[論文レビュー] Learning to Predict Blood Pressure with Deep Bidirectional LSTM Network.

Peng Su, Xiaorong Ding+3 more|arXiv (Cornell University)|May 12, 2017

Blood Pressure and Hypertension Studies被引用数 8

ひとこと要約

本稿では、連続したBPシーケンスにおけるマルチスケール時間的依存性をモデル化することで血圧を予測するため、深層双方向LSTM（DB-LSTM）ネットワークを提案する。深いアーキテクチャ内で双方向LSTMユニットを活用することで、従来のPTTや回帰モデルよりも長期間および短期間のパターンをより効果的に捉えることができ、静的およびフォローアップの連続BPデータセットにおいて最先端の精度を達成した。

ABSTRACT

Blood pressure (BP) has been a difficult vascular risk factor to measure precisely and continuously due to its multiscale temporal dependencies. However, both pulse transit time (PTT) model and regression model fail to learn such dependencies and thus suffer from accuracy decay over time. In this work, we addressed the limitation of existing BP prediction models by formulating BP extraction as a sequence prediction problem in which both the input and target are temporal sequence. By incorporating both a bidirectional layer structure and a deep architecture in a standard long short term-memory (LSTM), we established a deep bidirectional LSTM (DB-LSTM) network that can adaptively discover the latent structures of different timescales in BP sequences and automatically learn such multiscale dependencies. We evaluated our proposed model on a static and follow-up continuous BP dataset, and the results show that DB-LSTM network can effectively learn different timescale dependencies in the BP sequences and advances the state-of-the-art by achieving superior accuracy performance than other leading methods on both datasets. To the best of our knowledge, this is the first study to validate the ability of recurrent neural networks to learn the multiscale dependencies of long-term continuous BP sequence.

研究の動機と目的

• 複雑なマルチスケール時間的依存性のため、正確で連続的な血圧測定が困難であるという課題に対処すること。
• 長期間および短期間の時間的パターンを捉えられない、脈波伝播時間（PTT）および回帰モデルの限界を克服すること。
• 連続したBPデータにおける異なる時間スケールにわたる隠れ構造を自動で学習できる深層学習フレームワークを開発すること。
• 再帰的ニューラルネットワークが長期間の連続BPシーケンスをモデル化する有効性を検証すること。これは本分野における画期的な応用である。

提案手法

• 入力およびターゲットの両方が時間的シーケンスであるという点で、血圧予測をシーケンス・ツー・シーケンス学習問題として定式化する。
• 過去および未来の文脈を捉えるために、双方向LSTMレイヤーを統合し、時間的表現学習を強化する。
• BPデータにおける階層的およびマルチスケールの依存関係をモデル化するために、複数のスタックされたLSTMレイヤーを用いた深層アーキテクチャを採用する。
• 予測誤差を最小化するために、教師あり学習を用いて連続BPシーケンス上でDB-LSTMネットワークをエンド・ツー・エンドで訓練する。
• 長期間のBP記録から、時間的ウィンドウを用いて順序付きの入力-出力ペアを抽出して訓練に使用する。
• LSTMのゲート付きメモリ機構を活用して、長期間のシーケンスにわたって情報を選択的に保持または忘れる能力を高め、安定性と正確性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 深層双方向LSTMモデルは、長期間の連続した血圧シーケンスにおけるマルチスケール時間的依存性を効果的に学習できるか？
• RQ2 提案されたDB-LSTMモデルは、時間経過に伴う血圧予測において、従来のPTTおよび回帰モデルと比べてどのように優れているか？
• RQ3 双方向的な文脈を組み込むことで、単方向RNNと比較して、血圧予測の正確性と頑健性が向上するか？
• RQ4 DB-LSTMモデルは、静的およびフォローアップの連続BPデータセットにどの程度一般化可能か？

主な発見

• DB-LSTMモデルは、静的およびフォローアップの連続BPデータセットの両方において、最先端の手法を上回る優れた予測精度を達成した。
• モデルは、マルチスケール時間的依存性を学習することで、血圧の短期的変動および長期的トレンドの両方を効果的に捉えた。
• 双方向アーキテクチャのおかげで、シーケンスモデリング中に将来の文脈にアクセスできるようになり、性能が顕著に向上した。
• 深層アーキテクチャのおかげで、BPシーケンスにおける異なる時間スケールにわたる階層的表現を学習する能力が向上した。
• 結果から、再帰的ニューラルネットワークが、長期間の連続BPデータにおける複雑な時間的ダイナミクスを効果的にモデル化できることを示し、本分野における画期的な貢献であることが明らかになった。