• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于高階最小生成樹的腦網(wǎng)絡(luò)分析及對阿茲海默氏癥患者的分類

    2018-01-08 08:50:41陳俊杰
    計算機應(yīng)用 2017年11期
    關(guān)鍵詞:特征選擇腦區(qū)高階

    郭 浩,劉 磊,陳俊杰

    (太原理工大學 計算機科學與技術(shù)學院,太原 030024)

    基于高階最小生成樹的腦網(wǎng)絡(luò)分析及對阿茲海默氏癥患者的分類

    郭 浩,劉 磊,陳俊杰*

    (太原理工大學 計算機科學與技術(shù)學院,太原 030024)

    利用靜息態(tài)功能磁共振成像技術(shù)來研究大腦的功能連接網(wǎng)絡(luò)是當前腦疾病研究的重要方法之一。這種方法能準確地檢測包括阿茲海默氏癥在內(nèi)的多種腦疾病。然而,傳統(tǒng)的網(wǎng)絡(luò)只是研究兩個腦區(qū)之間相關(guān)程度,而且缺乏對大腦區(qū)域之間更深層次的交互信息和功能連接之間關(guān)聯(lián)程度的研究。為了解決這些問題,提出了一種構(gòu)建高階最小生成樹功能連接網(wǎng)絡(luò)的方法,該方法不僅保證了功能連接網(wǎng)絡(luò)的生理學意義,而且研究了網(wǎng)絡(luò)中更復(fù)雜的交互信息,提高了分類的準確率。分類結(jié)果顯示,基于高階最小生成樹功能連接網(wǎng)絡(luò)的靜息態(tài)功能磁共振成像分類方法大幅提高了阿茲海默氏癥檢測的準確率。

    腦網(wǎng)絡(luò);最小生成樹;機器學習;阿茲海默氏癥;功能磁共振成像

    0 引言

    阿爾茨海默氏病(Alzheimer’s Disease, AD)是一種嚴重的腦疾病[1]。由于社會老齡化,有研究預(yù)測,到2050年,每85個人中有1人將受這種疾病的影響[2]。AD的主要臨床癥狀包括一些重要的大腦認知和智力能力的下降, 更嚴重的會導(dǎo)致記憶喪失以及行為變化、說話困難,行走及吞咽困難,嚴重干擾日常生活。由于特定的神經(jīng)細胞變性、神經(jīng)炎性斑塊和神經(jīng)纖維纏結(jié)的存在,隨著時間的推移,這些臨床癥狀會加劇[3]。這種疾病嚴重干擾患者的日常生活,并最終會導(dǎo)致死亡,到目前為止,還沒有任何有效的臨床治療方法。在過去的十幾年中,研究人員已經(jīng)使用神經(jīng)影像學技術(shù)來研究AD的生物學標志物[4-5]。隨著圖論的不斷發(fā)展,對AD患者的功能性腦網(wǎng)絡(luò)的拓撲結(jié)構(gòu)的研究不斷增多[6-7]。

    靜息態(tài)的功能磁共振成像采用血氧水平依賴(Blood Oxygenation Level Dependency, BOLD)信號作為神經(jīng)電生理指標,能夠檢測大腦自發(fā)低頻神經(jīng)活動,揭示與抑郁癥有關(guān)的神經(jīng)活動,已成功應(yīng)用于AD的診斷[8]。在傳統(tǒng)的靜息態(tài)功能磁共振成像分析中,忽略了兩個腦區(qū)之間的相關(guān)性可能受到其他腦區(qū)之間的功能連接的影響; 同時,隨著復(fù)雜腦網(wǎng)絡(luò)分析的深入,傳統(tǒng)的大腦區(qū)域之間的功能連接的建立方法已經(jīng)無法滿足對網(wǎng)絡(luò)中更深層次的交互信息的研究。已經(jīng)有研究試圖通過更復(fù)雜的方法來建立大腦區(qū)域之間的關(guān)聯(lián)程度。例如: Plis等[9]使用基于信息理論的方法,通過互信息的方法來研究大腦區(qū)域之間的非線性關(guān)系; Jie等[10]提出了使用超網(wǎng)絡(luò)來構(gòu)建大腦功能連接網(wǎng)絡(luò)的方法,將超圖模型引入到網(wǎng)絡(luò)中來,用來表明多個腦區(qū)之間的交互信息。越來越多的研究試圖尋找更精確、更有效的方法來構(gòu)建人腦的功能連接網(wǎng)絡(luò),以彌補傳統(tǒng)功能連接網(wǎng)絡(luò)構(gòu)建方法的缺陷。

    最小生成樹(Minimum Spanning Tree, MST)算法是圖論中的經(jīng)典算法之一。通過最小生成樹可以得到圖的概要信息和索引結(jié)構(gòu),去除冗余的信息。Tewarie等[11]提出將最小生成樹運用于腦網(wǎng)絡(luò)的分析中,研究了腦網(wǎng)絡(luò)的整個拓撲結(jié)構(gòu)。目前,最小生成樹方法已經(jīng)被廣泛應(yīng)用在神經(jīng)影像領(lǐng)域的研究中。

    本文的創(chuàng)新之處在于,提出了一種構(gòu)建高階最小生成樹功能連接網(wǎng)絡(luò)的方法。與傳統(tǒng)的功能連接網(wǎng)絡(luò)相比,本文所構(gòu)建的功能連接網(wǎng)絡(luò)可以更精確地揭示大腦區(qū)域之間的交互信息,構(gòu)建的功能連接考慮到了多個腦區(qū)的影響,因此構(gòu)建的功能連接可以更好地反映兩個腦區(qū)之間的交互;同時,本文使用了最小生成樹的方式來簡化構(gòu)建的高階功能連接網(wǎng)絡(luò),去除網(wǎng)絡(luò)中冗余的功能連接,在保留網(wǎng)絡(luò)的生理學意義的同時,發(fā)現(xiàn)更精確地用于AD檢測的生物學標志物。分類結(jié)果顯示,基于高階最小生成樹功能連接網(wǎng)絡(luò)的分類方法極大地提高了AD檢測的準確率。

    1 實驗材料及方法

    1.1 數(shù)據(jù)采集和預(yù)處理

    本實驗共招募66名被試,其中有38名AD患者,28名年齡性別匹配的健康志愿者作為對照組。本研究是按照山西省醫(yī)學倫理委員會(參考編號:2012013)和赫爾辛基宣言的建議,在所有受試者書面知情同意的情況下進行的。所有AD患者進行了全面的身體和神經(jīng)系統(tǒng)檢查,并進行了廣泛的神經(jīng)心理評估,所有AD患者符合符合國家老年癡呆癥協(xié)會的診斷標準[3]。使用西門子3T超導(dǎo)MRI掃描儀(Siemens Trio 3-Tesla Scanner,Siemens,Erlangen,Germany)對28名健康右利手志愿者和38名AD被試進行靜止狀態(tài)功能磁共振掃描,被試基本信息如表1所示。簡易精神量表(Mini-Mental State Examination,MMSE)用來表征患者患病程度。統(tǒng)計分析來評估組間差異。數(shù)據(jù)的采集工作是由山西醫(yī)科大學第一醫(yī)院完成的,所有的掃描工作由熟悉磁共振操作的放射科醫(yī)生來完成。在掃描的過程中,要求被試閉眼、放松、不去想特定的事物但要保持清醒不能睡著。掃描參數(shù)設(shè)置如下:33 axial slices, repetition time (TR)=2 000 ms, echo time (TE)=30 ms, thickness/skip=4/0 mm, field of view (FOV)=192 mm×192 mm, matrix=64 mm×64 mm, flip angle=90°, 248 volumes。

    注:a表示表示雙樣本t檢驗,b表示皮爾遜卡方檢驗。

    數(shù)據(jù)預(yù)處理使用SPM8 (http://www.fil.ion.ucl.ac.uk/spm)進行, 主要包含時間層矯正、頭動校正、聯(lián)合配準、空間標準化、低頻濾波、平滑。首先,對數(shù)據(jù)集進行時間片校正和頭動校正, 2例AD組及1例對照組數(shù)據(jù)由于校正過程中,頭動大于3 mm或轉(zhuǎn)動大于3°而被棄除。棄除的被試不包括在66名被試中; 之后,圖像進行12維度的優(yōu)化仿射變換,將其標準化到3 mm體素的MNI(Montreal Neurological Institute)標準空間中; 然后,進行低頻濾波(0.06~0.11 Hz),以降低低頻漂移及高頻的生物噪聲; 最后,進行空間平滑,進一步消除被試腦形態(tài)結(jié)構(gòu)的細微差異以及在圖像重構(gòu)時造成的誤差。

