睡眠中脑电图是怎么变化的？其变化的特点是什么？ - 须知网
睡眠中脑电图是怎么变化的？其变化的特点是什么？
13:58:44&&
睡眠是不同于觉醒的另外一种生理状态，其脑电图与觉醒时是有差别的。睡眠南非快速眼动睡眠（NREM期）和快速眼动睡眠（REM期）两个交替出现的不同时相组成。
睡眠的分期正是结合脑电波的特征及其他一些生理表现而确定的。首先根据脑电波的特征，通常将非快速眼动睡眠期区分为由浅人深的四个不同时期，即第1期呈现低电压脑波，频率快慢混合，而以4～7次／秒的频率为主，它常出现在睡眠伊始和夜间短暂苏醒之后。第Ⅱ期也主要是较低电压脑波，开始出现短时成串的12&14次／秒的睡眠纺锤波和顶部驼峰波，少量睡眠纺锤波的出现，代表浅睡过程。第Ⅲ期的脑电图是以睡眠纺锤波为主，睡眠纺锤波是睡眠的重要标志之一。常有短暂的中或高波幅慢波，波幅超过50微伏，频率为1～2次／秒，叫做5波。第Ⅳ期出现弥漫的0.5&3次／秒、高波幅不规则慢波，其出现时间占总时间的50%以上，表明已经达到深睡状态。由此可见，在NREM睡眠期，从入睡开始随着睡眠程度逐渐加深，脑电图慢波便开始出现并逐渐增多。当6波在脑电图中占优势时，也就是深度睡眠阶段。与NREM期不同的REM期是在睡眠过程中周期出现的一种激动状态。脑电图呈现快频低压电波，类似清醒时脑电波。可见REM睡眠期与NREM睡眠期相比，脑电图方面有着本质的不同。
此外，两个睡眠时相的其他生理指标也有差异。随着睡眠由浅入深，意识逐步丧失，血压略下降，心率、呼吸减慢，瞳孔缩小，体温和代谢率均下降，尿量减少，胃液增多，唾液分泌减少，发汗功能增强等。当进入REM期时，自主神经系统活动增强，如心率、呼吸加速，血压升高，脑血流及耗氧量均增加，在男性则有阴茎勃起。此外，睡者时时翻身，面部和指（趾）端肌肉不时抽动。在实验动物中还记录到单个神经细胞的放电活动不但高于慢波睡眠时的脑电波，有时还超过清醒状态下的脑电活动水平。人的REM睡眠期与动物一样，会表现出三个特征：①低电压，快频脑波；②颈部肌肉张力松弛及脊髓反射被抑制，此时运动系统受到很强抑制；③频繁出现快速的眼球运动，同时在一些和视觉有关的脑结构，包括大脑皮质视区，m现高大锐波，统称脑桥膝状体一枕区皮质波( PGO J。
两个睡眠期的作用是大不相同的，研究发现非快速眼动睡眠主要用于恢复体力，快速眼动睡眠主要用于恢复脑力。脑电图及其他生理指标是识别睡眠分期的重要标志。
相关内容：
【集贸市场的特点】集贸市场是指有固定场地、设施，由若干经营者参与，以集中、公开方式进行农副产品交易的场所。集贸市场数量多，遍布城...
(1)农户与农业产业化龙头企业签订购销合同，依托龙头企业发展订单农业。这些公司除了同农户签订农产品购销合同外，还为农户提供预付定金，...
集贸市场是指有固定场地、设施，由若干经营者参与，以集中、公开方式进行农副产品交易的场所。集贸市场数量多，遍布城乡，是农民销售农产品...
港式栽培法是中国香港、中国澳门以及东南亚一带草菇大面积栽培的主要方法。近年来广东省深圳、东莞等地也广泛采用。这种方法适于大面积...
银耳菌种与其他食用菌菌种相比，最主要的特点是：由两种菌丝混合组成。一种是银耳菌丝，它是菌种中的有效成分，由它形成银耳的子实体，...
目前棘托竹荪已在全国各地广泛栽培。棘托竹荪具有如下特点：(1)生长迅速母种满管仅需10～13天，原种46天可长满瓶，栽培种20天左...
目前常见的菌种容器有750毫升、600毫升、500毫升玻璃瓶，以及800毫升聚丙烯塑料菌种瓶（方底、圆底两种式样）和聚丙烯、聚乙烯塑料袋等...
