الطرق الحالية لتقدير ضغط الدم الشرياني (BP) تقوم بربط الإشارات الفسيولوجية المدخلة مباشرة بالقيم الناتجة لضغط الدم دون نمذجة التبعيات الزمنية الكامنة في ديناميكيات ضغط الدم بشكل صريح. نتيجة لذلك، تعاني هذه النماذج من تدهور الدقة على المدى الطويل وبالتالي تتطلب معايرة متكررة. في هذا العمل، نعالج هذه المشكلة من خلال صياغة تقدير ضغط الدم كمشكلة تنبؤ بالسلاسل الزمنية حيث تكون كل من الإدخال والهدف سلاسل زمنية. نقترح شبكة عصبية متكررة عميقة (RNN) جديدة تتكون من شبكات ذاكرة طويلة المدى قصيرة (LSTM) متعددة الطبقات، والتي تم دمجها مع (1) هيكل ثنائي الاتجاه للوصول إلى معلومات السياق الأكبر للسلسلة الزمنية المدخلة، و(2) اتصالات بواقي لتسمح بتوزيع التدرجات في الشبكة العصبية المتكررة العميقة بشكل أكثر فعالية. تم اختبار النموذج المقترح للشبكة العصبية المتكررة العميقة على مجموعة بيانات ضغط الدم الثابتة، وقد حقق خطأ الجذر التربيعي المتوسط (RMSE) قدره 3.90 و2.66 ملم زئبق لتنبؤ ضغط الدم الانقباضي (SBP) وضغط الدم الانبساطي (DBP)، على التوالي، مما يتفوق على دقة نماذج تنبؤ ضغط الدم التقليدية. وعلى مجموعة بيانات ضغط الدم متعددة الأيام، حققت الشبكة العصبية المتكررة العميقة خطأ الجذر التربيعي المتوسط (RMSE) قدره 3.84، 5.25، 5.80 و5.81 ملم زئبق لتنبؤ ضغط الدم الانقباضي في اليوم الأول واليوم الثاني واليوم الرابع والشهر السادس بعد اليوم الأول، و1.80، 4.78، 5.00 و5.21 ملم زئبق لتنبؤ ضغط الدم الانبساطي المقابل، على التوالي، مما يتفوق على جميع النماذج السابقة بمعدل تحسن ملحوظ. تشير النتائج التجريبية إلى أن نمذجة التبعيات الزمنية في ديناميكيات ضغط الدم تحسن بشكل كبير دقة تنبؤ ضغط الدم على المدى الطويل.