 있게 인터

넷에 연결되고 용량 데이터 처리가 가능할 것

5) 휴 용으로 소지할 수 있게 간편하고 소모 력이 을 것

3.1 실시간 압측정 시스템의 구성

그림 6은 앞서 제시한 요구조건을 만족하는 실시간

압측정 시스템의 체 구조를 보여주고 있다. 실시간 압

측정 시스템은 하드웨어 부문과 소 트웨어 부문으로 구

성되며, 하드웨어 부문은 센서모듈(Sensor module)과

게이트웨이 모듈(Gateway module)로 구성된다. 소

트웨어 부문은 모니터링 시스템(Monitoring System)과

구동 로그램(Driver)으로 구성되며, 모니터링 시스템은

PC버 , 스마트폰 버 , 그리고 웹 버 으로 구성된다.


그림 7 다 생체신호 측정을 한 하드웨어 시스템의 블록도

Fig. 7 Block diagram of the hardware system for measuring multiple biomedical signals

표 2 각종 생체신호의 특성

Table 2 Characteristics of various biomedical signals

CMRR Circuit Timing Circuit Differential Amplifier High-Pass Filter Low-Pass Filter Total Gain

ECG ○ x ○ 0.1 Hz < < 50 Hz 40 dB

PPG x x x 0.1 Hz < < 12 Hz 25 dB

SpO2 x ○ x 0.1 Hz < < 20 Hz 25 dB

3.2 하드웨어 부문

하드웨어 부문은 크게 센서모듈과 게이트웨이 모듈로

나 어지고, 센서모듈은 그림 7에 제시된 바와 같이 센

서블록(Sensor Block), 제어 통신블록(Control and

Transmission Block)으로 구성된다. 여기서 센서블록은

신체에서 측정된 생체신호를 받아들이고, 제어 통신

블록은 센서블록에서 받아들인 아날로그 신호를 디지털

화하고 Bluetooth 통신으로 스마트폰이나 게이트웨이로

송하는 역할을 한다. 한편 게이트웨이 모듈에서는 수

신한 생체신호를 IPv4나 IPv6 기반의 TCP/IP통신을

이용하여 인터넷에 연결하는 기능을 한다.

ECG, PPG SpO2신호는 표 2에 제시된 바와 같이

각기 고유의 특성을 가지고 있다. 따라서 이들 신호를

측정하는 회로는 각각 별도로 구성하 다.

3.2.1 센서 모듈

센서 모듈은 EEG센서 블록, PPG센서 블록, SpO2

센서 블록으로 구성된다.

3.2.1.1 ECG 센서블록

ECG신호를 측정하기 한 센서 블록의 구성은 그림 8

과 같이 증폭기와 필터, 그리고 A/D변화기로 구성된다.

더구나 ECG신호의 경우 잡음을 감쇄시키는 CMRR (Com-

mon Mode Rejection Ratio) 회로가 필요하다.

본 연구에서는 LEAD I 신호를 사용하 는데 오른손,

왼손, 그리고 오른발에서 들어오는 신호를 각각 s(t),

g(t), r(t)라고 하면, 이들 신호를 차등증폭기로 증폭하

고, CMRR회로는 참조신호 r(t)를 토 로 잡음을 제거

한다.

한편 ECG신호는 0.1Hz에서 50 Hz 역의 신호이므로

필터를 통해 이 역의 신호를 추출하고 체 약 40 dB

증폭 후에 A/D 변화기에 공 된다. 한편 A/D변화기는

512 Hz의 Sampling Rate, 16 Bit 해상도(Resolution)

를 가지도록 설계하 다.

3.2.1.2 PPG 센서 블록

PPG 센서 블록의 구성도는 그림 9와 같다. 본 연구

에서는 PPG와 SpO2를 동시에 측정할 수 있는 TP320

센서(Laxtha co. 한국)를 사용하 는데, 이 센서는 940,

660 nm의 신호를 발생시킬 수 있고, 수 부에 다이

오드가 내장되어 있다.

TP320센서에서 검출된 PPG 신호는 0.1Hz～12 Hz

역을 가진 필터와 약 25 dB 연산증폭기를 거쳐 p(t) 신

호가 만들어진다. 이 게 만들어진 p(t) 신호는 앞서 언

한 것처럼 DC와 AC성분이 포함되어 있으므로 AC만

추출하는 커 링 회로를 거치게 된다.

3.2.1.3 SpO2 센서모듈

SpO2신호를 측정하기 한 센서블록은 그림 10과 같

이 구성된다. SpO2신호를 측정하려면 색과 외선


그림 8 ECG 신호 측정 시스템의 블록도

Fig. 8 Block diagram for measurement of ECG signal

그림 9 PPG 신호 측정 시스템의 블록도

Fig. 9 Block diagram for measurement of PPG

그림 10 SpO2 신호 측정 시스템의 블록도

Fig. 10 Block diagram for measurement of SpO2

원을 순차 으로 조사시키는 Timing회로가 필요하다.

Timing회로에 의해 순차 으로 측정된 SpO2신호는 0.1

Hz～20 Hz 역을 가진 필터와 25 dB의 증폭회로를

거쳐 S(t)신호가 얻어진다.

일반 으로 색과 외선 의 직류성분은 비슷하지

만 헤모 로빈의 산소 함유량에 따라 달라지는 AC성분


그림 11 제어 통신 모듈의 블록도

Fig. 11 Block diagram of the control and transmission module

그림 12 게이트웨이 모듈의 로토콜 스텍

Fig. 12 Block diagram of the protocol stack for the gateway module

은 큰 차이를 나타낸다. 이런 과정으로 측정된 값을 식 (1)

에 입하면 SpO2값을 얻을 수 있다.

3.2.2 제어 통신 모듈

제어 통신모듈의 구성은 그림 11과 같다. Micro

Controller에는 MSP430(TI)을 사용하 다. MSP430은

6 채 의 12 Bit ADC를 내장하고 있으므로 이 3개

채 을 사용하여 ECG, PPG SpO2에 사용하 으며,

각각 512Hz 12 Bit로 변환하 다.

한편 통신 모듈은 Bluetooth V2.0 규격을 지원하는

FB155BC(Firmtech사)를 사용하 으며, MCU와는 SPI

인터페이스로 연결하 다.

