• <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 ?

    正常衰老的人腦功能網(wǎng)絡(luò)演化模型

    2019-08-01 01:54丁超趙海司帥宗朱劍
    計(jì)算機(jī)應(yīng)用 2019年4期

    丁超 趙海 司帥宗 朱劍

    摘 要:為了對(duì)正常衰老的人腦功能網(wǎng)絡(luò)(NABFN)的拓?fù)浣Y(jié)構(gòu)變化進(jìn)行探究,提出一種基于樸素貝葉斯的網(wǎng)絡(luò)演化模型(NBM)。首先,依據(jù)樸素貝葉斯(NB)的鏈路預(yù)測(cè)算法與解剖距離來定義節(jié)點(diǎn)間存在連邊的概率;其次,利用特定的網(wǎng)絡(luò)演化算法,在青年人的腦功能網(wǎng)絡(luò)基礎(chǔ)上,通過不斷地增加連邊來逐步得到相應(yīng)中年及老年時(shí)期的模擬網(wǎng)絡(luò);最后,為了對(duì)模擬網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)間的相似程度進(jìn)行評(píng)價(jià),提出網(wǎng)絡(luò)相似指標(biāo)(SI)值。仿真實(shí)驗(yàn)結(jié)果表明,與基于共同鄰居的網(wǎng)絡(luò)演化模型(CNM)相比,NBM構(gòu)建的模擬網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)間的SI值(4.4794, 3.4021)高于CNM模擬網(wǎng)絡(luò)對(duì)應(yīng)的SI值(4.1004, 3.0132);并且,兩者模擬網(wǎng)絡(luò)的SI值均明顯高于隨機(jī)網(wǎng)絡(luò)演化算法所得模擬網(wǎng)絡(luò)的SI值(1.8920, 1.5912)。實(shí)驗(yàn)結(jié)果證實(shí)NBM能夠更為準(zhǔn)確地預(yù)測(cè)出NABFN的拓?fù)浣Y(jié)構(gòu)變化過程。

    關(guān)鍵詞:?腦功能網(wǎng)絡(luò);演化模型;演化算法;鏈路預(yù)測(cè);樸素貝葉斯

    中圖分類號(hào):?TP391.4; TP183

    文獻(xiàn)標(biāo)志碼:A

    文章編號(hào):1001-9081(2019)04-0963-09

    Abstract: In order to explore the topological changes of Normal Aging human Brain Functional Network (NABFN), a network evolution Model based on Naive Bayes (NBM) was proposed. Firstly, the probability of existing edges between nodes was defined based on link prediction algorithm of Naive Bayes (NB) and anatomical distance. Secondly, based on the brain functional networks of young people, a specific network evolution algorithm was used to obtain a simulation network of the corresponding middle-aged and old-aged gradually by constantly adding edges. Finally, a network Similarity Index (SI) was proposed to evaluate the similarity degree between the simulation network and the real network. In the comparison experiments with network evolution Model based on Common Neighbor (CNM), the SI values between the simulation networks constructed by NBM and the real networks (4.4794, 3.4021) are higher than those of CNM (4.1004, 3.0132). Moreover, the SI value of both simulation networks are significantly higher than those of simulation networks derived from random network evolution algorithm (1.8920, 1.5912). The experimental results confirm that NBM can predict the topological changing process of NABFN more accurately.

    Key words: brain functional network; evolution model; evolution algorithm; link prediction; Naive Bayes (NB)

    0?引言

    人類大腦是世界上最復(fù)雜的系統(tǒng)之一,它是由數(shù)十億個(gè)神經(jīng)元組成的一個(gè)高度縝密的組織結(jié)構(gòu)[1]。為了便于研究分析,前人利用先進(jìn)的技術(shù)手段將大腦劃分為不同的功能區(qū)域,以此來負(fù)責(zé)人的不同身體機(jī)能,例如精神功能區(qū)、視覺區(qū)、聽覺區(qū)等[2]。研究發(fā)現(xiàn)人在正常衰老過程中,腦功能區(qū)域連接的變化將導(dǎo)致認(rèn)知能力的改變[3]。文獻(xiàn)[4]已經(jīng)證實(shí)人的語言功能會(huì)隨著年齡的增加而發(fā)生衰退現(xiàn)象,而這一影響正是由于腦區(qū)間的動(dòng)態(tài)連接變化造成的。

    與此同時(shí),探索人類在正常衰老過程中腦功能區(qū)域復(fù)雜連接模式與認(rèn)知能力變化之間的關(guān)系已然成為有關(guān)學(xué)者的關(guān)注重點(diǎn)。文獻(xiàn)[5-6]通過利用圖理論方法和網(wǎng)絡(luò)建模的方式研究與年齡相關(guān)的人的認(rèn)知表現(xiàn)和各腦功能區(qū)域連接變化的關(guān)系。然而,目前的已有研究均未能對(duì)大時(shí)間尺度范圍內(nèi)人的腦區(qū)之間的功能連接變化進(jìn)行有效分析。因此,切實(shí)利用適宜的模型構(gòu)建方法來探索這一變化過程是本文的研究目標(biāo),為將來找尋造成人類認(rèn)知變化的內(nèi)在原因提供了重要的理論參照。

