Hoe een onzichtbare hartslag het verschil maakt bij het ontmaskeren van nepvideo’s
rotterdam, dinsdag, 25 november 2025.
Stel je voor dat een video van een bekende persoon beweert dat hij iets heeft gezegd wat hij nooit heeft gezegd. De oplossing zit verstopt in iets wat je niet ziet: een onzichtbare hartslag. Nederlandse forensische onderzoekers gebruiken nu een slimme techniek die subtiele kleurveranderingen in het gezicht analyseert – veroorzaakt door elke hartslag – om te bepalen of een video echt is of een AI-gegenereerde deepfake. Het meest verbluffende: deze bewegingen zijn te snel en te fijn voor het blote oog, maar worden door software perfect gedetecteerd. Het is een cruciale stap in de strijd tegen manipulatieve media, waarbij zelfs de meest realistische nepvideo’s kunnen worden getoetst aan een onmiskenbaar lichaamskenmerk: het leven zelf.
Het onzichtbare bewijs: hoe een hartslag de waarheid blootlegt
In een wereld waarin beelden vaker worden vertrouwd dan woorden, vormt de aanwezigheid van een natuurlijke hartslag een onmisbaar bewijs van authenticiteit. Nederlandse forensische onderzoekers van het Nederlands Forensisch Instituut (NFI) ontwikkelen een AI-gebaseerde methode die subtiele kleurveranderingen in het gezicht analyseert, veroorzaakt door elke hartslag. Deze bewegingen zijn zo fijn en snel dat ze onzichtbaar zijn voor het blote oog, maar worden door software perfect gedetecteerd. Het proces maakt gebruik van het groene kanaal in RGB-beelden, omdat groen licht sterk wordt geabsorbeerd door bloed vlak onder de huid, wat bij elke hartslag een meetbare verandering veroorzaakt [1]. Deze techniek is cruciaal in strafrechtelijke onderzoeken, waarbij nepvideo’s worden gebruikt voor identiteitsfraude, pornografisch misbruik en manipulatie van bewijsmateriaal [1].
Van test tot toepassing: hoe het model werkt in de praktijk
Sanne de Wit, onderzoeker bij het NFI, testte het model met een dataset van ongeveer 200 echte video’s en 200 AI-gegenereerde deepfakes. Het resultaat was overtuigend: bijna alle echte video’s werden correct herkend. Echter, sommige deepfakes werden foutief als echt bestempeld, wat wijst op de complexiteit van de uitdaging. De analyse richt zich vooral op het gebied rond het voorhoofd en de ogen, waar de kleurveranderingen het beste zichtbaar zijn in echte video’s [1]. De onderzoekers gebruiken ook de frequentie van het elektriciteitsnet (50 hertz) als tijdsreferentie, door netfrequentie uit video’s te halen en te vergelijken met officiële registraties, waarmee ze de tijdstempel van een video kunnen controleren [1]. De huidige dataset is beperkt, wat het model meer gevarieerde en gequalificeerde training vereist om beter te worden [1].
De grenzen van de techniek: waarom het nog niet volledig betrouwbaar is
Ondanks de vooruitgang blijven er uitdagingen bestaan. Onverwachte resultaten tonen aan dat stilstaande foto’s van mensen en poppen soms worden geïnterpreteerd als ‘echt’ door het algoritme, wat de grens tussen levend en niet-levend niet volledig afbreekt [1]. Beeldkwaliteit is een cruciale factor: scherpte, stabiliteit, belichting en onverdekte gezichten beïnvloeden de detectie van hartslagsignalen [1]. Slechte belichting, beweging of gedeeltelijke bedekking van het gezicht verstoren de analyse en kunnen leiden tot foutieve interpretaties [1]. De Wit benadrukt dat het model robuuster gemaakt moet worden, zodat het ook werkt onder realistische omstandigheden, zoals bewegende mensen, weinig licht en gedeeltelijk bedekte gezichten [1].
Een combinatie van technieken voor een betrouwbare detectie
Volgens De Wit zal een robuust deepfake-detectiemodel uiteindelijk geen enkele methode afzonderlijk moeten gebruiken, maar een combinatie van technieken. Daarnaast ontwikkelt het NFI een tweede dataset met bewust ‘moeilijkere’ beelden om het algoritme te testen in extreme scenario’s [1]. Bovendien gebruikt het instituut ook unieke, onzichtbare ‘vingerafdrukken’ van digitale camera’s, die ontstaan door meetbare afwijkingen in de sensor. Deze camerahandtekeningen worden vergeleken met referentie-opnames om de oorsprong van video’s te bevestigen [1]. Het NFI combineert hartslagdetectie, netspanningsanalyse en camera-fingerprints voor een meer betrouwbare inschatting van deepfakes [1].
De toekomst van de strijd: van reactie naar vooruitzien
De Wit benadrukt dat het doel niet is alleen te reageren op nieuwe ontwikkelingen, maar ze ook voor te zijn. Als een deepfake straks ook een levensecht hartslagsignaal moet bevatten, wordt het maken ervan veel duurder en complexer, wat het risico op gebruik voor criminele doeleinden kan verlagen [1]. De techniek laat zien dat zelfs de meest realistische nepvideo’s kunnen worden getoetst aan een onmiskenbaar lichaamskenmerk: het leven zelf. Deze ontwikkeling is een belangrijke stap in de wapenwedloop tussen AI-creatie en -detectie, waarbij forensische onderzoekers proberen het tempo te houden [1].