3.2.3 게이트웨이 모듈

측정된 생체신호를 인터넷으로 송하기 한 게이트

웨이 모듈의 로토콜 구조는 그림 12와 같다. Bluetooth

모듈을 통해 수신한 정보는 TCP/IP 로토콜을 통해

인터넷에 인터페이스 되는데, Bluetooth는 앞서 설명한

FB155BC칩을 사용하여 구 하 고, TCP/IP 로토콜

스텍은 W7200(Wiznet, Korea) 칩을 사용하여 구 하

다.

3.3 소 트웨어 부문

소 트웨어 부문은 모니터링 로그램과 구동 로그

램으로 구성되는데, 모니터링 로그램은 PC 버 , 스마

트폰 버 웹 버 을 구 하 다.

3.3.1 모니터링 로그램

3.3.1.1 PC 버

PC 버 의 모니터링 로그램의 구조는 그림 13과

같다. 1개 채 에서 달되는 데이터는 12비트의 데이터와

4비트의 채 정보로 구성된다. 채 정보는 ECG, PPG

SpO2 신호를 구분하는데 사용된다. 이 게 구성된

생체정보는 Signal Monitoring모듈에 장되고 형으

로 그려진다. 그리고 이런 생체신호를 분석하기 하여

Signal Processing 모듈에서 FFT(Fast Fourier Trans-

form)와 FIR(Finite Impulse Response) 과정을 통해

변환되고 필터링한다. FFT 모듈은 시계열 데이터를 주


그림 13 PC 기반 모니터링 시스템의 블록도

Fig. 13 Block diagram of the PC based monitoring system

그림 14 웹 기반 모니터링 시스템의 블록도

Fig. 14 Block diagram of the Web based monitoring system

수 역으로, FIR 모듈은 디지털 필터로, 생체신호를

실시간으로 처리할 수 있게 구 하 다. PC버젼의 소

트웨어는 Visual Studio 2010(Microsoft)를 이용하여

개발하 다.

3.3.1.2 스마트폰 버

스마트폰 버 은 PC버 과 비슷한 기능을 수행하지

만, 제한된 자원으로 인해 생체신호를 장하지는 않는

다. 자원의 제약으로 인해 실시간 FFT기능도 제외

하 다.

스마트폰 버 은 Android Ver. 2.3.4환경에서 개발하

으며, 사용한 스마트폰은 HTC사의 Sensation XE모

델을 사용하 다.

3.3.1.3 웹 버

웹 버 의 모니터링 로그램 구조는 그림 14와 같다.

서버 랫폼은 Node.js, NoSQL, HTML5.0을 사용하여

구축하 다. 용량의 데이터를 장하기 하여 데이터

베이스 서버로는 이벤트기반 분산 웹 서버인 Node.js를

사용하 다. 아울러 비정형 인 계 데이터베이스를 다

루는 DBMS 에서 MongoDB를 사용하여 구축하 다.

일 처리는 JSON(JavaScript Object Notation), Data

Sampling, Data Draw를 구분하여 구 하 다. 데이

터처리 방식은 JSON타입을 사용하 으며, 화면 출력은

1 에 한번씩 업데이트하도록 구 하 다. 마지막으로

수집된 생체신호를 이용하여 압을 계산하고, 압에

문제가 생길 경우 알람을 알려주는 기능을 구 하 다.

3.3.2 구동 로그램

실시간 생체신호 측정장치를 인터넷에 연결하기 해

서는 IPv4와 IPv6를 포함한 TCP/IP 로토콜 스텍을

구 해야 하는데, 앞서 설명한 바와 같이 Wiznet사의

W7200 칩을 이용하여 구 하 다. 그런데 기화 과정

과 Auto-configuration 모드 설정 기능을 한 구동

로그램이 필요하다. 구동 로그램의 기화 과정은

주소 등록, SPI 인터페이스 기화, 하드웨어 리셋 기능

등을 수행한다.

IPv4와 IPv6에 한 Auto-configuration은 먼 IPv6

환경에 속하는지 체크한 후, 아니면 기본 으로 IPv4환

경에서 동작한다. 그러나 IPv6환경에 속한다면 수동으로

설정되었는지, 자동 할당하는지 체크한 후에 자동으로

설정한다면 IPv6의 Auto-configuration과정을 수행하여

IPv6주소를 할당한다.

한편 TCP/IP통신이 이루어지기 해서는 W7200모듈

이 UDP모드로 동작할 것인지, TCP 서버 모드로 동작

할 것인지, Client 모드로 동작할 것인지를 결정해야 한

다. UDP 모드의 경우 소켓을 Open한 후 송신할 것인


그림 15 구 된 센서 모듈

Fig. 15 Picture of the implemented sensor module

그림 16 각종 생체신호의 주 수 응답 특성

Fig. 16 Performance verification of filters using the amplitude frequency responses

지 수신할 것인지 결정하고 그에 따른 UDP 기능을 수

행한다. 한편 TCP 서버 모드는 소켓을 연 후에 Client

의 SYN메시지를 기하고 SYN메시지를 받으면 응답

하는 3-way Handshaking과정으로 Connection을 설정

하고 데이터를 주고 받는 기능을 수행한다. 한편 TCP

Client 모드는 소켓을 Open한 후 서버에게 SYN메시지

를 송신하고 응답을 받아 Connection을 설정 후 데이터

를 송수신한다.

4. 실시간 압측정시스템의 구 검증

4.1 하드웨어 모듈의 구 검증

4.1.1 센서모듈

앞서 설계한 내용에 따라 구 된 센서모듈은 그림 15와

같으며, 핀의 1.5배 정도 크기이다.

제작된 센서모듈의 ECG, PPG, SpO2신호에 해

FFT변환한 주 수 응답 특성을 그리면 그림 16과 같다.

이 그림에서 볼 때 ECG, PPG SpO2의 차단주 수

는 각각 50 Hz, 12 Hz, 20 Hz이었으며, 이는 앞서 설

계 시에 제시된 목표치와 일치함을 알 수 있다.

한편 제작된 센서모듈의 PSD(Power Spectral Density)

를 나타내면 그림 17과 같다. 이는 Complexity v4.2

(LAXTHA 제품, 한국)의 FFT를 사용하여 구한 결과

이다. 이 그림에서 볼 때 ECG데이터는 부분이 0.5～

30 Hz 역에 존재하며, PPG신호는 0.5～4 Hz, SpO2신

호는 0.5～12 Hz 역에 존재함을 보여 다.

