본 연구는 심장 인력(cardiac attractor) 기하학이 혈압(BP) 정보를 부호화하여 AAMI 표준 추정에 충분함을 보여주는 수학적 프레임워크인 Attractor-Vascular Coupling Theory (AVCT)를 제안합니다. 그리고 광혈류측정(PPG)을 사용하여 보정된 커프리스 BP 모델을 통해 이 이론을 검증합니다. AVCT는 심장 안정성 이론(Cardiac Stability Theory)에 근거하며, Takens 지연 임베딩(delay embedding)과 인력 형태학 추출(attractor morphology extraction)을 사용하여 구현됩니다. 두 개의 정리(theorems), 하나의 명제(proposition), 그리고 하나의 보조정리(corollary)가 PPG 인력 특징이 BP 추정에 사용되는 것을 형식적으로 정당화하고, 특징 중요도 계층 구조를 예측합니다. 단일 지점 보정(single-point calibration) 하에서 맥파 전송 시간(PTT) 및 심장 안정성 지수(CSI) 인력 특징으로 훈련된 LightGBM 모델을 BIDMC ICU (n = 9)와 VitalDB 수술 데이터 (n = 37)의 46명 대상, 총 29,684개의 창(window)에 대해 엄격한 Leave-One-Subject-Out 교차 검증(LOSO-CV)을 사용하여 평가했습니다. 이 모델은 수축기 혈압(SBP) 평균 절대 오차(MAE) 2.05 mmHg와 이완기 혈압(DBP) MAE 1.67 mmHg를 달성했으며, 상관관계는 각각 r = 0.990 및 r = 0.991로, MAE가 5 mmHg 미만이어야 한다는 AAMI/IEEE SP10 요구사항을 충족했습니다. 대상별 중앙값 MAE는 1.87/1.54 mmHg였으며, 대상의 70%/76%가 개별적으로 AAMI 기준을 만족했습니다.

9개의 스마트폰 어트랙터 특징을 사용한 PPG 단독 제거(ablation)는 ECG+PPG 모델과 0.05 mmHg 이내로 일치했으며, 이는 적은 센서를 사용하여도 스마트폰 카메라만으로 임상 등급의 혈압 추적이 가능함을 입증했습니다. 또한, 이전 일반화된 LOSO-CV 결과를 능가했습니다. 네 가지 AVCT 예측 모두 정량적으로 확인되었으며, 비보정(uncalibrated) 추정에서 보정(calibrated) 추정으로 91.5%의 오차 감소를 보였습니다 ($ ext{epsilon}_{ ext{cal}} = 0.915$). 사후 설명 가능한 AI(post-hoc explainable AI) 방법과 달리, AVCT는 Explainable-AI Trustworthiness (EAT) 프레임워크의 아키텍처 충실성 기준을 만족하는 특징을 예측하며 혈압 추정을 비선형 동역학 시스템 이론에 기반합니다.