Identity Verification from Human Scent using Learned Representations of Two-Dimensional Gas Chromatography–Mass Spectrometry Data
Diese Studie demonstriert die Machbarkeit der Verifizierung der menschlichen Duftidentität durch die Transformation von zweidimensionalen Gaschromatographie-Massenspektrometrie-Rohdaten in Multi-Channel-Bilder, wobei mit einer Multi-View-Repräsentation eine AUROC von 92,8 % erreicht wird, während gleichzeitig das Potenzial der Methode für nicht-kooperative Szenarien trotz Herausforderungen bei der Cross-Session-Generalisierung hervorgehoben wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jeder Mensch trägt eine einzigartige chemische Signatur, ein Duftprofil, das so markant wie ein Fingerabdruck ist und durch Schweiß und Hautsekrete abgegeben wird. Jahrzehntelang hat sich die Forensik auf die Vorstellung verlassen, dass diese flüchtigen organischen Verbindungen – die unsichtbaren Moleküle, die in die Luft driften – ein Individuum identifizieren können. Während ausgebildete Hunde diese Fähigkeit schon lange unter Beweis gestellt haben, haben Wissenschaftler darum gerungen, diese biologische Nase in eine zuverlässige Maschine zu übertragen. Die Herausforderung liegt in der schieren Komplexität der Daten; ein menschlicher Duft ist nicht ein einzelner Geruch, sondern eine chaotische Mischung aus tausenden chemischen Verbindungen, die sich mit der Zeit, der Ernährung und der Umgebung verändern. Um dies zu erfassen, verwenden Forscher ein leistungsstarkes Labormessgerät namens Gaschromatographie-Massenspektrometrie, welches diese Chemikalien trennt und deren Gewicht bestimmt, um eine detaillierte chemische Karte zu erstellen. Es war jedoch schwierig, diese massiven, ungeordneten Daten in eine nutzbare Identitätsprüfung zu verwandeln, da dies oft Experten erforderte, die spezifische Chemikalien manuell herauspicken mussten – ein langsamer und fehleranfälliger Prozess, der die Anzahl der testbaren Personen einschränkt.
Ein Forschungsteam aus der Tschechischen Republik hat nun einen anderen Ansatz gewählt, indem es den Rohertrag dieser chemischen Analyse nicht als eine Liste von Inhaltsstoffen behandelte, die von Hand dechiffriert werden muss, sondern als ein komplexes Bild, das ein Computer erlernen kann. Sie stellten eine massive neue Sammlung von Duftdaten von 252 verschiedenen Personen zusammen und sammelten über 2.500 Proben, die etwa 7,5 Terabyte an Informationen ausmachen. Anstatt zu versuchen, jede einzelne chemische Verbindung zu identifizieren, speisten sie die Rohdaten direkt in Systeme der künstlichen Intelligenz ein, die darauf ausgelegt sind, Muster zu finden, ganz ähnlich wie Computer lernen, Gesichter auf Fotografien zu erkennen. Das Ziel war es zu sehen, ob eine Maschine lernen kann, den Duft einer Person von der eines anderen zu unterscheiden, ohne dass ein menschlicher Chemiker erklären muss, wonach sie suchen soll.
Die Ergebnisse zeigen, dass diese Methode funktioniert, wenn auch noch nicht perfekt. Durch das Training ihrer Systeme mit diesen Rohdaten chemischer Karten bauten die Forscher einen Prototyp eines Verifizierungssystems, das den Duft einer Person etwa 53 % der Zeit korrekt identifizieren konnte, wenn es auf einen strengen Standard eingestellt war, bei dem es nur eine Fehlerrate von 5 % zugestanden wurde. Das bedeutet, dass das System, wenn man ihm sagt, sehr vorsichtig zu sein und selten eine unschuldige Person fälschlich zu beschuldigen, immer noch etwa die Hälfte der echten Übereinstimmungen erkennt. Obwohl dies niedriger ist als die nahezu perfekte Genauigkeit etablierter Methoden wie des Iris-Scannings, beweist es, dass rohe Geruchdaten tatsächlich als biometrischer Identifikator dienen können. Die Studie fand heraus, dass die besten Ergebnisse durch ein maßgeschneidertes Computernetzwerk erzielt wurden, das die Daten verarbeitete, ohne zu versuchen, die chemischen Signale in eine starre, vordefinierte Ausrichtung zu zwingen, was darauf hindeutet, dass die KI die natürlichen Variationen in der Erscheinung der Chemikalien in der Maschine bewältigen kann.