    1.2 方法框架

    基于高階最小生成樹功能連接網(wǎng)絡(luò)的靜息態(tài)功能磁共振影像數(shù)據(jù)分類方法包括以下5個步驟:

    1)數(shù)據(jù)采集及預(yù)處理。采集正常被試和AD被試的靜息態(tài)的功能磁共振成像數(shù)據(jù)進行數(shù)據(jù)預(yù)處理。

    2)高階功能連接網(wǎng)絡(luò)的構(gòu)建。根據(jù)模板劃分腦區(qū),提取每個腦區(qū)的平均時間序列。計算兩兩時間序列之間的皮爾遜相關(guān)系數(shù)。對于每一個腦區(qū),與其他所有腦區(qū)的皮爾遜相關(guān)系數(shù)可以構(gòu)成一個序列。再次計算兩兩時間序列的皮爾遜相關(guān)系數(shù),構(gòu)建功能連接。需要強調(diào)的是,第二次計算皮爾遜相關(guān)系數(shù)時,計算任意兩個腦區(qū)之間的皮爾遜相關(guān)系數(shù)時,每一個腦區(qū)的序列是一個由88個值構(gòu)成的序列,且在構(gòu)建不同腦區(qū)之間的功能連接時,這個序列是變化的。

    3)高階最小生成樹功能連接網(wǎng)絡(luò)的構(gòu)建。構(gòu)建高階功能連接網(wǎng)絡(luò)后,這個網(wǎng)絡(luò)實際上是一個全連接的加權(quán)網(wǎng)絡(luò),為了對這個網(wǎng)絡(luò)進行稀疏化、去除冗余的功能連接,本研究使用最小生成樹的方法對網(wǎng)絡(luò)進行稀疏化,去除網(wǎng)絡(luò)中冗余的功能連接,使用最小生成樹的方法可以極大地保留網(wǎng)絡(luò)中的核心結(jié)構(gòu),不影響對網(wǎng)絡(luò)的整體分析。

    4)特征定義及特征選擇。構(gòu)建了高階最小生成樹功能連接網(wǎng)絡(luò)之后,網(wǎng)絡(luò)中每個節(jié)點的加權(quán)局部聚類系數(shù)被定義為特征,使用兩兩冗余的Relief特征選擇方法,選擇重要的特征集合。即首先采用Relief特征選擇方法得到特征集合,然后,針對Relief特征選擇方法無法有效地去除冗余特征的缺點,使用計算皮爾遜相關(guān)系數(shù)的方法對Relief特征選擇得到的特征集合進行冗余分析,去除特征集合中相關(guān)性比較強的特征中分類權(quán)重較低的特征,從而得到最終的特征集合。

    5)分類器的構(gòu)建。本文使用支持向量機的方法進行分類,并使用10折交叉驗證的方法驗證分類器的泛化性能。

    1.3 網(wǎng)絡(luò)構(gòu)建

    根據(jù)AAL(Anatomical Automatic Labeling)[12]模板將大腦劃分為90個(左右半腦各45個)腦區(qū),每個腦區(qū)代表功能腦網(wǎng)絡(luò)中一個獨立節(jié)點。根據(jù)劃分的90個腦區(qū),計算每個腦區(qū)中所包含的所有體素的血氧水平依賴(BOLD)信號的算術(shù)平均值,表征該節(jié)點的信號值。選擇每個腦區(qū)所包含的所有體素在不同時間點上的激活信號,再將各體素在不同時間點上的激活信號進行算術(shù)平均,得到腦區(qū)的平均時間序列。

    (1)

    其中:corr表示皮爾遜相關(guān)系數(shù)。對于每一個被試,一共劃分90個腦區(qū),通過式(1)可以計算兩兩腦區(qū)之間的皮爾遜相關(guān)系數(shù)。

    在構(gòu)建第l個被試的第i個腦區(qū)和第j個腦區(qū)之間功能連接時,對于第i個腦區(qū),與除第i和第j個腦區(qū)外88個腦區(qū)之間的皮爾遜相關(guān)系數(shù)可以組成一個新的序列Li,對于第j個腦區(qū),與除第i和第j個腦區(qū)外88個腦區(qū)之間的皮爾遜相關(guān)系數(shù)可以組成一個新的序列Lj,則第l個被試的第i個腦區(qū)和第j個腦區(qū)之間的相關(guān)程度可以由如下公式得到:

    (2)

    構(gòu)建了高階功能連接網(wǎng)絡(luò)之后,實際上這個網(wǎng)絡(luò)是一個全連接的加權(quán)網(wǎng)絡(luò),為了對這個網(wǎng)絡(luò)進行稀疏化,簡化網(wǎng)絡(luò)中的功能連接,保留對網(wǎng)絡(luò)特性影響較大的功能連接,本研究使用最小生成樹的方法對網(wǎng)絡(luò)G(l)進行簡化,得到總權(quán)重最小的生成樹,這樣就得到了高階最小生成樹功能連接網(wǎng)絡(luò)。使用最小生成樹的方法在保留網(wǎng)絡(luò)中所有節(jié)點的情況下,極大地保留網(wǎng)絡(luò)中的核心結(jié)構(gòu),去除冗余的、對網(wǎng)絡(luò)結(jié)構(gòu)影響較小的連接,而且不影響對網(wǎng)絡(luò)的整體分析。

    1.4 特征定義及特征選擇

    構(gòu)建了高階最小生成樹功能連接網(wǎng)絡(luò)后,本研究將網(wǎng)絡(luò)中每個節(jié)點的加權(quán)局部聚類系數(shù)[13]定義為特征,計算了高階最小生成樹功能連接網(wǎng)絡(luò)中每個頂點的加權(quán)局部聚類系數(shù)。

    在傳統(tǒng)的大腦功能連接網(wǎng)絡(luò)節(jié)點分析中,除了節(jié)點的加權(quán)局部系數(shù)這一指標外,常用的指標還有節(jié)點的度、節(jié)點效率、節(jié)點介數(shù)等。本研究提出了基于高階最小生成樹的磁共振數(shù)據(jù)分類方法,重點在于提出了高階最小生成樹功能連接網(wǎng)絡(luò)的構(gòu)建方法,研究大腦區(qū)域之間更深層次的交互信息。同時,基于加權(quán)局部聚類系數(shù)能很好地表現(xiàn)復(fù)雜網(wǎng)絡(luò)中節(jié)點的聚集程度[14],并能更好地反映腦網(wǎng)絡(luò)中每個節(jié)點及節(jié)點周圍的患病情況[13],所以,本研究選擇將網(wǎng)絡(luò)中每個節(jié)點的加權(quán)局部聚類系數(shù)定義為特征。

    局部聚類系數(shù)被廣泛地應(yīng)用在生物學的研究中[13-15],可以很好地檢測網(wǎng)絡(luò)中節(jié)點的重要性,尤其是在腦功能連接的研究中[13,15]。加權(quán)局部聚類系數(shù)表現(xiàn)了復(fù)雜網(wǎng)絡(luò)中節(jié)點的聚集程度,反映了節(jié)點周圍的組織情況[14],應(yīng)用于腦網(wǎng)絡(luò)的研究中能更好地反映每個節(jié)點周圍的患病情況[13]。人腦的功能連接網(wǎng)絡(luò)具有小世界屬性,每個節(jié)點與周圍節(jié)點易形成相對緊密的連接,因此,衡量腦網(wǎng)絡(luò)中每個節(jié)點周圍的聚集程度對腦疾病的檢測具有重要意義。在本研究中,使用加權(quán)局部聚類系數(shù)這一參數(shù)來分析靜息態(tài)功能連接網(wǎng)絡(luò),可以在保留功能連接網(wǎng)絡(luò)的生理學意義的同時,更好地反映網(wǎng)絡(luò)中每個節(jié)點及節(jié)點周圍的異常情況,對研究AD患者的異常腦區(qū)具有重要的意義[13,15]。其數(shù)學定義如下:

    (3)

