深層再帰型ニューラルネットワークを用いた長期血圧予測

既存の動脈血圧（BP）推定手法は、入力生理信号を出力BP値に直接マッピングするものであり、BP動態の潜在的な時間依存性を明示的にモデル化していない。その結果、これらのモデルは長時間にわたって精度が低下し、頻繁な校正が必要となる。本研究では、この問題に対処するために、BP推定を入力と目標の両方が時間系列であるシーケンス予測問題として定式化した。我々は、（1）より大規模なコンテキスト情報を取得するための双方向構造と、（2）深層RNNにおける勾配の効果的な伝播を可能にする残差接続を組み込んだ多層Long Short-Term Memory (LSTM) ネットワークからなる新しい深層再帰型ニューラルネットワーク（RNN）を提案する。提案された深層RNNモデルは静的BPデータセットでテストされ、収縮期BP（SBP）予測において3.90 mmHg、拡張期BP（DBP）予測において2.66 mmHgの平均二乗平方根誤差（RMSE）を達成し、従来のBP予測モデルの精度を超えた。複数日のBPデータセットでは、1日目、2日目、4日目、および1日目からの6ヶ月後のSBP予測においてRMSEが3.84, 5.25, 5.80, 5.81 mmHgとなり、対応するDBP予測においては1.80, 4.78, 5.0, 5.21 mmHgとなった。これはすべての従来モデルを大幅に上回る改善である。実験結果は、BP動態の時間依存性をモデル化することで長期的なBP予測精度が著しく向上することを示唆している。