JP2023039197A - 医療器具分析装置、医療器具分析方法、及び、学習済みモデル - Google Patents
医療器具分析装置、医療器具分析方法、及び、学習済みモデル Download PDFInfo
- Publication number
- JP2023039197A JP2023039197A JP2021146239A JP2021146239A JP2023039197A JP 2023039197 A JP2023039197 A JP 2023039197A JP 2021146239 A JP2021146239 A JP 2021146239A JP 2021146239 A JP2021146239 A JP 2021146239A JP 2023039197 A JP2023039197 A JP 2023039197A
- Authority
- JP
- Japan
- Prior art keywords
- medical device
- cleaning
- model
- input
- medical instrument
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title description 5
- 238000004140 cleaning Methods 0.000 claims abstract description 61
- 238000006243 chemical reaction Methods 0.000 claims description 20
- 238000005406 washing Methods 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 9
- 239000002699 waste material Substances 0.000 claims description 7
- 239000000356 contaminant Substances 0.000 claims description 3
- 238000011109 contamination Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 8
- 230000009466 transformation Effects 0.000 abstract 1
- 238000005452 bending Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000404068 Cotula Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003670 easy-to-clean Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Images
Landscapes
- Endoscopes (AREA)
Abstract
【課題】設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる医療器具分析装置を提供する。【解決手段】医療器具分析装置は、医療器具の多次元構造情報をモデル入力データに変換するデータ形式変換部と、学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定部と、を備える。【選択図】図3
Description
本発明は、リユースされる医療器具であり洗浄が必要な医療器具の分析装置、分析方法、及び、学習済みモデルに関する。
リユースのために洗浄が必要な医療器具や配管器具においては、設計段階においてリユース時における洗浄性の予測を行い、洗浄がしやすい形状設計を行う必要がある。洗浄性の予測においては、器具の構造情報、及び、洗浄条件等の様々な条件を考慮する必要がある。
特許文献1には、流体シミュレーションにより洗浄パラメータを推定する配管洗浄におけるパラメータ値算出情報が記載されている。特許文献1に記載の配管洗浄におけるパラメータ値算出方法によれば、配管構造の設計段階において洗浄性の予測を行うことができる。
しかしながら、特許文献1に記載の配管洗浄におけるパラメータ値算出方法では、物理的な理論シミュレーションに基づいて洗浄性の予測を行っているが、検討する器具の構造が複雑となった場合や、考慮すべき条件が複雑となった場合において、精度高く洗浄性を予測することは困難であった。
本発明は、上記事情に鑑みてなされたもので、設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる医療器具分析装置、医療器具分析方法、及び、学習済みモデルを提供することを目的とする。
本発明の一態様の医療器具分析装置は、医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換部と、学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後のタンパク質等の汚れ等(以下、汚物)の残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定部と、を有する。
また、本発明の一態様の医療器具分析方法は、医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換工程と、学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定工程と、を有する。
また、本発明の一態様の学習済みモデルは、洗浄すべき管路を有する学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した学習済みモデルであって、ポイントクラウド形式のデータを入力して深層学習することができるニューラルネットワークから構成され、医療器具の構造情報から変換されたモデル入力データが前記ニューラルネットワークの入力層に入力され、前記ニューラルネットワークの出力層から前記医療器具の洗浄後の汚物残留状況を出力するようコンピュータを機能させる。
