Les méthodes existantes pour l'estimation de la pression artérielle (PA) cartographient directement les signaux physiologiques d'entrée sur les valeurs de PA de sortie sans modéliser explicitement les dépendances temporelles sous-jacentes dans la dynamique de la PA. Par conséquent, ces modèles souffrent d'une diminution de précision à long terme et nécessitent une calibration fréquente. Dans cette étude, nous abordons ce problème en formulant l'estimation de la PA comme un problème de prédiction séquentielle, où tant l'entrée que la cible sont des séquences temporelles. Nous proposons un nouveau réseau neuronal récurrent profond (RNR) composé de réseaux multicouches à mémoire à court et long terme (LSTM), qui intègrent (1) une structure bidirectionnelle pour accéder à des informations contextuelles plus larges de la séquence d'entrée, et (2) des connexions résiduelles pour permettre une propagation plus efficace des gradients dans le RNR profond. Le modèle RNR profond proposé a été testé sur un ensemble de données statique de PA, atteignant une erreur quadratique moyenne racine (EQMR) de 3,90 et 2,66 mmHg pour la prédiction de la PA systolique (PAS) et diastolique (PAD), respectivement, surpassant ainsi la précision des modèles traditionnels de prédiction de PA. Sur un ensemble de données multi-jours de PA, le RNR profond a obtenu une EQMR de 3,84, 5,25, 5,80 et 5,81 mmHg pour la prédiction de la PAS du premier jour au deuxième jour, au quatrième jour et au sixième mois après le premier jour, respectivement, et une EQMR de 1,80, 4,78, 5,00 et 5,21 mmHg pour les prédictions correspondantes de PAD. Ces résultats surpassent tous les modèles précédents avec une amélioration notable. Les résultats expérimentaux suggèrent que la modélisation des dépendances temporelles dans la dynamique de la PA améliore considérablement la précision à long terme des prédictions de PA.