一种无需参考文献的立体图像质量评估框架，该框架利用小波技术和场景成分的清晰度特征来进行评估

《IEEE Transactions on Consumer Electronics》：A Reference-Free Framework for Stereoscopic Image Quality Evaluation Using Wavelet and Sharpness Features of Scene Components

　　

摘要：

可穿戴设备越来越多地被用于持续的压力监测，然而在面对恶意数据操纵时的可靠性仍然缺乏研究。本文首次系统地探讨了在消费级压力检测中训练时受到干扰的问题，即攻击者在模型训练过程中插入恶意样本。我们将压力识别视为一个基于短时多模态生理数据的交易级分类问题，并明确考虑了类别不平衡、噪声和数据污染等因素。在两个广泛使用的基准测试（WESAD和DEAP）中，我们发现传统的机器学习模型（逻辑回归、SVM、随机森林）在受到干扰时性能严重下降，Macro-F1分数最多下降30%，在40%的数据污染情况下压力识别准确率降至0.50以下。为了解决这个问题，我们提出了Feature-Gated DualNet（FG-DualNet）这一双分支神经网络架构，它结合了自适应特征选择和保持上下文信息的表示学习方法。此外，我们还提出了一种生成式恢复防御机制，利用异常值过滤和基于CTGAN的合成技术来重建被污染的少数类数据。这种主动防御机制在训练过程中通过识别异常交易并在模型重新训练前重建压力类别分布来发挥作用。这些技术共同使得在严重数据污染情况下，压力识别准确率提高了20-25个百分点，同时保持了各生理信号（如皮肤电活动和呼吸）的可解释性。我们的研究结果表明，抗干扰能力和生理数据的可解释性是设计可靠、具备压力感知功能的消费电子产品的关键目标，并为未来可穿戴传感系统的抗干扰能力评估提供了一个可复现的方法。