本発明の医療器具分析装置、医療器具分析方法、及び、学習済みモデルによれば、設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる。
以下、図面を参照して本発明の実施形態を説明する。
なお、図面は、模式的なものであり、各部材の厚みと幅との関係、各部材の比率等は、現実と異なることに留意する必要がある。さらに、図面の相互間においても互いの寸法や比率が異なる部分が含まれている。
なお、図面は、模式的なものであり、各部材の厚みと幅との関係、各部材の比率等は、現実と異なることに留意する必要がある。さらに、図面の相互間においても互いの寸法や比率が異なる部分が含まれている。
図1は、一実施形態に係る医療器具分析装置の分析対象の例としての内視鏡(医療器具)の全体構成を示す図である。
図1に示すように、本実施形態の内視鏡200は、被検体に挿入される長尺で細長な挿入部201と、操作部202と、複合ケーブルであるユニバーサルケーブル203と、を有して構成されている。内視鏡200の挿入部201は、先端から順に先端部204と、湾曲部205と、可撓管部206と、を有して構成されている。
操作部202には、挿入部201の湾曲部205を湾曲操作するための湾曲操作ノブ207が回動自在に配設されると共に、送気送水ボタン208、吸引ボタン209などが設けられている。
なお、湾曲操作ノブ207は、湾曲部205を上下方向に湾曲操作するためのUD湾曲操作ノブ210および湾曲部205を左右方向に湾曲操作するためのRL湾曲操作ノブ211の2つの略円盤状の回転ノブが重畳するように配設されている。
操作部202から延設されたユニバーサルケーブル203は、延出端に図示しない光源装置に対して着脱自在な内視鏡コネクタ212を有している。なお、本実施形態の内視鏡200は、挿入部201、操作部202およびユニバーサルケーブル203に挿通配設された照明手段のライトガイドバンドルによって、光源装置から先端部204まで照明光を伝送するものである。
また、内視鏡コネクタ212は、ここでは図示しないがコイル状のコイルケーブルが接続され、このコイルケーブルの延出端に図示しないビデオプロセッサに対して着脱自在な電気コネクタが設けられている。
内視鏡200は、使用後に洗浄される際、ユニバーサルケーブル203及び内視鏡コネクタ212を含む全体が洗浄対象となる。
図2は、医療器具分析装置の全体構成を示す図であり、図3は、医療器具分析装置の機能ブロックを示すブロック図である。
図2に示すように、医療器具分析装置100は、本体装置101と、入力装置102と、表示装置103と、を有して構成されている。本体装置101は、パーソナルコンピュータ等のコンピュータ装置本体であり、CPU(Central Processing Unit)104、メモリ105などを搭載している。
より具体的には、本体装置101は、CPU104及びメモリ105を備えたプロセッサを有する。ここでのプロセッサは、例えば各部の機能が個別のハードウェアで実現されてもよいし、或いは各部の一部が一体のハードウェアで実現されてもよい。例えば、プロセッサはハードウェアを含み、そのハードウェアは、デジタル信号を処理する回路及びアナログ信号を処理する回路の少なくとも一方を含むことができる。前記プロセッサは、CPU104以外に、DSP(Digital Signal Processor)等、各種のプロセッサを用いることが可能である。また、前記プロセッサは、ASIC(Application Specific Integrated Circuit)又は、FPGA(Field Programmable Gate Array)によるハードウェア回路でもよい。
入力装置102は、キーボード及びマウスにより構成されているが、キーボード及びマウスのいずれか一方により構成されていてもよい。本体装置101のCPU104は、入力装置102から入力された指示に基づいて、メモリ105に記憶されている各種プログラムを実行する。表示装置103は、CPU104によって実行された各種処理結果などを表示する。
図3に示すように、本体装置101は、入力部11と、データ形式変換部12と、推定部13と、出力部14とを備える。本体装置101の機能は、メモリ105に記憶されている医療器具分析プログラムをCPU104が実行することで実現される。なお、医療器具分析プログラムは、本体装置101に外付けされるメモリやインターネット等を介して本体装置101に提供されてもよい。
入力部11は、入力装置102を用いて入力されるデータを受信する。入力装置102を用いて入力されるデータは、内視鏡200の多次元構造情報、内視鏡200の洗浄条件、である。入力部11は、構造入力部21と、洗浄条件入力部22と、を有する。
構造入力部21には、内視鏡200の多次元構造情報が入力される。内視鏡200の多次元構造情報とは、例えば三次元CADなどの三次元の構造情報であって、三次元空間における構造を特定できるデータである。内視鏡200の多次元構造情報には、各部材の材質(ゴム、金属等)が含まれてもよい。
洗浄条件入力部22には、内視鏡200を洗浄する場合における洗浄条件が入力される。洗浄条件とは、例えば、ブラシ洗いの回数、自動洗浄の実施の有無、自動洗浄の実施の場合は機種および自動洗浄の洗浄モード、洗浄水の温度、などである。
構造入力部21は、入力された内視鏡200の多次元構造情報をデータ形式変換部12に出力する。洗浄条件入力部22は、入力された内視鏡200の洗浄条件に出力する。
データ形式変換部12は、構造入力部21から入力された内視鏡200の多次元構造情報を、学習済みモデルMで扱うことができるモデル入力データに変換し、推定部13に出力する。具体的には、データ形式変換部12は、内視鏡200の多次元構造情報をポイントクラウドのモデル入力データの形式に変換し、推定部13に出力する。ポイントクラウドは、三次元空間における座標(X,Y,Z)および色(R,G,B)の情報の集合で表される三次元の構造情報である。
