脉搏的产生来自于心脏的搏动,心脏的收缩舒张使血液通过动脉血管流动到达身体的各个组织器官和身体末梢。因此脉搏信号不仅反应了心脏的工作状态,也包含了身体内部各脏器的生理状况信息,这导致脉搏信号是一个包含众多不确定性因素的复杂信号。本文将复杂性测度引入脉搏信号预处理,特征提取和分类识别中,工作如下:针对脉搏信号非线性且成分复杂的特点和样本熵对信号分量幅值变化不敏感的局限性,提出一种新的基于信息熵的复杂性测度方法——加权样本熵（Weighted Sample Entropy,WSE）,该算法不仅可以检测出系统的变化,而且对信号分量的振幅变化比其他方法更敏感。将加权排列熵（Weighted Permutation Entropy,WPE）与变分模态分解（Variational Mode Decomposition,VMD）相结合的方法应用于脉搏信号滤波。该算法通过获取本征模态分量（Intrinsic Mode Function,IMF）中心频率最大方差所对应的分解模态数和二次惩罚项对脉搏信号进行变分模态分解,通过筛选IMF的WPE排除主观选择参数带来的人为误差,实现了对信号的重构,去除了基线漂移和高频噪声。将复杂性测度引入脉搏信号特征提取中,提出将样本熵、加权样本熵、排列熵、加权排列熵作为脉搏信号的特征。在麻省理工学院提供的脉搏信号情感数据样本和自建的脉搏情感样本中,对比了加权样本熵、样本熵、排列熵和加权排列熵对不同情感的脉搏信号的区分能力。实验结果显示,本文提出的加权样本熵算法相对于另外三种熵算法,可以有效区分不同情感状态下的脉搏信号。