Un nouveau modèle d’écouteurs vérifie les utilisateurs grâce à leur rythme cardiaque, simplifiant ainsi l’authentification.
Exemple de scénario d’application pour AccLock. Source : arXiv (2026). DOI : 10.48550/arxiv.2605.11901
L’utilisation des données biométriques dans les appareils personnels est devenue populaire auprès des consommateurs pour le suivi de paramètres tels que la fréquence cardiaque et les phases du sommeil, mais elle se généralise également à des fins d’identification. Ces données peuvent servir à l’authentification de sécurité des appareils, au contrôle d’accès sécurisé et à la vérification d’identité pour les transactions financières, ce qui peut simplifier les activités quotidiennes comme les achats, l’utilisation d’appareils ou l’accès à son domicile, tout en renforçant la sécurité.
Ces technologies ont été intégrées à de nombreux types d’appareils, notamment les écouteurs. Cependant, les systèmes d’authentification existants pour écouteurs nécessitent souvent une interaction de l’utilisateur ou l’activation du haut-parleur, ce qui les rend moins pratiques, ou sont sensibles aux interférences, ce qui réduit leur fiabilité. D’autres systèmes requièrent des composants coûteux.
Une équipe de chercheurs semble avoir résolu ces problèmes grâce à une nouvelle méthode compatible avec des écouteurs standard. Leur article, récemment publié sur le serveur de prépublication arXiv , décrit le premier système d’authentification passive qui exploite les vibrations induites par les battements cardiaques pour vérifier l’identité de l’utilisateur.
Authentification passive utilisant une technologie d’écouteurs standard
Alors que les modèles précédents utilisaient des microphones intra-auriculaires pour capter les sons cardiaques, le nouveau modèle utilise des accéléromètres intra-auriculaires, composants courants de nombreux écouteurs standard, contrairement aux microphones. Il a été démontré que ces accéléromètres captent efficacement les mouvements subtils de l’oreille induits par les battements du cœur.
Les vibrations sont transmises par les os et les tissus jusqu’au conduit auditif, créant des signaux de ballistocardiographie (BCG). Ces signaux sont uniques à chaque individu, formant des profils spécifiques permettant l’identification. Le dispositif peut ainsi bloquer les nouveaux utilisateurs présentant des signaux BCG différents afin de contrer les tentatives d’usurpation d’identité.
La ballistocardiographie est une technique permettant de produire une représentation graphique des mouvements répétitifs du corps humain résultant de l’éjection soudaine de sang dans les gros vaisseaux à chaque battement de cœur .
Point important, la conception ne requiert aucune action supplémentaire de l’utilisateur après l’installation. L’équipe de recherche nomme cette nouvelle technologie « Acclock ».
« AccLock présente plusieurs avantages par rapport aux solutions précédentes : il ne requiert aucune intervention de l’utilisateur ni de l’appareil, exploite l’accéléromètre omniprésent déjà présent dans les écouteurs modernes et reste insensible aux interférences acoustiques environnementales. Nous nous concentrons sur l’authentification continue comme principal cas d’utilisation, dans lequel l’écouteur capte passivement les signaux BCG intra-auriculaires lorsqu’il est porté au quotidien. Cette fonctionnalité prend naturellement en charge des applications en aval telles que l’accès sans obstacle, où le résultat de l’authentification est transmis via Bluetooth ou Wi-Fi à un système de contrôle d’accès, permettant ainsi un accès fluide », explique l’équipe.
Débruitage et extraction de caractéristiques améliorés
La nouvelle technologie nécessitait de réduire non seulement le bruit de fond capté par l’accéléromètre, mais aussi certaines vibrations inhérentes au rythme cardiaque. Si certaines de ces vibrations sont spécifiques à chaque individu, d’autres sont communes à tous les battements de cœur humains. Or, à des fins d’authentification, l’appareil devait se concentrer uniquement sur les caractéristiques distinctives et éliminer tout le reste.
Pour ce faire, l’équipe a utilisé un processus de débruitage en deux étapes pour supprimer le bruit du mouvement et de l’environnement, puis a employé un modèle d’apprentissage profond, appelé HIDNet, pour séparer les caractéristiques spécifiques à l’utilisateur des modèles communs.
L’équipe a également dû trouver un moyen d’apprendre au modèle à distinguer l’utilisateur principal d’un « attaquant » (une autre personne utilisant les écouteurs). Cela implique généralement que le modèle apprenne à différencier les échantillons authentiques de ceux de l’attaquant pour un utilisateur donné ; il faudrait donc des échantillons de battements cardiaques pour l’attaquant.