推定部13は、学習済みモデルMを用いて、データ形式変換部12から入力されたポイントクラウドのモデル入力データと、洗浄条件入力部22から入力された内視鏡200の洗浄条件とに基づき、内視鏡200の洗浄後の汚物残留状況を推定する。
学習済みモデルMは、洗浄すべき管路を有する内視鏡(学習用医療器具)の多次元構造情報と、内視鏡(医療器具)200の洗浄後の汚物残留状況との関係に関して学習したモデルである。学習済みモデルMは、ポイントクラウド形式のデータを入力して深層学習することができるPointNetあるいはPointNet++等のニューラルネットワークであり、データ形式変換部12により内視鏡200の多次元構造情報がポイントクラウドの形式に変換されたモデル入力データと、洗浄条件と、が入力され、内視鏡200の洗浄後の汚物残留状況を出力する。
より具体的には、学習済みモデルMは、内視鏡200の多次元構造情報から変換されたモデル入力データがニューラルネットワークの入力層に入力され、ニューラルネットワークの出力層から内視鏡200の洗浄後の汚物残留状況を出力する。
なお、学習済みモデルMは、ポイントクラウド形式のデータを入力して深層学習することができるモデル(PointNetあるいはPointNet++)に限定されるものではなく、メッシュ形式のデータを入力して深層学習することができるモデル、又は、ボクセル形式のデータを入力して深層学習することができるモデルであってもよい。例えば、学習済みモデルMは、ポイントクラウド形式のデータを入力して深層学習することができるモデルとしてPointNetやPointNet++、メッシュ形式のデータを入力して深層学習することができるモデルとしてグラフニューラルネットワーク(Graph Neural Network:GNN)、又は、ボクセル形式のデータを入力して深層学習することができるモデルとして畳み込みニューラルネットワーク(Convolutional Neural Network:CNN)を用いることができる。さらに、これら以外にも、公知の深層学習モデルであれば任意の種類のモデルを用いることができる。
この場合、データ形式変換部12は、入力された内視鏡200の多次元構造情報を、メッシュ、又は、ボクセルのモデル入力データの形式に変換し、推定部13に出力する。メッシュは、三次元空間における3つの座標を直線で結んだ三角形の面の集合で表される3次元の構造情報である。ボクセルは、極小の立方体を積み上げた集合で表される3次元の構造情報である。
また、推定部13は、学習済みモデルMを複数有していてもよい。例えば、推定部13は、学習済みモデルMとして、PointNet++、GNN、及び、CNNを有する。この場合、データ形式変換部12は、入力された内視鏡200の多次元構造情報を、ポイントクラウド、メッシュ、及び、ボクセルのモデル入力データの形式に変換し、推定部13に出力する。推定部13は、データ形式変換部12からのポイントクラウド、メッシュ、及び、ボクセルのモデル入力データから、PointNet++、GNN、及び、CNNの各学習済みモデルMに基づき、内視鏡200の洗浄後の汚物残留状況を推定する。
学習済みモデルMは、医療器具分析装置100の本体装置101により実行される医療器具分析プログラムの一部のプログラムモジュールとして利用される。なお、本体装置101は、学習済みモデルMを実行する専用の論理回路等を有していてもよい。
次に、医療器具分析装置100の動作について説明する。図4は、医療器具分析装置の動作を示すフローチャートである。
本体装置101の入力部11は、ステップS1において、内視鏡200の多次元構造情報および内視鏡200を洗浄する場合における条件の入力を受信する。このステップS1の処理が入力工程を構成する。
なお、内視鏡200を洗浄する場合における条件は必須の入力条件ではない。入力部11に入力された内視鏡200の多次元構造情報は、構造入力部21からデータ形式変換部12に出力される。一方、入力部11に入力された内視鏡200を洗浄する場合における条件は、洗浄条件入力部22から推定部13に出力される。
本体装置101のデータ形式変換部12は、ステップS2において、内視鏡200の多次元構造情報のデータ形式を変換する。このステップS2の処理がデータ形式変換工程を構成する。具体的には、データ形式変換部12は、内視鏡200の多次元構造情報を推定部13の学習済みモデルMで扱うことができるモデル入力データの形式に変換する。モデル入力データは、推定部13に出力される。
本体装置101の推定部13は、ステップS3において、内視鏡200の洗浄後の汚物残留状況を推定する。このステップS3の処理が推定工程を構成する。具体的には、推定部13は、学習済みモデルMに基づき、データの形式が変換されたモデル入力データから、洗浄条件に基づき、内視鏡200の洗浄後の汚物残留状況を推定する。推定結果は、出力部14に出力される。
本体装置101の出力部14は、ステップS4において、推定結果を表示装置103に出力する。このステップS4の処理が出力構成を構成する。これにより、学習済みモデルMで推定された洗浄後の汚物残留状況が表示装置103に表示される。
図5は、入力部に入力される入力モデルを示す図であり、図6は、入力モデルの洗浄後の汚物残留状況の推定結果を示す図であり、図7は、入力モデルから作成された実機の洗浄後の汚物残留状況を示す図である。
図5に示す入力モデルIM1、IM2及びIM3は、3DCAD等によって作成された三次元の構造情報であり、入力部11に入力され、入力部11の構造入力部21からデータ形式変換部12に出力される。そして、データ形式変換部12により学習済みモデルMに入力することができるモデル入力データの形式に変換された後、推定部13の学習済みモデルMに入力される。