4.1.2 제어 통신 모듈

앞서 설명한 바와 같이, 본 연구에서는 MSP430 MCU

를 사용하 으며, ADC도 이 칩에서 제공되는 기능을

사용하 다. 그리고 통신 모듈은 Bluetooth방식을 사용

하여 구 하 는데 그림 18은 그 구 물을 보여주고 있다.

ADC변환 결과를 검증하기 하여 변환된 ECG 데이

터를 RS-232 포트를 통해 PC로 송하고 그래 로 나

타내면 그림 19와 같다.

한편 통신 기능을 검증하기 하여, 한 경로는 RS-232

포트로 PC에 송하고 다른 경로로는 Bluetooth를 통해

PC에 송한 후 이들 데이터를 비교하 다. 이 때 통신


(a) (b)

(c)

그림 17 FFT 결과. (a) ECG 주 수 성분, (b) PPG 주 수 특성, (c) SpO2 주 수 특성

Fig. 17 Results of the FFT. (a) ECG frequency contents (b) PPG frequency contents, and (c) SpO2 frequency contents

그림 19 ADC 결과로 획득된 1600개 ECG 샘 데이터

Fig. 19 Plots of 1600 ECG sampled data acquired by the ADC system

그림 18 구 된 제어 통신 모듈의 사진

Fig. 18 Picture of the implemented control and transmission

module

에서 손실이 발생되었는데 RS-232의 경우 수신율은

99.99%이었지만 Bluetooth의 경우는 99.94% 수 이었다.

4.1.3 게이터웨이 모듈 구동 로그램

측정된 생체신호를 인터넷으로 송하기 한 게이트

웨이 모듈을 구 한 것은 그림 20과 같다. 게이트웨어모

듈은 앞서 설명한 바와 같이 IPv4/IPv6 Dual Stack을

지원하는 W7200 모듈( 즈네트, 한국)을 사용하여 구

하 다. 이 그림에서 좌측은 제어모듈을, 우측은 통신모

듈인데 이들 간에는 SPI 인터페이스로 연결하 다.

IPv6 통신환경을 구성하기 한 시험은 그림 21과 같이


그림 20 MSP 430과 W7200을 이용하여 구 된 게이트웨이 모듈

Fig. 20 Picture of the implemented gateway module using a prototype board with MSP430 (a) and W7200 (b)

그림 21 IPv6 기능을 가진 게이트웨이 모듈의 기능 검

증을 한 시험 환경

Fig. 21 Test environment for verification of the dual stack

driver for IPv6 in the gateway module

구축하여 실시하 다. IPv6 Router로는 D-Rink(D-Rink

사, 한국)을 사용하 으며, Auto-configuration과정이 정

상 으로 이루어지는지 테스트한 검증 결과는 그림 22와

같다. 주소를 자동할당 받은 게이터웨이 모듈은 이 정보

를 RS-232포트를 통해 PC에 송하고 그 결과를 보여

것이다. 이 결과를 볼 때 게이트웨이는 IPv4 주소, 서

넷 마스크, 게이트웨이 주소를 할당 받았고, IPv6에

해서는 Link Local 주소, Global 주소를 할당 받았음

을 알 수 있다.

한편 원격지에 있는 PC를 통해 게이트웨이에 Ping테

스트를 수행한 결과는 그림 23과 같다. 이 그림에서 아

래 화면은 게이트웨이가 응답할 때마다 그 내용을

RS-232 포트를 통해 PC에 송하고 그 결과를 보여

것이다. 이 그림에서 알 수 있는 바와 같이 게이트웨이

는 Ping 요청에 해 5번 응답이 모두 성공 으로 이루

그림 22 IPv4와 IPv6의 주소할당 과정을 보여주는 화면

Fig. 22 Screenshot of IP address allocation process for

IPv4 and IPv6

어졌음을 알 수 있다.

다음으로 소켓을 통해 TCP 통신이 재 로 이루어지

고 있는지 시험하기 해 Python으로 TCP Client

loopback test용 소켓 로그램을 작성하고 수행한 결

과가 그림 24에 보여주고 있다. 이 그림에서 상단은 실

행화면이며, 아래는 게이트웨이가 TCP 연결을 통해 수

신된 데이터를 RS-232포트를 통해 PC로 송한 결과

를 보여 주고 있다.

이 그림에서 알 수 있는 바와 같이 게이트웨이 모듈

은 TCP서버 모드로 동작하고 소켓을 Open한 후에

“Hello Atomicore”라는 메시지를 수신하 음을 보여주

고 있다.


그림 25 PC 기반 모니터링 시스템의 출력 화면

Fig. 25 Screenshot of the PC-based monitoring system for ECG and PPG

그림 23 IPv6에서 Ping 테스트 화면; 원격지 PC의 화면

(상단), 디버깅을 한 게이트웨이에서의 샘

데이터(하단)

Fig. 23 Screenshot of ping test for IPv6 address: results of

ping test on remote PC (top) and of received data

sample by debugging code from the gateway

module (bottom)

4.2 소 트웨어 모듈의 구 검증

앞서 설명한 바와 같이 구동 로그램은 게이트웨이

그림 24 TCP 기능 테스트를 한 Loopback 테스트 화면;

원격지 PC의 실행 화면(상단), 디버깅을 한 게

이트웨이에서의 샘 데이터(하단)

Fig. 24 Screenshot while running client loopback test

program for TCP Socket test on a remote PC

with IPv6 (top) and the received data sample

for TCP Socket test from the gateway module

with IPv6 address (bottom)

모듈에 내장된 로그램이므로 게이트웨이 동작 검증

시에 동시에 이루어졌다. 따라서 여기에서는 모니터링

로그램에 해서만 설명하 다.


그림 26 스마트폰 기반 모니터링 시스템의 출력 화면

Fig. 26 Screenshot of the smartphone based monitoring system for ECG and SpO2

그림 27 웹 기반 모니터링 시스템의 출력 화면

Fig. 27 Screenshot of the Web based monitoring system

4.2.1 모니터링 로그램

모니터링 로그램은 PC용, 스마트폰 용, 그리고 웹

버 이 있다. 센서모듈에서 획득된 생체신호들은 PC와

스마트폰으로 송된다. PC용 모니터링 로그램에서

디스 이 되는 ECG PTT 형은 그림 25와 같다.

