심층 순환 신경망을 이용한 장기 혈압 예측

기존의 동맥 혈압(BP) 추정 방법은 BP 역학에서의 시간적 종속성을 명시적으로 모델링하지 않고 입력 생리 신호를 출력 BP 값에 직접 매핑합니다. 결과적으로 이러한 모델들은 오랜 시간 동안 정확도가 저하되어 자주 교정이 필요합니다. 본 연구에서는 이 문제를 해결하기 위해 BP 추정을 입력과 목표 모두가 시간 시퀀스인 시퀀스 예측 문제로 정식화하였습니다. 우리는 (1) 입력 시퀀스의 대규모 문맥 정보에 접근할 수 있는 양방향 구조와 (2) 깊은 RNN에서 기울기가 더 효과적으로 전파될 수 있도록 하는 잔차 연결(residual connections)을 통합한 다층 장단기 메모리(LSTM) 네트워크로 구성된 새로운 딥 순환 신경망(RNN)을 제안합니다.제안된 딥 RNN 모델은 정적인 BP 데이터셋에서 테스트되었으며, 수축기 혈압(SBP) 예측의 경우 3.90 mmHg, 이완기 혈압(DBP) 예측의 경우 2.66 mmHg의 평균 제곱근 오차(RMSE)를 달성하여 기존 BP 예측 모델들의 정확도를 뛰어넘었습니다. 다일간 BP 데이터셋에서는 첫째 날 이후 1일차, 2일차, 4일차, 6개월차 SBP 예측에 대해 각각 3.84, 5.25, 5.80, 5.81 mmHg의 RMSE를, 해당 DBP 예측에 대해서는 각각 1.80, 4.78, 5.00, 5.21 mmHg의 RMSE를 달성하여 모든 이전 모델들보다 눈에 띄게 개선되었습니다. 실험 결과는 BP 역학에서의 시간적 종속성을 모델링함으로써 장기적인 BP 예측 정확도가 크게 향상됨을 시사합니다.