    本文的主要工作如下:1)提出一種利用樸素貝葉斯(Naive Bayes, NB)的鏈路預(yù)測(cè)算法和解剖距離定義的基于樸素貝葉斯的網(wǎng)絡(luò)演化模型(network evolution Model based on NB, NBM)對(duì)腦功能網(wǎng)絡(luò)建模,并與利用共同鄰居(Common Neighbor, CN)的鏈路預(yù)測(cè)算法和解剖距離定義的基于共同鄰居的網(wǎng)絡(luò)演化模型(network evolution Model based on CN, CNM)對(duì)比;2)NBM依據(jù)特定的網(wǎng)絡(luò)演化算法來模擬正常衰老的人腦功能網(wǎng)絡(luò)(Normal Aging human Brain Functional Network, NABFN)拓?fù)浣Y(jié)構(gòu)的變化過程,并與隨機(jī)網(wǎng)絡(luò)演化算法進(jìn)行對(duì)比;

    3)利用不同拓?fù)鋵傩蚤g的雙樣本t校驗(yàn)結(jié)果來定義網(wǎng)絡(luò)相似指標(biāo)(Similarity Index, SI)值,用于評(píng)估演化模型的性能。

    1?研究現(xiàn)狀

    隨著神經(jīng)影像技術(shù)的發(fā)展,利用功能磁共振成像(functional Magnetic Resonance Images, fMRI)掃描數(shù)據(jù)所構(gòu)建的腦功能網(wǎng)絡(luò)已經(jīng)能夠有效映射人的不同腦區(qū)之間的功能連接,即不同的腦區(qū)定義為網(wǎng)絡(luò)節(jié)點(diǎn),腦區(qū)間的功能連接定義為網(wǎng)絡(luò)連邊。目前,國內(nèi)關(guān)于腦功能網(wǎng)絡(luò)的研究相對(duì)較少,而國外的相關(guān)人員已經(jīng)開始研究與年齡相關(guān)的人腦功能網(wǎng)絡(luò)與認(rèn)知能力的變化關(guān)系[7],并通過利用復(fù)雜網(wǎng)絡(luò)理論對(duì)正常衰老過程中的人腦功能網(wǎng)絡(luò)的特性變化進(jìn)行分析:文獻(xiàn)[8]利用復(fù)雜網(wǎng)絡(luò)理論來探究98名健康人的腦功能網(wǎng)絡(luò)的變化,結(jié)果發(fā)現(xiàn)在正常衰老期間人腦網(wǎng)絡(luò)的聚類系數(shù)會(huì)相應(yīng)增加;文獻(xiàn)[9]發(fā)現(xiàn)老齡化會(huì)影響大腦區(qū)域之間的功能連接,結(jié)果證實(shí)老年人的腦功能網(wǎng)絡(luò)的模塊度與青年人相比有減小的趨勢(shì);文獻(xiàn)[10]利用fMRI掃描數(shù)據(jù)系統(tǒng)地構(gòu)建了126名健康個(gè)體的腦功能網(wǎng)絡(luò),發(fā)現(xiàn)局部效益會(huì)隨著年齡的增加而減小。以上對(duì)于人腦功能網(wǎng)絡(luò)拓?fù)鋵傩缘难芯?,為網(wǎng)絡(luò)建模提供了有效的模型評(píng)價(jià)依據(jù)。事實(shí)上,復(fù)雜網(wǎng)絡(luò)理論也為腦功能網(wǎng)絡(luò)的構(gòu)建提供了諸多方法,為從建模的方面探索人腦的連接模式提供了新的解決辦法。