한편 스마트폰 모니터링 로그램의 수행 결과는 그

림 26과 같다. PC와 달리 스마트폰은 화면이 작으므로

ECG와 PTT를 동시에 보여주지 않고 “Mode Choice”

버턴을 이용하여 선택 으로 보여 수 있게 되어 있다.

그리고 화면 상단에는 실시간 SpO2수치와 압이 특정

임계치를 과하는 경우 알려주는 알람 기능(Detector)

이 추가 되어 있다.

한편 웹 기반 모니터링 로그램의 수행 결과는 그림 27

과 같다. 이 로그램은 Active-X나 Add-on 로그램

없이 동작할 수 있도록, 순수한 HTML5.0으로 작성하

다. 이 그림에서 우측에는 실시간으로 계산된 PTT, SpO2,

수축기 압, 이완기 압, 그리고 그 차이를 보여주고

있다.

4.3 통합 시스템의 검증

그림 28은 통합시스템의 테스트 환경을 보여 주고 있

다. ECG, PPG SpO2 신호를 측정하여 Bluetooth를

통해 스마트폰이나 왼쪽에 있는 게이트웨이 모듈에

송하면 TCP/IPv4/IPv6통신을 통해 인터넷으로 송된

다. 이 게 송된 생체신호는 PC에서 실시간으로 디스

이 된다. 본 논문에서 구 한 임상 실험을 통해 시

험한 결과 모두 정상 으로 동작하 다.

5. 압 계산 방법 임상실험 결과

본 연구에서는 실시간으로 측정되는 생체신호(ECG,

PPG, SpO2)로부터 압을 산출하고 임상실험을 통해 그


그림 29 실시간 수축기 압 계산 알고리즘의 로우차트

Fig. 29 Flowchart of the systolic blood pressure estimation algorithm in real-time

그림 28 체 시스템의 통합 시험 환경

Fig. 28 Testing environment for the integrated system

타당성을 검증하 다. 압측정을 해서는 먼 측정된

ECG PPG신호를 이용하여 PTT를 계산하고, ECG,

PTT, SpO2 신호를 이용하여 압을 산출하 다.

PTT를 계산하기 해서는 ECG신호의 QRS Complex

에서 R 을 찾아야 한다.

일반 으로 ECG신호의 경우 QRS Complex는 시작

에서 0.08～0.12 사이에 존재한다. 본 연구에서 ECG

신호는 512 Hz로 Sampling하 으므로 약 51개 데이타

가 0.1 에 해당된다. 따라서 시작 을 Max값으로 설정

한 후 다음 50개 샘 데이타를 비교하여 Peak 값을

찾는다. 하지만 50개 샘 데이타 에 R Peak가 존재하

지 않을 수도 있기 때문에 최 3 동안 ECG데이타의

평균값을 임계치로 설정하여 Start Point가 이 값보다

큰 것을 찾아 첫번째 R Peak를 구한 후 연속하여 Peak

값을 계산하면 그 시간 차이가 R-R Interval이 된다.

PPG신호에서도 ECG와 동일한 방법으로 Positive

Peak치와 Negative Peak치를 구한다. 이 때 시간을 각

각 TP, TN이라고 하고 그 평균치 Tl을 구한다. 따라서

PTT는 ECG에서 구한 Peak 치 시간 t1과 PPG에서 구한

Tl간의 시간간격이므로 PTT=Tl-t1로 계산할 수 있다.

5.1 압계산 알고리즘

5.1.1 수축기 압 계산 알고리즘

생체신호로 측정된 ECG 앞서 계산한 PTT를 이

용하여 수축기 압을 계산하는데 그 알고리즘은 그림 29

와 같다. SpO2는 식 (1)에 제시된 바와 같이 ACIR, DCIR,

ACRED, DCRED값을 산출하여야 하는데, 512 Hz로 Sam-

pling하면 데이터 량이 무 많아 우선 128 Hz로 Down


그림 30 실시간 이완기 압 계산 알고리즘의 로우차트

Fig. 30 Flowchart of the diastolic blood pressure estimation algorithm in real-time

Sampling하 다. 그리고 1 동안 평균값을 산출하고 식

(1)을 이용하여 SpO2를 계산하 다. 이런 과정으로 ECG,

PTT, SpO2가 구해지면 이 값을 지스터에 장한다.

상기와 같은 과정을 53 까지 반복하면 SpO2 [k53]이

구해지고, PTT[j9], ECG[i1]을 이용하여 수축기의 압

을 계산한다[15].

5.1.2 이완기 압 계산 알고리즘

한편 이완기 압의 계산 알고리즘은 그림 30과 같다.

이완기 압 계산 알고리즘도 수축기와 마찬가지 방법

으로 먼 SpO2를 계산하고 PTT와 SpO2를 지스터

에 장한다. 이와 같은 과정으로 31 까지 반복하여

SpO2 [k31]과 첫번째 장된 PTT값 PTT[j1]을 추출

한다. 이후 10 동안 수집한 SpO2 [k31-40]과 PTT

[j1-10]를 평균하여 그 값을 Rj(t), Rk(t)를 계산하고 이

값을 이용하여 이완기 압을 계산한다[15].

5.2 임상 실험 결과 압 계산 알고리즘

본 연구에서 구 한 생체신호 측정기와 압계산 알

고리즘을 이용하여 임상 실험을 실시하 다. 실험 방법

은 자 압계에 의해 측정된 압과 본 연구에서 구

한 방법을 이용하여 얻은 값을 비교하는 방법으로 실시

하 다.

5.2.1 실험방법

5.2.1.1 실험 상

실험 상은 건강한 남자 28명(평균 나이 23.5세)을

상으로 실시하 다.

5.2.1.2 실험 로토콜

실험을 실시하기 30분 부터 흡연, 커피, 운동, 식사

를 지하고 편안한 휴식상태에 있도록 하 다. 실험은

두 단계로 실시하 다. 첫 단계(Stage 1)는 의자에 앉은

상태로 자 압계로 압을 측정하고 아울러 ECG,

PPG, SpO2신호를 2분간 측정하 다. 2단계(Stage 2)에

서는 5층 계단 오르내리기를 2번 실시한 후 10분간 휴

식을 하고 자 압계와 ECG, PPG, SpO2 신호를 2분

간격으로 10분간 측정하 다. 이 때 사용한 자 압계는

일본 National사의 EW-3100이며 측정범 는 20～300

mmHg, 정 도는 ±5 mmHg이다.

