Identity Verification from Human Scent using Learned Representations of Two-Dimensional Gas Chromatography–Mass Spectrometry Data
Cette étude démontre la faisabilité de la vérification de l'identité par l'odeur humaine en transformant les données brutes de chromatographie en phase gazeuse couplée à la spectrométrie de masse bidimensionnelle en images multicanaux, atteignant une AUROC de 92,8 % avec une représentation multi-vues tout en soulignant le potentiel de la méthode pour les scénarios non coopératifs malgré les défis de la généralisation inter-sessions.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque personne porte une signature chimique unique, un profil olfactif aussi distinct qu'une empreinte digitale, émis à travers la sueur et les sécrétions cutanées. Pendant des décennies, la science forensique s'est appuyée sur l'idée que ces composés organiques volatils, ces molécules invisibles qui dérivent dans l'air, peuvent identifier un individu. Si des chiens entraînés ont longtemps démontré cette capacité, les scientifiques ont eu du mal à traduire ce nez biologique en une machine fiable. Le défi réside dans la complexité extrême des données ; une odeur humaine n'est pas une odeur unique, mais un mélange chaotique de milliers de composés chimiques, changeant et évoluant avec le temps, le régime alimentaire et l'environnement. Pour capturer cela, les chercheurs utilisent un puissant outil de laboratoire appelé chromatographie en phase gazeuse couplée à la spectrométrie de masse, qui sépare ces produits chimiques et les pèse pour créer une carte chimique détaillée. Cependant, transformer ces données massives et désordonnées en un contrôle d'identité utilisable a été difficile, nécessitant souvent l'intervention d'experts pour isoler manuellement des produits chimiques spécifiques, un processus lent et sujet aux erreurs qui limite le nombre de personnes pouvant être testées.
Une équipe de chercheurs de la République tchèque a adopté une approche différente, traitant le résultat brut de cette analyse chimique non pas comme une liste d'ingrédients à déchiffrer à la main, mais comme une image complexe qu'un ordinateur peut apprendre à reconnaître. Ils ont assemblé une nouvelle collection massive de données olfactives provenant de 252 individus différents, recueillant plus de 2 500 échantillons totalisant environ 7,5 téraoctets d'informations. Au lieu d'essayer d'identifier chaque composé chimique, ils ont injecté les données brutes directement dans des systèmes d'intelligence artificielle conçus pour trouver des motifs, tout comme les ordinateurs apprennent à reconnaître des visages sur des photographies. L'objectif était de voir si une machine pouvait apprendre à distinguer l'odeur d'une personne de celle d'une autre sans avoir besoin qu'un chimiste humain lui explique ce qu'elle devait chercher.
Les résultats montrent que cette méthode fonctionne, bien qu'elle ne soit pas encore parfaite. En entraînant leurs systèmes sur ces cartes chimiques brutes, les chercheurs ont construit un prototype de système de vérification capable d'identifier correctement l'odeur d'une personne environ 53 % du temps lorsqu'il est soumis à une norme stricte où il n'est autorisé à commettre qu'un taux d'erreur de 5 %. Cela signifie que si le système est programmé pour être très prudent et rarement accuser une personne innocente, il parvient tout de même à détecter environ la moitié des correspondances réelles. Bien que cela soit inférieur à la précision quasi parfaite de méthodes établies comme le scan de l'iris, cela prouve que les données odorantes brutes peuvent effectivement servir d'identifiant biométrique. L'étude a révélé que les meilleurs résultats provenaient d'un réseau informatique conçu sur mesure qui traitait les données sans tenter de forcer les signaux chimiques dans un alignement rigide et prédéfini, suggérant que l'IA pouvait gérer les variations naturelles de l'apparition des produits chimiques dans la machine.
Un aspect critique de la recherche a consisté à tester si ces signatures olfactives tiennent bon dans le temps et selon les jours. Dans une utilisation réelle, une personne peut être enregistrée un jour et contrôlée un autre, et l'équipement utilisé pour mesurer l'odeur peut se comporter légèrement différemment à chaque fois. Les chercheurs ont constaté que le système pouvait toujours vérifier les identités même lorsque le test était effectué un jour que la machine n'avait jamais vu auparavant, bien que la précision chute considérablement lorsque l'enregistrement et le test proviennent de jours différents. Cela indique que, si le signal d'identité central demeure, les conditions spécifiques du jour — telles que la température du laboratoire ou l'état de la machine — introduisent un niveau de bruit que le système doit apprendre à ignorer. L'étude a explicitement écarté la nécessité d'une identification chimique manuelle, montrant que l'ordinateur pouvait apprendre les motifs nécessaires directement à partir des données brutes, contournant ainsi les étapes lentes et dictées par les experts qui limitaient auparavant le domaine.
Pour pousser la performance plus loin, l'équipe a introduit une nouvelle façon de regarder les données, en décomposant la carte chimique en trois vues différentes qui mettaient en évidence différents aspects de la structure de l'odeur. Ils ont ensuite entraîné le système en utilisant un objectif mathématique spécifique conçu pour maintenir les échantillons d'odeur de chaque personne étroitement groupés, tout en éloignant les échantillons des autres personnes. Cette combinaison d'une vue plus détaillée des données et d'une méthode d'entraînement plus intelligente a porté le taux de réussite à environ 62 % avec la même limite d'erreur stricte, avec une capacité globale de distinction entre les personnes atteignant près de 93 %. Les chercheurs ont noté que cette amélioration n'était pas seulement un ajustement mineur, mais le résultat de la manière dont le système apprenait à organiser l'information, prouvant que la bonne méthode d'entraînement est tout aussi importante que les données elles-mêmes.
Malgré ces avancées, les auteurs sont clairs sur les limites actuelles. Le système n'est pas encore prêt à remplacer les scanners de visage ou d'empreintes digitales, et il nécessite un environnement de laboratoire contrôlé pour collecter les échantillons, ce qui prend actuellement environ deux heures et demie de temps machine par personne. L'étude a également souligné que la performance du système pourrait être influencée par le sexe biologique, car les hommes et les femmes ont des profils olfactifs différents, et que les travaux futurs devront s'assurer que le système identifie les individus quel que soit leur genre. De plus, la stabilité à long terme de ces signatures olfactives sur des mois ou des années reste inconnue. Les chercheurs ont rendu l'ensemble de leur jeu de données et le code de leur système publics, invitant d'autres scientifiques à construire sur cette base. Leur travail démontre que l'odeur humaine est un trait biométrique viable, capable d'être vérifié par des machines, ouvrant la voie à de futures applications où le contact physique direct ou la ligne de visée visuelle ne sont pas possibles.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.