Статья посвящена разработке и апробации интеллектуальной каски для непрерывного мониторинга состояния здоровья сотрудников МЧС в процессе аварийно-спасательных работ, с целью раннего выявления критических состояний и снижения травматизма за счет перехода от эпизодического контроля к проактивной аналитике на основе многопараметрических данных. Материалы и методы включают создание прототипа на базе штатной защитной каски с интеграцией оптического пульсоксиметра(ЧСС, SpO2), ушного цифрового термометра, трёхосевого акселерометра и гироскопа (детекция падений/ударов), электрохимического сенсора CO и малопотребляющего микроконтроллера, обеспечивающих первичную обработку и передачу телеметрии по LoRaWAN на шлюз и сервер с СУБД временных рядов, дашбордом и аналитическими модулями(в т. ч. LSTM-прогноз). Эксперимент проведён с участием 30 добровольцев в трёх сценариях, имитирующих реальную обстановку: высокая температура и задымление, разбор завалов(высокая физическая нагрузка), загазованная среда (контролируемый CO); параллельно выполнялась медицинская верификация измерений. Результаты показывают статистически значимое снижение ВСР(SDNN с 138,4±15,2 мс в покое до 39,7±7,1 мс при совмещённой нагрузке; RMSSD с 45,6±8,3 до 12,9±3,6 мс), падение SpO2 до 93,4±1,9%(у 15% ≤92%), рост температуры тела до 38,6±0,4 °C и повышение CO до 155,7±23,8 ppm; средняя задержка тревожного оповещения составляла 2,5-3,7 с. Классификация состояний достигла Accuracy 98,0%, Recall 97,7% и специфичности 98,1%, при низкой доле ложных тревог(1,9%) и редких пропусков событий(2,3%); интегральный индекс функционального состояния, сформированный по AHP-весам ВСР/SpO2/температуры/акселерометрии, повысил предиктивность, а LSTM обеспечила прогноз ИФС на 5-7 минут вперёд с точностью около 85%. Обсуждение фиксирует снижение риска переутомления, гипоксии и теплового удара за счёт раннего распознавания опасных трендов и подтверждает целесообразность интеграции касок в единый контур управления МЧС; ограничения исследования связаны с объёмом выборки и моделируемыми условиями, перспективы – миниатюризация, увеличение автономности, расширение набора датчиков и персонализация алгоритмов.
The article presents the development and pilot testing of an intelligent helmet for continuous monitoring of the health status of EMERCOM personnel during emergency-rescue operations, aiming at early detection of critical conditions and reduction of injuries by shifting from episodic checks to proactive analytics based on multiparametric data. Materials and methods include a prototype built on a standard protective helmet integrating an optical pulse oximeter(HR, SpO2), an in-ear digital thermometer, a three-axis accelerometer and gyroscope (fall/impact detection), an electrochemical CO sensor, and a low-power microcontroller providing on-board preprocessing and LoRaWAN telemetry to a gateway and a server with a time-series database, dashboard, and analytics modules(including an LSTM forecast). The experiment involved 30 volunteers across three scenarios simulating real conditions: high temperature and smoke, debris clearance(high physical load), and a gas-polluted environment(controlled CO); medical validation of measurements was conducted in parallel. Results show statistically significant HRV reductions(SDNN from 138,4±15,2 ms at rest to 39,7±7,1 ms under combined load; RMSSD from 45,6±8,3 to 12,9±3,6 ms), SpO2 drop to 93,4±1,9%(in 15% ≤92%), body temperature increase to 38,6±0,4 °C, and CO elevation to 155,7±23,8 ppm; average alarm latency was 2,5–3,7 s. State classification achieved Accuracy 98.0%, Recall 97,7%, and specificity 98,1%, with a low false-alarm rate(1,9%) and rare missed events(2,3%); an integral functional state index formed using AHP weights for HRV/SpO2/temperature/accelerometry improved predictiveness, and the LSTM provided a 5-7-minute IFS forecast with about 85% accuracy. The discussion notes reduced risks of overexertion, hypoxia, and heat stroke through early trend recognition and supports integrating helmets into EMERCOM’s operational control loop; limitations relate to sample size and simulated conditions, while prospects include miniaturization, extended autonomy, a broader sensor suite, and algorithm personalization.