혈압 (Blood pressure, BP)은 심혈관 위험 평가 및 치료 의사결정의 핵심 지표이며, 광혈류측정 (Photoplethysmography, PPG)은 저비용의 웨어러블 친화적인 커프리스 (cuffless) 혈압 추정을 가능하게 합니다. 그러나 최근의 발전에도 불구하고, 많은 PPG 기반 모델들은 BP 회귀 (regression)만으로 학습되어 진폭 (amplitude)에 치우친 지름길 (shortcuts)에 의존할 수 있습니다. 또한, 혈관 순응도 (vascular compliance)를 체계적으로 조절하는 인구통계학적 공변량 (demographic covariates)이 종종 후기 융합 (late fusion)을 통해서만 통합되어, 피험자 특이적 표현 학습 (subject-specific representation learning)을 제한합니다. 본 논문에서는 PPG 신호로부터 커프리스 BP 추정을 위한 Transformer 기반 네트워크를 제안하며, 셀프 어텐션 (self-attention)을 활용하여 여러 심장 주기 (cardiac cycles)에 걸친 장기 의존성 (long-range dependencies)을 포착합니다. 피험자 특이적인 혈관 차이를 고려하기 위해, 모델은 Transformer 블록의 어텐션 (attention) 및 피드포워드 (feed-forward) 서브레이어(sublayers)를 통해 적용되는 FiLM 스타일의 특징 변조 (feature modulation)를 통해 인구통계학적 정보에 조건화 (conditioned)됩니다. 또한, 동맥 경직도 (arterial stiffness) 및 파동 반사 (wave reflection)와 관련된 BP 관련 파형 형태학 (waveform morphology)에 모델이 주목하도록 유도하는 보조 형태학 헤드 (auxiliary morphology head)를 추가합니다. 대규모 PulseDB 데이터셋에 대한 보정 기반 평가 프로토콜 (calibration-based evaluation protocols) 하에서, 제안된 방법은 수축기 BP (systolic BP)에 대해 4.56 mmHg, 이완기 BP (diastolic BP)에 대해 2.62 mmHg의 평균 절대 오차 (MAE)를 달성하였으며, 이는 기존의 인구통계학적 강화 PPG 베이스라인 모델들과 비교하여 오차를 각각 47% 및 50% 감소시킨 결과입니다. 결과적으로 도출된 경량 단일 센서 모델은 보정이 가능한 배포 환경에서 확장 가능하고 임상적으로 근거 있는 커프리스 BP 추정을 지원합니다.