⚡ electrical engineering

Identity Verification from Human Scent using Learned Representations of Two-Dimensional Gas Chromatography–Mass Spectrometry Data

本研究通过将原始二维气相色谱-质谱数据转化为多通道图像，证明了人类气味身份验证的可行性，在采用多视图表示法的情况下实现了 92.8% 的 AUROC，并强调了该方法在应对跨会话泛化挑战的同时，在非合作场景中的应用潜力。

原作者： Jan Hlavsa, Radim Spetlik, Jana Čechová, Petra Pojmanová, Jiří Matas, Štěpán Urban

发布于 2026-10-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Jan Hlavsa, Radim Spetlik, Jana Čechová, Petra Pojmanová, Jiří Matas, Štěpán Urban

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

每个人都携带独特的化学特征，一种如同指纹般截然不同的气味轮廓，通过汗水和皮肤分泌物散发出来。几十年来，法医学一直依赖于这样一个观点：这些挥发性有机化合物——即漂浮在空气中的无形分子——可以识别个体。虽然受过训练的狗早已展示了这种能力，但科学家们一直难以将这种生物性的“鼻子”转化为可靠的机器。挑战在于数据的极度复杂性；人类的气味并非单一的一种气味，而是由数千种化学化合物组成的混沌混合物，并随着时间、饮食和环境而变化。为了捕捉这些信息，研究人员使用了一种强大的实验室工具，称为气相色谱-质谱联用技术（GC-MS），它能分离这些化学物质并称量它们，从而创建一个详细的化学图谱。然而，将这些庞大且杂乱的数据转化为可用的身份验证手段一直很困难，通常需要专家手动挑选特定的化学物质，这种缓慢且易出错的过程限制了可测试的人数。

来自捷克共和国的一个研究小组现在采取了一种不同的方法，他们不再将这种化学分析的原始输出视为需要人工解码的成分清单，而是将其视为一张计算机可以学习识别的复杂图像。他们组建了一个庞大的全新气味数据集，涵盖了252个不同个体，收集了超过2500个样本，总量约为7.5太字节（TB）。他们没有试图识别每一种化学化合物，而是直接将原始数据输入到旨在寻找模式的人工智能系统中，就像计算机学习如何识别照片中的人脸一样。其目标是观察机器是否可以在不需要人类化学家解释其观察对象的情况下，区分一个人的气味与另一个人的气味。

结果表明，这种方法是有效的，尽管尚未达到完美。通过在这些原始化学图谱上训练系统，研究人员构建了一个原型验证系统，在设定严格标准（即允许仅有5%的错误率）的情况下，能够正确识别一个人气味的成功率约为53%。这意味着，如果系统被要求非常谨慎，以极少误判无辜者的概率运行，它仍然能捕捉到大约一半的真实匹配。虽然这低于虹膜扫描等既定方法的近乎完美的准确度，但它证明了原始气味数据确实可以作为一种生物识别特征。研究发现，最好的结果来自于一种定制设计的计算机网络，该网络在处理数据时，不会试图将化学信号强行纳入一个僵化、预定义的对齐框架中，这表明人工智能可以处理化学物质呈现时的自然变化。

研究的一个关键部分是测试这些气味特征是否具有随时间变化的稳定性。在现实应用中，一个人可能在某一天进行登记，而在另一天进行检查，且用于测量气味的设备每次的表现也可能略有不同。研究人员发现，即使是在机器从未见过的日子里进行测试，该系统仍能验证身份，尽管当登记和测试来自不同日期时，准确度会显著下降。这表明，虽然核心身份信号依然存在，但当天的特定条件——例如实验室的温度或机器的状态——引入了一定程度的噪声，系统必须学会忽略这些噪声。该研究明确排除了人工化学鉴定的必要性，表明计算机可以直接从原始数据中学习必要的模式，从而绕过了此前限制该领域的缓慢且依赖专家的步骤。

为了进一步提升性能，团队引入了一种观察数据的新方式，将化学图谱分解为突出显示气味结构不同方面的三个不同视图。随后，他们使用一种特定的数学目标来训练系统，旨在让每个人的气味样本紧密聚集在一起，同时将其他人的样本推向远方。这种更详细的数据视角与更智能的训练方法的结合，在相同的严格错误限制下，将成功率提升到了约62%，而区分不同人的总能力达到了近93%。研究人员指出，这种进步不仅仅是一个微小的调整，而是系统学习如何组织信息的结果，证明了正确的训练方法与数据本身同样重要。

尽管取得了这些进展，作者也明确指出了目前的局限性。该系统尚未准备好取代面部或指纹扫描器，且需要一个受控的实验室环境来采集样本，目前每人大约需要两小时半的机器运行时间。研究还强调，系统的表现可能会受到生物性别的影响，因为男性和女性的气味轮廓不同，未来的工作需要确保系统无论性别都能识别个体。此外，这些气味特征在数月或数年内的长期稳定性仍是未知数。研究人员已将其整个数据集和系统代码公开，邀请其他科学家在此基础上进行研究。他们的工作证明了人类气味是一种可行的生物识别特征，可以通过机器进行验证，为未来在无法进行直接物理接触或视觉视线接触的情况下应用该技术打开了大门。

技术摘要：基于学习型 2D GC–MS 数据表征的人类气味身份验证

问题陈述
本文探讨了利用体味进行人类身份验证的可行性。这是一种被动运作的生物识别模态，不需要直接的视线接触或受试者的主动配合。与已有的生物识别技术（如人脸、虹膜）不同，基于气味的验证在历史上一直受到数据集规模小、依赖专家驱动的化合物鉴定以及缺乏可重复性等问题的限制。作者旨在确定现代表征学习是否可以利用来自二维气相色谱-飞行时间质谱（GC×GC–ToF-MS）的原始高维输出，在无需人工化学特征提取的情况下实现身份验证。本文解决的一个特定挑战是“会话泛化”（session generalization）问题：即当查询数据的采集会话（日期/环境）与注册数据不同时，如何进行身份验证，并考虑到仪器漂移和环境因素的影响。

