Нейроадаптивная распределённая сенсорная сеть

Нейроадаптивная распределённая сенсорная сеть:
Концепция развития идей «Голографического паука»
и интерфейса «Намерение–Действие»

 

Павел Валентинович Стасяк

Независимы исследователь

Республика Беларусь, г. Минск

museumpavel@gmail.com

belorussij.ru

 

Аннотация.

В статье предлагается развитие концепций распределённой сенсорной сети «Голографический паук» и нейроинтерфейса «Намерение-Действие». В отличие от спекулятивной трактовки сознания как физического фактора, непосредственно изменяющего квантовое состояние цели, предлагается проверяемая инженерная модель: нейроинтерфейс регистрирует состояние внимания оператора и передаёт системе информацию о приоритетной области наблюдения.

Архитектура включает разнородные сенсоры, модуль периферийной обработки, защищённую сеть обмена данными, системы eye-tracking и электроэнцефалографии, алгоритмы сенсорного слияния и адаптивного распределения вычислительных ресурсов. Основная гипотеза состоит в том, что объединение автоматического анализа с информацией о внимании оператора может уменьшить время обнаружения неоднозначных объектов и повысить эффективность принятия решений по сравнению с полностью автоматической или традиционной ручной системой.

Отдельно выделяется фундаментальная гипотеза о возможном влиянии сознания на квантовые измерения. На современном этапе она не рассматривается как установленный механизм и должна проверяться в отдельном контролируемом эксперименте. Практическая версия системы может быть реализована на классических сенсорах без предположения о физическом «квантовом усилении».

Ключевые слова: распределённая сенсорная сеть, нейроинтерфейс, интерфейс мозг–компьютер, ЭЭГ, P300, eye-tracking, сенсорное слияние, искусственный интеллект, внимание оператора, человеко-машинное взаимодействие, адаптивный мониторинг, цифровой двойник.

Введение.

Современные сенсорные системы способны одновременно обрабатывать данные радиолокационных, оптических, акустических, инфракрасных и магнитных каналов. Однако увеличение количества сенсоров создаёт новую проблему: оператор получает слишком большой поток информации и вынужден постоянно отделять важные события от фоновых сигналов.

Полностью автономные алгоритмы также имеют ограничения. Они хорошо работают в условиях, похожих на обучающие данные, но могут ошибаться при слабом контрасте, маскировке, необычной траектории движения, изменении погоды или появлении новых типов объектов.

В этой ситуации перспективным представляется не противопоставление человека и машины, а построение адаптивной системы, где:

• автоматические алгоритмы обрабатывают основной поток данных;
• человек оценивает контекст и неоднозначные ситуации;
• нейроинтерфейс передаёт системе дополнительные признаки внимания;
• сенсорная сеть динамически изменяет приоритеты наблюдения;
• оператор получает обратную связь о результатах анализа.

Такой подход развивает исходную идею «Голографического паука», но переводит её из образной квантово-информационной модели в область проверяемой инженерии.

 

Концептуальная основа.

«Голографический паук» как сенсорная сеть.

Под «Голографическим пауком» предлагается понимать распределённую сеть сенсорных узлов, размещённых в пространстве и объединённых каналами связи. Каждый узел регистрирует локальные изменения среды, а центральная или иерархическая система строит единую пространственно-временную модель события.

Возможные каналы наблюдения:

• радиолокационные данные;
• видео и тепловизионные изображения;
• акустические сигналы;
• вибрационные и сейсмические воздействия;
• магнитные изменения;
• радиочастотные излучения;
• метеорологические параметры.

В классической инженерной интерпретации «голографичность» означает не оптическую голограмму и не буквальное восстановление трёхмерной реальности из двумерной поверхности. Термин используется как метафора реконструкции общей картины по распределённым и неполным данным.

«Намерение–Действие» как нейроадаптивный контур.

Интерфейс «Намерение–Действие» рассматривается как дополнительный канал взаимодействия между оператором и системой. Он не должен самостоятельно принимать критическое решение. Его назначение – оценить:

• направление внимания;
• степень уверенности оператора;
• реакцию на объект;
• намерение выбрать или проверить цель;
• уровень когнитивной нагрузки;
• признаки усталости.

Наиболее надёжной задачей для первой версии является не распознавание сложной мысли, а выбор одной из нескольких уже отображённых целей.

