我们正在构建面向未来的健康操作系统。

加入我们。基于您已有信号的私密、专属健康智能。

研究基石

equ 建立在严谨研究之上,而非凭空猜测

这四篇论文展示了 equ 可解释、多信号健康智能背后的科学基础。这些研究由来自麻省理工学院(MIT)、哈佛大学和剑桥大学等领先机构的合作伙伴共同完成。

滑动或滚动浏览四篇精选论文。

精选论文

Comorbid anxiety predicts lower odds of MDD improvement in a trial of smartphone-delivered interventions

Journal of Affective Disorders

作者

Morgan B. Talbot, Jessica M. Lipschitz, Omar Costilla-Reyes

此项研究如何塑造 equ

阐明了为什么 equ 建立交互信号模型,而不是将情绪、焦虑和行为视为孤立的变量。

精选论文

Symbolic Regression with a Learned Concept Library

Advances in Neural Information Processing Systems

作者

Arya Grayeli, Atharva Sehgal, Omar Costilla-Reyes, Miles Cranmer, Swarat Chaudhuri

此项研究如何塑造 equ

构成了 equ 神经符号技术的基础:结构化、可重用的概念,使推理过程更易于审查。

精选论文

Individual Behavioral Insights in Schizophrenia: A Network Analysis and Mobile Sensing Approach

Pervasive Computing Technologies for Healthcare

作者

Andy Davies, Eiko I. Fried, Omar Costilla-Reyes, Hane Aung

此项研究如何塑造 equ

支持 equ 关联分析日常行为的视角,即移动信号在联合建模时能发挥切实作用。

精选论文

Estimation of Total Body Fat Using Symbolic Regression and Evolutionary Algorithms

EvoApplications

作者

José Manuel Muñoz, Odin Morón-García, Omar Costilla-Reyes, José Ignacio Hidalgo

此项研究如何塑造 equ

表明健康模型在对实际决策有用时,可以保持精简和高度可解释性。

最新研究与洞察

探索 Equ Healthcare 的最新研究和深度分析。

医疗健康领域中的神经符号人工智能:从理论基础到临床转化

作者:Omar Costilla Reyes 博士 · 2025年10月19日

神经符号 AI 将神经网络与符号推理相结合,以创建高性能且符合临床审计要求的系统。本文审视了当前的研究范式、临床应用以及走向安全临床转化的路径。

基于世界级研究成果

Equ Healthcare 融合机器学习、神经符号推理与行为科学,提供您可以轻松理解和评估的健康指导。

阅读研究文章

深入探索并加入 equ 测试版

了解 equ 的工作方式及其背后的研究。准备好后,只需确认一次邮箱即可继续体验完整测试版。

了解 equ 的工作方式
查阅支持我们方法的研究
确认一次即可加入测试版

您的收件箱始终由您掌控

我们将邮箱用于访问确认和相关 Equ 测试版动态。

仅需确认一次,之后只发送相关测试版动态。