연속적인 커프리스 (Cuffless) 혈압 (BP) 모니터링은 움직임에 의한 아티팩트 (Motion artifacts), 생리학적 변동성, 그리고 동적인 조건에서 기존 맥파 전달 시간 (PTT) 모델의 제한된 강건성으로 인해 여전히 어려운 과제로 남아 있습니다. 많은 이전 접근 방식들은 추정을 안정화하기 위해 수 초 단위의 윈도우 (Window)에 의존하지만, 이는 간헐적인 신호 손상이 발생하는 실제 모니터링 상황에서는 빈번하게 위배되는 가정입니다. 본 연구에서는 혈압과 관련된 판별 정보가 단일 비트 (Single-beat) 수준에서도 보존됨을 보여주며, 연속적인 혈압 추정을 위한 경량 멀티모달 (Multi-modal) 웨어러블 프레임워크를 제시합니다. 이 시스템은 동기화된 흉부 심전도 (ECG)와 귀 부착형 반사 광전용적맥파 (Ear-clip reflectance PPG)를 통합하며, 각각 6축 관성 측정 장치 (IMU)와 함께 배치되어 움직임 맥락 (Motion context)을 제공합니다. 우리는 1차원 합성곱 신경망 (1D CNN)이 개별 PPG 비트에서 64차원 임베딩 (Embedding)을 추출하고, 이를 PTT 통계 및 심박 변이도 (HRV)를 포함한 30개의 생리학적 기반 특징 (Features)과 융합한 뒤 LightGBM 회귀를 수행하는 하이브리드 학습 아키텍처를 도입합니다. 이 방법은 다단계 스트레스 프로토콜 ($n=10$) 및 피험자 분리 검증 (Subject-disjoint validation)을 거친 PulseDB 공개 데이터셋을 사용하여 평가되었습니다. 30회의 독립적인 실행 결과, 모델은 수축기 혈압 (Systolic BP)에 대해 $4.02 ext{ ±} 0.21$~mmHg, 이완기 혈압 (Diastolic BP)에 대해 $1.79 ext{ ±} 0.05$~mmHg의 평균 절대 오차 (MAE)를 달성하였으며, 이는 베이스라인 모델 대비 결합 MAE가 28.2% 감소한 수치입니다. 긴 시간적 맥락 (Temporal context) 없이 비트 단위의 추정을 가능하게 함으로써, 이 프레임워크는 실제 자원 제약 조건 하의 웨어러블 배포에 적합한 계산 효율적인 커프리스 혈압 모니터링을 지원합니다. 본 연구의 소스 코드는 https://github.com/SYMBIOX-Lab/BP-wireless 에서 확인할 수 있습니다.