en.wikipedia.org(效应量的符号)

效应量（effect size,ES）是衡量处理效应大小的指标，与显著性检验不同，这些指标是不受样本容量影响的。它表示不同处理下的总体均值之间差异的大小，可以在不同研究之间进行比较。一般用于针对某一研究领域内的元分析中，经常见于心理，教育，行为研究等。

在一般统计分析中，一般我们只报告统计量F或t值，与p-value；实际上这些统计量对数据的描述只是描述了一小部分；传统的描述还应包括样本量，样本均数与标准差；但这些传统的描述量基本只是对单变量分布的描述，而对两组变量或处理效应的描述，则用effect size更加直观。它在平均数检验中表示的是两组样本分布的总体的非重叠程度；ES越大，重叠程度越小，效应明显；ES越小则相反。可以这样理解，不管你取哪种样本，ES是作为为一种标准的均数差异的估计，它与当前样本无关。显然，传统的推断统计量F及p-value只是说明均数差异，但这种差异脱离样本推广到不同的抽样群体，差异究竟有多大，需要用ES来描述。（可以这样来形容F值与ES值：F值表示的是样本1与样本2之间的显著性；而ES值是表示在样本1的总体与样本2的总体中随便抽取两个样本，这种差异显著性出现的可能性）一个很好的例子： 公卫人

见：http://en.wikipedia.org/wiki/Effect_size#Distribution_of_effect_sizes_based_on_means

如果说平均水平，男性比女性身高要高；而这种均数的ES则可以这样来解释，ES越大则更容易在实际中看到男性要高，越小则看到男性要高的可能性会小些。应该说，ES更能说明实践中我们所关心的差异，而不是数据上的差异显著问题。ES是帮助我们知道观测到的差异是不是事实上的差异。相关系数和方差分析中的ES原理与均数比较相同，只是样本和总体分布不同。 公卫人

此外，ES与统计效力1-beta有所区别，它们是正向相关，1-beta受样本容量影响较大，而ES不受样本容量影响。具体的函数关系见：

图：http://www.power-analysis.com/effect_size.htm

及：甘怡群等编著.心理与行为科学统计.北京大学出版社，2005，p109.

J. Cohen(1992)认为：d=0.2视为是低效果，d=0.5视为是中等程度的效果大小，d=0.8视为是高效果。

Stata命令为esize（Stata 13新增）, 第三方命令为cohend（可用于Stata 13之前的版本）

如果说世界上最变态的杀人犯，非那个只有1.50米高的日本人莫属。杀人、碎尸、食人肉、奸尸，这些字眼都是那个日本人干的。最关键的是，他最后没有受到任何惩罚，锦衣玉食直到现在还过得很好。

佐川政一出生在1949年的日本神户，二战结束没几年，日本一片废墟，经济更是全面崩溃。但是，佐川政一却是含着金汤匙出生，他的父亲是当地数一数二的实业家，家境相当的殷实。

佐川政一从小就受到了很好的教育，聪明伶俐，乖巧懂事。直到佐川政一在14岁那年夏天，他的同桌是一名女生。在上课期间，佐川政一低头突然看到了女同学露出短裙的雪白的大腿，一个念头瞬间在他的脑海里闪现：女人的肉一定很好吃吧。

这个念头从佐川政一的头脑中闪现了一下，就再也挥之不去。而当时的日本街头还能见到美国女兵，佐川政一看到那些身材高挑，金发碧眼的外国女人的时候，那个吃人肉的念头如同一只魔爪深深的捏住了他的灵魂。

17岁的佐川政一身高只有1米5，从此再也没有长高，身材矮小的他内心非常的自卑，但是他内心里那个想吃人肉的念头从未消逝，甚至越来越强烈。已经成年的佐川政一受到过很好的教育，深知自己一定是心理出了问题。于是，他去找了心理医生。