根据我国有关渔业部门对全国近几年的鱼病监测结果可以看出，我国鱼病发生正呈现以下特点。(1)发病品种多我国主要水产养殖品种都有不同程度...百度拇指医生
&&&普通咨询
您的网络环境存在异常，
请输入验证码
验证码输入错误，请重新输入24小时脑电图偶见少量纺锤波是什么意思_百度宝宝知道睡眠纺锤波 - 心电图脑电图专业讨论版 - 爱爱医医学论坛
查看: 164|回复: 2
睡眠纺锤波
马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
才可以下载或查看，没有帐号？
请问各位大侠，用什么软件自动判读、分析睡眠纺锤波？
有很多方式：Artificial Neural Networks (ANN) [10] E. Ventouras, E. Monoyiou, P. Ktonas, T. Paparrigopoulos, D. Dikeos, N. Uzunoglu, C. Soldatos, “Sleep Spindle Detection Using Artificial Neural Networks Trained with Filtered Time-Domain EEG: A Feasibility Study,” Comput. Meth. Prog. Bio., vol. 78, pp. 191-207, 2005. [15] N. Acır, and C. Gόzelis “Automatic recognition of sleep spindles in EEG by using artificial neural networks,” Expert Syst. Appl., vol. 27, no. 3, pp. 451–458, 2004. [19] Gunes, S., Dursun, M., Polat, K., Yosunkaya, S., “Sleep spindles recognition system based on time and frequency domain features,” Expert Systems with Applications, 38, , 2011 comprise frequency and amplitude analysis&&[12] P. Schimicek, J. Zeitlhofer, P. Anderer, B. Saletu, “Automatic sleep spindle detection procedure: aspects of reliability and validity,” Clin. Electroencephal., vol. 25, no. 1, pp. 26-29, 1994. [13] E. Huupponen, G. Gomez-Herrero, A. Saastamoinen, A. Varri, J. Hasan, S.-L. Himanen, “Development and comparison of four sleep spindle detection methods,” Artif. Intell. Med., vol. 40, pp. 157-170, 2007. [14] R. Bódizs, J. Körmendi, P. Rigó, A. Sándor Lázár,“The individual adjustment method of sleep spindle analysis: methodological improvements and roots in the fingerprint paradigm,” J. Neurosci. Meth., vol. 178, no. 1, pp. 205-213, 2009.&&[25] A. Nonclercq, C. Urbain, D. Verheulpen, C. Decaestecker, P. Van Bogaert, P. Peigneux, “Sleep spindle detection through amplitude– frequency normal modelling,” J. Neurosci. Meth., vol. 214, no. 2, pp. 192-203, 2013. Fuzzy detectors [11] L. Causa, C. Held, J. Causa, P. Estévez, C. Perez, R. Chamorro, M. Garrido, C. Algarín, P. Peirano, “Automated sleep-spindle detection in healthy children polysomnograms,” IEEE Trans. Biomed. Eng., vol. 57, pp. , 2010.&&[13] E. Huupponen, G. Gomez-Herrero, A. Saastamoinen, A. Varri, J. Hasan, S.-L. Himanen, “Development and comparison of four sleep spindle detection methods,” Artif. Intell. Med., vol. 40, pp. 157-170, 2007. Support-Vector Machine (SVM) classifiers [15] N. Acır, and C. G)zelis, “Automatic recognition of sleep spindles in EEG by using artificial neural networks,” Expert Syst. Appl., vol. 27, no. 3, pp. 451–458, 2004. I. Mporas, P. Korvesis, E. Zacharaki, V. Megalooikonomou, “Sleep Spindle Detection in EEG Signals Combining HMMs and SVMs,” in Engineering Applications of Neural Networks, Communications in Computer and Information Science, vol. 384, L. Iliadis, H. Papadopoulos, S. Jayne Eds. Berlin: Springer, 2013, pp. 40-49. Matching Pursuit (MP) and wavelet techniques [16] J. Zygierewicz, K. J. Blinowska, P. J. Durka, W. Szelenberger, S. Niemcewicz, W. Androsiuk, “High resolution study of sleep spindles,” Clin. Neurophysiol., vol. 110, pp. , 1999. [17] S. V. Schonwald, E. L. de Santa-Helena, R. Rossatto, M. L. F. Chaves, G. J. L. Gerhardt, “Benchmarking matching pursuit to find sleep spindles,” J. Neurosci. Meth., vol. 156, no. 1–2, pp. 314–321, 2006. [18] F. Duman, A. Erdamar, O. Erogul, Z. Telatar, S. Yetkin, “Efficient sleep spindle detection algorithm with decision tree,” Expert Syst. Appl., vol. 36, pp. , 2009.&&[21] L. Zhang, H. Li, and Y. Wei, “Sleep spindle detection using a novel instantaneous frequency definition,” Math. Meth. Appl. Sci., vol. 35, pp. , 2012. switching linear Gaussian state-space models [27] T. A. Camilleri, K. P. Camilleri, S. G. Fabri, “Automatic detection of spindles and K-complexes in sleep EEG using switching multiple models,” Biomed. Signal Proces., vol. 10, pp. 117-127, 2014. Bayesian algorithms [28] B. I. Babadi, S. M. McKinney, V. Tarokh, J. M. Ellenbogen, &DiBa: a data-driven Bayesian algorithm for sleep spindle detection&, IEEE Trans. Biomed. Eng., vol. 59, no. 2, pp. 483-493, 2012.
查文献，有很多方式：Artificial Neural Networks (ANN)、Support-Vector Machine (SVM) classifiers、Matching Pursuit (MP) and wavelet techniques、switching linear Gaussian state-space models、Bayesian algorithms、frequency and amplitude analysis等，可是有谁用过吗？
爱爱医心电图交流群：权威专家定期培训交流
Powered by 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
关于脑电图报告结论及异常脑电图常用结论性用语的建议
下载积分：999
内容提示：关于脑电图报告结论及异常脑电图常用结论性用语的建议
文档格式：PDF|
浏览次数：20|
上传日期： 17:02:15|
文档星级：
该用户还上传了这些文档
关于脑电图报告结论及异常脑电图常用结论性用语的建议
官方公共微信