5.2.1.3 분석방법

본 연구에서 측정된 ECG, PPG, SpO2신호의 데이터

포맷은 표 3과 같다. 첫 필드는 패킷의 순서번호이며, 두

번째 필드는 측정된 시간을 의미한다. 그리고 ECG필드는

ECG 데이터의 진폭을 나타내며, DCRED, DCIR, ACRED,

ACIR는 각각 색과 외선의 DC AC성분 값이다. 따


표 3 장된 데이터의 형식

Table 3 Stored data format

No Time ECG DCRed DCIR ACIR ACRed

1 0 383.223 198.363 198.727 1291.426 1292.369

2 0.001 383.48 203.454 199.090 1292.131 1291.602

～～～～～～～

511 0.998 384.424 199.363 199.909 1294.692 1291.650

512 1 384.489 198.727 198.636 1293.859 1291.190

그림 31 3단계 분석에의 PTT SpO2 평균값 변화 추이

Fig. 31 Results of the PTT and SpO2 using ensemble average in step 3

라서 이들 값을 이용하면 SpO2를 계산할 수 있으며,

PPG는 DCRED와 ACRED를 정규화하여 구할 수 있다.

28명의 피험자로부터 수집한 데이터는 수 GB를 넘고,

특히 생체신호들 상호간의 연산도 빈번히 일어나므로

계산시간이 무 오래 걸렸다. 따라서 본 연구에서는 4

단계로 구분하여 분석하 다.

1단계(step 1) 분석에서는 1분 단 로 분석하 다. 따

라서 Stage1의 경우 2개로 구분하여 분석하게 된다. 그

리고 Stage2에서는 총 10분간 측정한 데이타를 1분 단

로 나 어 분석하므로 총 10개로 나 어 분석하게 된다.

2단계(step 2) 분석에서는 20 단 로 구분하여 보

다 세 하게 분석하 다. 그리고 3단계(step 3) 분석에

서는 10 단 로, 마지막 4단계(step 4) 분석에서는 1

단 로 구분하여 총 600개 구간으로 나 어 분석하

다.

5.2.2 실험결과

5.2.2.1 압과 생체신호간의 계

생체신호 PTT, SpO2와 압과의 계를 살펴보기

하여 먼 1분 단 로 분석하 는데, 수축기 이완

기 압은 반 으로 PTT와 SpO2와 반비례하는 특성

을 볼 수 있었지만, 이 분석결과는 60 의 데이타가 하

나로 합쳐진 결과이므로 60 내에 일어나는 변화는 반

할 수가 없었다. 그래서 좀 더 세 하게 분석하기

하여 20 단 로 분석하 는데, 그 결과 압은 PTT,

SpO2는 반비례 계에 있지만 시간상으로 지연되어 나타

나는 특성이 있음을 알 수 있었다[15,16].

좀 더 정확한 분석을 하여 3단계 분석에서는 10 단

로 세분화하여 수축기 이완기 압과 PTT, SpO2와

의 계를 분석하 으며 그 결과는 그림 31과 같다.

이 그림에서 볼 때 PTT는 최 압이 나타난 후 약

70～80 후에 최소값이 나타나며, SpO2는 약 100～110

후에 최소값이 나타난다. 한편 ECG 분석 결과는 그림 32와

같은데 ECG도 압과 반비례 계에 있음을 알 수 있었

다[15].

최종 으로 좀 더 정확한 시간정보를 얻기 하여 1

단 로 구분하여, PTT, SpO2, 그리고 ECG를 분석

하 으며 그 결과는 그림 33 34와 같다.

이 분석 결과도 앞서 분석한 결과와 비슷한 양상을

찰할 수 있었는데, 4단계 분석에서는 변화가 아주 빠르

게 나타나기 때문에 Min(1st)만 추출하지 않고 Min(5

th)

값을 나타나는 구간까지 추출하여 살펴 보았으며 그 결과

는 표 4와 같다. 이 결과를 볼 때 시간 정보가 앞서 분석


그림 32 3 단계 분석에서 ECG 평균치의 변화 추이

Fig. 32 Results of ECG using ensemble average in step 3

그림 33 4단계 분석에의 PTT SpO2 평균값 변화 추이

Fig. 33 Results of the PTT and SpO2 using ensemble average in step4

한 2, 3단계와는 조 다른 양상을 볼 수 있다. 따라서

정확한 정보를 추출하기 하여 선형회기분석을 수행하

여 압추정모델을 만들었다.

5.2.2.2 수축기 압 추정 모델

생체신호를 이용한 실시간 압 추정 모델에 해서

는 앞서 설명한 바와 같이 많은 연구가 이루어졌지만

아직 만족스러운 결과를 얻지 못하고 있다. 따라서 본

연구에서는 생체신호와 압간의 시간 정보를 고려하여

다음과 같은 모델로 가정하 다.

(4)

이 모델에서 t1, t2, t3는 ECG, PTT, SpO2의 시간 차

이 정보 값이며, P1, P2, P3, P4는 각각의 계수 값이다.

앞서 설명한 바와 같이 압은 PTT와 SpO2에 반비례

하며, 최소치는 압과 시간차이가 있으므로 이를 고려

하여 모델을 만들었다.

5.2.2.2.1 선형회기분석을 이용한 수축기 압 모델

앞서 제시한 모델에서 계수 값을 산출하기 하여 회


그림 34 4단계 분석에서 ECG 평균치의 변화 추이

Fig. 34 Results of ECG using ensemble average in step 4

표 4 4단계 분석 결과. PTT와 SpO2의 최소치 범 와 ECG의 최 치 범

Table 4 Results of step 4. minimum range and value of PTT and SpO2 (from 1st to 5th) and the maximum range and

value of ECG (from 1st to 5

th)

ECG PTT SpO2

Max

Time(s)

Max

Value(mV)

Min

Time(s)

Min

Value(ms)

Min

Time(s)

Min

Value(%)

1st 4 0.199 4 0.199 102 96.6

2nd

32 0.204 32 0.204 76 96.6

3th

81 0.209 81 0.209 100 96.7

4th 71 0.210 71 0.210 168 96.7

5th 70 0.212 70 0.212 110 96.7

귀분석기법을 사용하 다. 먼 2단계 분석에서 도출된

시간정보를 이용하여 회기분석을 실시하 지만, 각 생체

신호 계수의 유의확률이 0.05 이상으로 이 모델은 합

하지 않는 것으로 명되었다. 3단계 분석 결과를 토

로 한 회귀분석의 결과도 유의확률이 0.05이상으로 합

하지 않아 4단계 분석 결과를 토 로 선형회귀분석을

실시하 다. 4단계의 경우 시간 정보가 5가지 경우가 있

지만 4th의 경우 SpO2의 시간정보가 168 로 측정시간

120 를 과하므로 제외하고 나머지 4개의 경우에

해 선형회귀분석을 실시한 결과는 표 5와 같다.

