[论文解读] 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 5

一句话总结

本文提出一种深度双向LSTM（DB-LSTM）网络，用于从连续的时序生理数据中预测血压，通过双向长短期记忆单元和深层结构建模多尺度时间依赖性。该模型在一天和四天的连续BP数据集上均达到最先进性能，表现出优于现有方法的优越性能。

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.

研究动机与目标

• 解决使用可穿戴设备进行连续无袖带血压监测的挑战。
• 通过建模长期BP序列中的复杂时间依赖性，提高BP预测的准确性。
• 开发一种能够捕捉生理时间序列中多尺度动态的深度学习框架。
• 验证循环神经网络在学习连续BP数据中多样化时间尺度模式方面的有效性。

提出的方法

• 所提出的DB-LSTM整合了双向长短期记忆（LSTM）单元，以捕捉序列数据中过去和未来的上下文信息。
• 采用深层结构以增强多层时间抽象中的特征表示学习。
• 该模型将BP预测建模为序列到序列的学习问题，其中输入和目标均为序列。
• 网络在连续BP数据上进行端到端训练，以自动学习不同时间尺度上的潜在时间结构。
• 双向结构使模型能够通过正向和反向处理序列来关注长程依赖性。
• 使用标准的时间反向传播算法结合基于梯度的学习方法对网络架构进行优化。

实验结果

研究问题

• RQ1 深度双向LSTM能否有效建模长期连续血压序列中的多尺度时间依赖性？
• RQ2 与现有方法相比，所提出的DB-LSTM在高精度预测连续BP方面表现如何？
• RQ3 与单向RNN相比，引入双向处理是否能提升BP数据中时间模式的学习效果？
• RQ4 该模型在不同持续时间的连续BP监测（如一天与四天数据）之间具有多大程度的泛化能力？
• RQ5 DB-LSTM是否能够捕捉数据中未明确标注的潜在生理模式？

主要发现

• DB-LSTM模型在一天和四天的连续BP数据集上，相比领先基线方法均实现了更优的预测精度。
• 该模型成功捕捉了BP序列中的多尺度时间依赖性，包括短期波动和长期趋势。
• 双向结构通过利用过去和未来时间点的上下文信息，显著提升了模型性能。
• 深层结构改善了特征抽象，从而生成了更具鲁棒性和泛化能力的BP动态表征。
• 结果首次表明，循环神经网络能够有效学习长期连续BP序列中的多样化时间尺度模式。