論文の概要: Who's Wearing? Ear Canal Biometric Key Extraction for User Authentication on Wireless Earbuds

• arxiv url: http://arxiv.org/abs/2510.02563v1
• Date: Thu, 02 Oct 2025 20:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.174467
• Title: Who's Wearing? Ear Canal Biometric Key Extraction for User Authentication on Wireless Earbuds
• Title（参考訳）: 無線イヤホンのユーザ認証のための耳道バイオメトリックキー抽出
• Authors: Chenpei Huang, Lingfeng Yao, Hui Zhong, Kyu In Lee, Lan Zhang, Xiaoyong Yuan, Tomoaki Ohtsuki, Miao Pan,
• Abstract要約: Ear canal scan/Sensing (ECS) は、無線イヤホンと組み合わせたモバイル機器の生体認証手法として登場した。 資源制約型イヤホンにおける耳道キー抽出プロトコルである textbfEarID を提案する。 評価の結果,EarIDの認証精度は98.7%であり,機械学習の分類器に匹敵することがわかった。
• 参考スコア（独自算出の注目度）: 23.001093937473797
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ear canal scanning/sensing (ECS) has emerged as a novel biometric authentication method for mobile devices paired with wireless earbuds. Existing studies have demonstrated the uniqueness of ear canals by training and testing machine learning classifiers on ECS data. However, implementing practical ECS-based authentication requires preventing raw biometric data leakage and designing computationally efficient protocols suitable for resource-constrained earbuds. To address these challenges, we propose an ear canal key extraction protocol, \textbf{EarID}. Without relying on classifiers, EarID extracts unique binary keys directly on the earbuds during authentication. These keys further allow the use of privacy-preserving fuzzy commitment scheme that verifies the wearer's key on mobile devices. Our evaluation results demonstrate that EarID achieves a 98.7\% authentication accuracy, comparable to machine learning classifiers. The mobile enrollment time (160~ms) and earbuds processing time (226~ms) are negligible in terms of wearer's experience. Moreover, our approach is robust and attack-resistant, maintaining a false acceptance rate below 1\% across all adversarial scenarios. We believe the proposed EarID offers a practical and secure solution for next-generation wireless earbuds.
• Abstract（参考訳）: Ear canal scan/Sensing (ECS) は、無線イヤホンと組み合わせたモバイル機器の生体認証手法として登場した。 既存の研究では、ECSデータ上で機械学習分類器を訓練し、テストすることで、耳道の特異性を実証している。 しかし、実用的なECSベースの認証を実装するには、生の生体データ漏洩を防止し、リソース制約のあるイヤホンに適した計算効率の良いプロトコルを設計する必要がある。 これらの課題に対処するため,耳道キー抽出プロトコルであるtextbf{EarID}を提案する。 分類器に頼ることなく、EarIDは認証中にイヤーバッドに直接ユニークなバイナリキーを抽出する。 これらのキーは、モバイルデバイス上の着用者の鍵を検証するプライバシー保護ファジィコミットメントスキームの使用をさらに可能にします。 評価の結果,EarIDは98.7 %の認証精度を達成し,機械学習の分類器に匹敵する精度を示した。 携帯登録時間(160〜ms)とイヤホン処理時間(226〜ms)は着用者の経験から無視できる。 さらに,我々のアプローチは堅牢で攻撃に強いため,全てのシナリオにおいて,偽の受け入れ率を1倍以下に維持する。 提案するEarIDは、次世代ワイヤレスイヤホンに実用的でセキュアなソリューションを提供すると考えている。