这位心理医生听了佐川政一的讲述，非常明确那是因为佐川政一虽然拥有常人无法比拟的物质条件，却苦于自己的形象太过普通，甚至丑陋，强烈的落差以及极度自卑导致了佐川政一的心理扭曲。

心理医生还是比较担心佐川政一作出出格的举动，于是就将他来就诊的事情告诉佐川政一的父亲。佐川政一在神户是当地的名人，得知了儿子心理变态，很担心佐川政一作出傻事会影响他在名望，于是决定送佐川政一出国留学。

佐川政一被送到了法国，他内心一阵狂喜，满大街都是金发碧眼的白种女人，他内心那颗魔鬼种下的种子渐渐地生根发芽了。佐川政一租住了一套公寓，我最大的爱好就是在当地找了很多应召女到公寓里，每次完事儿后，佐川政一都会拿着一把猎枪从洗澡间的玻璃窗户偷看应召女洗澡。

佐川政一每次都无法彻底地下定决心杀死应召女，他最后的本能将他那个可怕的念头死死地压制住，直到有一天他得了重感冒。

佐川政一差点被这次重感冒要了命，好不容易病愈后的佐川政一突然开了窍：如果自己就这么死去，自已从14岁就想实现的愿望就永远无法实现了，是时候去实现自己的梦想了。

佐川政一没有再找应召女，而是将他唯一的异性朋友来自荷兰的里尼·哈特维尔特。这位漂亮、高挑、皮肤白皙的荷兰姑娘从不介意佐川政一身材矮小，思想猥琐，一直将这个来自东方的日本当作朋友，但也仅仅是当作朋友。

佐川政一非常喜欢里尼，他决定向她表白，就将里尼叫到了自己的公寓里，当里尼坐在餐桌边上的椅子上时，佐川政一向里尼表白了，但里尼很直接的拒绝了他。里尼只把佐川政一当作普通的朋友，她并不爱这个矮个子日本人。

佐川政一彻底地失望了，他缓缓地给里尼读诗歌，并慢慢地走到里尼的背后，从厨房里拿出了那把拿出来过无数次的猎枪，非常果决的对着里尼的后脑勺开了枪。一声闷响，里尼没有任何反应地扑倒在餐桌上，脑浆和鲜血流满了餐桌。

佐川政一丢掉猎枪，就在餐桌上将里尼的衣服扒掉，然后在对里尼的尸体进行了奸污。佐川政一发泄完他的兽欲，就将尸体搬到了自己的床上，并从厨房拿了一把刀，将里尼的左乳房和鼻子割了下来，放在嘴里大快朵颐的吃了起来。

后来佐川政一在他的自传里描述了吃人肉的感觉：她的脂肪流出来像玉米一样，白黄色；她屁股的肉非常好吃，简直是入口即化，我一生从未吃过如此的美味。

佐川政一吃了里尼的乳房和鼻子后，又将她的臀部的肉割下来放在了冰箱里，打算留着日后慢慢地享用。佐川政一做完这些事情后，觉得很累了，就拥着里尼的尸体躺在床上睡着了，直到第二天醒来，他一边在里尼残缺的尸体发泄兽欲，一边还啃食着里尼尸体上的残肉。

佐川政一就这样和里尼的不成型的尸体一起生活了三天，累了就抱着尸体睡，醒了就奸尸，饿了就生吃尸体上的肉，直到尸体渐渐的发臭，佐川政一才依依不舍的准备抛弃尸体。

他将尸体的分成了几大块，并装进了一个旅行箱里，拖着这个旅行箱打算丢到公寓外面去，可是佐川政一刚出门没多久，就被邻居看出了不寻常，立刻报警。警方迅速到来找到了装有里尼尸体的箱子，没多久就找到了佐川政一，并逮捕了他。

这起残忍的刑事案件在法国引起了轰动，甚至整个欧洲都知道佐川政一这个来自日本的恶魔，而远在日本的佐川政一的父亲为儿子震惊的同时，又花费了巨额资金为佐川政一请了欧洲最好的律师，并用金钱与法国警方进行了幕后的交易。