표 5에서 Data Set은 ECG, PTT, SpO2의 시간정보

이며, Dependent는 종속변수, Argument는 독립변수를

나타낸다. 이 표에서 두 번째 정보군에서 독립변수를 ECG,

PTT, SpO2를 사용한 경우 모델의 합도는 0.443, 유

의확률은 0.000이다. 부분의 정보군에서 유의확률이

0.05 미만이지만 특히 ECG 24 , PTT 32 , SpO2 76

정보군에서 모델 합도와 유의확률이 가장 좋다. 따

라서 이 정보군에서 비표 화계수의 유의확률을 계산해

보면 표 6과 같다.

이 표에서 볼 때 4가지 경우 모두 유의확률이 0.05를 만

족하지만 ECG, PTT, SpO2 모두를 독립변수로 사용한 첫

번째 모델의 합도가 가장 높게 나왔으므로, 이 모델을 사

용하면 수축기 압은 식 (5)와 같이 모델링할 수 있다.

(5)

5.2.2.2.2 수축기 압모델의 검증

실시간 압을 계산하는 모델은 Mase M.이 시간 차

이를 고려하지 않고 식 (2), (3)과 같이 제시하 다. 그러

나 해당 논문에서는 계수 값이 제시되지 않아 본 연구


표 5 SBP는 독립변수, ECG, PTT, SpO2 는 종속변수로 둔 경우, 4단계 회귀 분석 결과

Table 5 Results of linear regression analysis using the results of step 4: dependent = SBP, argument = ECG, PTT, and SpO2

Data setDependent Argument r2 p-value

ECG PTT SpO2

2s 4s 102s SBP

ECG, PTT, and SpO2 0.263 0.003

ECG and PTT 0.177 0.010

ECG and SpO2 0.128 0.040

PTT and SpO2 0.261 0.001

24s 32s 76s SBP


ECG and PTT 0.249 0.001

ECG and SpO2 0.274 0.001

PTT and SpO2 0.350 0.000

17s 81s 100s SBP


ECG and PTT 0.183 0.009

ECG and SpO2 0.164 0.015

PTT and SpO2 0.207 0.004

23s 70s 110s SBP


ECG and PTT 0.144 0.026

ECG and SpO2 0.155 0.019

PTT and SpO2 0.172 0.012

표 6 ECG는 24 , PTT는 32 , SpO2는 76 동안 회귀 분석 결과. SBP는 독립변수, ECG, PTT, SpO2는 종속

변수로 둔 경우

Table 6 Results of linear regression analysis using the ECG for 24s, the PTT for 32s, and the SpO2 for 76s. dependent

= SBP, argument = ECG, PTT, and SpO2

Arg. r2

pUnstandardized Coefficients

Constant p ECG p 1/PTT p 1/SpO2 p

ECG, PTT, SpO2 0.443 0.000 -454.111 0.001 0.115 0.008 4.132 0.001 509.819 0.000

ECG, PTT 0.249 0.001 68.542 0.001 0.124 0.012 3.905 0.003

ECG, SpO2 0.274 0.001 -407.152 0.008 0.108 0.025 485.372 0.001

PTT, SpO2 0.350 0.000 -431.947 0.003 4.009 0.001 529.226 0.000

에서 측정한 데이터를 이용하여 선형회귀분석으로 계수

값을 추출하고 모델 합도와 유의확률을 계산하면 표 7

과 같다. 이 모델도 유의확률이 0.000, 모델 합도가 0.303

으로 비교 합함을 알 수 있다.

상기 수식에서 구한 계수 값을 이용하여 Mase M.

이 제시한 압계산 모델을 제시하면 식 (6)과 같다.

(6)

한편 압계의 등 은 국 고 압 회(BHS: British

Hypertension Society)에서 제시한 기 에 따라 등 을

표 7 Mase M이 제안한 모델에서 비표 화 계수 추출을

한 회귀분석 결과

Table 7 Results of linear regression analysis for extracting

the unstandardized coefficients in related works

Dependent r2p-value

Unstandardized Coefficients

Constant p-value 1/PTT p-value

SBP 0.3 0.000 70.786 0.000 15.034 0.000

분류할 수 있는데, 그 기 은 표 8과 같다.

본 논문에서는 Mase M[13]의 PTT만 고려한 모델

(식 (6)), 그리고 식 (5)에 제시된 모델, 그리고 식 (5)에

서 시간인자를 제외한 모델과 비교 분석한 결과는 그림

35와 같다. 여기서 Class 1은 오차범 가 0인 자 압

계를 사용한 경우이며, Class 2는 자 압계의 오차범

를 고려한 경우를 보여주고 있다.

Mase M.의 논문에서는 오차범 가 ±1 mmHg인

자 압계를 사용하여 측정하 고 본 논문에서는 ±5 mmHg

인 압계를 사용하 다. 따라서 Class 2에서는 그 차이

를 고려한 경우이다.

표 8 BHS의 수축기 압 정확도

Table 8 Accuracy of the systolic blood pressure estimation

model (BHS)

≤5 mmHg ≤10 mmHg ≤15 mmHg

Grade A (%) 60 85 95

Grade B (%) 50 75 90


표 9 ECG는 0～10 , PTT는 70～80 , SpO2는 100～110 동안 회귀 분석 결과. SBP는 독립변수, ECG, PTT,

SpO2는 종속변수로 둔 경우

Table 9 Results of linear regression analysis using the ECG for 0-10s, the PTT for 70-80s, and the SpO2 for

100-110s: dependent = DBP, argument = ECG, PTT, and SpO2

Arg. r2 pUnstandardized Coefficients

Constant p ECG p 1/PTT p 1/SpO2 p

ECG, PTT, SpO2 0.418 0.009 419.936 0.003 -0.067 0.110 -3.226 0.005 -288.557 0.024

ECG, PTT 0.252 0.041 121.919 0.000 -0.075 0.105 -2.645 0.028 - -

ECG, SpO2 0.151 0.165 311.974 0.036 -0.052 0.282 - - -204.852 0.145

PTT, SpO2 0.341 0.010 410.620 0.004 - - -3.015 0.010 -304.556 0.021

그림 35 수축기 압의 정확도 비교(Class 1은 오차범

를 제외한 경우, Class 2는 오차를 고려한 경우)

