在消费级可穿戴设备中实现可靠的应力检测：利用特征门控双网络（Feature-Gated DualNet）和生成恢复技术（Generative Restoration）实现抗干扰学习

《IEEE Transactions on Consumer Electronics》：Trustworthy Stress Detection in Consumer Wearables: Poisoning-Resilient Learning with Feature-Gated DualNet and Generative Restoration

　　

摘要：

可穿戴设备越来越多地被用于持续的压力监测，然而它们在面对恶意数据操纵时的可靠性仍然没有得到充分研究。本文首次系统地探讨了在消费级压力检测中训练时受到攻击的情况，即攻击者在模型训练过程中干扰或注入恶意样本。我们将压力识别视为一个基于短时多模态生理数据的事务级分类问题，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）在受到攻击时性能严重下降，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）这种双分支神经架构，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数据并重建压力类别分布来发挥作用，从而在模型重新训练前提高识别准确率。综合这些技术，即使在严重的数据污染情况下，也能使识别准确率提高20-25个百分点，同时保持各生理指标（如皮肤电活动和呼吸）的可解释性。我们的研究结果表明，抗攻击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攻击性评估提供了可复现的方法。