    近年來,復(fù)雜網(wǎng)絡(luò)理論中的鏈路預(yù)測(cè)可以利用拓?fù)浣Y(jié)構(gòu)相似性來預(yù)測(cè)任意兩個(gè)未連邊的節(jié)點(diǎn)之間存在連邊的概率,便于人們通過使用鏈路預(yù)測(cè)來定義網(wǎng)絡(luò)模型,以此對(duì)復(fù)雜網(wǎng)絡(luò)的變化過程進(jìn)行研究:文獻(xiàn)[11-12]利用鏈路預(yù)測(cè)對(duì)社交網(wǎng)絡(luò)等進(jìn)行構(gòu)建,并用復(fù)雜網(wǎng)絡(luò)理論中的多種拓?fù)鋵傩赃M(jìn)行分析,發(fā)現(xiàn)不同的網(wǎng)絡(luò)屬性間存在差異。與此同時(shí),腦網(wǎng)絡(luò)也實(shí)現(xiàn)了同步研究:文獻(xiàn)[13]利用解剖距離定義節(jié)點(diǎn)連邊概率,實(shí)現(xiàn)貓和獼猴腦網(wǎng)絡(luò)的建模,發(fā)現(xiàn)節(jié)點(diǎn)連邊概率與解剖距離成反比;文獻(xiàn)[14]利用鏈路預(yù)測(cè)中節(jié)點(diǎn)間的連邊變化關(guān)系對(duì)腦網(wǎng)絡(luò)進(jìn)行重構(gòu),證實(shí)局部社團(tuán)策略對(duì)節(jié)點(diǎn)連邊產(chǎn)生重大影響。以上兩者的模型構(gòu)建方法也為人腦功能網(wǎng)絡(luò)的建模分析提供了思路:王艷群等[15]提出社團(tuán)劃分算法應(yīng)用于腦功能網(wǎng)絡(luò),并重點(diǎn)分析了腦功能網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)的變化情況;Yang等[16]提出基于最大似然估計(jì)的分層隨機(jī)圖模型來定義節(jié)點(diǎn)連邊概率實(shí)現(xiàn)對(duì)腦功能網(wǎng)絡(luò)的重新構(gòu)建,最終驗(yàn)證所提模型的模擬性能優(yōu)于隨機(jī)預(yù)測(cè)模型;Li等[17]利用復(fù)雜網(wǎng)絡(luò)理論提出基于點(diǎn)介數(shù)的鏈路預(yù)測(cè)算法的網(wǎng)絡(luò)模型并研究從正常到阿爾茨海默病的腦功能網(wǎng)拓?fù)鋵傩宰兓^程,結(jié)果表明該模型的模擬效果良好;Sulaimany等[18]提出基于多種鏈路預(yù)測(cè)算法的網(wǎng)絡(luò)演化模型,對(duì)阿爾茨海默病患者與正常人的腦功能網(wǎng)絡(luò)結(jié)構(gòu)差異進(jìn)行研究,結(jié)果證實(shí)了不同算法對(duì)于網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)變化預(yù)測(cè)存在明顯差異;文獻(xiàn)[19-20]利用共同鄰居(CN)的鏈路預(yù)測(cè)算法(簡稱CN算法)計(jì)算得到兩節(jié)點(diǎn)間的拓?fù)浣Y(jié)構(gòu)相似性大小,再與解剖距離相結(jié)合來共同定義網(wǎng)絡(luò)模型,以實(shí)現(xiàn)對(duì)腦功能網(wǎng)絡(luò)的模擬,同時(shí)對(duì)比分析模擬網(wǎng)絡(luò)與真實(shí)腦功能網(wǎng)絡(luò)的多種拓?fù)鋵傩则?yàn)證了模型的有效性。雖然文獻(xiàn)[15-20]利用基于多種鏈路預(yù)測(cè)算法提出的網(wǎng)絡(luò)模型可以有效地對(duì)腦功能網(wǎng)絡(luò)進(jìn)行建模,但是它們并沒有對(duì)正常衰老的人腦功能網(wǎng)絡(luò)(NABFN)拓?fù)浣Y(jié)構(gòu)變化過程進(jìn)行研究。另外,文獻(xiàn)[19-20]通過拓?fù)浣Y(jié)構(gòu)相似性和解剖距離來定義節(jié)點(diǎn)連邊概率,的確能夠有效地對(duì)腦功能網(wǎng)絡(luò)進(jìn)行模擬,為本文模型的定義提供了參考依據(jù)。然而,CN算法計(jì)算拓?fù)浣Y(jié)構(gòu)相似性時(shí)并沒有區(qū)分不同節(jié)點(diǎn)作為共同鄰居節(jié)點(diǎn)時(shí)對(duì)該相似性的影響。

    因此,針對(duì)上述問題,本文首先利用樸素貝葉斯理論量化分析網(wǎng)絡(luò)中的每個(gè)節(jié)點(diǎn)作為共同鄰居節(jié)點(diǎn)時(shí)對(duì)拓?fù)浣Y(jié)構(gòu)相似性的影響,得到樸素貝葉斯的鏈路預(yù)測(cè)算法(簡稱NB算法)。在此基礎(chǔ)上,提出一種基于樸素貝葉斯的網(wǎng)絡(luò)演化模型(NBM)對(duì)腦功能網(wǎng)絡(luò)建模。其次,為了對(duì)NABFN的拓?fù)浣Y(jié)構(gòu)變化過程進(jìn)行探究,NBM依據(jù)特定網(wǎng)絡(luò)演化算法來模擬從青年時(shí)期經(jīng)中年,再到老年時(shí)期的腦功能網(wǎng)絡(luò)的演化過程。通過校驗(yàn)?zāi)M網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)之間拓?fù)鋵傩宰兓?,結(jié)果顯示NBM能夠有效地預(yù)測(cè)出NABFN的拓?fù)浣Y(jié)構(gòu)變化。

    2?網(wǎng)絡(luò)演化模型定義

    本章首先介紹模型構(gòu)建的理論依據(jù),其次,利用CN算法來定義的網(wǎng)絡(luò)演化模型;最后,利用NB算法以區(qū)分不同的共同鄰居節(jié)點(diǎn)對(duì)拓?fù)浣Y(jié)構(gòu)相似性的影響,并相應(yīng)給出本文所提網(wǎng)絡(luò)演化模型的具體定義。