Fig. 35 Comparison of accuracy of the systolic blood

pressure estimation model (Class1 - accuracy of

the estimated blood pressure not considering

tolerances, Class2 - accuracy of the estimated

blood pressure considering tolerances)

그림 35에서 볼 때, 본 논문에서 제시한 모델은 PTT

만 고려한 모델에 비해 평균 10.7% 향상된 정확도를 가

지고 있으며, 시간인자를 고려하지 않는 경우에 비해서

도 평균 12.7%의 정확도 향상을 보여 주었다. 표 8에서

볼 때 Grade B 등 을 받으려면 오차범 를 고려하여

14 mmHg의 오차를 벗어나지 않는 측정이 75% 이상이

되어야 하고, 90% 이상이 19 mmHg 이하의 오차범

를 가져야 하는데, 본 연구에서 제시한 모델은 여기에

근 하는 정확도를 가지고 있음을 알 수 있다.

5.2.2.3 이완기 압추정 모델

본 연구에서는 생체신호 ECG, PTT, SpO2를 이

용한 이완기 압추정모델을 식 (7)과 같이 가정하 다.

(7)

이 모델에서 t1, t2, t3는 ECG, PTT, SpO2의 시간차

이이며, P1, P2, P3, P4는 각각의 계수 값이다. 앞서 설

명한 바와 같이 압은 PTT와 SpO2에 반비례하며, 최

소치는 압과 시간차이가 있으므로 이를 고려하여 모

델을 만들었다.

5.2.2.3.1 선형회기분석을 이용한 이완기 압 모델 검증

제시된 모델의 계수 값을 산출하기 하여, 먼 2단

계 분석에서 도출된 시간정보를 이용하여 회기분석을

실시하 다. 2단계에서 시간정보는 ECG의 경우 실험

시작 직후에 최 값을 나타내었으며, PTT는 60～80 ,

SpO2는 100～120 구간에서 최소치를 보 다. 측정한

이완기 압을 종속변수로, ECG, PTT, SpO2의 최 값

최소치를 각각 독립변수로 두어 회귀분석을 실시한

결과는 표 9와 같다.

표 9에 제시된 4가지 모델의 경우, 4번째에서 제시한

PTT와 SpO2를 이용한 모델만 종속변수들의 유의확

률이 0.05이하를 만족한다. 그래서, 본 연구에서는 4번

째 모델을 용하여 다음과 같은 이완기 모델을 수립

하 다.

(8)

5.2.2.3.2 이완기 압추정 모델의 검정

먼 본 연구에서 제시한 모델과 PTT만 고려한

Mase M의 모델[13]을 비교하기 하여 수축기 모델과

같이 선형회귀분석을 실시한 결과는 표 10과 같다. 이 표

에서 볼 때 유의확률이 0.05 이상으로 PTT의 역수에 비

례하는 모델은 합하지 않아 비교 상에서 제외하 다.

따라서 본 연구에서는 식8에 제시한 PTT와 SpO2를

고려한 모델에서 시간 정보를 고려한 경우와 제외한 경

우를 비교하 으며, 그 결과는 그림 36과 같다.


표 10 비표 화계수 추출을 한 회귀분석 결과

Table 10 Results of linear regression analysis for extraction of the unstandardized coefficients in related works

Dependent r2 p-valueUnstandardized Coefficients

Constant p-value 1/PTT p-value

DBP 0.005 0.642 24.494 0.832 52.012 0.642

그림 36 이완기 압의 정확도 비교(Class 1은 오차범

를 제외한 경우, Class 2는 오차를 고려한 경우)

Fig. 36 Comparison of accuracy of the diastolic blood

pressure estimation model(Class1 - accuracy of

the estimated blood pressure not considering

tolerances, Class2 - accuracy of the estimated blood

pressure considering tolerances)

자 압측정기의 오차범 를 고려한 Class 2의 경우

9, 14, 19 mmHg에서 시간 정보를 고려한 경우 정확도

는 각각 68, 84, 94%로 시간정보를 고려하지 않는 경우

의 값 56, 84, 90%에 비해 12%, 0, 4% 정도 향상되었

음을 알 수 있으며, 이는 앞서 설명한 BHS기 에서 볼

때 Grade B를 만족시킬 수 있음을 알 수 있다.

6. 결 론

압은 요한 생체신호로 뇌졸증과 같은 다양한 질

병을 유발하고, 이로 인한 의료비가 증하고 있다. 따

라서 압을 실시간으로 측정하여 그 변화추이를 알 수

있고, 특정 임계치를 넘는 경우 본인에게 알려 다면

압을 리하는데 큰 도움이 될 것이다.

압은 ECG와 PPG 신호를 측정하여 PTT를 산출하

고, ECG와 PTT의 상 차이뿐만 아니라 SpO2를 이용

하면 보다 정확하게 측정할 수 있다. 따라서 본 연구에

서는 비침습 방법으로 ECG, PPG SpO2을 이용하

여 압을 측정하고 그 변화 양상을 모니터링 할 수 있

는 실시간 압측정 시스템을 설계하고 구 하 다.

실시간 압측정 시스템은 ECG, PPG SpO2 신호를

동시에 측정하여 압을 계산하며, 측정 데이터는 Blue-

tooth를 통해 스마트폰에 달되고, 아울러 IPv4/IPv6 듀

얼 스텍을 가지는 TCP/IP 드라이버와 소켓 로그램을

이용하여 인터넷에 속될 수 있다. 스마트폰과 PC에

는 실시간 압측정 시스템을 설계하고 구 하 다. 실시

간 압측정 시스템은 PC 기반, 스마트폰 기반, 웹 기반

의 모니터링 시스템으로 구분하여 개발하 다. 웹 기반의

모니터링 시스템은 용량 데이터 분석이 가능하도록 서

버 랫폼을 구축하 으며, HTML5.0 기술을 활용하여

어떠한 환경에서도 추가 인 Add-on이나 Plug-in 없이

동일한 결과를 나타낼 수 있도록 구 하 다.

