[논문 리뷰] Learning to Predict Blood Pressure with Deep Bidirectional LSTM Network.

Peng Su, Xiaorong Ding외 3명|arXiv (Cornell University)|2017. 05. 12.

Blood Pressure and Hypertension Studies인용 수 8

한 줄 요약

이 논문은 연속적인 혈압 시계열에서 다중 척도 시간적 종속성을 모델링함으로써 혈압을 예측하기 위해 딥 밴디렉셔널 LSTM(DB-LSTM) 네트워크를 제안한다. 깊이 있는 아키텍처 내에서 양방향 장기 단기 기억 유닛을 활용함으로써, 기존의 PTT 또는 회귀 모델보다 장기적이고 단기적인 패턴을 더 효과적으로 포착할 수 있으며, 정적 및 후속 연속 혈압 데이터셋에서 최신 기술 수준의 정확도를 달성한다.

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.

연구 동기 및 목표

• 복잡한 다중 척도 시간적 종속성으로 인해 정밀하고 연속적인 혈압 측정이 어려운 문제를 해결하기 위해.
• 혈압 시계열에서 장기적이고 단기적인 시간적 패턴을 포착하지 못하는 맥박 전이 시간(PTT) 및 회귀 모델의 한계를 극복하기 위해.
• 연속 혈압 데이터에서 다양한 시간 척도에 걸친 잠재적 구조를 자동으로 학습할 수 있는 딥 러닝 프레임워크를 개발하기 위해.
• 재발성 신경망이 장기적인 연속 혈압 시계열을 모델링하는 데 효과적인지 검증하기 위해, 이 분야에서 새로운 적용 사례로 삼기 위해.

제안 방법

• 입력과 타겟이 모두 시간적 시계열인 시퀀스에서 시퀀스로의 학습 문제로 혈압 예측을 공식화한다.
• 과거와 미래의 맥락을 모두 포착하기 위해 양방향 LSTM 레이어를 통합하여 시간적 표현 학습을 향상시킨다.
• 혈압 데이터의 계층적이고 다중 척도 종속성을 모델링하기 위해 여러 개의 스택된 LSTM 레이어를 활용한 깊이 있는 아키텍처를 사용한다.
• 예측 오차를 최소화하기 위해 지도 학습을 사용하여 연속 혈압 시계열에서 DB-LSTM 네트워크를 엔드 투 엔드로 훈련한다.
• 장기적인 혈압 기록에서 순차적 입력-출력 쌍을 추출하기 위해 시간 창(Windowing) 기법을 사용한다.
• LSTM의 게이트 메모리 메커니즘을 활용하여 장기간의 시퀀스 동안 정보를 선택적으로 유지하거나 삭제함으로써 안정성과 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 딥 밴디렉셔널 LSTM 모델은 장기적인 연속 혈압 시계열에서 다중 척도 시간적 종속성을 효과적으로 학습할 수 있는가?
• RQ2 기존의 PTT 및 회귀 모델과 비교해 볼 때, 제안된 DB-LSTM 모델은 시간이 지남에 따라 혈압을 얼마나 잘 예측하는가?
• RQ3 양방향 맥락을 통합함으로써 단방향 RNN에 비해 혈압 예측의 정확도와 강건성은 얼마나 향상되는가?
• RQ4 DB-LSTM 모델은 정적 및 후속 연속 혈압 데이터셋 간에 얼마나 잘 일반화되는가?

주요 결과

• DB-LSTM 모델은 정적 및 후속 연속 혈압 데이터셋 양쪽에서 최신 기술 수준의 방법들보다 뛰어난 예측 정확도를 달성했다.
• 모델은 다중 척도 시간적 종속성을 학습함으로써 혈압의 단기적 변동과 장기적 추세를 효과적으로 포착했다.
• 양방향 아키텍처는 시퀀스 모델링 중 미래의 맥락에 접근할 수 있도록 해서 성능 향상에 기여했다.
• 딥 아키텍처는 혈압 시계열에서 다양한 시간 척도에 걸친 계층적 표현을 학습하는 능력을 향상시켰다.
• 결과적으로 재발성 신경망이 장기적인 연속 혈압 데이터의 복잡한 시간 동역학을 성공적으로 모델링할 수 있음을 보여주었으며, 이는 이 분야에 새로운 기여로 평가된다.