Identity Verification from Human Scent using Learned Representations of Two-Dimensional Gas Chromatography–Mass Spectrometry Data
Deze studie demonstreert de haalbaarheid van verificatie van menselijke geuridentiteit door ruwe tweedimensionale gaschromatografie-massaspectrometriegegevens te transformeren naar multi-channel afbeeldingen, waarbij een AUROC van 92,8% wordt bereikt met een multi-view representatie, terwijl het potentieel van de methode voor niet-coöperatieve scenario's wordt benadrukt ondanks uitdagingen in cross-sessie generalisatie.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk mens draagt een unieke chemische handtekening bij zich, een geurprofiel dat even onderscheidend is als een vingerafdruk, uitgebracht via zweet en huiduitscheidingen. Decennialang heeft de forensische wetenschap vertrouwd op het idee dat deze vluchtige organische verbindingen, de onzichtbare moleculen die in de lucht zweven, een individu kunnen identificeren. Hoewel getrainde honden dit vermogen al lang hebben aangetoond, hebben wetenschappers moeite gehad om die biologische neus te vertalen naar een betrouwbare machine. De uitdaging ligt in de enorme complexiteit van de gegevens; een menselijke geur is niet één enkele geur, maar een chaotische mix van duizenden chemische verbindingen die veranderen en verschuiven met de tijd, het dieet en de omgeving. Om dit te vangen, gebruiken onderzoekers een krachtig laboratoriuminstrument genaamd gaschromatografie-massaspectrometrie, dat deze chemicaliën scheidt en weegt om een gedetailleerde chemische kaart te creëren. Het was echter moeilijk om deze enorme, rommelige data om te zetten in een bruikbare identiteitscontrole, wat vaak vereiste dat experts handmatig specifieke chemicaliën selecteerden, een traag en foutgevoelig proces dat beperkt hoe veel mensen getest kunnen worden.
Een team van onderzoekers uit de Tsjechische Republiek heeft nu een andere aanpak gekozen, waarbij ze de ruwe output van deze chemische analyse niet behandelen als een lijst met ingrediënten die handmatig ontcijferd moeten worden, maar als een complexe afbeelding die een computer kan leren herkennen. Ze stelden een enorme nieuwe collectie geurgegevens samen van 252 verschillende individuen, waarbij ze meer dan 2.500 monsters verzamelden die neerkomen op ongeveer 7,5 terabyte aan informatie. In plaats van te proberen elke afzonderlijke chemische verbinding te identificeren, voedden ze de ruwe data rechtstreeks aan kunstmatige intelligentiesystemen die ontworpen zijn om patronen te vinden, vergelijkbaar met hoe computers gezichten in foto's leren herkennen. Het doel was om te zien of een machine de geur van de ene persoon van die van de andere kon onderscheiden zonder dat een menselijke chemicus hoefde uit te leggen waarnaar hij keek.
De resultaten laten zien dat deze methode werkt, hoewel het nog niet perfect is. Door hun systemen te trainen op deze ruwe chemische kaarten, bouwden de onderzoekers een prototype verificatiesysteem dat de geur van een persoon ongeveer 53% van de tijd correct kon identificeren wanneer het werd ingesteld op een strikte standaard waarbij het slechts een foutmarge van 5% mocht maken. Dit betekent dat als het systeem wordt verteld heel voorzichtig te zijn en zelden een onschuldig persoon te beschuldigen, het nog steeds ongeveer de helft van de echte overeenkomsten vangt. Hoewel dit lager is dan de bijna perfecte nauwkeurigheid van gevestigde methoden zoals irisscanning, bewijst het dat ruwe geurdata inderdaad als een biometrische identificator kunnen dienen. De studie toonde aan dat de beste resultaten voortkwamen uit een op maat gemaakt computernetwerk dat de gegevens verwerkte zonder te proberen de chemische signalen in een rigide, vooraf gedefinieerde uitlijning te dwingen, wat suggereert dat de AI de natuurlijke variaties in hoe de chemicalen in de machine verschenen, kan afhandelen.
Een cruciaal onderdeel van het onderzoek was het testen of deze geurhandtekeningen standhouden in de loop van de tijd en over verschillende dagen heen. In de praktijk kan iemand op de ene dag worden geregistreerd en op een andere dag worden gecontroleerd, en het apparaat dat de geur meet kan er elke keer net iets anders uitzien. De onderzoekers ontdekten dat het systeem nog steeds identiteiten kon verifiëren, zelfs wanneer de test werd uitgevoerd op een dag dat de machine nog nooit eerder had gezien, hoewel de nauwkeurigheid aanzienlijk daalde wanneer de registratie en de test van verschillende dagen kwamen. Dit geeft aan dat hoewel het kernidentiteitssignaal aanwezig blijft, de specifieke omstandigheden van de dag — zoals de temperatuur in het laboratorium of de staat van de machine — een niveau van ruis introduceren dat het systeem moet leren negeren. De studie sloot expliciet de noodzaak van handmatige chemische identificatie uit, waarmee werd aangetoond dat de computer de noodzakelijke patronen rechtstreeks uit de ruwe data kan leren, waardoor de trage, door experts gestuurde stappen die het veld voorheen beperkten, worden omzeild.
Om de prestaties verder te verbeteren, introduceerde het team een nieuwe manier om naar de data te kijken, waarbij de chemische kaart werd opgedeeld in drie verschillende weergaven die verschillende aspecten van de structuur van de geur benadrukten. Vervolgens trainden ze het systeem met een specifiek wiskundig doel dat erop gericht was om de geurmonsters van elk persoon nauw bij elkaar te houden, terwijl de monsters van andere mensen ver weg duwde. Deze combinatie van een gedetailleerder beeld van de data en een slimmere trainingsmethode bracht het succespercentage naar ongeveer 62% bij dezelfde strikte foutmarge, met een algeheel vermogen om tussen mensen te onderscheiden dat bijna 93% bereikte. De onderzoekers merkten op dat deze verbetering niet slechts een kleine aanpassing was, maar het resultaat van hoe het systeem de informatie organiseerde, wat bewees dat de juiste trainingsmethode net zo belangrijk is als de data zelf.
Ondanks deze vooruitgang zijn de auteurs duidelijk over de huidige beperkingen. Het systeem is nog niet klaar om gezichts- of vingerafdrukscanners te vervangen, en het vereist een gecontroleerde laboratoriumomgeving om de monsters te verzamelen, wat momenteel ongeveer tweeënhalf uur machinetijd per persoon in beslag neemt. De studie benadrukte ook dat de prestaties van het systeem beïnvloed kunnen worden door het biologisch geslacht, aangezien mannen en vrouwen verschillende geurprofielen hebben, en toekomstig werk zal moeten waarborgen dat het systeem individuen ongeacht geslacht identificeert. Bovendien blijft de langetermijnstabiliteit van deze geurhandtekeningen over maanden of jaren onbekend. De onderzoekers hebben hun volledige dataset en de code voor hun systeem publiekelijk beschikbaar gesteld, in een uitnodiging aan andere wetenschappers om op dit fundament voort te bouenen. Hun werk demonstreert dat menselijke geur een levensvatbare biometrische eigenschap is, die door machines kan worden geverifieerd, wat de deur opent voor toekomstige toepassingen waarbij direct fysiek contact of visueel zichtveld niet mogelijk is.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.