Л.А. Манило1, А.А. Мехоношина2, А.П. Немирко3, З.М. Юлдашев4, Д.А. Степанов5

1–4 Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина) (Санкт-Петербург, Россия)
5 ФГБУ «НМИЦ им. В. А. Алмазова» Минздрава России (Санкт-Петербург, Россия)
1 lmanilo@yandex.ru, 2 annmeh2003@yandex.ru, 3 apn-bs@yandex.ru, 4 yuld@mail.ru, 5 daniel36611b@gmail.com

Постановка проблемы. Внезапная сердечная смерть – одна из ведущих причин летальности при сердечно‑сосудистых заболеваниях и во многих случаях развивается вне медицинских учреждений, что существенно ограничивает возможности своевременного оказания медицинской помощи. В этой связи особую актуальность приобретает разработка методов раннего прогнозирования внезапной сердечной смерти на основе анализа неинвазивных биомедицинских сигналов. Одним из наиболее информативных таких сигналов является вариабельность сердечного ритма, отражающая состояние вегетативной регуляции сердечно‑сосудистой системы.

Цель. Разработать и исследовать алгоритм прогнозирования внезапной сердечной смерти с использованием энтропийных характеристик модовых функций сигналов вариабельности сердечного ритма.

Результаты. Предложен алгоритм обработки сигналов вариабельности сердечного ритма, включающий в себя предварительную коррекцию, ансамблевую эмпирическую модовую декомпозицию и вычисление энтропийных показателей ‒ нечеткой энтропии и улучшенной энтропии многомасштабных перестановок. Для классификации состояний использован метод
k-ближайших соседей. Показано, что наилучшие значения эффективности достигаются для первого 2-минутного интервала перед наступлением внезапной сердечной смерти и составляют: точность 94,74%, чувствительность 90% и специфичность 100% при k = 1.

Практическая значимость. Полученные результаты демонстрируют перспективность применения нелинейных энтропийных методов анализа вариабельности сердечного ритма в задачах прогнозирования жизнеугрожающих сердечных состояний и могут быть использованы при создании интеллектуальных систем мониторинга.

Манило Л.А., Мехоношина А.А., Немирко А.П., Юлдашев З.М., Степанов Д.А. Прогнозирование внезапной сердечной смерти по энтропийным показателям сердечного ритма // Биомедицинская радиоэлектроника. 2026. T. 29. № 3. С. 8−17. DOI: https:// doi.org/10.18127/j156 04136-202603-02

1. ВОЗ: каждый год в мире умирает от сердечно-сосудистых заболеваний 17,9 млн человек [Электронный ресурс]. URL: https://www.vshouz.ru/news/analitika/wcs-19279/
2. Курдгелия Т.М., Кислицина О.Н., Базарсадаева Т.С. Внезапная сердечная смерть: эпидемиология, факторы риска и профилактика // Бюллетень медицинских Интернет‐конференций. 2014. Т. 4. № 3. С. 220–229.
3. Shi M., He H., Geng W., Wu R., Zhan C., Jin Y., Zhu F., Ren S. and Shen B. Early Detection of Sudden Cardiac Death by Using Ensemble Empirical Mode Decomposition-Based Entropy and Classical Linear Features From Heart Rate Variability Signals. Front. Physiol. 2020. V. 11. P. 118. https://doi.org/10.3389/ fphys.2020.00118.
4. Бокерия О.Л., Ахобеков А.А. Внезапная сердечная смерть: механизмы возникновения и стратификация риска // Анн. аритм. 2012. № 3. С. 6‒7.
5. Манило Л.А., Меньшикова В.И., Немирко А.П., Юлдашев З.М., Татаринова А.А., Степанов Д.А. Прогнозирование внезапной сердечной смерти по показателям вариабельности сердечного ритма // Биомедицинская радиоэлектроника. 2025. Т. 28. № 2. С. 5–13. doi: https://doi.org/10.18127/j15604136-202502-01.
6. Manilo L., Menshikova V., Nemirko A., Yuldashev Z., Tatarinova A., Stepanov D. An Algorithm for Predicting Sudden Cardiac Death Using Heart Rate Variability Parameters, 2025 Systems and Technologies of the Digital HealthCare (STDH). Saint Petersburg, Russian Federation. 2025. P. 109–113. DOI: 10.1109/ STDH66836.2025.11227247.
7. Jianli Yang, Zhiqiang Sun, Weiwei Zhu, Peng Xiong, Haiman Du, Xiuling Liu. Intelligent prediction of sudden cardiac death based on multi‑domain feature fusion of heart rate variability signals. EURASIP Journal on Advances in Signal Processing (2023) 2023. V. 32. https://doi.org/10.1186/s13634-023-00992-6.
8. Sudden Cardiac Death Holter Database. PhysioNet. URL: https://physionet.org/content/sddb/1.0.0/.
9. MIT-BIH Normal Sinus Rhythm Database. PhysioNet. URL: https://physionet.org/content/nsrdb/1.0.0/.
10. Azami H., Fernández A., Escudero J. Refined multiscale fuzzy entropy based on standard deviation for biomedical signal analysis. Med Biol Eng Comput. 2017. Nov. V. 55(11). P. 2037–2052. DOI: 10.1007/ s11517-017-1647-5.
11. Azami H., Escudero Ja. Improved Multiscale Permutation Entropy for Biomedical Signal Analysis: Interpretation and Application to Electroencephalogram Recordings. Biomedical Signal Processing and Control. V. 23. № 1. P. 28–41. https://doi.org/10.1016/j.bspc.2015.08.004.