方法论
作者提出了一个框架，将原始 GC×GC–ToF-MS 测量值视为多通道图像，而非依赖于孤立的峰值识别。

数据表征：
- 通道表征： 每个空间坐标 $(t_1, t_2)$ 处的原始质谱通过一组可学习的高斯核被压缩为多通道图像。这一过程将变长的质谱转化为固定大小的通道表征。
- 多视图表征： 一种能够保留互补信息的创新方法，通过创建同一测量的三个不同视图来实现：
  - $X_{ms}$ ：质谱扫描序列（分组扫描）。
  - $X_{rt}$ ：第一维保留场。
  - $X_{cube}$ ：联合二维保留场。
    这些视图由独立的卷积分支进行处理，并融合为一个嵌入向量。
特征提取与对齐：
- 研究评估了十种特征嵌入方法，包括手工设计的描述符（HOG、LBP、SIFT）、以化合物为中心的化学基准，以及各种卷积神经网络（CNN）（包括 ResNet、VGG、Inception、GoogLeNet 和一种自定义的轻量级 CNN）。
- 空间对齐： 作者比较了五种策略，包括“规范帧配准”（将化合物对齐到参考保留时间）和“非对齐”方法（直接处理原始数据）。令人惊讶的是，最好的结果是在没有空间对齐的情况下取得的。
训练目标：
- 三元组损失（Triplet Loss）： 会议版本中使用的基准度量学习方法。
- 余弦-Softmax（Cosine-Softmax）： 一种开集分类目标，将验证视为具有可学习原型的分类问题，并通过温度参数 ( $\kappa$ ) 对余弦相似度进行缩放。
- 成对二分类（Pairwise Binary Classification）： 直接对成对相似性（真匹配 vs 冒充）进行二分类，用以独立于固定距离度量来比较表征的有效性。
数据集：
- 人类气味数据集（HSD） 包含来自 252 个唯一身份（129 名男性，123 名女性）的 2,528 个原始样本。
- 数据使用两台仪器采集：高分辨率（HR）Pegasus® BT 4D 和低分辨率（LR）Pegasus® 4D-C。
- 总数据量约为 7.5 TB。

核心贡献

新范式： 提出将原始 GC×GC–ToF-MS 输出视为多通道图像，消除了对专家驱动的化合物鉴定的需求。
大规模开放数据集： 引入了 HSD，这是目前公开可用的最大的用于人类气味生物识别的数据集（252 个身份，约 7.5 TB），解决了该领域数据匮乏的问题。
系统性评估： 系统地评估了 10 种特征嵌入方法和 5 种空间对齐策略。
会话泛化分析： 对“会话内”与“会话外”泛化进行了严格分析，明确量化了当注册和查询会话不同时产生的性能损失。
改进的架构： 证明了结合余弦-Softmax 目标的多视图表征显著优于基准通道表征。

结果

基准性能： 最优的基于通道的方法（自定义 CNN，5 通道，无配准）在全数据集上实现了 89.5% AUROC 和 53.3% TPR@5%FPR。值得注意的是，在没有空间对齐的情况下性能更高，这表明学习到的嵌入可以容忍保留时间漂移。
会话泛化：
- 对于训练中不存在的会话（会话外），验证仍然可行。
- 然而，存在“熟悉度交叉”（cross-familiarity）惩罚：当注册和查询来自不同的会话熟悉度机制（例如，会话内 vs 会话外）时，全数据集上的 AUROC 下降了约 9 个百分点（从 85.5% 降至 76.3%）。
- “会话外 vs 会话外”机制显示出较高的 AUROC（90.6%），但作者指出，这部分归因于许多样本对共享了同一个未见的会话，而非真正的跨会话匹配。
改进后的框架：
- 多视图表征结合余弦-Softmax 目标取得了最佳结果：92.8% AUROC 和 62.2% TPR@5%FPR。
- 消融实验表明，虽然多视图表征在所有目标函数下都能一致地提高全局排序（AUROC），但在严格低假阳性区间（TPR@5%FPR）的显著增益是特定于余弦-Softmax 目标的。
- 成对二分类证实，无论使用何种训练目标，多视图表征都能提高全局排序，但严格操作点的性能取决于目标函数。

意义与主张
本文声称展示了使用现代深度学习技术进行原始气味身份验证的可行性。作者明确指出，虽然其性能（62.2% TPR@5%FPR）目前仍低于虹膜或人脸识别等成熟的生物识别技术，但结果证明，在视觉或物理接触受限的场景下，气味特征包含足够的判别信息来进行身份验证。

研究强调了以下几点：

原始数据的充分性： 专家级的化学解释并非严格必要；学习型表征可以直接从原始色谱图中提取身份信号。
会话变异性： 采集会话的变异性是误差的主要来源，未来的工作必须解决针对此偏移的鲁棒性问题（例如，通过会话不变性训练）。
表征与目标函数： 输入表征（多视图）和训练目标（余弦-Softmax）都至关重要；多视图方法捕捉了互补的线索，而余弦-Softmax 目标则确保了在严格操作点下的紧密聚类。

作者总结认为，当使用现代特征嵌入技术进行处理时，气味特征可以作为一种生物识别特征，但他们同时也强调，仍有巨大的提升空间，特别是在处理会话漂移以及达到与传统生物识别技术相当的性能方面。

技术摘要：基于学习型 2D GC–MS 数据表征的人类气味身份验证

类似论文