    其中:Δi表示連接到頂點i的所有頂點的集合,|Δi|表示連接到頂點i的所有頂點的數(shù)目,wij表示連接頂點i和頂點j的邊的權(quán)重。

    特征選擇就是從整個特征集合中選擇最具代表性的特征子集,特征選擇方法可以用來識別和刪除不需要的數(shù)據(jù),去除冗余的特征,有助于建立準確的預(yù)測模型。本文采用Relief特征選擇方法,依據(jù)特征之間的相關(guān)性分配給每個特征不同的權(quán)值,然后根據(jù)設(shè)置的閾值篩選特征,從而產(chǎn)生一個新的特征集合。該算法主要應(yīng)用于兩類數(shù)據(jù)的分類?;诖颂攸c,該方法適用于AD患者和正常人的分類。然而,Relief特征選擇算法的主要缺點是不能有效去除冗余特征。考慮到這一問題,本研究首先使用Relief特征選擇算法得到特征集合,然后,為了去除冗余特征,計算了得到的特征集合中兩兩特征之間的皮爾遜相關(guān)系數(shù),去除Relief特征選擇算法得到的特征集合中,相關(guān)性強的特征中分類權(quán)重較小的特征,從而得到最終的特征集合。

    1.5 分類器的構(gòu)建

    支持向量機通過非線性變化將原始數(shù)據(jù)轉(zhuǎn)化到一個高維的特征空間,尋求一個最大化類間間隔的超平面,將一個類的樣本與其他類的樣本相分離。它在處理高維、非線性、小樣本數(shù)據(jù)時具有獨特的優(yōu)勢。本文使用基于徑向基函數(shù) (Radial Basis Function, RBF)核函數(shù)方法的支持向量機(Support Vector Machine, SVM)[16]進行分類。然后使用100次10折交叉驗證(10-fold cross validation)的方法[16]評估構(gòu)建的分類器的性能。具體來說,將包含L個被試的數(shù)據(jù)集隨機地分成10個部分,逐一將其中的一個部分作為測試集,其余9份作為訓練集。本實驗使用基于Matlab的LIBSVM工具包[16]進行。

    2 實驗結(jié)果與分析

    2.1 分類結(jié)果

    傳統(tǒng)的功能連接網(wǎng)絡(luò)包括偏相關(guān)功能連接網(wǎng)絡(luò)和皮爾遜相關(guān)功能連接網(wǎng)絡(luò)。為了比較本文方法與傳統(tǒng)方法的差異,表2比較了不同分類方法的準確率、特異性和敏感性。此外,由于不同的研究都是在不同的數(shù)據(jù)集下得到的,同樣的方法使用不同的數(shù)據(jù)集可能得到不同的分類的結(jié)果,并且,不同的研究之間不僅構(gòu)建網(wǎng)絡(luò)的方法不同,特征提取方法和分類方法也存在差異。為了更精確地比較不同的構(gòu)建功能連接網(wǎng)絡(luò)的方法,本文在相同的數(shù)據(jù)集上,分別構(gòu)建了偏相關(guān)功能連接網(wǎng)絡(luò)、皮爾遜相關(guān)功能連接網(wǎng)絡(luò)和高階最小生成樹功能連接網(wǎng)絡(luò),并將每個網(wǎng)絡(luò)中節(jié)點的加權(quán)局部聚類系數(shù)定義為特征,使用相同的特征選擇方法和分類器構(gòu)建方法,比較不同分類方法的分類結(jié)果,結(jié)果如表2所示。

    分類結(jié)果表明,使用本方法構(gòu)建的網(wǎng)絡(luò)明顯優(yōu)于使用傳統(tǒng)方法構(gòu)建的網(wǎng)絡(luò)。與傳統(tǒng)的皮爾遜相關(guān)功能連接網(wǎng)絡(luò)相比,本方法在構(gòu)建功能連接時,將其他腦區(qū)的影響考慮到功能連接的構(gòu)建中,分類結(jié)果顯示,在相同的數(shù)據(jù)集下,本方法的分類準確率提高了大約20%。此外,傳統(tǒng)的偏相關(guān)功能連接網(wǎng)絡(luò)的構(gòu)建方法是計算兩個腦區(qū)的平均時間序列之間的偏相關(guān)系數(shù),在計算時也考慮了其余腦區(qū)的影響,但是,分類結(jié)果表明,在相同的數(shù)據(jù)集下,本方法的分類結(jié)果更好,準確率更高。與Chen等[17]的分類結(jié)果相比,本文的高階最小生成樹功能連接網(wǎng)絡(luò)對AD的檢測準確率提高了大約13%,此外,表2還對比了不同的方法在不同疾病下的分類結(jié)果,其中,MDD表示抑郁癥,eMCI表示輕度認知障礙。總體來看,本方法的分類準確率更高。從分類結(jié)果可以看出,高階最小生成樹功能連接網(wǎng)絡(luò)能更好地衡量腦區(qū)之間的關(guān)聯(lián)程度,更有效、更精確地構(gòu)建腦區(qū)之間的功能連接。同時,使用最小生成樹的方式可以有效地稀疏化網(wǎng)絡(luò),有效去除冗余的連接,得到關(guān)鍵的核心網(wǎng)絡(luò),從而使分類結(jié)果更好、更準確。結(jié)果表明基于高階最小生成樹功能連接網(wǎng)絡(luò)的分類方法可以很好地區(qū)分AD患者和正常人。

    表2 不同功能連接網(wǎng)絡(luò)分類結(jié)果比較Tab. 2 Comparison of different function connection network classification results

    2.2 具有判別性的腦區(qū)

    本文計算了高階最小生成樹功能連接網(wǎng)絡(luò)中每個節(jié)點的局部聚類系數(shù),通過特征選擇得到了最終的特征集合。圖1顯示了本方法得到的8個最具判別性的腦區(qū),包括左側(cè)海馬(Left hippocampus, HIP.L)、左側(cè)楔前葉(Left precuneus, PCUN.L)、左側(cè)杏仁核(Left amygdala, AMYG.L),右側(cè)楔葉(Right cuneus, CUN.R)、右側(cè)腦島(Right insula, INS.R)、左側(cè)頂上回(Left Superior Parietal Gyrus, SPG.L)、左尾狀核(Left caudate nucleus, CAU.L)和右后扣帶回(Right Posterior Cingulate Gyrus, PCG.R)。圖中節(jié)點的大小表示腦區(qū)的權(quán)值(在Relief特征選擇算法中,為每個腦區(qū)賦予不同的權(quán)重值)。

    圖1 具有判別性的腦區(qū)Fig. 1 Discriminative brain regions

    這些最具判別力的腦區(qū)對AD的檢測具有重要的意義。本研究得到的判別性腦區(qū)均在之前的研究中被證明與AD有著重要的關(guān)聯(lián)。其中,左側(cè)海馬的權(quán)重明顯高于其他腦區(qū)。AD的特點是海馬嚴重萎縮,導(dǎo)致患者出現(xiàn)偶發(fā)性記憶障礙。在AD中,海馬也是第一個被破壞的區(qū)域,表現(xiàn)為記憶障礙和嚴重認知障礙。有研究認為海馬失憶癥是AD的檢測中不可或缺的核心特征。文獻[20-21]表明左側(cè)海馬在AD的病發(fā)中起重要作用。Aggleton等[20]的研究指出了與AD有關(guān)的重要腦區(qū),研究發(fā)現(xiàn),海馬在人腦的信息處理過程中扮演著重要的角色,海馬能夠幫助人類進行學習、記憶和事物處理,它與人類的記憶功能有著極其很重要的關(guān)聯(lián)。Zamboni等[21]研究了30名AD被試和25名正常被試在靜息態(tài)和任務(wù)態(tài)下不同大腦區(qū)域的激活情況的差異,研究結(jié)果表明,無論在靜息態(tài)還是任務(wù)態(tài),AD患者大腦左側(cè)海馬的激活情況與正常被試存在顯著差異。楔前葉是大腦默認網(wǎng)絡(luò)的一部分,楔前葉與人類許多高水平的記憶和認知功能有著重要的關(guān)聯(lián),此外,楔前葉與人類的情景記憶、記憶的處理、信息的加工和處理、情感的調(diào)節(jié)和意識的形成有著重要的關(guān)聯(lián)?,F(xiàn)有研究表明,楔前葉也是鑒別AD的一個重要的生物標志物[21]。此外,杏仁核是人腦的一個重要的區(qū)域,與情緒加工、記憶形成、情緒調(diào)節(jié)等具有重要的關(guān)聯(lián),和海馬相似,杏仁核對記憶的形成和認知有關(guān),具有情緒意義的刺激會引發(fā)杏仁核的激活變化,并在人腦形成長期存儲的記憶片段。Grady等[22]發(fā)現(xiàn)AD患者的左側(cè)杏仁核的活動與記憶表現(xiàn)呈正相關(guān),AD患者的杏仁核激活情況與正常人存在顯著差異。此外,他們的研究還發(fā)現(xiàn)右側(cè)楔葉也是研究AD患者的重要腦區(qū)之一。Sun等[23]研究正常被試和AD患者的腦功能連接網(wǎng)絡(luò),發(fā)現(xiàn)了包括左側(cè)頂上回和左側(cè)尾狀核在內(nèi)的多個異常腦區(qū)。其他主要的判別性腦區(qū),包括右側(cè)腦島[24]和右側(cè)后扣帶回[21]也與之前的研究結(jié)果一致。