学習済みモデルMは、図6に示すように、モデル入力データから洗浄後の汚物残留状況を推定して、三次元データである推定結果R1、R2及びR3を出力する。なお、図6では、推定結果R1、R2及びR3は二次元データとして示しているが、推定結果R1、R2及びR3は三次元データとして学習済みモデルMから出力される。
洗浄後の汚物残留状況の推定結果R1、R2及びR3では、洗浄後に汚物が残留するであろうと推定される部分が着色されている。なお、着色されている部分において、着色が薄い部分は汚物残留のレベルが低く、着色が濃い部分は汚物残留のレベルが高いことを示している。
これにより、ユーザは、内視鏡200の多次元構造において、着色されている部分、及び、着色の濃さから、洗浄後も汚物が残留している位置、及び、汚物残留のレベル等を認識することができる。
また、図7では、3DCADを用いて生成された三次元構造上のデータから実際に構造物(実機)を製造し、実機に所定の汚物を塗布した後、洗浄を行った際の実機A1、A2及びA3の汚物残留状況が示されている。実機A1、A2及びA3において、実際に汚物が残留していた部分が着色されている。
推定部13の学習済みモデルMによって推定された図6の推定結果R1、R2及びR3において、汚物が残留しているであろうと推定された部分と、図8の実機A1、A2及びA3において、実際に汚物が残留していた部分と、が略一致しており、学習済みモデルMによって精度良く汚物残留箇所を推定できている。
そのため、ユーザは、推定部13の学習済みモデルMによって推定され、表示装置103に表示された洗浄後の汚物残留状況を確認することで、設計段階において、精度高く洗浄性を予測することができる。さらに、入力装置102を用いて洗浄条件を細かく変更して学習済みモデルMによって洗浄後の汚物残留状況を推定することで、洗浄条件が複雑になった場合でも、設計段階において、精度高く洗浄性を予測することができる。
以上のように、本実施形態の医療器具分析装置によれば、設計段階において、構造が複雑になった場合であったとしても精度高く洗浄性を予測することができる。
なお、本明細書におけるフローチャート中の各ステップは、その性質に反しない限り、実行順序を変更し、複数同時に実行し、あるいは実行毎に異なった順序で実行してもよい。
本発明は、上述した実施形態に限定されるものではなく、本発明の要旨を変えない範囲において、種々の変更、改変等が可能である。
11…入力部、12…データ形式変換部、13…推定部、14…出力部、21…構造入力部、22…洗浄条件入力部、100…医療器具分析装置、101…本体装置、102…入力装置、103…表示装置、104…CPU、105…メモリ、200…内視鏡、201…挿入部、202…操作部、203…ユニバーサルケーブル、204…先端部、205…湾曲部、206…可撓管部、207…湾曲操作ノブ、208…送気送水ボタン、209…吸引ボタン、210…湾曲操作ノブ、211…湾曲操作ノブ、212…内視鏡コネクタ、M…学習済みモデル。
Claims (9)
- 医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換部と、
学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定部と、
を有する医療器具分析装置。 - 前記推定部が推定した前記医療器具の前記洗浄後の汚物残留状況を表示装置に出力する出力部を更に有する、請求項1に記載の医療器具分析装置。
- 前記データ形式変換部は、前記医療器具の多次元構造情報をポイントクラウド、メッシュ、又は、ボクセルの形式の前記モデル入力データに変換する、請求項1に記載の医療器具分析装置。
- 前記医療器具の洗浄条件が入力される洗浄条件入力部を更に有し、
前記学習済みモデルは、前記学習用医療器具の洗浄条件を入力として更に用い、
前記推定部は、前記医療器具の前記モデル入力データから、前記医療器具の洗浄条件に基づいて、前記医療器具の前記洗浄後の汚物残留状況を推定する、請求項1に記載の医療器具分析装置。 - 医療器具の多次元構造情報を学習済みモデルに入力可能なモデル入力データに変換するデータ形式変換工程と、
学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した前記学習済みモデルに基づき、前記医療器具のモデル入力データから、前記医療器具の洗浄後の汚物残留状況を推定する推定工程と、
を有する医療器具分析方法。 - 前記推定工程が推定した前記医療器具の前記洗浄後の汚物残留状況を出力する出力工程を更に有する、請求項5に記載の医療器具分析方法。
- 前記データ形式変換工程は、前記医療器具の多次元構造情報をポイントクラウド、メッシュ、又は、ボクセルの形式の前記モデル入力データに変換する、請求項5に記載の医療器具分析方法。
- 洗浄すべき管路を有する学習用医療器具の多次元構造情報と前記学習用医療器具の洗浄後の汚物残留状況との関係に関して学習した学習済みモデルであって、
ポイントクラウド形式のデータを入力して深層学習することができるニューラルネットワークから構成され、
医療器具の構造情報から変換されたモデル入力データが前記ニューラルネットワークの入力層に入力され、
前記ニューラルネットワークの出力層から前記医療器具の洗浄後の汚物残留状況を出力するようコンピュータを機能させる、
学習済みモデル。 - 前記ニューラルネットワークは、前記モデル入力データに加え、前記医療器具の洗浄条件を前記入力層に入力する、請求項8に記載の学習済みモデル。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021146239A JP2023039197A (ja) | 2021-09-08 | 2021-09-08 | 医療器具分析装置、医療器具分析方法、及び、学習済みモデル |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021146239A JP2023039197A (ja) | 2021-09-08 | 2021-09-08 | 医療器具分析装置、医療器具分析方法、及び、学習済みモデル |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023039197A true JP2023039197A (ja) | 2023-03-20 |