    2.1?網(wǎng)絡(luò)模型構(gòu)建的理論依據(jù)

    本文定義由fMRI掃描數(shù)據(jù)構(gòu)建的不同年齡范圍的腦功能網(wǎng)絡(luò)集合為真實(shí)網(wǎng)絡(luò)(Young、Middle、Old),由網(wǎng)絡(luò)演化模型建模得到的網(wǎng)絡(luò)集合為模擬網(wǎng)絡(luò)。

    實(shí)驗(yàn)中,模型構(gòu)建過程如圖1所示。注意,圖1僅包含網(wǎng)絡(luò)中的部分節(jié)點(diǎn)。觀察到真實(shí)網(wǎng)絡(luò)中的節(jié)點(diǎn)a和b、節(jié)點(diǎn)c和d之間是否存在連邊暫時(shí)無法知曉。然而,文獻(xiàn)[17-20]均依據(jù)鏈路預(yù)測(cè)思想來定義網(wǎng)絡(luò)模型,即節(jié)點(diǎn)a和b之間的拓?fù)浣Y(jié)構(gòu)相似性越大,則兩節(jié)點(diǎn)越傾向于彼此連接;而文獻(xiàn)[13,19]則是考慮兩節(jié)點(diǎn)間的解剖距離(即歐氏距離),可以觀察到節(jié)點(diǎn)a和b之間的距離小于節(jié)點(diǎn)c和d之間的距離。而距離越小則越傾向于建立連邊,解剖距離定義如下:

    特別地,文獻(xiàn)[19]將解剖距離和拓?fù)浣Y(jié)構(gòu)相似性相結(jié)合提出一種新的網(wǎng)絡(luò)構(gòu)建模型,結(jié)果證實(shí)相對(duì)于利用單個(gè)因素的模型來說,該模型構(gòu)建的模擬網(wǎng)絡(luò)準(zhǔn)確性更高。因此,本文模型也綜合考慮這兩個(gè)因素提出一種網(wǎng)絡(luò)演化模型用于計(jì)算兩節(jié)點(diǎn)間存在連邊的概率大小,若概率取值最高,則建立網(wǎng)絡(luò)連邊,由此獲得圖1中的模擬網(wǎng)絡(luò)。

    2.2?基于共同鄰居的網(wǎng)絡(luò)演化模型

    2.3?基于樸素貝葉斯的網(wǎng)絡(luò)演化模型

    近年來,關(guān)于樸素貝葉斯理論的研究一直是學(xué)術(shù)界中的熱門方向。相關(guān)研究人員已經(jīng)將其與復(fù)雜網(wǎng)絡(luò)理論充分結(jié)合,并取得了重要的研究成果。Valverde-Rebaza等[21]提出一種使用重疊組結(jié)構(gòu)信息來構(gòu)建樸素的貝葉斯模型的新方法,有助于提高社交網(wǎng)絡(luò)中連邊預(yù)測(cè)的準(zhǔn)確性。同樣地,Heiberger[22]提出一種利用公司層面的單體網(wǎng)絡(luò)作為后驗(yàn)概率來預(yù)測(cè)國家經(jīng)濟(jì)增長的貝葉斯方法,最終能夠準(zhǔn)確預(yù)測(cè)出不同季度的整體經(jīng)濟(jì)變化趨勢(shì)。然而以上的研究對(duì)象皆是人們較為熟悉的一些復(fù)雜網(wǎng)絡(luò),而不是人腦功能網(wǎng)絡(luò)方面的。

    此外,2.2節(jié)中的CNM表明拓?fù)浣Y(jié)構(gòu)相似性和解剖距離確實(shí)能夠有效地構(gòu)建腦功能網(wǎng)絡(luò)[19]。本文模型的定義也同樣考慮了這兩方面的因素。并且,觀察圖1可以發(fā)現(xiàn),真實(shí)網(wǎng)絡(luò)中的a和b節(jié)點(diǎn)存在的共同鄰居節(jié)點(diǎn)明顯多于c和d節(jié)點(diǎn),CN算法則判定節(jié)點(diǎn)a和b之間的拓?fù)湎嗨菩孕4?。然而,CN算法在計(jì)算拓?fù)浣Y(jié)構(gòu)相似性時(shí)并沒有區(qū)分不同節(jié)點(diǎn)作為共同鄰居節(jié)點(diǎn)時(shí)對(duì)該相似性的影響。因此,本文依據(jù)樸素貝葉斯理論,利用NB算法來量化分析單個(gè)節(jié)點(diǎn)對(duì)拓?fù)浣Y(jié)構(gòu)相似性的貢獻(xiàn)。同時(shí),在此基礎(chǔ)上,提出一種基于樸素貝葉斯的網(wǎng)絡(luò)演化模型(NBM),模型定義為:

    3?網(wǎng)絡(luò)演化算法設(shè)計(jì)

