超详细的孕妇课程笔记

一些注意事项

 

秋天注意避免病毒感染,如果有感冒等症状,切记不可自己配药吃,孕妇吃任何药物都必须去医院在医生的指导下服用
 睡觉时间不能少于8个小时,晚上10:30之前要睡觉,早上8点以前起床
 晚上可以吃点点心,但是不能吃太饱
 晚饭后适当散步,动动胳膊,动动腿
 适当户外活动:早上半小时,晚上半小时晒晒太阳,可生成维生素D,有助于补钙

孕期的营养
 孕早期:少吃多餐,可根据口味随便吃
 孕中期:一定要以食补为主
 粮食:米、面:6两左右/天
 饮用矿泉水,不喝甜味饮料
 月饼最多每次吃1/4个,因为含糖太多
 蜂蜜要冲得淡一点喝
 冰糖炖东西的时候,也不要放太多

蛋白质
 要补充蛋白质,包括动物蛋白和植物蛋白

动物蛋白
 鱼汤骨头汤等既要喝汤也要吃肉,因为汤无论炖得多好,营养的90%还是在肉里
 每天吃1到2个鸡蛋,草鸡蛋和洋鸡蛋的营养成分是一样的,只不过草鸡蛋更加好吃一些。新鲜鸭蛋也可以。吃的时候,蛋白和蛋黄都得吃。
 别吃茶叶蛋,也别吃咸蛋和皮蛋。

植物蛋白
 黄豆加工品或者豆浆;豆浆要和淡浆(别太甜),不可喝豆奶
 豆制品一个礼拜吃三次左右,营养价值好,容易吸收
 安利的蛋白质粉孕妇不能吃,可放在产后吃

杂粮:高粱米、南瓜、小米等
奶制品:鲜奶、酸奶、孕妇奶粉
 酸奶要等它稍微温一点再吃
 牛奶饮用量:5个月以下每天一杯 (250ml/天)
 5个月以上每天两杯(500ml/天)

维生素
 水溶性维生素

蔬菜
 绿叶蔬菜,每天500克,现炒现吃,上一顿的剩菜孕妇不要吃

水果
 一天半斤水果
 要多吃带酸味的水果,如柚子、柠檬、黄瓜、西红柿(可炒着吃或生吃)、白枣(富含维C),火龙果、杨桃、 青苹果
 每天吃一个猕猴桃
 香蕉每天一个
 红苹果含糖份太多,要少吃
 西瓜不能多吃,每次1-2片为宜
 梨、桂圆、荔枝、哈密瓜、芒果、葡萄、柿子少吃
 石榴和山楂不能吃

 浓茶、咖啡别喝

钙、铁、锌
 铁:
 孕妇血红蛋白要保持在110以上  贫血会影响宝宝大脑发育

 补铁的食品:
 动物的内脏、猪肝、猪血、鸡鸭血尽量每个礼拜吃一次,但是注意要到正规店里去买;
 瘦肉、猪肉、牛肉、羊肉、排骨;
 菠菜:要洗净后放入沸水里洮一下,捞出再炒,可提高铁的利用率
 黑木耳、海带、赤豆、瘦肉、蛋黄都很适合孕中期补铁

 钙:
 需要1500毫克钙/天
 牛奶中的钙比钙片的更易吸收
 含钙量依次递减:孕妇奶粉、酸奶、牛奶

 锌:
 孕妇缺锌可引起宝宝出生后的多动症
 含锌的食品: 坚果类、瓜子、开心果、松子、黄豆、赤豆、大核桃
 大核桃每天2个 (10月底11月初上市),它有补锌补脑的作用
 小核桃不补脑
 核桃粉拌芝麻粉也补脑


 其他
 亚麻酸是大脑发育的内在补充营养素,它在体内转化为DHA
孕妇不能吃深海鱼油
可以补充金奥聪,但是必须离开饭前饭后和喝牛奶后一个小时
 建议晚上饭后一个小时,把一天用量一并吞服,吞服后还可吃一个香蕉或猕猴桃,吸收最好
 用量为:3个月以内一天3粒,3到7个月每天4粒,7个月以上每天5粒
●注意:如果你还在吃马特纳之类补充叶酸,那么不能和金奥聪一起吞服;但是如果你吃的是象斯利安叶酸片那 样纯的叶酸片,就可以一起吞服
 金奥聪可以从怀孕后开始吃到出生为止,最少有效量是吃两个月
 宝宝出生后可以把胶囊刺破滴到宝宝嘴里,进行补脑

 妈妈的初乳(黄颜色的)对宝宝身体最好
 要给宝宝吃4到6个月的母乳

 孕期可以吃牛初乳提高免疫力
 推荐初乳康,共吃3盒 (85元/盒)
 初乳康要在50摄氏度以下的水中喝,不可和金奥聪一起吃

 怀孕期间和0到3岁,是大脑发育的两个高峰期
 0到1岁是教育的最关键时期,这时吸收信息最快
 满月后就要有意识得对宝宝进行教育,多和他/她说话交流,不能让他/她一天到晚吃了睡睡了吃,浪费了宝贵的教育时机
 10到18个月是语言学习的强化期