 

Рабочая гипотеза.

Основная гипотеза исследования формулируется следующим образом:

«…Если информация о направлении внимания и состоянии оператора объединяется с данными автоматических сенсоров, то система может эффективнее распределять вычислительные и измерительные ресурсы между потенциальными объектами интереса…»

Эта гипотеза не требует предположения, что сознание физически изменяет цель или вызывает квантовый коллапс. Возможный выигрыш может возникать за счёт:

• сужения области поиска;
• выбора оптимального сенсора;
• увеличения времени накопления сигнала;
• изменения параметров фильтрации;
• включения дополнительного режима наблюдения;
• правильной расстановки приоритетов.

Для интерфейса мозг-компьютер типична последовательность из регистрации сигнала, удаления артефактов, выделения признаков, классификации и обратной связи.

 

Архитектура системы.

Сенсорный уровень.

Сенсорный уровень включает распределённые узлы, каждый из которых имеет:

• чувствительный элемент;
• аналого-цифровой преобразователь;
• микроконтроллер или периферийный вычислительный модуль;
• часы и механизм синхронизации;
• защищённый канал связи;
• автономное питание;
• средства самодиагностики.

Узлы могут быть однотипными или специализированными. Специализация обычно предпочтительнее универсальности: отдельные сенсоры можно оптимизировать под вибрацию, звук, изображение или магнитное поле.

 

Периферийная обработка.

Первичная обработка выполняется непосредственно на узлах:

• удаление очевидного шума;
• обнаружение резких изменений;
• сжатие данных;
• извлечение признаков;
• оценка качества измерения;
• передача только значимых фрагментов.

Такой подход уменьшает нагрузку на центральную систему и снижает требования к каналу связи.

 

Сетевой уровень.

Сеть должна поддерживать:

• синхронизацию временных меток;
• резервные маршруты;
• автоматическое исключение неисправных узлов;
• шифрование;
• контроль подлинности сообщений;
• локальное хранение при потере связи;
• защищённое обновление программного обеспечения.

 

Аналитический уровень.

Центральная система формирует список кандидатов и оценивает вероятность событий. Каждый кандидат должен иметь:

• координаты;
• время обнаружения;
• тип предполагаемого объекта;
• источники подтверждения;
• уровень уверенности;
• оценку качества данных;
• историю перемещения.

Итогом работы должен быть не только сигнал тревоги, но и объяснимая карточка события: какие сенсоры сработали, насколько согласованы показания и почему объект получил высокий приоритет.

 

Нейроинтерфейсный модуль.

Каналы регистрации.

В базовую систему могут входить:

• ЭЭГ-шлем;
• eye-tracking;
• регистрация положения головы;
• клавиатура, джойстик или другой обычный канал подтверждения;
• датчики сердечного ритма и кожной проводимости для оценки нагрузки.

ЭЭГ-системы обычно включают регистрацию, предварительную обработку, выделение признаков, классификацию и обратную связь.

 

Потенциал P300.

P300 возникает в ответ на значимый или релевантный стимул и широко исследуется в интерфейсах мозг-компьютер. В предлагаемой системе он может использоваться для ответа на вопрос: «Какая из предъявленных отметок привлекла внимание оператора?»

Для этого оператору можно показывать несколько объектов или подсказок, а система анализирует реакцию на каждый стимул. P300 не следует трактовать как прямое чтение мысли: он является вероятностным признаком реакции на значимость и требует повторных наблюдений.

Преддвигательный потенциал.

Преддвигательный потенциал может отражать подготовку произвольного действия. Однако он менее удобен как универсальный индикатор обнаружения конкретной цели. Поэтому его целесообразно использовать как дополнительный признак намерения подтвердить, выбрать или проверить объект, а не как самостоятельный источник информации о его существовании.

Eye-tracking.

В первой практической версии eye-tracking может оказаться полезнее ЭЭГ:

• направление взгляда проще интерпретировать;
• задержка обычно ниже;
• сигнал легче объяснить оператору;
• не требуется сложная классификация мозговой активности.

ЭЭГ должна добавлять информацию сверх взгляда: например, отличать случайную фиксацию от осознанного выбора или определять степень уверенности.

 

Алгоритм работы.

