Langfristige Blutdruckvorhersage mit tiefen rekurrenten Neuronalen Netzen

Bestehende Methoden zur Schätzung des arteriellen Blutdrucks (BP) ordnen die Eingangssignale direkt den Ausgangs-BP-Werten zu, ohne die zeitlichen Abhängigkeiten in der BP-Dynamik explizit zu modellieren. Als Ergebnis leiden diese Modelle unter einer Genauigkeitsabnahme über längere Zeiträume und erfordern daher häufige Kalibrierung. In dieser Arbeit adressieren wir dieses Problem, indem wir die BP-Schätzung als ein Sequenzvorhersageproblem formulieren, bei dem sowohl die Eingabe- als auch die Zielsequenz zeitliche Sequenzen sind. Wir schlagen ein neues tiefes rekurrentes Neuronales Netzwerk (RNN) vor, das aus mehrschichtigen Long Short-Term Memory (LSTM)-Netzwerken besteht und folgende Elemente integriert: (1) eine bidirektionale Struktur, um umfassendere Kontextinformationen der Eingangsequenz zu berücksichtigen, und (2) Residualverbindungen, um die Gradienten in tiefen RNNs effektiver zu verbreiten. Das vorgeschlagene tiefe RNN-Modell wurde an einem statischen BP-Datensatz getestet und erreichte einen mittleren quadratischen Fehler (RMSE) von 3,90 mmHg für die Vorhersage des systolischen Blutdrucks (SBP) und 2,66 mmHg für die Vorhersage des diastolischen Blutdrucks (DBP), was die Genauigkeit traditioneller BP-Vorhersagemodelle übertrifft. An einem mehrtägigen BP-Datensatz erreichte das tiefe RNN einen RMSE von 3,84 mmHg am ersten Tag, 5,25 mmHg am zweiten Tag, 5,80 mmHg am vierten Tag und 5,81 mmHg sechs Monate nach dem ersten Tag für die SBP-Vorhersage sowie 1,80 mmHg am ersten Tag, 4,78 mmHg am zweiten Tag, 5,00 mmHg am vierten Tag und 5,21 mmHg sechs Monate nach dem ersten Tag für die DBP-Vorhersage. Diese Ergebnisse übertreffen alle früheren Modelle mit bemerkenswerter Verbesserung. Die experimentellen Ergebnisse deuten darauf hin, dass das Modellieren der zeitlichen Abhängigkeiten in der BP-Dynamik die Langzeitschätzgenauigkeit des Blutdrucks erheblich verbessert.