Ein kritischer Teil der Forschung bestand darin, zu testen, ob diese Duftsignaturen über die Zeit und über verschiedene Tage hinweg Bestand haben. In der realen Anwendung könnte eine Person an einem Tag registriert und an einem anderen kontrolliert werden, und die zur Messung des Duftes verwendete Ausrüstung könnte sich jedes Mal leicht anders verhalten. Die Forscher fanden heraus, dass das System Identitäten auch dann noch verifizieren konnte, wenn der Test an einem Tag durchgeführt wurde, den die Maschine zuvor noch nie gesehen hatte, obwohl die Genauigkeit signifikant sank, wenn die Registrierung und der Test an unterschiedlichen Tagen stattfanden. Dies deutet darauf hin, dass das Kernsignal der Identität zwar bestehen bleibt, die spezifischen Bedingungen des jeweiligen Tages – wie etwa die Temperatur im Labor oder der Zustand der Maschine – ein Maß an Rauschen einführen, das das System ignorieren muss. Die Studie schloss die Notwendigkeit einer manuellen chemischen Identifizierung explizit aus und zeigte, dass der Computer in der Lage ist, die notwendigen Muster direkt aus den Rohdaten zu erlernen, wodurch die langsamen, expertengetriebenen Schritte umgangen wurden, die das Feld zuvor begrenzt hatten.
Um die Leistung weiter zu steigen, führten die Forscher eine neue Art der Betrachtung der Daten ein, indem sie die chemische Karte in drei verschiedene Ansichten aufteilten, die unterschiedliche Aspekte der Duftstruktur hervorhoben. Sie trainierten das System dann mit einem spezifischen mathematischen Ziel, das darauf abzielte, die Proben einer einzelnen Person eng zusammenzugruppieren und die Proben anderer Personen weit von ihnen entfernt zu positionieren. Diese Kombination aus einer detaillierteren Sicht auf die Daten und einer intelligenteren Trainingsmethode steigerte die Erfolgsquote auf etwa 62 % bei demselben strengen Fehlerrand, wobei die Gesamtfähigkeit, zwischen Menschen zu unterscheiden, fast 93 % erreichte. Die Forscher merkten an, dass diese Verbesserung keine bloße kleine Anpassung war, sondern das Ergebnis der Art und Weise, wie das System die Informationen organisierte, was beweist, dass die richtige Trainingsmethode genauso wichtig ist wie die Daten selbst.
Trotz dieser Fortschritte sind die Autoren sich der aktuellen Einschränkungen bewusst. Das System ist noch nicht bereit, Gesicht- oder Fingerabdruckscanner zu ersetzen, und es erfordert eine kontrollierte Laborumgebung, um die Proben zu sammeln, was derzeit etwa zweieinhalb Stunden Maschinenzeit pro Person in Anspruch nimmt. Die Studie hob auch hervor, dass die Leistung des Systems durch das biologische Geschlecht beeinflusst werden könnte, da Männer und Frauen unterschiedliche Duftprofile aufweisen, und dass zukünftige Arbeiten sicherstellen müssen, dass das System Individuen unabhängig vom Geschlecht identifiziert. Des Weiteren bleibt die langfristige Stabilität dieser Duftsignaturen über Monate oder Jahre hinweg unbekannt. Die Forscher haben ihren gesamten Datensatz und den Code für ihr System öffentlich zugänglich gemacht und laden andere Wissenschaftler dazu ein, auf diesem Fundament aufzubauen. Ihre Arbeit zeigt, dass der menschliche Duft ein lebensfähiges biometrisches Merkmal ist, das von Maschinen verifiziert werden kann, was die Tür für zukünftige Anwendungen öffnet, bei denen kein direkter physischer Kontakt oder eine visuelle Sichtlinie möglich ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.