不同平卧间隔的反复体位改变对人体心血管应答和脑血氧的影响

来源 :北京体育大学 | 被引量 : 3次 | 上传用户:homemoons
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
目的:对同一组受试者实施三种不同平卧间隔的反复体位改变,研究三种模式反复体位改变对心血管功能,脑血氧和心率变异性影响的特点及相互差异。方法:试验采用重复测量设计,13名受试者在旋转床上进行三种不同模式的反复体位改变试验,每个受试者的试验顺序采用随机化,两个模式之间间隔一个星期以上。三种模式的反复体位改变均为平卧位/头高位交替(SUP/HUT)类型,头高位持续时间均为2min,三种模式中每两个头高位之间平卧位的持续时间不同,分别为2min,3min,5min,反复体位改变共重复10次。在反复体位改变过程中,实时记录受试者的心率(HR),血压(SBP,DBP,MBP),每搏量(SV),心输出量(CO),总外周阻力(TPR)等心血管指标和大脑前额叶的氧合血红蛋白(O2Hb),还原血红蛋白(Hb),总血红蛋白(t Hb)等脑血氧指标,同时对反复体位改变前后静坐时受试者心率变异性(HRV)进行分析。结果:1)反复体位改变过程中,与平卧位相比,在头高位时SBP,DBP,MAP,HR,TPR均上升,SV和CO下降;头高位时脑组织O2Hb和t Hb均呈现快速大幅下降,HHb先下降后又逐渐回升到基线水平。2)三种模式中,随着倾斜次数的增加,平卧位和头高位的SBP,DBP,MAP,TPR均呈现上升趋势。其中,模式1下,第5次倾斜时平卧位和头高位的BP,TPR和脑组织O2Hb,t Hb大于第1次倾斜,但与第10次倾斜无显著性差异。模式2和模式3下,第5次倾斜时平卧位和头高位的BP和TPR大于第1次倾斜,且明显低于第10次倾斜。3)第5次倾斜时,模式1头高位时的SBP,DBP,MAP,SV,CO和脑组织O2Hb,t Hb均高于模式2和模式3;第10次倾斜时,模式3头高位的SBP明显高于模式1和模式2,模式1平卧位和头高位的脑组织O2Hb,t Hb均高于模式2和模式3,但三个模式的DBP,MAP,SV,CO,TPR无明显差异。4)模式1前后低频功率(LF)明显升高;模式2前后总功率(TP)明显升高,归一化高频功率(HFNU)明显下降;模式3前后高频功率(HF),LF和TP明显升高,LF/HF明显下降。结论:1)SUP/HUT模式可以升高平卧位和头高位的血压,血压的这种增长可能主要是通过提高外周阻力来实现的;2)2min平卧间隔的反复头高位倾斜可同时提高平卧位和头高位时血压和脑血氧水平;3)3min和5min平卧间隔的反复头高位倾斜可提高平卧位和头高位时的血压,但对脑血氧无影响;4)2min平卧间隔的反复头高位倾斜的训练效果优于3min和5min平卧间隔的反复头高位倾斜,且所需时间更短,在航空、航天飞行前的“热身训练”中,宜采用2min平卧间隔的反复头高位倾斜。
其他文献
目前,中学教师的职业压力状况和心理健康水平一直是社会各界最关注的问题,随着社会的经济的发展,社会对教师职业的要求越来越高,教师面对的职业压力也越来越大,面对压力,教师将采取
在图像分割过程中,由于背景图颜色的影响,很容易造成分割错误问题或shrinking bias现象,影响图像处理质量。为改善因图像前景与背景重叠所产生的图像处理问题,本文借助视觉显
作为对开发自然资源与工程建设研究的各个阶段所开展的与地形相关的变形预报与分析、设备安装与施工放样、采集与处理信息的重要技术之一,测绘工程技术已经在各个领域被广泛
邓小平独立自主和平外交政策的根本目标,是维护世界和平和促进共同发展,为我国的经济建设创造一个良好的国际环境。这一政策的主要内容,是要把国家利益放在第一位、实行不结
休闲农业在周宁同全国各地一样属于新兴的产业,如何加快该新兴产业的发展,使之成为周宁农业经济的新的增长点,政府在培育这个新的经济增长点中,发挥着至关重要的作用。如何发
某锡矿重选流程中细粒级锡石物料采用摇床工艺,回收率偏低。为了提高锡石的综合回收率,采用新型捕收剂SH对重选流程中细粒级物料螺旋溜槽尾矿进行浮选脱泥脱硫预处理,然后进
随着我国信息化产业的飞速发展,信息技术的发展使得企业在经济全球化的条件下既面临无限的机遇同时又面临巨大的挑战。一方面要求企业紧随时代步伐,通过不断提高企业内部的管
在学校管理教育中,出现了一批特殊群体———单亲家庭学生。作为现代社会出现的必然产物,这给学校教育带来了难题。由于缺乏关爱,单亲家庭的孩子出现的问题远比完整家庭的孩子要
当今这个知识经济的时代,基于知识管理的项目管理越来越受到人们的关注。本文由知识管理的内涵引出话题,分析了知识管理的作用,知识管理与项目管理的关系,基于知识管理的项目
卷积神经网络(Convolutional Neural Network,CNN)作为典型的深度学习模型,在图像分类、目标检测和语义分割等诸多领域取得了一系列的研究成果。随着问题规模和复杂度的增加,CNN的参数与计算量都在成倍增长,使其对训练与运行环境特别是设备性能的要求相应提高。由于手机等移动设备以及嵌入式设备存在计算能力、存储空间等诸多方面的约束,使得现有CNN无法在这些资源受限设备上进行很好的