[论文解读] 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 8

一句话总结

本文提出一种深度双向LSTM（DB-LSTM）网络，通过建模连续血压（BP）序列中的多尺度时间依赖性，实现血压预测。通过在深度架构中引入双向长短期记忆单元，该模型比传统的脉搏波传导时间（PTT）或回归模型更有效地捕捉长程与短期模式，在静态和随访的连续BP数据集上实现了最先进水平的准确度。

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.

研究动机与目标

• 为解决由于复杂多尺度时间依赖性导致的精确且连续的血压测量挑战。
• 克服脉搏波传导时间（PTT）和回归模型在BP序列中无法捕捉长期与短期时间模式的局限性。
• 开发一种深度学习框架，能够自动学习连续BP数据中不同时间尺度下的潜在结构。
• 验证循环神经网络在建模长期连续BP序列方面的有效性，这是该领域的一项新应用。

提出的方法

• 将血压预测建模为序列到序列的学习问题，其中输入和目标均为时间序列。
• 集成双向LSTM层以捕捉序列中的过去和未来上下文，增强时间表征学习能力。
• 采用多层堆叠的LSTM层构成的深度架构，以建模BP数据中的分层与多尺度依赖性。
• 使用监督学习在连续BP序列上端到端训练DB-LSTM网络，以最小化预测误差。
• 利用时间窗口技术从长期BP记录中提取序列输入-输出对用于训练。
• 利用LSTM的门控记忆机制，选择性地保留或遗忘长序列中的信息，提升模型稳定性和准确性。

实验结果

研究问题

• RQ1 深度双向LSTM模型能否有效学习长期连续血压序列中的多尺度时间依赖性？
• RQ2 所提出的DB-LSTM模型在时间维度上的血压预测性能，与传统PTT和回归模型相比如何？
• RQ3 引入双向上下文是否能提升BP预测的准确度与鲁棒性，相比单向RNN？
• RQ4 DB-LSTM模型在静态和随访的连续BP数据集上的泛化能力达到何种程度？

主要发现

• DB-LSTM模型在静态和随访的连续BP数据集上，相比最先进方法实现了更优的预测准确度。
• 该模型通过学习多尺度时间依赖性，有效捕捉了血压的短期波动与长期趋势。
• 双向架构通过使网络在序列建模过程中能够访问未来上下文，显著提升了性能。
• 深度架构增强了模型在BP序列中学习不同时间尺度下分层表征的能力。
• 结果表明，循环神经网络能够成功建模长期连续BP数据中的复杂时间动态，为该领域带来新颖贡献。