    為了研究NABFN的節(jié)點(diǎn)連接變化情況,本章提出特定的網(wǎng)絡(luò)演化算法,并與隨機(jī)網(wǎng)絡(luò)演化算法進(jìn)行對(duì)比。

    3.1?網(wǎng)絡(luò)演化算法

    針對(duì)上文的兩種網(wǎng)絡(luò)演化模型,本節(jié)給出了具體的網(wǎng)絡(luò)演化算法,以實(shí)現(xiàn)對(duì)NABFN拓?fù)浣Y(jié)構(gòu)變化過程的模擬,即算法以所有青年人的腦功能網(wǎng)絡(luò)為起點(diǎn),逐步得到中年、老年時(shí)對(duì)應(yīng)的模擬網(wǎng)絡(luò)。具體的網(wǎng)絡(luò)演化算法包含以下步驟:

    第1步?初始網(wǎng)絡(luò)選取。選取真實(shí)網(wǎng)絡(luò)中的Young作為演化的初始網(wǎng)絡(luò)。

    第2步?節(jié)點(diǎn)選擇。選取Young中的單個(gè)樣本對(duì)象網(wǎng)絡(luò)G,根據(jù)式(13)中Pm取值隨機(jī)從G中選擇一個(gè)節(jié)點(diǎn)m。

    其中:dn代表節(jié)點(diǎn)n的度值;Pm表示節(jié)點(diǎn)m被選擇的概率,它與節(jié)點(diǎn)度dm正相關(guān)。如果dm≤1,或者m的任意鄰居節(jié)點(diǎn)間均存在連邊,將根據(jù)概率Pm重新選擇新的節(jié)點(diǎn)m。

    第3步?連邊建立。若節(jié)點(diǎn)m鄰居節(jié)點(diǎn)集合為Φ,隨機(jī)選取Φ中的兩個(gè)不存在連邊的節(jié)點(diǎn)i與j,根據(jù)CNM、NBM的定義分別計(jì)算節(jié)點(diǎn)i與j之間的連邊概率 Pi, j。選取 Pi, j取值最大的節(jié)點(diǎn)i與j建立連邊。

    第4步?并行演化。循環(huán)執(zhí)行第2~3步,來不斷增加G中節(jié)點(diǎn)間的連邊數(shù)目,并保證Young中所有的樣本對(duì)象網(wǎng)絡(luò)并行演化,即:只有當(dāng)Young中的網(wǎng)絡(luò)全部完成當(dāng)前演化步驟時(shí),它們才會(huì)同時(shí)進(jìn)入下一個(gè)循環(huán)。需要注意的是,演化過程包含兩個(gè)時(shí)期,從Young到Middle,以及從Young到Old。兩個(gè)時(shí)期中Young始終作為初始網(wǎng)絡(luò),且演化步驟一致,僅僅是相應(yīng)的真實(shí)網(wǎng)絡(luò)不同。最終當(dāng)滿足方程(15)時(shí),演化過程結(jié)束。

    其中: Pedge(s)表示網(wǎng)絡(luò)演化過程中每個(gè)時(shí)期得到的模擬網(wǎng)絡(luò)與對(duì)應(yīng)真實(shí)網(wǎng)絡(luò)(Middle, Old)之間關(guān)于節(jié)點(diǎn)連邊數(shù)量的雙樣本t檢驗(yàn)的P值。規(guī)定每當(dāng)完成一次第4步后都要重復(fù)上述檢驗(yàn)。如果第s+1次校驗(yàn)值Pedge(s+1)大于或等于第s次校驗(yàn)值Pedge(s),則演化過程繼續(xù)下一循環(huán);否則,表明Pedge(s)達(dá)到最大值,整個(gè)演化過程結(jié)束,即:初始網(wǎng)絡(luò)Young中不再通過循環(huán)方式來添加新的連邊。此時(shí),Young集合中每個(gè)樣本對(duì)象網(wǎng)絡(luò)均增加了s條連邊,最后選擇第s次檢驗(yàn)后的模擬網(wǎng)絡(luò)作為最終模擬網(wǎng)絡(luò)。

    不難看出,本文算法的復(fù)雜度與整體邊數(shù)的雙樣本t檢驗(yàn)值有關(guān)。由于演化過程每次僅對(duì)Young中的所有網(wǎng)絡(luò)建立一條連邊,因此需要進(jìn)行多輪操作直到滿足演化終止條件為止,算法復(fù)雜度會(huì)相應(yīng)增加。另外,對(duì)于第3步中計(jì)算兩節(jié)點(diǎn)間的存在連邊的概率,該過程也提高了算法復(fù)雜度。但是,演化過程的加邊次數(shù)和網(wǎng)絡(luò)節(jié)點(diǎn)的個(gè)數(shù)有限,使得整體的算法復(fù)雜度仍在可接受的范圍內(nèi),并且合理的網(wǎng)絡(luò)模型對(duì)于實(shí)驗(yàn)結(jié)果有著重要的影響。

