[論文レビュー] Predicting Blood Pressure with Deep Bidirectional LSTM Network

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

Heart Rate Variability and Autonomic Control被引用数 5

ひとこと要約

本論文は、連続的で順序付けられた生理的データから血圧を予測するための深層双方向LSTM（DB-LSTM）ネットワークを提案する。双方向LSTMユニットと深層アーキテクチャを活用し、マルチスケールの時間的依存性をモデル化する。このモデルは、1日分および4日分の連続血圧データセットにおいて、最先端の精度を達成し、既存の手法を上回る優れた性能を示している。

ABSTRACT

Blood pressure (BP) has been a difficult vascular risk factor to measure continuously and precisely with a small cuffless electronic gadget. In the meantime, it is the key biomarker for control of cardiovascular diseases (CVD), the leading cause of death worldwide. In this work, we addressed the current limitation of BP prediction models by formulating BP extraction as a temporal sequence prediction problem in which both the input and target are sequential data. 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 one-day and four-day 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 different timescale dependencies of long-term continuous BP sequence.

研究の動機と目的

• ウェアラブルデバイスを用いた連続的で cuffless（血圧計を用いない）血圧モニタリングの課題に対処すること。
• 長期的な血圧シーケンスにおける複雑な時間的依存性をモデル化することで、血圧予測の精度を向上させること。
• 生理的時系列におけるマルチスケールのダイナミクスを捉えることのできる深層学習フレームワークの開発すること。
• 再帰的ニューラルネットワークが連続的血圧データにおける多様な時間スケールのパターンを学習する有効性を検証すること。

提案手法

• 提案されたDB-LSTMは、順序データにおける過去および未来の文脈を捉えるために、双方向LSTM（LSTM）ユニットを統合している。
• 複数の時間的抽象化の段階における特徴表現学習を強化するために、深層アーキテクチャが採用されている。
• モデルは、入力とターゲットの両方が順序付けられたものである、シーケンス・ツー・シーケンス学習問題として血圧予測を定式化している。
• ネットワークは、連続した血圧データ上でエンド・ツー・エンドに訓練され、異なる時間スケールにおける潜在的時間的構造を自動で学習する。
• 双方向構造により、順方向および逆方向の両方向でのシーケンス処理によって、長距離依存性に注目できるようになっている。
• 勾配ベースの学習を用いた標準的な時間に沿った誤差逆伝播（backpropagation through time）によって、アーキテクチャが最適化されている。

実験結果

リサーチクエスチョン

• RQ1 深層双方向LSTMは、長期的な連続的血圧シーケンスにおけるマルチスケールの時間的依存性を効果的にモデル化できるか？
• RQ2 提案されたDB-LSTMは、高い精度で連続的血圧を予測するための既存の手法と比較してどのように優れているか？
• RQ3 双方向処理を組み込むことで、単方向RNNと比較して、血圧データにおける時間的パターンの学習が向上するか？
• RQ4 モデルは、異なる期間の連続的血圧モニタリング（例：1日分 vs. 4日分のデータ）に対して、どの程度一般化できるか？
• RQ5 DB-LSTMは、データに明示的にラベル付けされていない潜在的生理的パターンを捉えることができるか？

主な発見

• DB-LSTMモデルは、1日分および4日分の連続的血圧データセットにおいて、最先端のベースライン手法と比較して優れた予測精度を達成した。
• モデルは、短期的な変動と長期的なトレンドを含む、血圧シーケンスにおけるマルチスケールの時間的依存性を効果的に捉えた。
• 双方向アーキテクチャにより、過去および未来の時系列ポイントからの文脈的情報を活用できるようになり、性能が顕著に向上した。
• 深層アーキテクチャにより、特徴の抽象化が向上し、血圧ダイナミクスのより強固で一般化可能な表現が得られた。
• 本研究では、初めてとして、再帰的ニューラルネットワークが長期的な連続的血圧シーケンスにおける多様な時間スケールのパターンを効果的に学習できることを示した。