Family
ID=85600372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021146239A Pending JP2023039197A (ja) | 2021-09-08 | 2021-09-08 | 医療器具分析装置、医療器具分析方法、及び、学習済みモデル |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2023039197A (ja) |
-
2021
- 2021-09-08 JP JP2021146239A patent/JP2023039197A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dawid | Beware of the DAG! | |
CN101243475B (zh) | 具有根据临床任务工作流程的简单点击风格交互的特征的方法和设备 | |
Andrews et al. | The CoSMoS process, version 0.1: A process for the modelling and simulation of complex systems | |
US11669997B2 (en) | Image processing system, image processing method, and storage medium | |
Ng et al. | Designing cable harness assemblies in virtual environments | |
US20050097536A1 (en) | Method of graphically displaying and manipulating multiple workflow run instances of a software application | |
Liu et al. | Real-to-sim registration of deformable soft tissue with position-based dynamics for surgical robot autonomy | |
RU2540829C2 (ru) | Интерактивный итеративный алгоритм ближайших точек для сегментации органов | |
JP2011110621A (ja) | ロボットの教示データを作成する方法およびロボット教示システム | |
Rüther et al. | An assistance system for guiding workers in central sterilization supply departments | |
KR101693808B1 (ko) | 3d기반의 비강 수술 시뮬레이션 방법 및 그 장치 | |
Noghabaei et al. | Object manipulation in immersive virtual environments: Hand Motion tracking technology and snap-to-fit function | |
JP2000155745A (ja) | 電子機器および記憶媒体 | |
JP2023039197A (ja) | 医療器具分析装置、医療器具分析方法、及び、学習済みモデル | |
JP2019036199A (ja) | 情報処理装置、タイミングエラー解析プログラム及びタイミングエラー解析方法 | |
JP2008165488A (ja) | 組立操作性評価装置、方法及びプログラム | |
JP2007200082A (ja) | 組立性評価方法、そのシステム及びプログラム | |
JP4971226B2 (ja) | 設計支援装置 | |
CN113366482B (zh) | 医疗器具分析装置、医疗器具分析方法以及已学习模型 | |
Iwasako et al. | Development of finger motion skill learning support system based on data gloves | |
Qian et al. | Efficient reinforcement learning framework for automated logic synthesis exploration | |
CN112764610A (zh) | 一种数学元素与函数的交互控制方法、装置、系统及介质 | |
Oberhofer et al. | Product modeling tools: approach to a targeted application in user-centered product design | |
Montaña-Brown et al. | SARAMIS: simulation assets for robotic assisted and minimally invasive surgery | |
JP6112233B2 (ja) | エネルギー解析装置、エネルギー解析プログラム及び記録媒体 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240404 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20240404 |