Un grupo de científicos ha desarrollado unos auriculares capaces de autenticar a sus usuarios a partir de los latidos del corazón. Este sistema pasivo emplea componentes habituales y busca simplificar la identificación en tareas cotidianas como acceder a dispositivos, controlar accesos o validar transacciones.
En ensayos con personas reales, el sistema denominado AccLock obtuvo una tasa media de falsa aceptación (cuando el sistema admite a un usuario no autorizado) de 3,13% y una tasa de falso rechazo (cuando rechaza al usuario legítimo) de 2,99%. Las pruebas incluyeron a 33 participantes y 150 muestras de entrenamiento de 4 segundos cada una. Los investigadores señalaron que ambos indicadores disminuyen de forma sostenida al aumentar el tamaño de la muestra y la duración de los segmentos, aunque la mejora se estabiliza a partir de ciertos valores.
La propuesta, publicada en el servidor de prepublicaciones científicas arXiv, busca superar limitaciones de otros métodos de autenticación basados en auriculares, que suelen requerir interacción activa del usuario, emisión de voz, mayor exposición al ruido o componentes costosos. En este diseño, se emplean acelerómetros intraauriculares, presentes en muchos auriculares convencionales, en lugar de micrófonos internos utilizados en desarrollos previos.
Estos acelerómetros captan pequeños movimientos en el oído generados por el latido corporal. Las vibraciones viajan por huesos y tejidos hasta el canal auditivo y producen señales de balistocardiografía (BCG), que varían entre personas y permiten construir patrones de identificación.
¿Cómo funciona AccLock?
Los investigadores explicaron que el uso principal previsto es la autenticación continua. En ese escenario, el auricular capta de forma pasiva señales BCG dentro del oído mientras se usa en situaciones diarias, y el resultado se transmite por Bluetooth o Wi-Fi a un sistema de control de acceso para habilitar una entrada sin pasos adicionales.
Para que el método funcione, el equipo tuvo que eliminar tanto el ruido de movimiento y ambiente como parte de las vibraciones cardíacas comunes a todas las personas. El objetivo era aislar solo las características distintivas de cada usuario y descartar los patrones compartidos.
Con ese fin, los autores aplicaron un proceso de eliminación de ruido en dos etapas y luego usaron un modelo de aprendizaje profundo llamado HIDNet para separar rasgos específicos del usuario de las señales comunes. También recurrieron a una red siamesa (un modelo de aprendizaje automático que aprende a comparar señales en lugar de clasificarlas) para que la autenticación no dependiera de reentrenar el sistema para cada nuevo usuario.
Ese modelo aprende un espacio en el que las muestras de una misma persona quedan más cerca entre sí y las de individuos distintos más lejos en términos de distancia euclidiana. Durante el registro, el sistema graba las señales BCG del usuario, extrae sus representaciones y calcula un umbral personalizado; en la autenticación, compara una nueva señal con la plantilla registrada y acepta o rechaza según esa distancia.
Errores, limitaciones y frecuencias de muestreo
Las principales dificultades aparecieron cuando los usuarios se movían mucho: al caminar la tasa de falsa aceptación subió a 13,86% y la de falso rechazo a 14,10%, mientras que acciones como hablar o sacudir la cabeza generaron errores de entre 7% y 10%.
Los investigadores indicaron que el deterioro causado por el habla podría mitigarse si durante el registro se incorporan patrones representativos de conversación. También observaron que algunos usuarios muestran errores más altos por diferencias anatómicas o de uso, que ciertos ángulos al llevar puestos los auriculares afectan la precisión y que los latidos prematuros dificultan la verificación de identidad.
El estudio añadió que las tasas de error se mantuvieron en niveles bajos en usuarios con enfermedades cardíacas frecuentes como bradicardia, taquicardia y enfermedad coronaria. Además, el equipo evaluó frecuencias de muestreo de 100 Hz, 75 Hz, 50 Hz y 25 Hz, y comprobó que la reducción de esa frecuencia incrementa los errores.
Aun así, a 25 Hz, AccLock mantuvo una tasa media de falsa aceptación de 5,97% y una tasa media de falso rechazo de 5,51%, valores que los autores consideraron aceptables para un uso diario práctico. Esa parte del trabajo apunta a la viabilidad de la tecnología incluso con equipos menos exigentes.
AccLock en auriculares comerciales y próximos pasos
El equipo también probó el diseño con una de las marcas líder, que operan con una frecuencia de muestreo mucho más baja, y aplicó una estrategia de entrenamiento específica para adaptar el sistema. El resultado fue una tasa media de falsa aceptación de 7,54% y una de falso rechazo de 7,10%.
Los autores afirmaron:
“Estos resultados aportan una prueba directa de que AccLock no está restringido a nuestra plataforma prototipo y puede desplegarse en auriculares comerciales en la práctica”.
Antes de llegar a auriculares de uso masivo, el sistema todavía necesita más pruebas. Entre las mejoras previstas figuran métodos de eliminación de ruido más avanzados para mantener el desempeño durante movimientos intensos, un mejor acceso a los datos de sensores por parte de los fabricantes y una mayor robustez para usuarios con calidad de señal variable.
Fuente: Infobae