1. Сенсорная сеть автоматически обнаруживает несколько кандидатов.
2. Кандидаты отображаются оператору на едином интерфейсе.
3. Eye-tracking определяет направление взгляда.
4. ЭЭГ анализирует реакцию на предъявленные объекты.
5. Система рассчитывает приоритет каждого кандидата.
6. Для объекта с высоким приоритетом увеличивается время накопления или подключаются дополнительные сенсоры.
7. Алгоритм повторно оценивает событие.
8. Оператор получает результат и подтверждает либо отклоняет рекомендацию.
9. Все действия и исходы сохраняются для последующего анализа.

 

Псевдокод системы:

…text… получить данные сенсоров обнаружить кандидатов оценить качество каждого сигнала   если внимание оператора устойчиво направлено на кандидата: повысить его приоритет активировать дополнительные измерения увеличить время накопления пересчитать вероятность события   если вероятность выше порога: показать предупреждение запросить подтверждение оператора   записать данные, решение и фактический исход

 

Математическая модель.

Для каждого кандидата i можно рассчитывать итоговую вероятность:

 

P_i = f(R_i, O_i, E_i, G_i, Q_i)

 

где:

• R_i – признаки радиолокационного канала;
• O_i – оптические и тепловые признаки;
• E_i – акустические и вибрационные признаки;
• G_i – признаки взгляда и ЭЭГ;
• Q_i – оценка качества измерений.

 

Важно, чтобы нейроинтерфейс не заменял физические данные об объекте. Его роль – изменять вес или приоритет анализа, а не создавать доказательство цели из одного мозгового сигнала.

Возможный классический выигрыш отношения сигнал/шум может быть связан с увеличением времени накопления:

 

 

где T – время наблюдения при независимом шуме. Если оператор помогает правильно выбрать область для дополнительного накопления, система действительно может получить выигрыш. Но этот выигрыш является следствием оптимизации измерения, а не доказательством квантового воздействия сознания.

 

Доказательная база.

Подтверждённые элементы.

К доказанным или хорошо обоснованным элементам относятся:

• распределённые измерительные системы;
• многоканальная обработка;
• сенсорное слияние;
• периферийные вычисления;
• регистрация ЭЭГ;
• классификация некоторых когнитивных состояний;
• использование P300 и других событийно-связанных потенциалов;
• применение нейронных сетей в обработке ЭЭГ.

Обзорные работы описывают ИМК как системы, состоящие из регистрации сигнала, обработки, вывода и обратной связи; качество всей системы сильно зависит от получения и очистки мозгового сигнала.

Элементы, требующие дополнительной проверки.

Необходимо отдельно проверить:

• даёт ли ЭЭГ выигрыш сверх eye-tracking;
• сохраняется ли качество при длительной работе;
• работает ли модель на новых операторах;
• насколько часто возникают ложные намерения;
• как движение и стресс влияют на сигнал;
• можно ли использовать систему быстрее ручного подтверждения;
• увеличивает ли она точность без роста ложных тревог.

Для гибридных ИМК имеются примеры объединения P300 с другими парадигмами, однако улучшение не является гарантированным для любой задачи и должно проверяться отдельно.

Недоказанные элементы.

Пока отсутствует достаточная доказательная база для утверждений, что:

• внимание создаёт физическую неоднородность в квантовой сети;
• мозг оператора запутан с сенсорами;
• сознание напрямую усиливает различимость цели;
• интерфейс гарантированно даёт 3–6 дБ SNR;
• можно получить устойчивое упреждение намерения в реальной оперативной среде.

Эти положения следует обозначать как фундаментальные гипотезы, а не как инженерные свойства готовой системы.

 

План экспериментальной проверки.

Этап 1. Компьютерная симуляция.

Создаётся виртуальная сенсорная сеть с заранее известными параметрами:

• число сенсоров;
• расстояние между узлами;
• уровень шума;
• количество объектов;
• вероятность пропуска;
• задержка связи;
• точность локализации.

Проверяется, может ли информация о приоритетной области уменьшить время обработки и частоту ошибок.

Этап 2. Лабораторный тест.

Участники наблюдают экран с несколькими объектами. Сравниваются режимы:

• только автоматический алгоритм;
• автоматический алгоритм плюс ручной выбор;
• автоматический алгоритм плюс eye-tracking;
• автоматический алгоритм плюс ЭЭГ;
• eye-tracking и ЭЭГ вместе.