    3.2?隨機(jī)網(wǎng)絡(luò)演化算法

    為了驗(yàn)證本文所提網(wǎng)絡(luò)演化算法的準(zhǔn)確性,與隨機(jī)網(wǎng)絡(luò)演化算法進(jìn)行對(duì)比分析,并且兩者演化過程包含的兩個(gè)時(shí)期相同。具體步驟如下:

    第1步?初始網(wǎng)絡(luò)選取。將真實(shí)網(wǎng)絡(luò)中的Young作為演化的初始網(wǎng)絡(luò)。

    第2步?節(jié)點(diǎn)選擇。隨機(jī)選取Young中的單個(gè)被試網(wǎng)絡(luò)G中的一個(gè)節(jié)點(diǎn)m,如果節(jié)點(diǎn)m的度值dm≤1或者節(jié)點(diǎn)m任意鄰居節(jié)點(diǎn)間均存在連邊,則重新隨機(jī)選取節(jié)點(diǎn)m。

    第3步?連邊建立。獲取節(jié)點(diǎn)m對(duì)應(yīng)的所有鄰居節(jié)點(diǎn)集合Φ,并隨機(jī)選取Φ中兩個(gè)不同的節(jié)點(diǎn)i和j。若節(jié)點(diǎn)i和j之間不存在連邊,則建立連邊。

    第4步?并行演化。循環(huán)執(zhí)行第2~3步,來不斷增加G中節(jié)點(diǎn)間的連邊數(shù)目,并保證Young中所有的樣本對(duì)象網(wǎng)絡(luò)并行演化,整個(gè)過程與3.1節(jié)網(wǎng)絡(luò)演化算法一致。最終當(dāng)滿足方程(15)時(shí),演化過程結(jié)束。

    4?實(shí)驗(yàn)與結(jié)果

    4.1?樣本選取與預(yù)處理

    本文使用的原始fMRI掃描數(shù)據(jù)分別來自于腦成像國際聯(lián)盟(International Consortium for Brain Mapping, ICBM)、生物醫(yī)學(xué)研究中心(The Center for Biomedical Research Excellence, COBRE)以及北京師范大學(xué)認(rèn)知神經(jīng)科學(xué)與學(xué)習(xí)國家重點(diǎn)實(shí)驗(yàn)室(Beijing Normal University, State Key Laboratory of Cognitive Neuroscience and Learning)關(guān)于靜息態(tài)功能性核磁共振影像(resting state fMRI, rs-fMRI)數(shù)據(jù)集中的一部分,三者包含了不同年齡范圍的人腦圖像掃描數(shù)據(jù)。

    實(shí)驗(yàn)中,隨機(jī)抽取上述三個(gè)數(shù)據(jù)集中共90個(gè)樣本對(duì)象,并根據(jù)年齡大小均分成三組(每組30人),各組樣本統(tǒng)計(jì)數(shù)據(jù)如表1所示。其中:青年組(young)平均年齡22.8歲,范圍為19~30歲;中年組(middle)平均年齡42.6歲,范圍為31~53歲;老年組(old)平均年齡61.3歲,范圍為54~79歲。并且,表中數(shù)據(jù)顯示任意組別間關(guān)于年齡的雙樣本t校驗(yàn)值(P-value)顯示各組年齡在統(tǒng)計(jì)學(xué)上存在明顯差異。

    針對(duì)上述所有樣本的原始掃描數(shù)據(jù)。本文使用SPM8(Statistical Parametric Mapping)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,以去除原始掃描數(shù)據(jù)中的干擾因素,具體處理包括:時(shí)間片校正、頭動(dòng)校正、空間標(biāo)準(zhǔn)化、平滑處理和濾波,最終得到用于構(gòu)建腦功能網(wǎng)絡(luò)的標(biāo)準(zhǔn)圖像數(shù)據(jù)。

    4.2?腦功能網(wǎng)絡(luò)構(gòu)建

    利用4.1節(jié)處理后的fMRI圖像數(shù)據(jù)來構(gòu)建腦功能網(wǎng)絡(luò),構(gòu)建過程如圖2所示。

    具體包括如下工作:1)定義節(jié)點(diǎn)。使用國際上通用的標(biāo)準(zhǔn)腦區(qū)模板——AAL模板對(duì)大腦進(jìn)行區(qū)域分割,每個(gè)區(qū)域表示網(wǎng)絡(luò)中的一個(gè)節(jié)點(diǎn)。在這里,AAL模板將大腦劃分為90個(gè)感興趣的腦功能區(qū)域(Regions Of Interest, ROI),即網(wǎng)絡(luò)共有90個(gè)節(jié)點(diǎn)[24]。值得注意的是,AAL模板對(duì)腦區(qū)劃分所采用的方法是通過計(jì)算每個(gè)腦區(qū)所包含的所有體素的血氧水平依賴(Blood Oxygen Level Dependent, BOLD)信號(hào)大小,并取其算術(shù)平均值來表示一個(gè)ROI,即腦區(qū)。

