【摘 要】
：
目的:应用电化学分析和脑电记录手段研究匀速摇摆运动时观察腹外侧视前区γ氨基丁酸（GABA）和谷氨酸（Glu）含量及脑电图波变化,探讨匀速摇摆运动对睡眠的影响。方法:根据Paxinos和Waston大鼠脑图谱在大鼠腹外侧视前区（VLPO）置入微型透析针,用脑部微量透析法和高效液相色谱法测定静止期及匀速摇摆运动时对照组、清醒大鼠实验组、单侧外周前庭器官破坏同侧组、单侧外周前庭器官破坏对侧组、双侧外周前
论文部分内容阅读
目的:应用电化学分析和脑电记录手段研究匀速摇摆运动时观察腹外侧视前区γ氨基丁酸（GABA）和谷氨酸（Glu）含量及脑电图波变化,探讨匀速摇摆运动对睡眠的影响。方法:根据Paxinos和Waston大鼠脑图谱在大鼠腹外侧视前区（VLPO）置入微型透析针,用脑部微量透析法和高效液相色谱法测定静止期及匀速摇摆运动时对照组、清醒大鼠实验组、单侧外周前庭器官破坏同侧组、单侧外周前庭器官破坏对侧组、双侧外周前庭器官破坏组,大鼠VLPO区GABA和Glu含量和脑电图波的变化。结果:（1）匀速摇摆运动开始后清醒大鼠和单侧外周前庭器官破坏对侧组VLPO区GABA含量逐渐增加,到20min时达到顶峰,40min恢复到基础水平,同时伴有相应时段脑电图波进入睡眠的变化;（2）单侧外周前庭器官破坏同侧组VLPO区GABA含量无明显改变;（3）双侧外周前庭器官破坏组GABA含量未见明显改变;（4）匀速摇摆运动开始后清醒大鼠、单侧外周前庭器官破坏同侧组和单侧外周前庭器官破坏对侧组VLPO区Glu含量未见明显改变。结论:（1）匀速摇摆运动可通过刺激外周前庭器官促进大鼠睡眠,并缩短睡眠潜伏期;（2）匀速摇摆运动对大鼠睡眠的影响与VLPO区GABA含量一过性升高有关;（3）Glu在大鼠睡眠的神经调节轴中可能无明显作用。
其他文献
[目的]分析慢性鼻窦炎患者的变应原谱、血清总IgE和血清特异性IgE的特点,探讨变态反应在慢性鼻窦炎中的作用机制。[方法]收集2016年7月-2018年10月期间收入本院耳鼻咽喉头颈外科的变应原检测阳性的慢性鼻窦炎患者160例,根据《慢性鼻-鼻窦炎诊断和治疗指南（2012）》分为79例慢性鼻窦炎伴鼻息肉组（CRSwNP组）和81例慢性鼻窦炎不伴鼻息肉组（CRSsNP组）,同期91例变应原检测阳性的
高光谱图像相比于自然图像具有更加丰富的空间信息和光谱信息,能够用于对地物目标进行更准确的识别,近年来得到了越来越广泛的研究和应用。高光谱图像数据丰富,但是标记样本难以获取,因而应用更少的标记样本得到更高的分类精度是重要的研究方向。随着深度学习技术的发展,许多基于神经网络的高光谱图像分类方法取得了很好的分类效果。但是这些分类方法大多从邻域块内提取特征信息,忽视了地物目标在空间上更大区域内的匀质性。图
随着高光谱遥感成像技术的不断发展,高光谱图像在现实世界中的应用已经成为遥感领域中的重点研究方向并受到越来越多学者们的关注。区别于自然图像和多光谱图像,高光谱图像具有更多的光谱波段和更多的光谱信息,便于研究者对地物目标进行更好的分类。深度学习方法可以有效提取高光谱数据中的光谱-空间信息,已经在高光谱图像分类任务中取得了很好的效果。但是,现实世界中的高光谱数据集往往是开放集,即由于时间成本和人力成本等
视觉目标跟踪是计算机视觉中一个基础而又具有挑战性的研究课题,应用场景越来越广泛,主要包括视频监控、人机交互、自动驾驶以及军事制导等。视觉目标跟踪的主要任务是,给定视频第一帧图像中待跟踪目标的位置,通过跟踪器推断出该目标在后续帧图像中的位置。近年来,越来越多的研究人员致力于基于深度神经网络的视觉目标跟踪研究,跟踪的性能也在不断地被优化,但是由于存在背景相似干扰、目标形变、光照变化、尺度变化、运动模糊
随着虚拟现实、自动驾驶和机器人等智能技术的发展,在相关的定位、建图与导航任务中,视觉SLAM（Simultaneous Localization And Mapping）成为了其理论的核心支持技术。目前大多数落地的视觉SLAM方案,主要由传感器、视觉里程计、后端优化、回环检测和建图几个模块组成,其用于视觉跟踪的视觉里程计模块依赖于手工设计的特征点而非真正的地标,这将导致SLAM系统在光照变换等复杂
目的:宫颈癌是妇科最致命的恶性肿瘤之一,主要由持续的高危型人乳头瘤病毒（high-riskhumanpapillomavirus,HR-HPV）感染引起,近年来宫颈癌的发展趋势逐步趋于年轻化,严重影响着患者的生活质量及身心健康。早已有研究表明,宫颈病变过程需长达10余年的时间,所以治疗和预防宫颈癌的最好方法就是阻断和干预HPV感染,寻找到一种转阴率高、副作用小、复发率低的治疗方法已经成为当前预防宫
遥感技术可以帮助人们更直观地了解世界,研究人员通过遥感技术可以从空中监测地球上的物体,这对资源勘探、地物监测以及海、陆、空导航意义重大。深度学习是一种新的遥感数据信息提取方法,也是处理大规模遥感数据的工具。目前遥感技术与深度学习的结合已经取得了显着的效果,提升了分类任务、语义分割任务、目标检测任务、变化检测任务等诸多问题的精度,在实际的应用落地过程中,已经有很多的成功经验和方向可以借鉴。本文将视觉
当前目标检测作为计算机视觉的基础性任务受到了广泛的关注。伴随着现代计算机计算能力的提升,目标检测的方法也从传统的手工特征输入向采用深度神经网络进行特征提取的方法过渡。同时无人机在各个行业的应用逐步深入,基于无人机的目标检测领域成为了当下研究的一个重要方向。无人机的目标检测系统有其独特应用场景需求,其中主要体现在硬件系统和算法支持两个方面。由于无人机本身的体积重量和能耗的限制,因此对基于无人机的目标
在过去的几十年中,涌现了对目标信息处理的多种多样的信息融合算法,涵盖目标信息处理的各个阶段,包括:空间配准、数据关联、数据滤波、航迹关联、估计融合、和目标识别等。各个算法有各自的优点和缺点,没有一个算法能适应所有任务需求。根据任务需求选择合适的算法不仅能充分发挥算法自身的优势,而且能实现算法的优势互补,提高目标信息处理的性能。在不同的任务场景下该选择哪个算法,即算法的集成调度问题成了现阶段目标信息
随着深度学习的快速发展,基于卷积神经网络的目标检测算法在目标检测领域取得突破性进展,并成为近些年最热门的研究方向之一,被广泛应用于自动驾驶、视频监控、医学影像、雷达探测等领域。经典的基于卷积神经网络的目标检测算法有SSD、YOLOv3等算法,这些算法在带来高性能的目标检测效果的同时,也带来了巨大的参数量和计算量,因此当前主要通过GPU等高算力平台进行实现。但是GPU存在功耗高、体积大等缺点,难以应