이 게 구 된 실시간 압측정 시스템을 28명의 피

험자를 상으로 임상 실험을 실시한 결과, BHS에서

인증하는 압계 인증 등 Grade B 수 에서 정상으

로 동작함을 확인하 다.

이러한 실시간 압측정 시스템을 이용하면 압을

실시간으로 알 수 있기 때문에 자신의 압을 효율 으

로 리할 수 있고, 아울러 의료비 감에도 기여할 수

있을 것이다.

앞으로는 제안한 시스템을 활용하여 약물에 의존하지

않는 고 압 치료 방법에 한 연구를 계속하고자 한다.

PTT를 이용한 경직도 분석을 통해 압추정

모델의 성능을 향상시키는 것뿐만 아니라 당뇨병에도

활용할 수 있도록 개선할 정이다.

References

[ 1 ] Véronique L., Roger M. D., Faha M. P. H., Alan S.

Go, Donald M., Lloyd Jones, "AHA Statistical

Update," Heart Disease and Stroke Statistics -

2011 Update, NewYork, USA, pp. 6-25, 2010.

[ 2 ] KOSTAT, "2010 health statistics of KOREAN,"

URL (http://kostat.go.kr/portal/korea/index.action)

[ 3 ] William T. Abraham, Philip B. Adamson, Robert C.

Bourge, Mark F. Aaron, Maria Rosa Costanzo,

Lynne W Stevenson, Warren Strickland, Suresh

Neelagaru, Nirav Raval, Steven Krueger, Stanislav


Weiner, David Shavelle, Bradley Jeffries, Jay S.

Yadav, "Wireless pulmonary artery haemodynamic

monitoring in chronic heart failure: a randomised

controlled trial," THE LANCET, Vol. 377, Issue

9766, pp. 658-666, 2011.

[ 4 ] Egmond, J.V., Senbos, M., Crul, J.F., "Invasive vs

Non-invasive Measurement of arterial Pressure,"

Br J Anesth, Vol. 57, pp. 434-444. 1985.

[ 5 ] Najafian J., Akhavan Tabib A., "Comparison of the

effect of relaxation and biofeedback-assisted rela-

xation on stress and anxiety score in patients with

mild hypertension," AHROM MEDICAL JOURNAL,

Vol. 9, No. 2, pp. 8-12, 2011.

[ 6 ] Frankel B. L., Patel D. J., Horwitz D., Friedewald

W. T., Gaarder K. R., "Treatment of hypertension

with biofeedback and relaxation techniques," Psycho-

somatic Medicine, Vol. 40, No. 4, pp. 276-293, 1978.

[ 7 ] Wanqing Wu, Jungtae Lee, Haifeng Chen, "Esti-

mation of Heart Rate Variability Changes during

Different Visual Stimulations Using Non-invasive

Continuous ECG Monitoring System," International

Joint Conference on Bioinformatics, pp. 344-347,

2009.

[ 8 ] Wanqing Wu, Yeongjoon Gil, Jungtae Lee., "A

Prototype of Wireless Electrocardiogram Biofeed-

back Platform and Its Preliminary Evaluation on

HRV Alteration in Unconscious Status," IEEE First

International Conference on Healthcare Informatics,

Imaging and Systems Biology, pp. 17-24, 2011.

[ 9 ] J.I. Ko, I.C. Jeong, D.H. Lee, S.W. Park, S.O.

Hwang, S.M. Park, G.Y. Kim, H.S. Joo, H.R. Yoon,

"Compensation of Error in Noninvasive Blood Pres-

sure Measurement System Using Optical Sensor,"

Journal of biomedical engineering research, Vol. 28,

No. 2, pp. 178-186, 2007.

[10] El Khoury M., "Portable SpO2 Monitor: A Fast

Response Approach," IEEE International Conference

on Portable Information Devices, pp. 1-5. 2007.

[11] Li Yun Thai, "Pulse Oximetry," URL (http://personal.

ph.surrey.ac.uk/~phs3ps/surj/v2/li.pdf)

[12] Gesche H., Grosskurth D., Küchler G., Patzak A.,

"Continuous blood pressure measurement by using

the pulse transit time: comparison to a cuff-based

method," European journal of applied physiology,

Vol. 112, No. 1, pp. 309-315, 2012.

[13] Masè M., Mattei W., Cucino R., Faes L., Nollo G.,

"Feasibility of cuff-free measurement of systolic

and diastolic arterial blood pressure," Journal of

electrocardiology, Vol. 44, No. 2, pp. 201-207, 2011.

[14] G.R. Jeon, "Understanding of Sphygmomanometer,"

ICASE magazine, Vol. 12, No. 2, pp. 43-53, 2006.

[15] Yeongjoon Gil, "Development of model for blood

pressure estimation using Multiple Bio-Signal and

a real-time monitoring system based on IPv6,"

Ph.D. Thesis in PNU, 12. 2013.

[16] Yeongjoon Gil and Jungtae Lee, "Modeling and

Verification of Blood Pressure Measuring using

Multiple Bio-Signals," To be Published in Journal

of Sensors.

길

2014. 6～ 재 미국 HUINNO Inc.의 설

립자 CEO. 2010. 3～2014. 6 부산

학교 겸임교수, 정보컴퓨터공학부. 2014.

11～2014. 2 부산 학교 IT기반 융합 산

업 창의인력양성 사업단 임연구원. 2013.

3～2013. 10 부산 학교 컴퓨터 정보

통신 연구소 임 연구원. 2013. 2 부산 학교, 박사, 컴퓨

터공학. 2009. 2 부산 학교, 석사, 컴퓨터공학

이 정 태

1988. 3～ 재 부산 학교 정보컴퓨터공

학부 교수. 1992. 7～1993. 6 일본 NTT

연구소 빙 연구원. 1985. 3～1988. 2

동아 학교 컴퓨터공학과 교수. 1977. 3～

1985. 2 ETRI(한국 자통신연구원), 선

임연구원. 1989. 2 서울 학교 박사, 컴

퓨터공학. 1983. 2 서울 학교 석사, 컴퓨터공학. 1976. 2

부산 학교 학사, 자공학

Documents

스마트폰을 이용한 실시간 혈압측정 시스템의 설계 및 구현kiise.or.kr/e_journal/2015/3/KTCP/pdf/04.pdf · 2015-03-12 · 스마트폰을 이용한 실시간 혈압측정