    2)獲取腦區(qū)間相關(guān)矩陣。完成第1)步后,將原始圖像數(shù)據(jù)劃分為90個(gè)不同腦區(qū),同時(shí)抽取每個(gè)腦區(qū)中包含的不同皮層的時(shí)間序列進(jìn)行全局信號(hào)線性回歸分析。事實(shí)上,由4.1節(jié)得到的fMRI圖像數(shù)據(jù)是利用儀器對(duì)大腦皮層區(qū)域進(jìn)行切分掃描獲得的有效時(shí)間序列。最后利用回歸分析得到的平均時(shí)間序列計(jì)算腦區(qū)彼此間的皮爾森相關(guān)系數(shù),得到腦區(qū)間相關(guān)矩陣A,即90×90的矩陣。相關(guān)系數(shù)的計(jì)算如式(16)所示:

    3)確定連邊。依據(jù)表1,選取任意一個(gè)年齡組中的單個(gè)樣本對(duì)象。例如,選取young中的單個(gè)對(duì)象y1,利用第2)步得到y(tǒng)1對(duì)應(yīng)的腦區(qū)相關(guān)矩陣A。而后,對(duì)于矩陣A中的任意元素取值大于0.5的約占20%,而網(wǎng)絡(luò)整體的邊數(shù)不宜過多或者過少,否則不便于建模分析。因此,實(shí)驗(yàn)中將對(duì)象y1對(duì)應(yīng)的矩陣A中的閾值設(shè)置為0.5,最后發(fā)現(xiàn)網(wǎng)絡(luò)演化效果最好。此外,如果A中的某個(gè)元素大于0.5,其值設(shè)為1;否則為0。值為1則表示對(duì)應(yīng)的節(jié)點(diǎn)間存在連邊。由此得到對(duì)稱的只包含0和1元素的二元鄰接矩陣B,B即代表對(duì)象y1所對(duì)應(yīng)的腦功能網(wǎng)絡(luò)。

    利用上述分析與處理,分別對(duì)young、middle和old中所有的樣本對(duì)象構(gòu)建對(duì)應(yīng)的腦功能網(wǎng)絡(luò)集合,即為真實(shí)網(wǎng)絡(luò)Young、Middle和Old。

    4.3?模型性能評(píng)價(jià)指標(biāo)

    為了衡量模擬網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)間的匹配程度,實(shí)驗(yàn)中選取了復(fù)雜網(wǎng)絡(luò)理論中最重要的6個(gè)拓?fù)鋵傩宰鳛樵u(píng)價(jià)指標(biāo),包括:1)聚類系數(shù)(clustering coefficient),指某個(gè)節(jié)點(diǎn)的所有鄰居節(jié)點(diǎn)間實(shí)際存在連邊的數(shù)目與理論上存在的最多連邊數(shù)之間的比值,而網(wǎng)絡(luò)的聚類系數(shù)是網(wǎng)絡(luò)中所有節(jié)點(diǎn)聚類系數(shù)的平均值。Sala-Llonch等[8]利用復(fù)雜網(wǎng)絡(luò)理論知識(shí)研究了不同年齡段的人群的腦功能網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)變化,結(jié)果發(fā)現(xiàn)網(wǎng)絡(luò)的聚類系數(shù)隨著年齡增加發(fā)生著動(dòng)態(tài)變化。

    2)全局效益(global efficiency),能夠衡量網(wǎng)絡(luò)的并行信息傳輸能力,是對(duì)網(wǎng)絡(luò)整體信息傳輸效率的描述。相關(guān)研究已經(jīng)系統(tǒng)分析了腦功能網(wǎng)絡(luò)的結(jié)構(gòu)變化與全局效益有關(guān)[25]。

    3)局部效益(local efficiency),能夠衡量信息如何通過相鄰節(jié)點(diǎn)進(jìn)行高效傳播,進(jìn)而影響網(wǎng)絡(luò)局部的信息傳輸效率。

    4)特征路徑長度(characteristic path length),是復(fù)雜網(wǎng)絡(luò)中的重要屬性指標(biāo),刻畫了網(wǎng)絡(luò)中某一節(jié)點(diǎn)信息到達(dá)另一節(jié)點(diǎn)的最優(yōu)路徑,影響網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)[26]。

    5)模塊度(modularity),是一種衡量網(wǎng)絡(luò)社區(qū)結(jié)構(gòu)強(qiáng)度的指標(biāo),體現(xiàn)網(wǎng)絡(luò)功能的區(qū)域自治性,是描述腦功能網(wǎng)絡(luò)的一個(gè)重要指標(biāo)[8,15]。

    6)度(degree),是對(duì)節(jié)點(diǎn)的重要程度描述,反映了網(wǎng)絡(luò)中所有節(jié)點(diǎn)連邊的總體情況。此外,度分布(degree distribution)是網(wǎng)絡(luò)最基本的一個(gè)拓?fù)湫再|(zhì),它是對(duì)網(wǎng)絡(luò)中所有節(jié)點(diǎn)度值的概率統(tǒng)計(jì)。研究證實(shí)度分布曲線滿足冪律分布,說明高度節(jié)點(diǎn)更有可能形成額外的連邊[27]。

