众所周知,生物医学信号,如心率变异性(HRV)、心电图(ECG)、脑电图(EEG)和声音,源于复杂的非线性动力系统,心血管,神经,或发音系统。信息从这些信号中提取关于底层系统的状态提供了见解。复杂性措施有助于定量描述非线性生物医学系统和检测的变化动态,可以与生理或病理相关事件。这些措施在生物医学信号与图像可用于广泛的应用领域,为病理检测、决策支持系统、治疗监测,和时间分割,在这项研究中,描述潜在的生物系统。然而,在实践中,许多挑战出现时,这些复杂性措施被应用,如噪声的影响,量化效果,可用数据的长度,或者参数调优。如何应对这些困难和如何获取工具,可以用于临床实践的主题是这个特殊的问题。

这个特殊的问题是不仅关注现有的应用程序复杂性的措施在生物医学信号与图像也开发新的复杂性度量算法。

组合和基于机器学习的策略,自动化在参数设置和应用在模式识别问题是特别鼓励,以及小说的发展和应用的复杂性估计多元、多尺度、多通道数据。

潜在的主题包括但不限于以下:

• 关联维数、相关熵和柯尔莫哥洛夫熵估计
• 近似和样本熵
• 香农,Renyi Tsallis熵
• 排列和色散熵
• 多尺度熵措施
• 多分辨率和光谱的复杂性的措施
• 多元复杂的措施
• 分形和多重分形分析
• Lempel-Ziv复杂性
• 非线性同步措施
• Kullback-Leibler分歧,Jensen-Shannon散度和互信息