    3 方法論

    本文所提出的分類方法的性能依賴于一些參數(shù)和算法的選擇,例如最小生成樹算法的選擇、特征選擇中的權(quán)重閾值δ和相關(guān)系數(shù)閾值λ的選擇、SVM模型中懲罰因子C和核函數(shù)中的核參數(shù)γ的選擇。這些參數(shù)的選擇對結(jié)果有著重要的影響。本章將依次分析不同參數(shù)和算法的選擇對分類結(jié)果的影響。

    3.1 不同最小生成樹算法對分類結(jié)果的影響

    在得到無向加權(quán)的高階功能連接網(wǎng)絡(luò)之后,本文使用最小生成樹的方法對網(wǎng)絡(luò)進行稀疏化。在保留網(wǎng)絡(luò)所有節(jié)點的同時,刪除網(wǎng)絡(luò)中冗余的、對網(wǎng)絡(luò)影響較小的功能連接,從而得到高階最小生成樹功能連接網(wǎng)絡(luò)。一個無向加權(quán)圖的最小生成樹是不唯一的,使用的最小生成樹算法不同,得到的生成樹也不相同。為了研究不同最小生成樹算法對構(gòu)建的高階最小生成樹和最終的分類結(jié)果的影響,本研究分別使用了Prim算法和Kruskal算法對高階功能連接網(wǎng)絡(luò)進行簡化。Prim算法和Kruskal算法都能求解無向加權(quán)圖的最小生成樹: Prim算法從圖的頂點出發(fā),每次選擇距離當前頂點最近的頂點,直到加入所有節(jié)點; Kruskal算法從邊出發(fā),每次總是選擇權(quán)重最小的邊加入。為了驗證這兩種算法對實驗結(jié)果的影響,在相同的數(shù)據(jù)集下,本研究分別構(gòu)建了基于Prim算法的高階最小生成樹功能連接網(wǎng)絡(luò)和基于Kruskal算法的高階最小生成樹功能連接網(wǎng)絡(luò),并定義網(wǎng)絡(luò)中每個節(jié)點的加權(quán)局部聚類系數(shù)為特征,使用兩兩冗余的Relief特征選擇方法進行特征選擇,構(gòu)建基于RBF核函數(shù)的SVM分類器,分類結(jié)果如表3所示。

    表3 不同最小生成樹算法對分類結(jié)果的影響Tab. 3 Effects of different MST algorithms on classification results

    從分類結(jié)果可以看出,基于Kruskal算法的高階最小生成樹功能連接網(wǎng)絡(luò)的分類結(jié)果優(yōu)于基于Prim算法的高階最小生成樹功能連接網(wǎng)絡(luò)的分類結(jié)果。實驗結(jié)果表明,使用Kruskal算法可以更好地去除高階功能連接網(wǎng)絡(luò)中的冗余連接,更有效地對網(wǎng)絡(luò)進行稀疏化。所以,本實驗采用Kruskal最小生成樹算法來構(gòu)建高階功能連接網(wǎng)絡(luò)。

    3.2 特征選擇參數(shù)對分類結(jié)果的影響

    在特征選擇的過程中,本文首先采用Relief特征選擇方法,計算每個特征的權(quán)重,根據(jù)設(shè)定的閾值對特征進行篩選,得到特征集合,同時,針對Relief特征選擇方法不能去除冗余特征的缺點,對特征集合進行兩兩冗余分析,通過計算皮爾遜相關(guān)系數(shù),將相關(guān)性強的特征中分類權(quán)重較小的特征去除,得到最終的特征集合。在整個特征選擇過程中,涉及到兩個特征選擇參數(shù),一個是Relief特征選擇中的權(quán)重閾值δ,另一個是冗余分析中的相關(guān)系數(shù)閾值λ。這兩個參數(shù)的選擇,也會對分類結(jié)果產(chǎn)生影響。

    為了能夠選取更精確的權(quán)重閾值,根據(jù)網(wǎng)絡(luò)中所有頂點的權(quán)重分布,實驗選取權(quán)重閾值δ∈[1 000,1 100,…,1 600],在控制其他參數(shù)不變的情況下,研究不同權(quán)重閾值對分類結(jié)果的影響。分類結(jié)果如表4所示,從分類結(jié)果可以看出,在基于高階最小生成樹功能連接網(wǎng)絡(luò)的分類方法中,當權(quán)重閾值為1 300時,得到的分類準確率最高。當權(quán)重閾值較小時,對分類結(jié)果影響較小的特征也被篩選出來,使得分類準確率降低; 而當權(quán)重閾值較大時,對分類貢獻較大的特征將會被移除,分類準確率也會下降。

    表4 不同權(quán)重閾值對分類結(jié)果的影響Tab. 4 Influence of different weight threshold on classification results

    Relief特征選擇方法具有簡單、效率高的特點,但該方法的局限性在于無法有效地去除冗余的特征。針對這一缺點,本實驗使用相關(guān)分析的方法對Relief特征選擇得到的特征集合進行兩兩冗余分析,通過計算皮爾遜相關(guān)系數(shù),去除特征集合中的冗余特征,從而得到最終的特征集合。在這一過程中,涉及到相關(guān)系數(shù)閾值λ的選取。本實驗選取相關(guān)系數(shù)閾值λ∈[0.75,0.8,…,0.95],在控制其他參數(shù)不變的情況下,研究了不同相關(guān)系數(shù)閾值對分類結(jié)果的影響。

    分類結(jié)果如表5所示,從分類結(jié)果可以看出,當相關(guān)系數(shù)閾值為0.9時,得到的分類準確率最高。這可以從兩方面理解:一方面,當選取的相關(guān)系數(shù)閾值較小時,并不能很好地去除特征集合中的冗余特征,因為有冗余特征的存在,分類的準確率就會下降;另一方面,當選取的相關(guān)系數(shù)閾值較大時,對分類結(jié)果影響較大的關(guān)鍵特征也會被移除,由于重要特征的缺失,分類的準確率也會下降。但是,從總體上來看,相關(guān)系數(shù)閾值對分類的準確率影響并不是很大,這主要是因為兩兩冗余分析的目的是去除冗余特征,而使用最小生成樹稀疏化網(wǎng)絡(luò),可以有效地去除冗余的特征,使用Relief特征選擇方法得到的特征集合中,存在的冗余特征較少,所以不同的相關(guān)系數(shù)閾值對分類的準確率影響較小。這說明了高階最小生成樹功能連接網(wǎng)絡(luò)中存在的冗余功能連接較少,能更好地用于AD被試和正常被試的檢測。

    表5 不同相關(guān)系數(shù)閾值對分類結(jié)果的影響Tab. 5 Influence of different correlation coefficient threshold on classification results

    3.3 SVM參數(shù)對分類結(jié)果的影響

    SVM分類模型中,存在兩個非常重要的參數(shù),即懲罰因子C和RBF核函數(shù)中的核參數(shù)γ,它們是影響SVM性能的關(guān)鍵因素[18, 25]。其中,懲罰因子C可以調(diào)節(jié)數(shù)據(jù)子空間中的置信區(qū)間的范圍: 當懲罰因子C過大時,對誤差的容忍度較低,容易出現(xiàn)過擬合的情況,避免過擬合是分類器設(shè)計中的一項核心任務(wù); 當懲罰因子C過小時,對誤差的容忍度較高,容易出現(xiàn)欠擬合的情況,無論是過擬合還是欠擬合,都會使分類器的泛化能力降低,從而對分類的精度產(chǎn)生影響。核參數(shù)γ是RBF核函數(shù)中的重要參數(shù),它決定了數(shù)據(jù)映射到高維特征空間的映射函數(shù)。