Основная метрика должна быть заранее определена. Например, чувствительность обнаружения при фиксированной частоте ложных тревог.

Этап 3. Полевой пилот.

Испытания проводятся на невоенном гражданском объекте:

• периметр предприятия;
• склад;
• транспортная инфраструктура;
• спортивный объект;
• учебный полигон с безопасными имитаторами.

Проверяются погодные условия, движение оператора, фоновый шум, длительность смены и устойчивость связи.

Этап 4. Независимое повторение.

Модель и протокол передаются другой группе. Результат считается убедительным только при воспроизведении на новых участниках и новых сценариях.

 

Критерии успеха.

Практическая версия может считаться успешной, если по сравнению с базовой системой она обеспечивает:

• уменьшение времени обнаружения;
• повышение чувствительности;
• отсутствие роста ложных тревог;
• снижение ошибки локализации;
• устойчивость к усталости;
• работу на новых операторах;
• приемлемую задержку;
• подтверждённый вклад ЭЭГ после учёта eye-tracking.

Целевые значения нельзя заранее объявлять доказанными. Их следует регистрировать как проверяемые ориентиры, например:

• улучшение времени обнаружения не менее чем на 10%;
• повышение чувствительности на 5% при том же уровне ложных тревог;
• сохранение результата при независимом тестировании;
• задержка нейроинтерфейсного контура не более 100-200 мс для задач выбора приоритета.

 

Проверка квантовой гипотезы.

Квантовая гипотеза должна проверяться отдельно от прикладного эксперимента. Нельзя считать улучшение работы сенсорной сети доказательством влияния сознания, если система одновременно меняет время измерения, область поиска или параметры фильтрации.

Для проверки потребуется:

• квантовый источник с заранее описанными параметрами;
• случайное распределение условий;
• автоматическое управление экспериментом;
• слепая регистрация состояния оператора;
• защита от электромагнитных и акустических артефактов;
• предварительная публикация основной гипотезы;
• коррекция множественных сравнений;
• независимое повторение.

Если эффект исчезает после контроля обычной передачи информации и изменения параметров измерения, его нельзя считать квантовым воздействием сознания.

 

Безопасность и этика.

Нейроинтерфейс не должен самостоятельно инициировать необратимое действие. Он может:

• выделять приоритет;
• предлагать оператору проверку;
• изменять режим наблюдения;
• показывать уровень уверенности.

Окончательное критическое решение должно иметь ясный канал подтверждения и журналирование. Нейроданные требуют особой защиты, поскольку могут содержать сведения не только о командах, но и о состоянии внимания, усталости, стрессе и здоровье оператора.

Для военных сценариев необходимы дополнительные ограничения: система поддержки обнаружения не должна автоматически превращаться в автономный механизм поражения цели.

 

Обсуждение.

Исходные идеи Стасяка ценны тем, что предлагают рассматривать человека, алгоритм и сенсорную сеть как единую систему. Это соответствует развитию человеко-машинных интерфейсов и гибридного интеллекта.

Однако концептуальная сила не заменяет доказательность. В проекте необходимо разделять:

• установленный научный результат;
• инженерно правдоподобную гипотезу;
• философскую интерпретацию;
• футурологический прогноз.

Наиболее перспективна практическая формулировка: нейроадаптивная распределённая сенсорная сеть. Она сохраняет оригинальность проекта, но не требует неподтверждённых утверждений о том, что сознание изменяет состояние удалённой квантовой системы.

 

Заключение.

Развитие идей «Голографического паука» и «Намерение-Действие» возможно в виде многоуровневой системы, объединяющей распределённые сенсоры, искусственный интеллект, eye-tracking и ЭЭГ.

Практическая версия должна решать конкретную задачу: использовать информацию о внимании оператора для адаптивного выбора области наблюдения и перераспределения измерительных ресурсов. Такой подход научно проверяем и может быть реализован на классических технологиях.

Квантовая интерпретация – сознание как источник физического усиления сигнала, коллапса или запутанности с сенсорами – сегодня следует сохранять и развивать как отдельную фундаментальную гипотезу, проверяемую независимым экспериментом.

 

«Нейроадаптивная распределённая сенсорная сеть – это система, в которой автоматические сенсоры формируют объективные данные о среде, а нейроинтерфейс оценивает внимание оператора и помогает динамически распределять приоритеты измерения и анализа».

