个人设备中使用生物识别数据已被广泛接受，常见用途包括监测心率和睡眠阶段。与此同时，将生物识别用于身份验证也愈发普遍，例如用于设备解锁、门禁控制以及金融交易认证，从而在购物、使用电子设备或进入住所等日常活动中兼顾便利性与安全性。

这类技术已经被集成进多种终端设备，包括耳机。但现有基于耳机的认证方案往往存在不足：有的需要用户主动操作或依赖耳机发声，使用体验不够自然；有的容易受到环境噪声干扰，可靠性有限；还有一些方案需要昂贵的硬件组件，难以大规模应用。

一支研究团队提出了一种可在标准耳机上实现的新方法，有望解决上述问题。他们在 arXiv 预印本平台发表论文，介绍了首个通过捕捉心跳引起的振动来验证用户身份的被动认证系统。

基于标准耳机加速度计的被动认证

以往的设计多依赖耳内麦克风来采集心音信号，而这项新方案则转而使用耳机中常见的耳内加速度计。与耳内麦克风不同，加速度计已经是许多主流耳机的标准配置。研究表明，这些加速度计能够有效捕捉由心跳引发的耳道微小运动。

心跳产生的振动通过骨骼和软组织传导至耳道，形成体动心电图（BCG）信号。这类信号在不同个体之间存在差异，能够形成用户特有的模式，用于身份识别。当检测到与注册用户不一致的 BCG 信号时，设备即可阻止访问，从而防范伪装或欺骗攻击。

关键在于，该系统在完成初始设置后无需用户额外配合，认证过程完全被动。研究团队将这项技术命名为“AccLock”。

团队在论文中写道：“与以往方案相比，AccLock 的优势在于：不需要用户或设备的显式参与，依托现代耳机中普遍存在的加速度计，并且对环境声学噪声具有较强鲁棒性。我们将连续认证视为主要应用场景，耳机在日常佩戴过程中被动采集耳内 BCG 信号。这一能力自然支持无感通行等后续应用，认证结果可通过蓝牙或 Wi‑Fi 发送至访问控制系统，实现无摩擦访问。”

去噪与特征提取的改进

要让这项技术可用，首先需要有效处理加速度计采集到的噪声信号。一方面要抑制运动和环境带来的干扰，另一方面还要从心跳振动中剥离出对身份识别无用的共性成分。部分振动特征在个体间高度相似，而另一些则具有明显个体差异。认证系统必须聚焦于这些独特特征，过滤掉其他信息。

为此，研究团队设计了两阶段去噪流程，先去除运动和环境噪声，再利用名为 HIDNet 的深度学习模型，将用户特定特征与普遍模式分离开来。

此外，模型还需要学会区分“主用户”和“攻击者”（即其他佩戴耳机的人）。传统做法通常需要收集攻击者的心跳样本，让模型学习区分目标用户与其他人，但这在数据采集和计算成本上都较为昂贵。

团队最终采用了 Siamese 网络结构，实现“用户无关”的认证方式，无需针对每位新用户重新训练模型。该网络的任务是排除与注册用户信号不匹配的样本，而不是为每个用户单独训练分类器。

在这种设计下，Siamese 模型学习的是一个特征嵌入空间：同一用户的样本在欧氏空间中彼此接近，不同用户的样本则相对远离。

在用户注册阶段，系统会记录该用户的 BCG 信号，提取相应的特征表示，并据此计算个性化的决策阈值。认证时，系统采集新的 BCG 信号，提取特征后与注册模板进行比较。如果两者的欧氏距离低于预设阈值，则判定认证通过，否则认证失败。

在真实用户测试中，该系统表现出较高的准确度。33 名参与者使用 150 个训练样本（每个样本时长 4 秒）进行测试，平均误接受率（FAR）为 3.13%，误拒绝率（FRR）为 2.99%。研究人员指出，随着样本数量和时长的增加，FAR 和 FRR 会进一步下降，但在较高样本规模下会趋于稳定。

性能瓶颈与商业化前景

尽管结果乐观，这一设计仍存在需要改进的方面。用户大幅度运动时，错误率明显上升：在行走场景下，FAR 达到 13.86%，FRR 为 14.10%。说话、摇头等动作也会带来 7% 至 10% 不等的错误率。团队认为，在注册阶段加入具有代表性的说话模式，有望缓解说话导致的性能下降。

研究还发现，部分用户由于耳部解剖结构差异或佩戴方式不同，错误率相对较高；耳机佩戴角度也会影响识别准确性；而早搏等心律特征则会增加身份验证的难度。不过，对于常见心脏疾病患者（包括心动过缓、心动过速和冠心病），系统的错误率整体仍保持在较低水平。

团队进一步评估了不同采样率下的表现，包括 100 Hz、75 Hz、50 Hz 和 25 Hz。随着采样率降低，错误率有所上升，但在 25 Hz 条件下，AccLock 仍实现了平均 FAR 5.97%、平均 FRR 5.51% 的成绩，被认为足以满足日常使用需求。

研究人员还在苹果 AirPods 上测试了该方案。由于 AirPods 的采样率更低，他们采用了专门的训练策略对 AccLock 进行适配。最终结果显示，在 AirPods 上平均 FAR 为 7.54%，平均 FRR 为 7.1%。团队认为，这表明即便在采样率较低、硬件受限的商业耳机上，AccLock 依然可以成功部署。

论文作者写道：“这些结果直接表明，AccLock 并不局限于我们的原型平台，而是能够在商业耳机上实现实际部署。我们相信，未来如果能基于更大规模的 AirPods 数据进行采集，并按照 AccLock 相同的训练策略进行全面再训练，其部署性能还有望进一步提升。”

总体来看，该设计在进入普通消费级耳机市场前仍需更多测试和优化。未来的改进方向包括：采用更先进的去噪技术以提升剧烈运动场景下的表现；由设备厂商提供更高质量的传感器数据访问接口；以及增强系统对信号质量波动用户的鲁棒性。

© 2026 Science X Network