    本文使用基于RBF核函數(shù)的SVM分類器,其性能由參數(shù)(C,γ)決定。對于不同的數(shù)據(jù)集,使用LIBSVM默認的參數(shù)設(shè)置并不能得出最優(yōu)的分類性能。也就是說,針對不同的數(shù)據(jù)集,要使用不同的參數(shù)設(shè)置,從而得到最優(yōu)的分類結(jié)果。本文使用基于網(wǎng)格搜索(Gird Search,GS)的SVM參數(shù)尋優(yōu)方法[18],分別選取不同的參數(shù)組合,其中,C∈[1,2,…,10]、γ∈[0,0.05,0.1,…,0.4,0.45],采用交叉驗證的方式,研究不同參數(shù)組合得到的分類器的性能。通過實驗得出,在當前數(shù)據(jù)集下,當C=3、γ=0.2時,分類準確率最高。

    4 結(jié)語

    復(fù)雜網(wǎng)絡(luò)理論作為研究復(fù)雜系統(tǒng)的重要工具,在腦精神疾病的研究中成為熱點。大腦區(qū)域之間的功能連接反映了不同大腦區(qū)域之間的交互信息,大腦區(qū)域之間的功能連接包含著用于AD檢測的重要生物學標志物。但是,已有的功能連接構(gòu)建方法相對單一,無法精確和有效地衡量不同大腦區(qū)域之間的關(guān)聯(lián)程度,忽視了不同功能連接之間的相互影響。為了解決現(xiàn)有的問題,本文提出了一種新的構(gòu)建功能連接網(wǎng)絡(luò)的方法,能夠更好地衡量腦區(qū)之間的相關(guān)程度,并將最小生成樹的方法應(yīng)用到腦網(wǎng)絡(luò)的構(gòu)建中,提出了基于高階最小生成樹的數(shù)據(jù)分類方法。本文還列舉了實驗得到的AD病人的判別性腦區(qū),研究了實驗過程中不同參數(shù)對分類結(jié)果的影響,并與現(xiàn)有的構(gòu)建功能連接網(wǎng)絡(luò)的方法進行了比較,顯示了高階最小生成樹功能連接網(wǎng)絡(luò)的優(yōu)越性。具體的優(yōu)點包括:首先,高階最小生成樹功能連接網(wǎng)絡(luò)在構(gòu)建時考慮到了更多腦區(qū)之間的交互;其次,本文方法可以研究疾病引起的更深層次大腦區(qū)域之間的關(guān)聯(lián)變化;最后,分類的結(jié)果顯示,與傳統(tǒng)的方法相比,基于高階最小生成樹功能連接網(wǎng)絡(luò)的分類方法大幅提高了AD檢測的準確率。

    References)

    [1] ASSOCIATION A. 2010 Alzheimer’s disease facts and figures[J]. Alzheimers & Dementia, 2010, 6(2):158-194.

    [2] BROOKMEYER R, JOHNSON E, ZIEGLER-GRAHAM K, et al. Forecasting the global burden of Alzheimer’s disease[J]. Alzheimer’s & Dementia, 2007, 3(3): 186-191.

    [3] MCKHANN G, DRACHMAN D, FOLSTEIN M, et al. Clinical diagnosis of Alzheimer’s disease report of the NINCDS-ADRDA work group*under the auspices of department of health and human services task force on Alzheimer’s disease[J]. Neurology, 1984, 34(7): 939-939.

    [4] STAM C J, JONES B F, MANSHANDEN I, et al. Magnetoencephalographic evaluation of resting-state functional connectivity in Alzheimer’s disease[J]. NeuroImage, 2006, 32(3): 1335-1344.

    [5] ZHOU B, YAO H, WANG P, et al. Aberrant functional connectivity architecture in Alzheimer’s disease and mild cognitive impairment: a whole-brain, data-driven analysis[EB/OL].[2017- 06- 20]. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4475740/pdf/BMRI2015- 495375.pdf.

    [6] 張樂樂, 趙小虎, 林起湘,等. AD患者腦功能偏側(cè)性改變的靜息態(tài)fMRI研究[J]. 同濟大學學報(醫(yī)學版), 2016, 37(4):60-64. (ZHANG L L, ZHAO X H, LIN Q X, et al.Study on resting fMRI of biopsy in patients with AD [J]. Journal of Tongji University (Medical Sciences), 2016, 37(4): 60-64.)

    [7] 張朦. 基于MRI的AD早期患者腦網(wǎng)絡(luò)拓撲特性研究[D]. 北京: 北京理工大學, 2015. (ZHANG M. Study on brain network topological characteristics of AD patients based on MRI [D]. Beijing: Beijing University of Science and Technology, 2015.)

    [8] WANG K, LIANG M, WANG L, et al. Altered functional connectivity in early Alzheimer’s disease: a resting-state fMRI study[J]. Human Brain Mapping, 2007, 28(10): 967-978.

    [9] PLIS S M, SUI J, LANE T, et al. High-order interactions observed in multi-task intrinsic networks are dominant indicators of aberrant brain function in schizophrenia[J]. NeuroImage, 2014, 102: 35-48.

    [10] JIE B, WEE C Y, SHEN D, et al. Hyper-connectivity of functional networks for brain disease diagnosis[J]. Medical Image Analysis, 2016, 32: 84-100.

    [11] TEWARIE P, VAN DELLEN E, HILLEBRAND A, et al. The minimum spanning tree: an unbiased method for brain network analysis[J]. NeuroImage, 2015, 104: 177-188.

    [12] TZOURIO-MAZOYER N, LANDEAU B, PAPATHANASSIOU D, et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain[J]. NeuroImage, 2002, 15(1): 273-289.

    [13] RUBINOV M, SPORNS O. Complex network measures of brain connectivity: uses and interpretations[J]. NeuroImage, 2010, 52(3): 1059-1069.

    [14] LI X, CHANG L, ZHENG K, et al. Ranking weighted clustering coefficient in large dynamic graphs[J]. World Wide Web, 2017, 2015: 855-883.

    [15] WEE C Y, YAP P T, ZHANG D, et al. Identification of MCI individuals using structural and functional connectivity networks[J]. NeuroImage, 2012, 59(3):2045-2056.

    [16] CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology, 2011, 2(3): 27.

    [17] CHEN G, WARD B D, XIE C, et al. Classification of Alzheimer disease, mild cognitive impairment, and normal cognitive status with large-scale network analysis based on resting-state functional MR imaging[J]. Radiology, 2011, 259(1): 213-221.

    [18] ROSA M J, PORTUGAL L, HAHN T, et al. Sparse network-based models for patient classification using fMRI[J]. NeuroImage, 2015, 105: 493-506.

    [19] WEE C Y, YANG S, YAP P T, et al. Sparse temporally dynamic resting-state functional connectivity networks for early MCI identification[J]. Brain Imaging and Behavior, 2013, 10(2): 342-356.

    [20] AGGLETON J P, PRALUS A, NELSON A J D, et al. Thalamic pathology and memory loss in early Alzheimer’s disease: moving the focus from the medial temporal lobe to Papez circuit[J]. Brain, 2016, 139(7):1877-1890.

    [21] ZAMBONI G, WILCOCK G K, DOUAUD G, et al. Resting functional connectivity reveals residual functional activity in Alzheimer’s disease[J]. Biological Psychiatry, 2013, 74(5): 375-383.

    [22] GRADY C L, FUREY M L, PIETRINI P, et al. Altered brain functional connectivity and impaired short-term memory in Alzheimer’s disease[J]. Brain, 2001, 124(4): 739-756.

    [23] SUN Y, YIN Q, FANG R, et al. Disrupted functional brain connectivity and its association to structural connectivity in amnestic mild cognitive impairment and Alzheimer’s disease[J]. PloS One, 2014, 9(5): e96505.

    [24] MAXIM V, SENDUR L, FADILI J, et al. Fractional Gaussian noise, functional MRI and Alzheimer’s disease[J]. NeuroImage, 2005, 25(1): 141-158.