 

Таким образом, исходные идеи превращаются из футурологического манифеста в программу последовательных инженерных и научных исследований.

 

 

Список источников

1. Wolpaw J. R., Birbaumer N., McFarland D. J., Pfurtscheller G., Vaughan T. M. Brain – computer interfaces for communication and control // Clinical Neurophysiology. 2002. Vol. 113, No. 6. P. 767-791.
2. Wolpaw J. R., Wolpaw E. W., eds. Brain – Computer Interfaces: Principles and Practice. Oxford: Oxford University Press, 2012.
3. Nicolas-Alonso L. F., Gomez-Gil J. Brain computer interfaces, a review // Sensors. 2012. Vol. 12, No. 2. P. 1211-1279.
4. Kleih S. C., Nijboer F., Halder S. et al. Motivation modulates the P300 amplitude during brain – computer interface use // Clinical Neurophysiology. 2010. Vol. 121, No. 7. P. 1023-1031.
5. Polich J. Updating P300: An integrative theory of P3a and P3b // Clinical Neurophysiology. 2007. Vol. 118, No. 10. P. 2128-2148.
6. Sutton S., Braren M., Zubin J., John E. R. Evoked-potential correlates of stimulus uncertainty // Science. 1965. Vol. 150, No. 3700. P. 1187-1188.
7. Libet B., Gleason C. A., Wright E. W., Pearl D. K. Time of conscious intention to act in relation to onset of cerebral activity // Brain. 1983. Vol. 106, No. 3. P. 623-642.
8. Haggard P. Human volition: Towards a neuroscience of will // Nature Reviews Neuroscience. 2008. Vol. 9. P. 934-946.
9. Schurger A., Smittenaar P., Haggard P. achter? An accumulator model for spontaneous neural activity prior to self-initiated movement // Proceedings of the National Academy of Sciences. 2012. Vol. 109, No. 42. P. E2904-E2913.
10. Mak J. N., Wolpaw J. R. Clinical applications of brain–computer interfaces: current state and future prospects // IEEE Reviews in Biomedical Engineering. 2009. Vol. 2. P. 187-199.
11. Lotte F., Bougrain L., Cichocki A. et al. A review of classification algorithms for EEG-based brain – computer interfaces: a 10-year update // Journal of Neural Engineering. 2018. Vol. 15, No. 3. Article 031005.
12. Lawhern V. J., Solon A. J., Waytowich N. R. et al. EEGNet: A compact convolutional neural network for EEG-based brain – computer interfaces // Journal of Neural Engineering. 2018. Vol. 15, No. 5. Article 056013.
13. Schirrmeister R. T., Springenberg J. T., Fiederer L. D. J. et al. Deep learning with convolutional neural networks for EEG decoding and visualization // Human Brain Mapping. 2017. Vol. 38, No. 11. P. 5391-5420.
14. Roy Y., Banville H., Albuquerque I. et al. Deep learning-based electroencephalography analysis: a systematic review // Journal of Neural Engineering. 2019. Vol. 16, No. 5. Article 051001.
15. Craik A., He Y., Contreras-Vidal J. L. Deep learning for electroencephalogram classification tasks: a review // Journal of Neural Engineering. 2019. Vol. 16, No. 3. Article 031001.
16. Cincotti F., Mattia D., Aloise F. et al. High-resolution EEG techniques for brain – computer interface applications // Journal of Neuroscience Methods. 2008. Vol. 167, No. 1. P. 31-42.
17. He B., Baxter B., Edelman B. J. et al. Noninvasive brain – computer interfaces based on sensorimotor rhythms // Proceedings of the IEEE. 2015. Vol. 103, No. 6. P. 907-925.
18. Bashashati A., Fatourechi M., Ward R. K., Birch G. E. A survey of signal processing algorithms in brain – computer interfaces based on electrical brain signals // Journal of Neural Engineering. 2007. Vol. 4, No. 2. P. R32-R57.
19. Cervera M. A., Somers T., Mullen A. et al. Brain – computer interfaces for post-stroke motor rehabilitation: a meta-analysis // Annals of Clinical and Translational Neurology. 2018. Vol. 5, No. 5. P. 651-663.
20. Dähne S., Biessmann F., Makeig S. et al. Integration of multimodal neuroimaging data for hybrid brain – computer interfaces // IEEE Transactions on Biomedical Engineering. 2015. Vol. 62, No. 9. P. 2267-2276.