佐川政一最后以精神病在欧洲逃脱了法律的惩罚，他的父亲又花费巨资将他从法国的精神病医院转回了日本。回到日本后的佐川政一仅仅在精神病医院呆了两个月就被释放了，他彻底的自由了，一个变态的杀人犯大摇大摆地走出了禁锢他的医院。但是，佐川政一的传奇还没有完。

佐川政一出来了，日本所有的媒体和电视台几乎都想采访他，甚至很多媒体还必须要预约才能得到佐川政一的会面，而佐川政一向采访他的媒体根据内容进行收费。佐川政一在日本的很多媒体、电视、综艺上露过面，他不但大谈如何吃人肉，甚至将所有的细节描述得相当的清楚。

佐川政一因此大赚了一笔，同时他还出了几十本书，有自传，有小说，也有诗歌，这些内容几乎都是围绕着他杀人食肉的犯罪过程。后来，日本根据佐川政一的犯罪拍摄了一部电影，在电影里，佐川政一还出演了一个角色。

直到今天，佐川政一依然活得相当的滋润，这个变态的杀人犯被上帝遗忘在了人间。

当今排名前列的VR硬件设备厂商HTC Vive和Oculus所采用的定位方式都采用了PnP解算，但都有各自的局限性和适应的场景。

空间定位是VR 市场中一个非常关键的技术，当今排名前列的VR硬件设备厂商（HTC Vive和Oculus）分别采用了不同的空间定位方案：

Oculus——Constellation红外摄像头定位HTC Vive、大朋VR——灯塔激光定位系统

尽管这两种定位方式都采用了PnP解算，但都有各自的局限性和适应的场景，下文将逐一详细分析。

丨Oculus Constellation定位系统

Oculus采用的是基于Camera的定位方案，被称为Constellation。在Oculus头盔和手柄上都布满了红外Sensor，以某个固定的模式在闪烁。

通过特制的Camera以一个固定的频率（Oculus Rift CV1是60fps）拍摄，得到一组图片。系统通过这些点在图片上的二维位置，以及已知的头盔或者手柄的三维模型，反推出点在三维空间中的位置。这个过程可以进一步的细分成以下的步骤：

首先，为了确保准确的定位到头盔和手柄上的LED，PC端的Oculus Camera软件/驱动程序通过HID接口发送某个命令点亮LED，该亮度足以被Camera捕捉到，同时这些LED以某个特殊的模式闪烁。这样能确保即使有遮挡的情况下，在不同的角度下，只要有足够多的LED被拍摄到，整个的tracking系统就能正常工作，不会被环境中的其他噪声信号所影响。

然后是记录下每一个被捕捉到的LED的位置和方向。

当然，为了做好定位，Oculus Camera本身并不需要LED的颜色，只需记录每个点的明暗，所以Oculus Camera固件中记录下的的图像为752×480像素, 像素格式为Y8灰阶，每一幅图看起来如下：

拿到头盔上的LED在二维图片上的位置，又有头盔上Sensor的三维模型，有什么办法可以估算出这些点的三维位置？这本质上是一个Pnp解算的问题（https://en.wikipedia.org/wiki/Perspective-n-Point）：有了n个3D点的模型（就像上面提到的LED点在头盔上的3D分布）， Camera拍摄下来的n个2D点的集合，再加上Camera本身的内部的参数，可以推算出这些点的位置坐标（X,Y,Z） 以及姿态（Yaw，Pitch，Roll）。

这个点的集合到底有多大?这是一个寻求最优解的问题，常见的做法是n>=3，也就是图片上只要拍到三个以上的LED，就能够解算出相关的姿态和位置。考虑到遮挡或者拍摄的照片不够清楚等因素，实践中看，至少要拍摄到4-5个点，整个头盔的姿态和位置才能被正确的算出，这也是为什么在Oculus的头盔上布满了很多LED点的一个重要原因。