Mais cette méthode aurait engendré un surcoût en temps et en ressources de calcul. L’équipe a donc opté pour un réseau siamois, permettant une authentification indépendante de l’utilisateur et évitant un réentraînement pour chaque nouvel utilisateur. Ce réseau se contente de rejeter les signaux des utilisateurs ne correspondant pas à ceux de l’utilisateur enregistré.
Au lieu d’entraîner un classificateur distinct pour chaque utilisateur, le modèle siamois apprend un espace d’intégration de caractéristiques où les échantillons provenant d’un même individu sont rapprochés, tandis que ceux provenant d’individus différents sont éloignés les uns des autres dans l’espace euclidien.
Lors de l’inscription, le système enregistre les signaux BCG de l’utilisateur, extrait les représentations de caractéristiques correspondantes et calcule un seuil de décision personnalisé. Au moment de l’authentification, un nouveau BCG est enregistré, ses caractéristiques sont extraites et comparées au modèle enregistré. Si la distance euclidienne est inférieure à un seuil prédéfini, l’authentification réussit ; sinon, elle échoue.
Lors de tests réalisés auprès de personnes réelles, le système a démontré une grande précision. Les tests, menés auprès de 33 participants et utilisant 150 échantillons d’entraînement de 4 secondes chacun, ont révélé un taux de fausse acceptation (FAR) moyen de seulement 3,13 % et un taux de faux rejet (FRR) de 2,99 %. Les chercheurs indiquent que le FAR et le FRR diminuent progressivement avec l’augmentation de la taille des échantillons et de la durée des segments, mais se stabilisent pour des valeurs plus élevées.
Améliorations futures et faisabilité commerciale
La conception présente encore quelques problèmes à résoudre. Lors de tests où les utilisateurs se déplaçaient beaucoup, les taux d’erreur ont fortement augmenté. La marche a entraîné un taux de fausse acceptation (FAR) de 13,86 % et un taux de fausse acceptation (FRR) de 14,10 %. Les mouvements comme parler et hocher la tête ont généré des taux d’erreur compris entre 7 % et 10 %. L’équipe indique que la dégradation due à la parole pourrait être atténuée en intégrant des modèles de parole représentatifs lors de l’enregistrement.
Ils ont également constaté que certains utilisateurs présentent des taux d’erreur plus élevés en raison de différences anatomiques ou d’usage, que le port des écouteurs sous certains angles peut affecter la précision et que les extrasystoles cardiaques rendent la vérification d’identité plus difficile. Cependant, les taux d’erreur sont restés constamment faibles pour les maladies cardiaques courantes, notamment la bradycardie, la tachycardie et la maladie coronarienne.
Des tests ont également été menés à des fréquences d’échantillonnage de 100 Hz, 75 Hz, 50 Hz et 25 Hz. L’équipe a constaté une augmentation du taux d’erreur aux basses fréquences, mais précise qu’à 25 Hz, AccLock atteint un taux de fausse acceptation (FAR) moyen de 5,97 % et un taux de fausse annulation (FRR) moyen de 5,51 %, ce qui reste acceptable pour une utilisation quotidienne.
L’équipe a testé son prototype avec des AirPods d’Apple, dont la fréquence d’échantillonnage est bien inférieure. Pour ce faire, elle a mis en œuvre une stratégie d’entraînement spécifique afin d’adapter AccLock au système AirPods. Les résultats affichent un taux de fausse acceptation (FAR) moyen de 7,54 % et un taux de fausse annulation (FRR) moyen de 7,1 %. L’équipe affirme que cela démontre qu’AccLock peut être adapté avec succès aux AirPods malgré la faible fréquence d’échantillonnage et les contraintes matérielles.
« Ces résultats démontrent clairement qu’AccLock n’est pas limité à notre plateforme prototype et peut être déployé sur des écouteurs commerciaux. Nous pensons qu’une collecte de données à plus grande échelle sur les AirPods et un réentraînement complet selon la même stratégie qu’AccLock permettront d’améliorer encore les performances de déploiement dans de futurs travaux », écrivent les auteurs de l’étude.
Ce concept nécessite encore des tests approfondis avant d’être intégré aux écouteurs grand public. Les améliorations futures incluent une réduction du bruit plus performante pour une meilleure efficacité lors de mouvements brusques, un accès facilité aux données des capteurs fournies par les fabricants et une robustesse accrue pour les utilisateurs confrontés à des variations de qualité du signal.
https://techxplore.com/news/2026-05-earphone-users-heartbeat-authentication.html