21. O’Shea D. J., Shenoy K. V. Brain – machine interfaces for large-scale neural recordings and control // Nature Reviews Neuroscience. 2019. Vol. 20. P. 541-552.
22. Cummings J. J., Bailenson J. N. How immersive is enough? A meta-analysis of the effect of immersive technology on user presence // Media Psychology. 2016. Vol. 19, No. 2. P. 272-309.
23. Khaleghi A., Ayatollahi A., Noubari H. A. A review of EEG-based brain – computer interface systems design // Frontiers in Neuroscience. 2022.
24. Hall D. L., Llinas J. An introduction to multisensor data fusion // Proceedings of the IEEE. 1997. Vol. 85, No. 1. P. 6-23.
25. Khaleghi B., Khamis A., Karray F. O., Razavi S. N. Multisensor data fusion: a review of the state-of-the-art // Information Fusion. 2013. Vol. 14, No. 1. P. 28-44.
26. Castanedo F. A review of data fusion techniques // The Scientific World Journal. 2013. Article 704504.
27. Gubbi J., Buyya R., Marusic S., Palaniswami M. Internet of Things: a vision, architectural elements, and future directions // Future Generation Computer Systems. 2013. Vol. 29, No. 7. P. 1645-1660.
28. Shi W., Cao J., Zhang Q., Li Y., Xu L. Edge computing: vision and challenges // IEEE Internet of Things Journal. 2016. Vol. 3, No. 5. P. 637-646.
29. Stankovic J. A. Research directions for the Internet of Things // IEEE Internet of Things Journal. 2014. Vol. 1, No. 1. P. 3-9.
30. Akyildiz I. F., Su W., Sankarasubramaniam Y., Cayirci E. Wireless sensor networks: a survey // Computer Networks. 2002. Vol. 38, No. 4. P. 393-422.
31. Yick J., Mukherjee B., Ghosal D. Wireless sensor network survey // Computer Networks. 2008. Vol. 52, No. 12. P. 2292-2330.
32. Measures R. M. Structural Monitoring with Fiber Optic Technology. San Diego: Academic Press, 2001.
33. Bao X., Chen L. Recent progress in distributed fiber optic sensors // Sensors. 2012. Vol. 12, No. 7. P. 8601-8639.
34. Hartog A. H. An Introduction to Distributed Optical Fibre Sensors. Boca Raton: CRC Press, 2017.
35. Taylor J. R. Optical Fiber Sensors: Principles and Applications. New York: Marcel Dekker, 1997.
36. Degen C. L., Reinhard F., Cappellaro P. Quantum sensing // Reviews of Modern Physics. 2017. Vol. 89, No. 3. Article 035002.
37. Lloyd S. Quantum coherence in biological systems // Journal of Physics: Conference Series. 2011. Vol. 302. Article 012037.
38. Huelga S. F., Plenio M. B. Vibrations, quanta and biology // Contemporary Physics. 2013. Vol. 54, No. 4. P. 181-207.
39. Hooft G. ’t. Dimensional reduction in quantum gravity. arXiv:gr-qc/9310026, 1993.
40. Susskind L. The world as a hologram // Journal of Mathematical Physics. 1995. Vol. 36, No. 11. P. 6377-6396.
41. Bousso R. The holographic principle // Reviews of Modern Physics. 2002. Vol. 74, No. 3. P. 825-874.
42. Wigner E. P. Remarks on the mind – body question // In: Symmetries and Reflections. Bloomington: Indiana University Press, 1967.
43. Stapp H. P. Mind, Matter and Quantum Mechanics. Berlin: Springer, 2007.
44. Wigner E. P. The unreasonable effectiveness of mathematics in the natural sciences // Communications in Pure and Applied Mathematics. 1960. Vol. 13, No. 1. P. 1-14.
45. Nature Communications. Quantum mechanical rules for observed observers. 2024. Vol. 15. Article 3023.
46. National Academies of Sciences, Engineering, and Medicine. Brain – Machine Interfaces: Research, Development, and Applications. Washington, DC: National Academies Press.
47. United Nations Institute for Disarmament Research. Neurotechnologies and Their Implications for International Peace and Security. Geneva, 2025.
48. European Commission. Ethics Guidelines for Trustworthy AI. Brussels, 2019.