摘要
现有的动脉血压（BP）估计方法直接将输入的生理信号映射到输出的血压值，而没有显式建模血压动力学中的时间依赖性。因此，这些模型在长时间内会出现精度下降，需要频繁校准。在这项工作中，我们通过将血压估计问题表述为一个序列预测问题来解决这一问题，其中输入和目标都是时间序列。我们提出了一种新颖的深度递归神经网络（RNN），该网络由多层长短期记忆（LSTM）网络组成，并结合了（1）双向结构以获取更大范围的输入序列上下文信息，以及（2）残差连接以允许梯度在深度RNN中更有效地传播。所提出的深度RNN模型在一个静态血压数据集上进行了测试，对于收缩压（SBP）和舒张压（DBP）预测分别达到了3.90 mmHg和2.66 mmHg的均方根误差（RMSE），超过了传统血压预测模型的精度。在一个多日血压数据集上，深度RNN在第1天、第2天、第4天和第1天后的第6个月收缩压预测中分别达到了3.84 mmHg、5.25 mmHg、5.80 mmHg和5.81 mmHg的RMSE，在相应的舒张压预测中分别达到了1.80 mmHg、4.78 mmHg、5.00 mmHg和5.21 mmHg的RMSE，显著优于所有先前的模型。实验结果表明，建模血压动力学中的时间依赖性可以显著提高长期血压预测的准确性。