算出来的数据有误差怎么解决？一个常见的办法是得到6DOF的数据之后，用该数据再做一次投影，产生新的2D图像，把该图像和我们开始用来计算的图像进行比较，得到一个误差函数，应用该函数来进行校准。不过这带来另外一个问题：点进行比较的时候，你怎么知道3d模型上的点，和拍摄到的二维图像上的点之间的匹配关系?如果做一一对应的全匹配计算的话，计算量太大。所以Oculus采用的办法是采用不同的闪烁模式，来快速匹配3d模型上的点和拍摄到的图像上的点。

进一步，在姿态估计的问题上面，通过光学（Camera图片）得到的姿态会有误差，而这种误差主要来自于物体快速移动时捕获到的照片上的点识别的困难。为了减少这种误差，需要通过IMU信息来进行一步校准通过PnP解算得到的姿态，这就是所谓的Sensor数据融合。

从上面的描述可以看出来，基于Camera的光学定位技术，安装配置比较简单，成本也比较低，但是图像处理技术较为复杂，物体移动较快时识别物体的位置有比较大的困难，同时容易受到自然光的干扰。

另外，基于Camera的定位精准度受到Camera本身分辨率的限制，比如Oculus Rift的Camera为720p，比较难以提供亚毫米级的精准定位。

最后，Camera自身能够捕捉到的照片的距离比较近，不能应用到很大的房间位置，一般都只能提供桌面级别的VR定位。当然最近Oculus提供了三个Camera的方案，试图在room scale级别和灯塔定位技术一较高下。

丨灯塔激光定位技术

反之，HTC、大朋等企业提供的灯塔激光定位技术，避免了Camera定位技术的高复杂度，具有定位精度高，反应速度快，可分布式处理等优势，能够允许用户在一定的空间内进行活动，对使用者来说限制小，能够适配需要走动起来的游戏，真正实现Room Scale级别的vr定位。

下面从灯塔定位的原理解释为什么在大空间的应用中灯塔激光定位是一个更好的选择。

HTC的灯塔定位系统中有两个基站，每个基站上面有两个马达，其中一个马达往水平方向扫射，另外一个朝垂直方向扫射。

基站刷新的频率是60Hz，基站a上面的马达1首先朝水平方向扫射，8.33毫秒之后，第二个马达朝垂直方向上扫射（第二个8.33毫秒），然后基站a关闭，接着基站b重复和基站a一样的工作......

这样只要在16ms中，有足够多的Sensor点同时被垂直和水平方向上的光束扫到，这些Sensor点相对于基站基准面的角度能够被计算出来，而被照射到的Sensor点在投影平面上的坐标也能够获得。同时，静止时这些点在空间中的坐标是已有的，可以作为参考，这样就能够计算出，当前被照的点相对于基准点的旋转和平移，进一步的得出这些点的坐标，这其实也是一个PnP问题。

进一步的，再融合IMU上获得的姿态，就能够较准确的给出头盔或者手柄的姿态和位置。

在上一步中计算出来的头盔/手柄的位置和姿态信息，通过RF传递到和PC相连的一个接收装置，该装置再通过USB接口，把数据上传到PC端的driver或者OpenVR runtime，最后上传到游戏引擎以及游戏应用中。

丨大朋VR定位方案

相比HTC Vive的定位技术，大朋在激光定位方面做了进一步的创新，在每个基站上面加入了三个马达，从上到下编号，1号马达从垂直方向上扫描，2号马达从水平方向扫描，3号马达从垂直方向扫描。

每一个马达扫描的时间间歇是4ms，该马达在工作的时候，其他马达都处于关闭状态，基本时序如下：

基站上面的马达1首先发送同步光信号给头盔/手柄上的Sensor点，Sensor点清零计数器，马达1接着朝垂直方向扫射；4毫秒之后，第2个马达朝水平方向上扫射（第二个4毫秒），然后是第3个马达朝垂直方向上扫射（第3个4毫秒）。