    [25] 奉國和. SVM分類核函數(shù)及參數(shù)選擇比較[J]. 計算機工程與應(yīng)用, 2011, 47(3):123-124. (FENG G H. SVM classification kernel function and parameter selection comparison [J]. Computer Engineering and Applications, 2011, 47(3): 123-124.)

    This work is partially supported by the National Natural Science Foundation of China (61373101, 61472270, 61402318,61672374), the Natural Science Foundation of Shanxi Province (201601D021073), the Scientific and Technological Innovation Program of Higher Education Institutions in Shanxi (2016139).

    GUOHao, born in 1981, Ph. D., associate professor. His research interests include artificial intelligence, intelligent information processing, brain informatics.

    LIULei, born in 1992, M. S. candidate. His research interests include artificial intelligence, intelligent information processing, brain informatics.

    CHENJunjie, born in 1956, Ph. D., professor. His research interests include artificial intelligence, intelligent information processing, brain informatics.

    BrainnetworkanalysisandclassificationforpatientsofAlzheimer’sdiseasebasedonhigh-orderminimumspanningtree

    GUO Hao, LIU Lei, CHEN Junjie*

    (CollegeofComputerScienceandTechnology,TaiyuanUniversityofTechnology,TaiyuanShanxi030024,China)

    The use of resting-state functional magnetic resonance imaging to study the functional connectivity network of the brain is one of the important methods of current brain disease research. This method can accurately detect a variety of brain diseases, including Alzheimer’s disease. However, the traditional network only studies the correlation between the two brain regions, and lacks a deeper interaction between the brain regions and the association between functional connections. In order to solve these problems, a method was proposed to construct a functional connectivity network of high-order minimum spanning tree, which not only ensured the physiological significance of functional connectivity network, but also studied more complex interactive information in the network and improves the accuracy of classification. The classification results show that the resting-state functional magnetic resonance imaging classification method based on the functional connectivity network of high-order minimum spanning tree greatly improves the accuracy of Alzheimer’s disease detection.

    brain network; Minimum Spanning Tree (MST); machine learning; Alzheimer’s Disease (AD); functional magnetic resonance imaging

    2017- 05- 16;

    2017- 07- 17。

    國家自然科學基金資助項目(61373101, 61472270, 61402318,61672374);山西省科技廳應(yīng)用基礎(chǔ)研究項目青年面上項目(201601D021073);山西省教育廳高等學校科技創(chuàng)新研究項目(2016139)。

    郭浩(1981—),男,山西祁縣人,副教授,博士,CCF會員,主要研究方向:人工智能、智能信息處理、腦信息學; 劉磊(1992—),男,山西太原人,碩士研究生,主要研究方向:人工智能、智能信息處理、腦信息學; 陳俊杰(1956—),男,河北定州人,教授,博士,主要研究方向:人工智能、智能信息處理、腦信息學。

    1001- 9081(2017)11- 3339- 06

    10.11772/j.issn.1001- 9081.2017.11.3339

    (*通信作者電子郵箱chenjunjie_tyut@sina.com)

