論文の概要: A-Live: Passive Liveness Detection via Neuromuscular Micro-Motion Signatures on Commodity Sensors

• arxiv url: http://arxiv.org/abs/2606.05126v1
• Date: Wed, 03 Jun 2026 17:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.930964
• Title: A-Live: Passive Liveness Detection via Neuromuscular Micro-Motion Signatures on Commodity Sensors
• Title（参考訳）: A-Live:コモディティセンサを用いた神経筋微小運動信号による受動性肝臓検出
• Authors: Mohammed Gharib, Sam Burns, Martin Zizi,
• Abstract要約: Inertial Measurement Unit (IMU)信号のみで動作する受動生度検出フレームワークであるA-Liveについて述べる。 A-Liveの精度は99.5%を超え、誤認率や拒絶率も低い。 以上の結果から,神経筋マイクロモーションシグネチャは,新たなAI駆動型脅威モデルの下での生存度検出のスケーラブルで受動的基盤を提供することが示された。
• 参考スコア（独自算出の注目度）: 0.3568466510804538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Liveness detection has evolved from a safeguard against presentation and replay attacks in biometric authentication to a broader requirement for distinguishing human users from non-human agents in modern digital systems. The emergence of generative and agentic AI further amplifies this need, positioning liveness as a fundamental security primitive. Existing approaches face key limitations, including reliance on explicit user interaction, specialized hardware, vulnerability to increasingly realistic spoofing, and limited scalability in real-world deployments. We present A-Live, a passive liveness detection framework that operates solely on inertial measurement unit (IMU) signals available in commodity devices. A-Live is based on the observation that neuromuscular micro-motions inherent to human motor control produce subtle but measurable signatures in inertial data, which are often treated as noise in prior work. We design a lightweight feature extraction pipeline and a compact classifier suitable for real-time on-device deployment, and introduce a controllable physical micro-motion platform to evaluate robustness against engineered non-human motion. Extensive evaluation across Android and iOS devices, including both automated and real-user settings, shows that A-Live achieves over 99.5\% accuracy with low false acceptance and rejection rates. Our results demonstrate that neuromuscular micro-motion signatures provide a scalable and passive foundation for liveness detection under emerging AI-driven threat models.
• Abstract（参考訳）: 生活検知は、バイオメトリック認証における攻撃の提示と再生に対する保護から、現代のデジタルシステムにおいて、人間のユーザーと非人間エージェントを区別するための幅広い要件へと進化してきた。 生成的およびエージェント的AIの出現により、このニーズはさらに増幅され、生命は基本的なセキュリティプリミティブとして位置づけられる。 既存のアプローチでは、明示的なユーザインタラクションへの依存、特別なハードウェア、現実的なスプーフィングへの脆弱性、現実世界のデプロイメントにおけるスケーラビリティの制限など、重要な制限に直面しています。 Inertial Measurement Unit (IMU)信号のみで動作する受動生度検出フレームワークであるA-Liveについて述べる。 A-Liveは、人間の運動制御に固有の神経筋マイクロモーションが慣性データにおいて微妙だが測定可能なシグネチャを生み出すという観察に基づいている。 我々は,デバイス上でのリアルタイム展開に適した軽量な特徴抽出パイプラインとコンパクトな分類器を設計し,工学的でない動作に対するロバスト性を評価するための制御可能な物理マイクロモーションプラットフォームを導入する。 自動設定と実ユーザ設定の両方を含む、AndroidとiOSデバイスにわたる広範囲な評価は、A-Liveが偽の受け入れ率と拒絶率を低くして99.5\%以上の精度を達成していることを示している。 以上の結果から,神経筋マイクロモーションシグネチャは,新たなAI駆動型脅威モデルの下での生存度検出のスケーラブルで受動的基盤を提供することが示された。

関連論文リスト

• Interpretable Multimodal Gesture Recognition for Drone and Mobile Robot Teleoperation via Log-Likelihood Ratio Fusion [14.332919759770645]
  視覚に基づくジェスチャー認識はハンズフリー遠隔操作の一手法として検討されている。 両手首にApple Watchの慣性データとカスタム手袋の容量感覚信号を統合するマルチモーダルジェスチャー認識フレームワークを提案する。 我々のフレームワークは、最先端のビジョンベースのベースラインに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-02-27T05:52:04Z)
• Single-Pixel Vision-Language Model for Intrinsic Privacy-Preserving Behavioral Intelligence [55.512671026669516]
  安全な環境モニタリングを再現する新しいフレームワークSP-VLM(Single-Pixel Vision-Language Model)を提案する。 それは本質的に低次元の1ピクセルのモダリティを通して人間のダイナミクスを捉えることによって、固有のプライバシ・バイ・デザインを実現する。 いずれにせよ,SP-VLMは意味ある行動意味を抽出し,ロバストな異常検出,数え方,行動理解を可能にしている。
  論文  参考訳（メタデータ） (2026-01-21T09:11:26Z)
• OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows [77.95511352806261]
  VLM(Vision-Language Models)を利用したコンピュータ利用エージェントは、モバイルプラットフォームのようなデジタル環境を操作する上で、人間のような能力を実証している。 我々は,明示的なシステムレベルの違反を検出するための形式検証器と,文脈的リスクとエージェント行動を評価するコンテキスト判断器を組み合わせた,新しいハイブリッド安全検出フレームワークOS-Sentinelを提案する。
  論文  参考訳（メタデータ） (2025-10-28T13:22:39Z)
• Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
  ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。 本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:02:14Z)
• MOTION: ML-Assisted On-Device Low-Latency Motion Recognition [5.0385144315892925]
  WeBe Bandは、強力なMCUを備えたマルチセンサーウェアラブルデバイスで、ジェスチャ認識を完全にデバイス上で効果的に行う。 ニューラルネットワークは、正確性、レイテンシ、メモリ使用の最良のバランスを提供します。 以上の結果から,WeBe Bandではリアルタイムなジェスチャー認識が可能であり,リアルタイムな医療モニタリングソリューションの可能性も大きいことが示唆された。
  論文  参考訳（メタデータ） (2025-10-14T01:15:47Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• Deep Learning for Motion Classification in Ankle Exoskeletons Using Surface EMG and IMU Signals [0.8388591755871735]
  足関節外骨格は、移動性を高め、転倒リスクを減らす可能性に対してかなりの関心を集めている。 本稿では、3つの慣性計測ユニット(IMU)と8つの表面筋電図センサ(sEMG)を統合する新しい動き予測フレームワークを提案する。 その結果、畳み込みニューラルネットワーク(CNN)は5つの動作タスクのデータセット上でLSTM(Long Short-Term Memory)ネットワークをわずかに上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T10:51:40Z)
• MDPose: Human Skeletal Motion Reconstruction Using WiFi Micro-Doppler Signatures [4.92674421365689]
  WiFiマイクロドップラーシグネチャに基づくヒト骨格運動再建のための新しいフレームワークであるMDPoseを提案する。 17個のキーポイントを持つ骨格モデルを再構築することで、人間の活動を追跡する効果的なソリューションを提供する。 MDPoseは最先端のRFベースのポーズ推定システムより優れている。
  論文  参考訳（メタデータ） (2022-01-11T21:46:28Z)

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。