準確區分生理序列隨機性與混沌性，且不受序列長度與參數的影響是衡量復雜度算法的關鍵。本文提出了一種編碼式Lempel-Ziv（LZ）算法，分別從序列隨機性與混沌性的區分、長度的影響、動力學性質突變的敏感性、高斯白與粉紅噪聲復雜度測量等4個方面與經典LZ算法、多狀態LZ算法、樣本熵以及排列熵進行比較。結果顯示，在短、中、長時（100、500、5 000點）下，編碼式LZ算法均能準確區分隨機與混沌性，正確測度高斯噪聲的復雜度低于粉紅噪聲，并能準確響應序列動力學性質的改變。本文采用美國麻省理工學院（MIT）和波士頓貝斯以色列醫院（BIH）聯合建立的的MIT-BIH心電數據庫中的充血性心力衰竭RR間期（CHF-RR）數據和正常竇性心律RR間期（NSR-RR）數據進行測試，實驗結果顯示，在各種時長下，編碼式LZ復雜度算法均能準確地得出心力衰竭的復雜度低于竇性心律（P＜0.01）的結果，且不受長度與參數影響，具有較強的泛化能力。
陣發性心房顫動（PAF）的風險預測是生物醫學工程領域的難題。本研究綜合了機器學習特征工程和深度學習端到端建模的優勢，提出了基于多模態特征融合的PAF風險預測方法。同時，本研究使用了四種不同的特征排序方法和Pearson相關性分析來確定最優的多模態特征集合，并使用隨機森林進行PAF的風險判斷。本研究的方法在公開數據中達到了（92.3 ± 2.1）%的準確率和（91.6 ± 2.9）%的F1分數。在臨床數據中達到了（91.4 ± 2.0）%的準確率和（90.8 ± 2.4）%的F1分數。提出的方法實現了多中心數據集的泛化并具有良好的臨床應用前景。