被照射到的Sensor点可以比较容易的得到被照射时的时间，以及每一个马达开始扫描的时间。马达的转速是固定的，这样就可以得到Sensor点相对于扫射平面的角度，而该角度编码后通过RF传送到PC端，再做进一步的姿态融合之后，PC端就能容易的拿到6DOF的数据。

在指定时间里增加扫描的次数，大大减少所需要的sensor数量。从实际测试中看，在大朋的最新款的E3P中，最后需要的传感器数量大概是Lighthouse的四分之一左右（Lighthouse用了几十个传感器），头盔和手柄所需要的传感器都是个位数，头盔手柄都变得更轻便。这不仅大大增加了整个定位系统的稳定性，也让sensor在头盔或手柄上的布局也更加的简单。

进一步的，由于每次扫描的时间间隔更短，所以手柄的姿态等信息能够以更快的频率（每4ms一次）传送到PC端，更及时的更新到VR游戏中。

在玩VR游戏或者应用的时候，难免会出现各种各样的遮挡，为了让用户能够在房间级别的空间中畅玩，必须要让灯塔在360度各角度方位都能够照射到头盔和手柄，大朋VR的解决方案和htc一样，也是双基站。双基站的工作时序和单基站一样，唯一的区别是，主基站工作的时候，从基站是关闭的，反之亦然。

大朋VR激光定位固有的定位稳定，需要的Sensor点少这些特点，使得该定位方案能够非常好的应用到教育行业和多人联机对战中。

比如以下的场景中，只需要一到两个基站可以覆盖多台网吧电脑，大大降低成本。

综上来看，相较于红外方案，激光定位在大空间多人联机的应用上具有较明显的优势。

不可以。。。例如，A的维数是1*a, B是a*b, C是b*c, D是c*1，a,b,c和1互不相等，这样A*B*C*D是标量，但显然C*A*B*D从维数上看就是不对的，C和A不能相乘事实上如果取矩阵的迹(Trace, Tr(*), Tr(A)表示一个方阵A的主对角线上所有元素之和)，则乘法是可以交换的，Tr(AB) = Tr(BA), Tr(ABC) = Tr(CAB), Tr(ABCD)=Tr(DABC), 等等在这个例子里，因为A*B*C*D是一个数，所以Tr(ABCD) = ABCD, 则有ABCD = Tr(ABCD) = Tr(DABC) = Tr(CDAB) = Tr(BCDA) ，但是去掉Trace等式是不成立的，除非括号内为标量关于迹可以参考任意一本线性代数书，或者http://en.wikipedia.org/wiki/Trace_(linear_algebra)

不要电击！不要电击！不要电击！

大脑中大多数神经细胞不会再生，因此保存在神经网络中的记忆肯定是随年龄减少。

如何无视时间，拥有超级好记忆呢？

总结起来，脑力锻炼、体育锻炼、良好睡眠（三期睡眠好），都必不可少。

为什么这么说？

可以先看一下人脑的记忆究竟怎么回事。

人的记忆分成“显性”（explicit ）和“隐性”（implicit） 记忆两大类。

显性记忆就是能用语言表达的，又分成 “陈述型记忆”和 “事件记忆”。陈述型记忆的内容主要是知识，比如你背诵的唐诗。事件记忆是经历，比如回忆前天你早饭吃的是什么。

隐性记忆则主要是“程序记忆(procedural memory)”，比如学会骑车、滑雪、跳舞这些连续动作，以及学会的顺口溜、外语 。隐性记忆一旦形成可以稳定终生，所以你在小时候学会骑车，即使日后多年不骑车，但一接触自行车还是马上能骑。

显性和隐性记忆在大脑中的关键节点：

A 显性记忆的关键点是海马体（图中紫色结构），隐性记忆的关键节点是基底节（图中绿色结构）右上角插图标示海马和基底节在大脑中的位置。

B 人脑的标本的冠状切面（即两耳之间的切面，平面的位置由图A中的虚线标示）。海马体和基底节与大脑皮层形成高度互动的网络，把记忆储存下来。（大脑皮层即B图中的大脑外圈，颜色比较深的那层）

