基于深度循环神经网络的长期血压预测
机器学习
2018-01-16 v3 人工智能
动力系统
机器学习
摘要
现有的动脉血压（BP）估计方法将输入的生理信号直接映射到输出的BP值，而未显式建模BP动态中潜在的时间依赖性。因此，这些模型在长时间上精度衰减，从而需要频繁校准。本工作中，我们将BP估计表述为一个序列预测问题，其中输入和目标均为时间序列，从而解决该问题。我们提出了一种新颖的深度循环神经网络（RNN），由多层长短期记忆（LSTM）网络组成，并融合了（1）双向结构以访问输入序列更大规模的上下文信息，以及（2）残差连接以使深度RNN中的梯度传播更有效。所提出的深度RNN模型在静态BP数据集上进行了测试，其收缩压（SBP）和舒张压（DBP）预测的均方根误差（RMSE）分别达到 3.90 和 2.66 mmHg，超越了传统BP预测模型的精度。在多日BP数据集上，该深度RNN在首日之后第1天、第2天、第4天和第6个月的SBP预测RMSE分别为 3.84、5.25、5.80 和 5.81 mmHg，相应DBP预测分别为 1.80、4.78、5.0、5.21 mmHg，优于所有先前模型且提升显著。实验结果表明，对BP动态中的时间依赖性进行建模显著提高了长期BP预测精度。
引用
@article{arxiv.1705.04524,
title = {Long-term Blood Pressure Prediction with Deep Recurrent Neural Networks},
author = {Peng Su and Xiao-Rong Ding and Yuan-Ting Zhang and Jing Liu and Fen Miao and Ni Zhao},
journal= {arXiv preprint arXiv:1705.04524},
year = {2018}
}
备注
To appear in IEEE BHI 2018