    TP181

    A

    猜你喜歡
    特征選擇腦區(qū)高階
    有限圖上高階Yamabe型方程的非平凡解
    腦自發(fā)性神經(jīng)振蕩低頻振幅表征腦功能網(wǎng)絡(luò)靜息態(tài)信息流
    高階各向異性Cahn-Hilliard-Navier-Stokes系統(tǒng)的弱解
    滾動軸承壽命高階計算與應(yīng)用
    哈爾濱軸承(2020年1期)2020-11-03 09:16:02
    說謊更費腦細胞
    Kmeans 應(yīng)用與特征選擇
    電子制作(2017年23期)2017-02-02 07:17:06
    聯(lián)合互信息水下目標特征選擇算法
    七氟烷對幼鼠MAC的測定及不同腦區(qū)PARP-1的影響
    基于Bernstein多項式的配點法解高階常微分方程
    基于特征選擇和RRVPMCD的滾動軸承故障診斷方法
    久久久久久伊人网av| 亚洲三级黄色毛片| 成人特级黄色片久久久久久久| 五月伊人婷婷丁香| 中文字幕熟女人妻在线| 国产片特级美女逼逼视频| 亚洲天堂国产精品一区在线| 精品不卡国产一区二区三区| 国产一区二区三区av在线 | 久久综合国产亚洲精品| 国产黄色视频一区二区在线观看 | 国产单亲对白刺激| 看黄色毛片网站| 午夜福利在线观看免费完整高清在 | 97在线视频观看| 亚洲最大成人手机在线| 天堂网av新在线| 99视频精品全部免费 在线| 久久精品久久久久久噜噜老黄 | 国产男人的电影天堂91| 亚洲欧美中文字幕日韩二区| 亚洲av中文字字幕乱码综合| av中文乱码字幕在线| 国产亚洲91精品色在线| 观看美女的网站| 99久久精品国产国产毛片| 国产日本99.免费观看| av黄色大香蕉| 国产精品人妻久久久久久| 精品福利观看| 欧美一区二区精品小视频在线| 日韩精品有码人妻一区| 日韩三级伦理在线观看| 美女xxoo啪啪120秒动态图| 热99re8久久精品国产| 联通29元200g的流量卡| 男人舔奶头视频| 国产一区亚洲一区在线观看| 狂野欧美激情性xxxx在线观看| 国产精品久久久久久av不卡| 欧美成人一区二区免费高清观看| 男插女下体视频免费在线播放| 午夜激情福利司机影院| 免费黄网站久久成人精品| 亚洲三级黄色毛片| 国产免费男女视频| 日本黄色视频三级网站网址| 国产精品久久久久久亚洲av鲁大| 亚洲精品成人久久久久久| 国产精品免费一区二区三区在线| 一级毛片电影观看 | 日韩欧美在线乱码| 日本黄色视频三级网站网址| 97人妻精品一区二区三区麻豆| 亚洲av美国av| 美女cb高潮喷水在线观看| 最近最新中文字幕大全电影3| 欧美区成人在线视频| 香蕉av资源在线| 日韩高清综合在线| 成年免费大片在线观看| 亚洲成人久久爱视频| 日韩强制内射视频| 天美传媒精品一区二区| 久久久久国内视频| 色视频www国产| 国内久久婷婷六月综合欲色啪| 99久久精品一区二区三区| 特级一级黄色大片| 久久精品国产亚洲网站| 中文字幕免费在线视频6| 国产av麻豆久久久久久久| 精品福利观看| 国产精品无大码| 国产精品国产三级国产av玫瑰| 舔av片在线| 亚洲精品国产av成人精品 | 国产成人freesex在线 | 毛片女人毛片| 久久精品国产亚洲网站| 观看免费一级毛片| 天天一区二区日本电影三级| 精品一区二区三区视频在线观看免费| 少妇人妻一区二区三区视频| 国产亚洲91精品色在线| 嫩草影院入口| 啦啦啦啦在线视频资源| 亚洲av中文字字幕乱码综合| 日本-黄色视频高清免费观看| 在线观看一区二区三区| 1024手机看黄色片| 色5月婷婷丁香| 亚洲欧美日韩无卡精品| 性色avwww在线观看| 99热这里只有是精品50| 久久热精品热| 国产一区亚洲一区在线观看| 99久久精品国产国产毛片| 久久精品国产99精品国产亚洲性色| 狂野欧美白嫩少妇大欣赏| 最新在线观看一区二区三区| 国产黄色视频一区二区在线观看 | 亚洲欧美中文字幕日韩二区| 国产免费男女视频| 97超视频在线观看视频| 毛片一级片免费看久久久久| 国产高清激情床上av| 少妇被粗大猛烈的视频| 五月玫瑰六月丁香| 在线观看美女被高潮喷水网站| 国产精品久久视频播放| 啦啦啦啦在线视频资源| 国产探花在线观看一区二区| 伦理电影大哥的女人| 国产精品久久久久久亚洲av鲁大| 亚洲一级一片aⅴ在线观看| 狠狠狠狠99中文字幕| 成人性生交大片免费视频hd| 久久精品国产亚洲av天美| 亚洲无线观看免费| 日韩欧美 国产精品| 国产成人91sexporn| 亚洲七黄色美女视频| 久久久久性生活片| 中文字幕久久专区| 久久欧美精品欧美久久欧美| 亚洲精品影视一区二区三区av| 国产在视频线在精品| 1000部很黄的大片| 两个人视频免费观看高清| 精品日产1卡2卡| 亚洲专区国产一区二区| 91久久精品国产一区二区三区| 色视频www国产| 大香蕉久久网| 国产精品三级大全| 干丝袜人妻中文字幕| 国产白丝娇喘喷水9色精品| 国产私拍福利视频在线观看| 一级毛片我不卡| 日本免费a在线| 高清日韩中文字幕在线| 欧美一区二区国产精品久久精品| 偷拍熟女少妇极品色| 老司机影院成人| 亚洲不卡免费看| 亚洲,欧美,日韩| 嫩草影视91久久| 免费高清视频大片| 国模一区二区三区四区视频| 色av中文字幕| 国产伦一二天堂av在线观看| 男女啪啪激烈高潮av片| 国产国拍精品亚洲av在线观看| 亚洲va在线va天堂va国产| 亚洲不卡免费看| 免费无遮挡裸体视频| 亚洲成人中文字幕在线播放| 日韩成人av中文字幕在线观看 | 亚洲国产精品sss在线观看| 亚洲高清免费不卡视频| 午夜日韩欧美国产| 国产一区二区在线观看日韩| 狂野欧美白嫩少妇大欣赏| 亚洲欧美日韩东京热| av免费在线看不卡| 成年免费大片在线观看| 日本黄大片高清| av在线天堂中文字幕| 亚洲国产精品久久男人天堂| 国产三级中文精品| 午夜福利在线观看吧| 欧美最黄视频在线播放免费| 97人妻精品一区二区三区麻豆| 高清毛片免费观看视频网站| 国产欧美日韩精品一区二区| 男女做爰动态图高潮gif福利片| 99久国产av精品国产电影| 亚洲成av人片在线播放无| 成人国产麻豆网| 国产片特级美女逼逼视频| 成人永久免费在线观看视频| 91麻豆精品激情在线观看国产| 一进一出抽搐动态| 亚洲精品一卡2卡三卡4卡5卡| 女生性感内裤真人,穿戴方法视频| 国产v大片淫在线免费观看| 日本黄色视频三级网站网址| 亚洲av熟女| 亚洲欧美日韩高清在线视频| avwww免费| 精品欧美国产一区二区三| 国产成人一区二区在线| 日本精品一区二区三区蜜桃| 欧美另类亚洲清纯唯美| 国产爱豆传媒在线观看| 成人无遮挡网站| 久久久久精品国产欧美久久久| 久久热精品热| 毛片一级片免费看久久久久| 午夜免费男女啪啪视频观看 | 可以在线观看毛片的网站| 日本色播在线视频| 久久国内精品自在自线图片| 又黄又爽又免费观看的视频| 狂野欧美激情性xxxx在线观看| 日本在线视频免费播放| 深夜a级毛片| 国产亚洲精品久久久com| av在线亚洲专区| 99久久中文字幕三级久久日本| 久久精品夜色国产| 欧美日韩一区二区视频在线观看视频在线 | .国产精品久久| 欧美一区二区国产精品久久精品| 久久久国产成人精品二区| 国产伦一二天堂av在线观看| 午夜福利在线观看免费完整高清在 | 91狼人影院| 人人妻,人人澡人人爽秒播| 丰满乱子伦码专区| 桃色一区二区三区在线观看| 欧美日韩国产亚洲二区| 又粗又爽又猛毛片免费看| 深爱激情五月婷婷| 人妻久久中文字幕网| 黄色一级大片看看| 草草在线视频免费看| 最后的刺客免费高清国语| 又黄又爽又刺激的免费视频.| 一区二区三区高清视频在线| 久久久久久国产a免费观看| 亚洲成人久久爱视频| 亚洲欧美成人精品一区二区| 2021天堂中文幕一二区在线观| 两个人视频免费观看高清| 老师上课跳d突然被开到最大视频| 国内精品美女久久久久久| 中国国产av一级| 一级av片app| 中文字幕久久专区| 国产精品一区二区性色av| 一a级毛片在线观看| 亚洲av一区综合| 麻豆av噜噜一区二区三区| 日日摸夜夜添夜夜添小说| 日本免费一区二区三区高清不卡| 亚洲国产欧美人成| 免费在线观看成人毛片| 欧美激情国产日韩精品一区| 日韩欧美 国产精品| or卡值多少钱| 性欧美人与动物交配| 亚洲国产精品合色在线| 国产蜜桃级精品一区二区三区| 男插女下体视频免费在线播放| 国内精品久久久久精免费| 身体一侧抽搐| 麻豆国产97在线/欧美| 老司机午夜福利在线观看视频| 日韩欧美 国产精品| 一区二区三区免费毛片| 99久久九九国产精品国产免费| 久久久久久国产a免费观看| 乱码一卡2卡4卡精品| 91av网一区二区| 简卡轻食公司| 国产亚洲精品久久久久久毛片| 观看美女的网站| 国产av麻豆久久久久久久| 国产精品一及| 亚洲第一电影网av| 成人三级黄色视频| 国产视频内射| 日韩精品青青久久久久久| 男插女下体视频免费在线播放| 欧美激情久久久久久爽电影| 一个人免费在线观看电影| 看片在线看免费视频| 久久中文看片网| 成熟少妇高潮喷水视频| 成人三级黄色视频| 一级av片app| 97碰自拍视频| 最近的中文字幕免费完整| 成年女人看的毛片在线观看| 一本久久中文字幕| 亚洲人成网站在线播放欧美日韩| 欧美激情在线99| 久久亚洲国产成人精品v| 