 胎教
 胎教可分为音乐胎教、语言胎教和抚摸胎教

 音乐胎教:
 孕后就能进行。要听轻音乐,低于60分贝的;不要用MP3,不可去看电影、听音乐会或者唱卡拉OK

 语言胎教
从怀胎6个月起开始进行。宝宝尤其喜欢爸爸浑厚的声音,所以准爸爸也要积极参与到语言胎教中来。比如每天向宝宝汇报一天的情况等等,以刺激宝宝的大脑发育,也帮助宝宝尽早熟悉爸爸的声音

 抚摸胎教
从怀胎6个月起开始进行。抚摸的时候实际上是抚摸到了宝宝的全身,可以刺激宝宝的皮肤发育从而刺激大脑发育

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
### 回答1: MIT(麻省理工学院)的线性代数公开课非常详细和全面,这门课程是由麻省理工学院的教授Gilbert Strang主讲的。课程内容涵盖了线性代数的基本概念和应用,将线性代数的理论与实践相结合。 这门课程笔记非常详细,内容包括了课堂讲义、示例问题的详细解析、证明过程和习题答案等等。课程的整个结构非常清晰,从基础的向量、矩阵和行列式开始讲解,逐渐深入到线性方程组、特征值和特征向量、相似矩阵等内容。 在笔记中,每个概念和理论都会进行详细的解释和证明,帮助学生更好地理解和掌握相关知识。同时,笔记还提供了丰富的示例和习题,让学生通过实际的问题来巩固和应用所学知识。 另外,笔记中还有大量的图表、图示和实例来帮助学生直观地理解和记忆各种概念和算法。特别是对于抽象的概念,通过图形化的解释可以更好地帮助学生理解。 总之,MIT的线性代数公开课的笔记内容非常详细和全面,适合对线性代数感兴趣的学生参考。无论是作为学习线性代数的资料,还是作为复习和巩固知识的辅助材料,这些笔记都是非常有价值的资源。无论是在理论还是应用层面,学生都能够通过这些笔记全面地掌握线性代数的知识。 ### 回答2: MIT线性代数公开课是由麻省理工学院开设的一门线性代数课程,涵盖了从基础概念到高阶技巧的全方位学习内容。下面是对该课程笔记总结: 该课程由吉尔伯特•斯特朗(Gilbert Strang)教授主讲,他是一位著名的数学家和教育家,为学生提供了一种简单而深入的学习方法。 该课程共分为26节课,每节课都有对应的讲义和视频,以及一些习题和作业,使学生能够更好地掌握课程内容。 课程首先介绍了向量和矩阵的基础知识,讲解了向量的加法、减法和数乘运算,以及矩阵的加法、减法和乘法运算,并且讲解了这些运算的几何意义。然后,课程进一步探讨了线性方程组的求解方法,包括高斯消元法和矩阵的逆运算。这些内容为后续课程奠定了基础。 接下来,课程介绍了行列式和特征值的概念,并讲解了如何计算行列式和求解特征值和特征向量。特征值和特征向量在矩阵的变换中起着重要的作用,因此对于理解线性代数的应用非常重要。 随后,课程进一步深入探讨了线性变换、正交性和投影等概念,以及特殊矩阵的性质,如对称矩阵和正定矩阵。这些内容使学生能够更好地理解线性代数在实际应用中的重要性。 最后,课程介绍了一些高级线性代数的内容,如奇异值分解和特殊矩阵的标准形式。这些内容对于研究生和专业领域的学生尤为重要。 总的来说,MIT线性代数公开课提供了一套完整、系统的线性代数学习资源,不仅适用于初学者,还可以帮助已经具备一定线性代数基础的学生深入学习。课程中的讲义和视频内容清晰明了,配有大量实例和习题,以及讲解中的实时演算,确保学生能够深入理解和掌握线性代数的核心概念和技巧。无论是在学术研究还是职业发展中,这门课程都具有重要的参考价值。 ### 回答3: 麻省理工学院(MIT)的线性代数公开课是一门非常出色的公开课,内容十分详细并且完整。以下是对该公开课的详细笔记。 该公开课以线性代数为主题,通过教授线性代数的基本概念、理论和应用,帮助学生建立起对线性代数的深入理解和应用能力。 课程从基本概念讲起,首先介绍了向量和矩阵的定义、性质和操作。然后深入讲解了线性方程组的解法,包括高斯消元法和矩阵的行列式。接下来,课程探讨了向量空间和矩阵空间的性质及其应用,如子空间、基、维数等概念。进一步,课程讲解了线性变换和特征值、特征向量的概念及其重要性。 在讲解了线性代数的基本理论后,课程引入了矩阵分解和特殊矩阵的概念,如LU分解、QR分解和特征值分解等。随后,课程介绍了正交向量、正交矩阵和正交变换的概念及其在几何变换、信号处理等领域的应用。 此外,课程还涉及了线性代数在图论、最小二乘问题、数据压缩等领域的应用。通过实例和案例分析,课程帮助学生将线性代数的理论知识与实际问题相结合,提高解决实际问题的能力。 值得一提的是,该公开课还通过演示和实验的方式,让学生亲自动手进行线性代数的计算和应用,培养了学生的实践能力和创造力。 总的来说,麻省理工学院的线性代数公开课以其详细的内容和完整的知识体系,在教授线性代数知识和培养学生的应用能力方面取得了优异的成绩。无论是对于想要深入学习线性代数的学生,还是对于希望提高问题解决能力的人群,这门公开课都是非常推荐的选择。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值