Andersonの視点

歯の研ぎ音による生体認証

mm
Unite.AI を Google の優先ソースに追加

米国と中国から最近2つの研究論文が発表され、歯を基盤とした新しい認証方法が提案されています。歯を少し研ぐか、歯を噛むだけで、耳に装着するデバイス(「earable」)が独自の音パターンを認識し、適切な認証システムに有効な生体認証「パス」を生成します。

2つのシステムのための耳に装着するプロトタイプデバイス。出典: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf (ToothSonic) と https://cis.temple.edu/~yu/research/TeethPass-Info22.pdf (TeethPass)

2つのシステムのための耳に装着するプロトタイプデバイス。 出典: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf (ToothSonic) と https://cis.temple.edu/~yu/research/TeethPass-Info22.pdf (TeethPass)

これまでの歯の認証方法(生体認証ではなく、法医学的識別の場合を除く)は、ユーザーが歯を見せる必要がありました。2021年の夏、インドの研究グループは「DeepTeeth」と呼ばれるシステムを発表しました。DeepTeeth

新しい提案システム、ToothSonicTeethPassは、それぞれ米国のフロリダ州立大学とラトガース大学の共同研究と、中国の北京理工大学、清華大学、北京工業大学の研究者とフィラデルフィアのテンプル大学のコンピューターおよび情報科学部の共同研究から生まれました。

ToothSonic

完全に米国ベースのToothSonicシステムは、論文 Ear Wearable (Earable) User Authentication via Acoustic Toothprintで提案されています。

ToothSonicの著者は次のように述べています:

‘ToothSonicは、ユーザーが歯のジェスチャーを行うことで生じる音響的な歯の特徴を利用して、earable認証を行います。特に、有効な音波を生み出す代表的な歯のジェスチャーを設計しています。 ‘

‘信頼性の高い音響歯の特徴を捉えるために、耳管の遮蔽効果とearableの向かい側のマイクを利用しています。次に、認証のための固有の歯の特徴情報を反映するために、多レベルの音響特徴を抽出しています。’

耳に装着するデバイスに登録される独自の音パターンを形成する要因。出典: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf

耳に装着するデバイスに登録される独自の音パターンを形成する要因。 出典: https://arxiv.org/ftp/arxiv/papers/2204/2204.07199.pdf

研究者は、歯や頭蓋の特徴的なパターンを利用することの利点を指摘しています。たとえば、歯の特徴を模倣または偽造することは非常に困難です。なぜなら、歯の特徴は頭蓋の独自の構造を通過して録音されるからです。

さらに、歯の特徴を利用することで、ユーザーがカメラの前で歯を見せる必要がなくなります。また、車の運転などの重要な活動中にユーザーが気を散らす必要もなくなります。

この方法は、運動障害を持つ人にも適しています。デバイスは、音楽を聞いたり電話をかけたりするための一般的な耳budに組み込むことができます。したがって、専用の認証デバイスやモバイルアプリケーションの必要性がなくなります。

さらに、写真から歯の形状を復元することや、歯の形状を完全に再現することは、耳budの内部構造を完全に隠すことができるため、非常に困難です。

TeethPassの論文から、耳管の遮蔽効果によって、たやすく再現または模倣することができないことを示しています。

TeethPassの論文から、耳管の遮蔽効果によって、たやすく再現または模倣することができないことを示しています。

攻撃ベクトルとしては、データベースへのアクセスを得て、ユーザーの録音された音パターンを攻撃者のものと交換することのみが残ります(物理的な強制やユーザーの強制を除く)。

ToothSonicのワークフロー。

ToothSonicのワークフロー

しかし、中国を主導するプロジェクトでは、攻撃者が自分の口の中で録音した音を再生することは、成功する可能性は非常に低いと結論付けています(以下参照)。

ユニークな笑顔

ToothSonicの論文では、ユーザーの歯の特徴的な特性、たとえば、オーバーバイト、エナメルの密度や共鳴、抜歯された歯からの音の情報、ポーセリンや金属の代替物の特性、カスプモルフォロジーなどについて説明しています。

著者は次のように述べています:

‘歯の特徴によって生じる音波は、ユーザーのプライベートな歯-耳チャンネルを通じて捉えられます。したがって、システムは、ユーザーのプライベートな歯-耳チャンネルによって保護される音波に対して、先進的な模倣や再生攻撃に対して耐性があります。 ‘

アゴの動きには限られた範囲の可動性があるため、著者は10種類の可能な操作を記録できるバイオメトリック印刷物として示しています。

これらの動きの中には、他の動きよりも難しいものがありますが、難しい動きは、簡単な動きよりも再現または模倣することが容易ではないということにはなりません。

対応する歯の動きのマクロレベルの特徴は、ガウシアンミクスチャーモデル(GMM)を使用して抽出されます。メル周波数ケプストル係数(MFCCs)は、可能な動きごとに取得されます。