C 人脑海马体（右）和真的海马（左）比较，体积形状都相似。

也就是说，当你在广场上跳“小苹果”时，用的是程序型记忆；休息的时候和昨天刚认识的大妈打招呼，用的是事件记忆。而进一步和大妈套近乎，讲解股市“K线”，用的是陈述型记忆。

那么，如何减缓记忆衰退的速度？

大脑肯定随着年龄不断衰退，而体力和脑力锻炼是减缓记忆衰退的有效武器。

脑力锻炼主要靠多动脑，学习有挑战性的新知识最有益。老年大学和退休后公益志愿活动都是极好的脑力锻炼。

虽然大脑中大多数神经细胞是不能再生的，死一个少一个，但记忆是存储在神经细胞之间的连接点上的，一个神经细胞与其他神经细胞间有几千个连接点。一个细胞死亡不会丢失一个记忆，而只会由于相关节点的丢失使记忆减弱，模糊。

上图是海马中神经细胞的局部特写：

彩色小球为神经细胞体，拖着的尾巴是神经纤维。左上方的彩色细线是来自其他神经细胞的纤维。神经细胞通过纤维与其他神经细胞进行广泛联系。海马中有些神经细胞与几百万个其他细胞相连。记忆就寄存在细胞之间相互联系的接点（突触）上。

而脑力锻炼可以不断活跃与记忆有关的神经网络，强化原有的连接点并创造新的连接点，刷新由于细胞死亡造成的记忆损失。衰退是持续渐进的，而锻炼也是持续渐进的补偿过程。

很多研究认为，变老不是被动的，而是退化与对抗退化不断相持不下的主动过程，与幼儿的发育、病后恢复非常类似，只不过发生在不同的年龄段。

体育锻炼与脑力锻炼同样重要，主要在以下三个方面：

一是增进健康，消灭高血压、高血脂、高血糖。心血管健康会让大脑受益。大脑享受全身20%的供血。脑中每根血管都负责一个重要脑结构的功能，那一根堵塞都会造成严重后果。

第二方面是改善心理健康。人的情绪是靠大脑皮层下的神经结构控制的。这些神经结构控制人的兴奋、发怒、幸福和沮丧等感觉。人年老后，难免某些神经环路会“搭错线”，造成各种极端情绪。极端情绪能使很多激素异常释放，直接破坏记忆的形成。同时也压抑免疫系统和身体修复的功能，加速衰老。运动可以有效地让人从这些短路的死胡同里绕出来。

第三方面是运动对增强记忆有直接作用。锻炼者学习和记忆的能力明显超过不锻炼者【1】。因为运动可以增加脑中掌管显性记忆的关键结构“海马体” （Hippocampus）的血流量和体积。具体说来，由于海马体直接处理事件记忆，所以户外运动时海马体必须一丝不苟地工作，否则就会找不到家。因此，海马体就得到明显的锻炼。另外，运动时肌肉会释放一种叫作cathepsin B 的蛋白分子，可以促进海马体分泌更多的神经营养因子，提高记忆能力【2】。

需要注意的是，程序型记忆虽然是终生不忘的，但用年轻时的程序型记忆指挥老年的肌肉却可能会出问题。

因为程序记忆存储的是肌肉收缩的时间顺序和强度，当肌肉关节衰退后，原来的运动定势就可能造成错误，出现“摔倒”这样的事故。高龄老人死亡率最高的原因不是心血管疾病，不是癌症，而是摔倒后骨折造成的卧床。卧床对人的健康是巨大的打击。因为站立本身需要活动大量肌肉，心血管需要根据姿态不断调节血压。宇航员在太空的无重力环境与卧床相似，即使是年轻人在这样的条件下过几天，也会站不稳，肌肉退化，骨骼中的钙大量流失。【3】