関連論文リスト

• EdgeEar: Efficient and Accurate Ear Recognition for Edge Devices [0.6200919793965987]
  耳認識(Ear recognition)は、様々な領域にまたがる、接触のない、邪魔にならない生体計測技術である。 本稿では,この問題を解決するために,ハイブリッドCNN変換器アーキテクチャに基づく軽量モデルであるEdgeEarを紹介する。 特定の線形層に低ランク近似を組み込むことで、EdgeEarはパラメータ数を現在の最先端技術と比較して50倍に削減し、競合精度を維持しながら200万以下になる。
  論文  参考訳（メタデータ） (2025-02-11T17:53:33Z)
• EarCapAuth: Biometric Method for Earables Using Capacitive Sensing Eartips [5.958529344837165]
  EarCapAuthは、48個の静電容量電極を2つの耳栓の軟質シリコンイヤーチップに埋め込んだ認証機構である。 識別のために、EarCapAuthは89.95%を達成している。 将来的には、EarCapAuthは高解像度の脳センサー電極チップに統合される可能性がある。
  論文  参考訳（メタデータ） (2024-11-07T12:35:02Z)
• SCR-Auth: Secure Call Receiver Authentication on Smartphones Using Outer Ear Echoes [14.78387043362623]
  スマートフォンのセキュアなコールレシーバ認証方式であるSCR-Authを提案する。 イヤーピーススピーカーを通して難聴の音響信号を送信し、コールレシーバーの外耳構造を積極的に感知する。 その結果、平均平衡精度96.95%、潜在的攻撃に対するレジリエンスが示された。
  論文  参考訳（メタデータ） (2024-04-23T13:03:09Z)
• Open-set Adversarial Defense with Clean-Adversarial Mutual Learning [93.25058425356694]
  本稿では, オープンセット認識システムは, 対向サンプルに対して脆弱であることを示す。 これらの観測により,我々はオープンセット・ディフェンス(OSAD)機構の必要性を強調した。 本稿では,OSAD問題に対する解決策として,OSDN-CAML(Create-Adversarial Mutual Learning)を用いたオープンセット防衛ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-12T02:13:55Z)
• Transfer learning using deep neural networks for Ear Presentation Attack Detection: New Database for PAD [0.0]
  PAD(PAD)データベースは公開されていない。 我々は、事前訓練されたディープニューラルネットワークを用いたPAD手法を提案し、WUT-Ear V1.0(Wawaw University of Technology Ear for Presentation Detection)と呼ばれる新しいデータセットをリリースする。 私たちは134人の被験者から8500以上の本物の耳画像と8500以上の偽の耳画像を取得しました。
  論文  参考訳（メタデータ） (2021-12-09T22:34:26Z)
• Project Achoo: A Practical Model and Application for COVID-19 Detection from Recordings of Breath, Voice, and Cough [55.45063681652457]
  コンシューマー端末で録音した音声を用いて、新型コロナウイルスを迅速にトリアージする機械学習手法を提案する。 この手法は,信号処理手法と微調整深層学習ネットワークを組み合わせることで,信号の識別,コークス検出,分類を行う手法を提供する。 我々はまた、症状チェッカーと音声、息、うず信号を使って新型コロナウイルスの感染を検知するモバイルアプリケーションを開発し、展開した。
  論文  参考訳（メタデータ） (2021-07-12T08:07:56Z)
• Spotting adversarial samples for speaker verification by neural vocoders [102.1486475058963]
  我々は、自動話者検証(ASV)のための敵対サンプルを見つけるために、ニューラルボコーダを採用する。 元の音声と再合成音声のASVスコアの違いは、真正と逆正のサンプルの識別に良い指標であることがわかった。 私たちのコードは、将来的な比較作業のためにオープンソースにされます。
  論文  参考訳（メタデータ） (2021-07-01T08:58:16Z)
• Speech Enhancement for Wake-Up-Word detection in Voice Assistants [60.103753056973815]
  キースポッティング、特にWake-Up-Word(WUW)検出は音声アシスタントにとって非常に重要なタスクである。 本稿では,WUW検出に適応した音声強調モデルを提案する。 これらのノイズの存在下で、認識率を高め、誤報を減らすことを目的としている。
  論文  参考訳（メタデータ） (2021-01-29T18:44:05Z)
• Open-set Adversarial Defense [93.25058425356694]
  オープンセット認識システムは敵攻撃に対して脆弱であることを示す。 本研究の目的は,OSAD(Open-Set Adrial Defense, Open-Set Adrial Defense)機構の必要性である。 本稿はOSAD問題に対する解決策として,OSDN(Open-Set Defense Network)を提案する。
  論文  参考訳（メタデータ） (2020-09-02T04:35:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。