99在线人妻在线中文字幕| 在线播放国产精品三级| 色噜噜av男人的天堂激情| 成年免费大片在线观看| 自拍偷自拍亚洲精品老妇| 别揉我奶头~嗯~啊~动态视频| av福利片在线观看| 亚洲国产精品成人综合色| 搡老熟女国产l中国老女人| 女生性感内裤真人,穿戴方法视频| 真实男女啪啪啪动态图| 一区福利在线观看| 欧美高清性xxxxhd video| 久久国产乱子免费精品| 亚洲一区高清亚洲精品| 久久人人精品亚洲av| 日韩 亚洲 欧美在线| 全区人妻精品视频| 久久午夜福利片| 国内精品一区二区在线观看| 一夜夜www| 亚洲成av人片在线播放无| 国产成人福利小说| 亚洲在线观看片| 高清日韩中文字幕在线| 老女人水多毛片| 草草在线视频免费看| 成熟少妇高潮喷水视频| 少妇丰满av| 国产单亲对白刺激| 一级a爱片免费观看的视频| 久久久久性生活片| 欧美日本亚洲视频在线播放| 一级黄片播放器| 国产高潮美女av| 亚洲av免费高清在线观看| 日本成人三级电影网站| 久久久久国内视频| av福利片在线观看| 日韩欧美精品免费久久| 夜夜看夜夜爽夜夜摸| 在线观看午夜福利视频| 全区人妻精品视频| 最近手机中文字幕大全| 国产一级毛片七仙女欲春2| 欧美成人一区二区免费高清观看| 国产视频一区二区在线看| 天天躁日日操中文字幕| av天堂中文字幕网| 亚洲欧美清纯卡通| 免费观看在线日韩| 国产欧美日韩一区二区精品| 老熟妇仑乱视频hdxx| 99在线视频只有这里精品首页| 夜夜看夜夜爽夜夜摸| 日韩高清综合在线| 午夜福利在线观看免费完整高清在 | 国产欧美日韩精品亚洲av| 国产在线精品亚洲第一网站| 免费不卡的大黄色大毛片视频在线观看 | 国内少妇人妻偷人精品xxx网站| 国产亚洲精品久久久com| 你懂的网址亚洲精品在线观看 | 人妻少妇偷人精品九色| 成人av一区二区三区在线看| 亚洲成人久久爱视频| ponron亚洲| 亚洲欧美中文字幕日韩二区| 中文字幕av成人在线电影| 国产淫片久久久久久久久| 亚洲一区二区三区色噜噜| 一边摸一边抽搐一进一小说| 久久精品91蜜桃| 久久九九热精品免费| 日本黄色视频三级网站网址| 久久九九热精品免费| 国产极品精品免费视频能看的| 99久久精品国产国产毛片| 久久精品91蜜桃| 毛片女人毛片| 色哟哟哟哟哟哟| 国产片特级美女逼逼视频| 我的老师免费观看完整版| 在现免费观看毛片| 国内少妇人妻偷人精品xxx网站| 国产精品一区www在线观看| 国产女主播在线喷水免费视频网站 | 午夜日韩欧美国产| 一级毛片久久久久久久久女| 久久久久国产精品人妻aⅴ院| 两个人视频免费观看高清| 日韩精品中文字幕看吧| 97热精品久久久久久| 国产精品亚洲一级av第二区| 午夜精品在线福利| 日韩一本色道免费dvd| 精品人妻熟女av久视频| 国产男靠女视频免费网站| 麻豆av噜噜一区二区三区| 亚洲国产精品sss在线观看| 如何舔出高潮| 国产蜜桃级精品一区二区三区| 尤物成人国产欧美一区二区三区| av免费在线看不卡| 一本精品99久久精品77| 黄片wwwwww| 亚洲欧美清纯卡通| 简卡轻食公司| 小说图片视频综合网站| 久久久精品欧美日韩精品| 精品人妻一区二区三区麻豆 | 久久久久久久久久黄片| 欧美中文日本在线观看视频| 日本免费一区二区三区高清不卡| 中国美女看黄片| 亚洲性久久影院| 日韩欧美三级三区| 中文字幕免费在线视频6| av天堂在线播放| 国产精品美女特级片免费视频播放器| 国产精品亚洲一级av第二区| 少妇猛男粗大的猛烈进出视频 | 日韩欧美国产在线观看| 久久这里只有精品中国| 最新在线观看一区二区三区| 中文字幕av成人在线电影| 亚洲最大成人手机在线| 国产亚洲精品久久久久久毛片| 岛国在线免费视频观看| 久久亚洲国产成人精品v| 91久久精品国产一区二区三区| 天堂网av新在线| 久久中文看片网| 晚上一个人看的免费电影| 欧美一区二区精品小视频在线| 国产精品久久久久久av不卡| a级一级毛片免费在线观看| 国产一区二区在线观看日韩| 久久午夜亚洲精品久久| 在线国产一区二区在线| 91麻豆精品激情在线观看国产| 成年免费大片在线观看| 日韩人妻高清精品专区| 在线观看午夜福利视频| 欧美+日韩+精品| 国产精品三级大全| 国产乱人偷精品视频| 美女免费视频网站| 国产麻豆成人av免费视频| 国产熟女欧美一区二区| 黄片wwwwww| 亚洲av不卡在线观看| 午夜a级毛片| 国产综合懂色| 亚洲熟妇熟女久久| 特级一级黄色大片| 一边摸一边抽搐一进一小说| 午夜福利高清视频| 国产精品伦人一区二区| 精品一区二区免费观看| 美女被艹到高潮喷水动态| 狂野欧美激情性xxxx在线观看| 伊人久久精品亚洲午夜| 18禁裸乳无遮挡免费网站照片| 国产一级毛片七仙女欲春2| 三级毛片av免费| 成人三级黄色视频| 国产大屁股一区二区在线视频| 国产av不卡久久| 中国美白少妇内射xxxbb| 91久久精品国产一区二区成人| 亚洲中文字幕日韩| 最近2019中文字幕mv第一页| 国产一区二区在线观看日韩| 国产大屁股一区二区在线视频| 精品久久久久久久久av| 久久久久久久久久成人| 午夜老司机福利剧场| 日本黄色视频三级网站网址| 国产精品久久视频播放| 大香蕉久久网| 国产黄色小视频在线观看| 国产免费男女视频| 欧美xxxx黑人xx丫x性爽| 成人av一区二区三区在线看| 一级av片app| 免费av毛片视频| 精品国内亚洲2022精品成人| 国产黄色小视频在线观看| 国产视频一区二区在线看| 国产成人aa在线观看| 午夜福利18| 国产av一区在线观看免费| 麻豆国产97在线/欧美| 精品少妇黑人巨大在线播放 | 国产高清视频在线观看网站| 欧美日韩国产亚洲二区| 国产成人影院久久av| 日韩av不卡免费在线播放| 女的被弄到高潮叫床怎么办| 久久久久久久久久黄片| 色5月婷婷丁香| 久久天躁狠狠躁夜夜2o2o| 91久久精品电影网| 中出人妻视频一区二区| 五月玫瑰六月丁香| 国产免费男女视频| 国内精品宾馆在线| 国产真实伦视频高清在线观看| 日韩欧美国产在线观看| 激情 狠狠 欧美| 亚洲精品一卡2卡三卡4卡5卡| 简卡轻食公司| 男人舔女人下体高潮全视频| 青春草视频在线免费观看| 久久综合国产亚洲精品| 国产精品久久久久久久电影| 少妇熟女欧美另类| 菩萨蛮人人尽说江南好唐韦庄 | 在线看三级毛片| 久久亚洲精品不卡| 国产激情偷乱视频一区二区| 色播亚洲综合网| 国产精品综合久久久久久久免费| 精品午夜福利视频在线观看一区| 长腿黑丝高跟| 欧美激情久久久久久爽电影| 亚洲最大成人手机在线| 麻豆久久精品国产亚洲av| 国产精品美女特级片免费视频播放器| 亚洲在线观看片| 午夜福利高清视频| 亚洲国产欧洲综合997久久,| 老师上课跳d突然被开到最大视频| 欧美日韩精品成人综合77777| 一卡2卡三卡四卡精品乱码亚洲| 亚洲欧美成人综合另类久久久 | 亚洲自拍偷在线| 国产精品久久久久久久久免| 村上凉子中文字幕在线| 亚洲高清免费不卡视频| 99视频精品全部免费 在线| 男插女下体视频免费在线播放| 国产极品精品免费视频能看的| 久久久色成人| 国内少妇人妻偷人精品xxx网站| 在线免费观看不下载黄p国产| av天堂在线播放| 91精品国产九色| 国产高清激情床上av| 天堂影院成人在线观看| 国产一区亚洲一区在线观看| 99精品在免费线老司机午夜| 一级毛片电影观看 | 一级毛片电影观看 | 欧美一区二区亚洲| 久久鲁丝午夜福利片| 一区二区三区免费毛片| 午夜福利在线观看免费完整高清在 | 搡老岳熟女国产| 国产91av在线免费观看| 国产成人91sexporn| 精品久久久噜噜| 国产亚洲91精品色在线| 黄色一级大片看看| 狂野欧美白嫩少妇大欣赏| 久久久成人免费电影| 午夜免费男女啪啪视频观看 | 大型黄色视频在线免费观看| 国产精品永久免费网站| 成人漫画全彩无遮挡| 国产精品久久久久久久电影| 免费看日本二区| 九色成人免费人妻av| 少妇高潮的动态图| 国产中年淑女户外野战色| 我的女老师完整版在线观看| 欧美激情国产日韩精品一区| 国产淫片久久久久久久久| 日本 av在线| 午夜日韩欧美国产| 禁无遮挡网站| 黄片wwwwww| 中文字幕av在线有码专区| 插阴视频在线观看视频| 亚洲成人中文字幕在线播放| 99久久精品一区二区三区| 国模一区二区三区四区视频| 国产三级中文精品| 如何舔出高潮| 高清日韩中文字幕在线| 国产av麻豆久久久久久久| 在线观看免费视频日本深夜| 美女xxoo啪啪120秒动态图| 少妇熟女aⅴ在线视频| 嫩草影院入口| 亚洲中文字幕日韩| 简卡轻食公司| 久久久久国产网址| 精品久久久久久久末码| 夜夜看夜夜爽夜夜摸| 亚洲欧美中文字幕日韩二区| 国产男靠女视频免费网站| 久久草成人影院| 国产蜜桃级精品一区二区三区| 欧美一级a爱片免费观看看| 丰满乱子伦码专区| 久久鲁丝午夜福利片| 高清毛片免费观看视频网站| 日韩一本色道免费dvd| 晚上一个人看的免费电影| 国产精品国产三级国产av玫瑰| 成人精品一区二区免费| 91在线精品国自产拍蜜月| 欧美区成人在线视频| 51国产日韩欧美| 五月伊人婷婷丁香| 国产色爽女视频免费观看| 亚洲精品国产成人久久av| 国产精品亚洲美女久久久| 欧美xxxx黑人xx丫x性爽| 国内少妇人妻偷人精品xxx网站| 国产v大片淫在线免费观看| 国产精品免费一区二区三区在线| 麻豆一二三区av精品|