ToothSonicシステムでのMFCC抽出のための同じサブジェクトの6つの異なるスライディングジェスチャー。

ToothSonicシステムでのMFCC抽出のための同じサブジェクトの6つの異なるスライディングジェスチャー。

結果として得られる独自のバイオメトリック署名音波は、特定の人間の体の振動に対して非常に脆弱です。したがって、ToothSonicは20-8000Hzのフィルタバンドを課します。

音波のセグメンテーションは、HMMを使用して実行され、ドイツからの2つの先行研究に従っています。

認証モデルでは、導出された特徴は、完全に接続されたニューラルネットワークにフィードされ、さまざまな層を通過して、ReLUを介して活性化されます。最後の完全に接続された層では、ソフトマックス関数を使用して、認証シナリオの結果と予測ラベルを生成します。

トレーニングデータベースは、25人の参加者(10人の女性、15人の男性)に、実世界の環境で汚染された耳budを着用してもらい、通常の活動を行うことで取得されました。プロトタイプの耳bud(上の最初の画像を参照)は、数ドルでオフザシェルフの消費者向けハードウェアで作成され、1つのマイクロフォンチップを特徴としています。研究者は、商業的な実装の場合、デバイスの製造コストは非常に低くなるだろうと主張しています。

学習モデルには、MATLABでトレーニングされたニューラルネットワーククラスファイアが含まれていました。学習率は0.01で、LBFGSが損失関数として使用されました。認証の評価方法には、FRR、FAR、BACが使用されました。

全体的なToothSonicのパフォーマンスは非常に良好でした。内部の口のジェスチャーの難易度によって異なります。

結果は、3つのレベルの口のジェスチャーの難易度で取得されました:快適やや快適でない困難。ユーザーが好んだジェスチャーの一つは95%の精度率を達成しました。

制限として、ユーザーは、歯の変化が時間の経過とともに起こる可能性があるため、歯の認証を再度行う必要がある可能性があることを認めています。さらに、エナメルの品質は時間の経過とともに劣化したり変化したりする可能性があり、研究者は、特に高齢者に対して、定期的にプロファイルを更新することを提案しています。

著者は、 ToothSonicと同様に、認証中に音楽や会話を一時停止する必要があることを認めています。また、現在利用可能な多くの耳budには、システムをサポートするために必要な計算能力がないことも認めています。

しかし、彼らは次のように述べています:

‘幸いなことに、最近のApple H1チップのAirPods ProとQualcomm (QCOM ) のQCS400のリリースは、オーディオベースのオンデバイスAIをサポートできることを意味します。ToothSonicをearableに実装することが近い将来に実現できることを示唆しています。 ‘

しかし、論文では、この追加の処理がバッテリーの寿命に影響を与える可能性があることも認めています。

TeethPass

論文 TeethPass:歯の接触に基づくユーザー認証を通じたインイヤーアコースティックセンシングで発表された、中国を主導するプロジェクトは、ToothSonicと同様の原理に基づいています。歯の研ぎ音が耳管を通過して、独自の音パターンを生み出すことを利用しています。

空気のノイズ除去は、データ収集段階で行われ、ノイズ削減と適切な周波数フィルタが適用されます。

TeethPassのシステムアーキテクチャ。

TeethPassのシステムアーキテクチャ。

最終的に抽出されたMFCC特徴は、シアンセンネットワークをトレーニングするために使用されます。

TeethPassのためのシアンセンネットワークの構造。

TeethPassのためのシアンセンネットワークの構造。

システムの評価メトリックには、FRR、FAR、混同行列が使用されました。ToothSonicと同様に、システムは3つのタイプの可能な攻撃に対して堅牢であることがわかりました:模倣、再生、ハイブリッド攻撃。研究者は、攻撃者が小さなスピーカーを使用して、ユーザーの歯の動きの音を攻撃者の口の中で再生することを試みました。20cm以下の距離では、このハイブリッド攻撃方法は1%以上の成功率を達成します。

他のシナリオでは、標的の内側の頭蓋構造を模倣することは非常に困難であるため、標準的なバイオメトリック認証フレームワークの中で、最も起こりそうにないリスクの1つです。

広範な実験で、TeethPassは平均認証精度98.6%を達成し、98.9%のスプーフィング攻撃に耐えることができました。

 

* 著者のインライン引用をハイパーリンクに変換しました

2022年4月18日に初めて公開され、2022年4月19日8:30 EETにキャプションのパッケージの誤った帰属を修正するために更新されました。

機械学習のライターであり、ヒューマンイメージシンセシスのドメインスペシャリスト。Metaphysic.aiの研究コンテンツ責任者を務めていたが、DNEGのBrahma.aiへの統合により解散した。
Portfolio site: martinanderson.ai
Contact:martin@martinanderson.ai