因此，持续的体力活动对老人防止跌倒，保持独立生活的能力是非常重要的。

睡眠对记忆有多重要？

目前，神经科学流行的一种说法是“记忆两步论”：显性记忆需要通过睡眠来巩固。

第一步发生在白天，人的大脑不断处理信息，随机把一部分日常经历的事件记下来。一天下来，脑内很多部分（比如海马体）就记满了，就需要通过睡眠来擦除大部分无用的记忆而巩固有用的部分。

第二步发生在夜间的睡眠中，海马体会不断地和大脑皮层共同活动，回放白天的记忆并记住其中一部分 。我们都有这样的经验：一觉醒来觉得昨天发生的很多事件被捋顺，记得更清楚了。这展示了睡眠对记忆的作用。

在夜里，人的睡眠有几个循环，每个循环约90分钟，先是浅睡（术语叫睡眠一期和二期），几十分钟后进入深睡（三期）最后是梦境（快速动眼期），如此循环几次。

老年人睡眠时间减少，主要是深睡的第三期变短，而损失的三期睡眠正是巩固记忆的“黄金睡眠”期。

一夜睡眠的时相和分期

上： 睡眠分期的脑电指纹。睡前闭眼但清醒时脑电是8-12 赫兹的阿尔法波。进入第一期浅睡后，脑电波变慢（西塔波）。睡眠加深到第二期时，有偶尔的高波和纺锤波。深睡（第三期）以高幅度，低频率的慢波脑电为主。梦境时，脑电与清醒时相似。

下：睡眠各期在一夜间的循环。第一个小时中从浅睡，第二期到第三期，之后出现梦境。然后再进入第二期第三期。这个循环在一夜中出现几次。

有个著名的实验，让一群年轻的哈佛学生在一天里变为记忆很差的老人：

首先，让这些学生在睡眠实验室里，边睡边实时监测他们的脑电信号。当三期慢波睡眠的脑电指纹出现时，实验人员就摇晃床，把三期睡眠破坏成浅睡。如此一夜几次晃床，虽然总睡眠时间没变，但第二天测试时，结果却十分惊人——年轻聪明的哈佛学生竟然变成了老年大学的学生，他们的逻辑能力和显性记忆都大大下降。而被试学生自己却一点没有睡眠不佳的感觉。

不过，该实验的效果是短时的，只要第二天不干扰三期睡眠，聪明的哈佛学生还是聪明的哈佛学生。这个实验说明了睡眠对记忆的重要性。【4】

睡眠缺乏除了影响记忆，还会明显地有害健康。一夜失眠就会使血压升高，增加血糖和血内的应急激素，并抑制免疫系统。良好睡眠的重要性超过一切体育和脑力锻炼。

因此，任何年龄的人都要尽一切努力保证充足的睡眠。体育运动和规则生活可以帮助睡眠，而中老年人为了有足够的高质量睡眠，也需要有足够强度的体育锻炼。

参考文献

1. Erickson et al., (2011) Exercise training increases size of hippocampus and improves memory. PNAS, 108 (7): 3017–3022 http://www.pnas.org/content/108/7/3017

2. Moon HY, et al., (2016) Running-Induced Systemic Cathepsin B Secretion Is Associated with Memory Function. Cell Metab. 2016 Aug 9;24(2):332-40. doi: 10.1016/j.cmet.2016.05.025. Epub 2016 Jun 23

3. 见美国宇航局科普网站 https://www.nasa.gov/mission_pages/station/research/benefits/bone_loss.html

4. 很多基础知识和参考文献见https://en.wikipedia.org/wiki/Sleep_and_memory， 最近有一个非常有趣的直接实验见 Fattinger S., de Beukelaar TT., Ruddy KL, Volk C, Heyse NC, Herbst JA, Hahnloser RHR, Wenderoth N, Huber R6 (2017) Deep sleep maintains learning efficiency of the human brain. Nat Commun. 2017 May 22;8:15405. doi: 10.1038/ncomms15405.