Unsere Studie befasst sich mit der automatisierten Vorhersage von Herzinsuffizienz (CHF) durch die Analyse von Elektrokardiogramm-Signalen (ECG). Ein neuer Ansatz des maschinellen Lernens, die regularisierte Hessenberg-Zerlegungsbasierte Extreme Learning Machine (R-HessELM), sowie Merkmalsmodelle wie quadratische, kreisförmige, schräg und gitterförmige Entropiemaßnahmen wurden vorgestellt und zur Vorhersage von CHF eingesetzt. Diese Studie zeigte, dass schräg angeordnete Entropiemaßnahmen die Eigenschaften von EKG-Signalen gut darstellen und in Kombination mit dem R-HessELM-Ansatz eine Gesamtgenauigkeit von 98,49 % erreicht wurde.