    本文選取上述六種屬性以及網(wǎng)絡(luò)中的連邊數(shù)目(edge number)屬性作為評(píng)價(jià)演化模型是否有效的依據(jù)。

    同時(shí),本文綜合考慮了各個(gè)拓?fù)鋵傩灾笜?biāo)之間的雙樣本t檢驗(yàn)值取值大小,提出了網(wǎng)絡(luò)相似指標(biāo)(SI)值。

    其中:PGlob表示模擬網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)關(guān)于全局效益的雙樣本t檢驗(yàn)值;同樣地,PC、PEdge、PQ、PEloc和PLen分別表示模擬網(wǎng)絡(luò)與真實(shí)網(wǎng)絡(luò)關(guān)于聚類系數(shù)、連邊數(shù)、模塊度、局部效益和特征路徑長度的雙樣本t檢驗(yàn)值。

    對(duì)于不同的網(wǎng)絡(luò)來說,以上幾種屬性校驗(yàn)值存在顯著差異,因此不能簡單地憑借單個(gè)屬性的好壞來對(duì)模型的模擬有效性進(jìn)行量化分析。而式(17)將所有的網(wǎng)絡(luò)屬性同等對(duì)待,由此表明不同的網(wǎng)絡(luò)屬性對(duì)于SI值的影響作用是一樣的,是對(duì)網(wǎng)絡(luò)的整體進(jìn)行有效描述。因此,若一個(gè)或多個(gè)屬性的校驗(yàn)值越大,SI值越大,相應(yīng)表明兩個(gè)網(wǎng)絡(luò)之間越相似。

    需要注意的地方是,由于使用NBM和CNM得到的模擬網(wǎng)絡(luò)與對(duì)應(yīng)真實(shí)網(wǎng)絡(luò)間關(guān)于度的雙樣本t檢驗(yàn)結(jié)果完全一樣,實(shí)驗(yàn)中沒有將網(wǎng)絡(luò)的度屬性應(yīng)用于式(17),而是通過利用累積度分布(cumulative distribution)和雙樣本柯爾莫哥洛夫斯摩洛夫(Kolmogorov Smirnov, KS)校驗(yàn)給出相應(yīng)的研究與分析。

    4.4?真實(shí)網(wǎng)絡(luò)拓?fù)鋵傩苑治?/p>

    表2反映出真實(shí)網(wǎng)絡(luò)彼此之間關(guān)于6種拓?fù)鋵傩?,即:特征路徑長度Len、全局效率Eglob、平均聚類系數(shù)Cc、模塊度Q、連邊數(shù)Enum和局部效益Eloc,并在此基礎(chǔ)上得到的網(wǎng)絡(luò)相似指標(biāo)SI值。從表2可看出,Young和Old之間在每個(gè)網(wǎng)絡(luò)屬性上均有顯著性差異(P<0.05),例如聚類系數(shù)(0.0049)和特征路徑長度(0.0036);并且Young和Old之間的SI值最?。?.0445),由此說明人衰老過程中,腦功能網(wǎng)絡(luò)的拓?fù)鋵傩园l(fā)生了明顯變化。另外,Middle和Young的連邊數(shù)(0.0028)以及Middle和Old的特征路徑長度(0.0218)等屬性校驗(yàn)值均顯示真實(shí)網(wǎng)絡(luò)彼此之間存在差異,同時(shí)發(fā)現(xiàn)Middle和Young間的SI值最大(1.0128),表明兩者網(wǎng)絡(luò)間的差異相對(duì)較小。

    為了進(jìn)一步分析各拓?fù)鋵傩耘c年齡之間的關(guān)系,對(duì)每個(gè)屬性值和年齡之間進(jìn)行回歸分析,如圖3所示。各子圖的曲線反映網(wǎng)絡(luò)中的屬性值與年齡皆線性相關(guān)。除了圖3(e)、(f)中的模塊度和特征路徑長度與年齡負(fù)相關(guān)以外,其他屬性與年齡正相關(guān)。此外,所有屬性值大小都僅在一定取值范圍之內(nèi)發(fā)生變化。結(jié)合以上論述,可以證實(shí)腦功能網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)隨著年齡變化的確會(huì)產(chǎn)生相應(yīng)的動(dòng)態(tài)改變。

    4.5?NBM和CNM性能對(duì)比

    表3給出了CNM模擬網(wǎng)絡(luò)(C-Mid、C-Old)和NBM模擬網(wǎng)絡(luò)(N-Mid、N-Old)分別與真實(shí)網(wǎng)絡(luò)(Young、Middle、Old)之間的網(wǎng)絡(luò)相似指標(biāo)SI值。當(dāng)初始網(wǎng)絡(luò)(Young)演化到中年時(shí)期時(shí),N-Mid、C-Mid與Young之間關(guān)于全局效益、聚類系數(shù)等五種拓?fù)鋵傩源嬖陲@著性差異(P<0.05)。隨著網(wǎng)絡(luò)演化過程的推進(jìn),C-Old、N-Old與Young間所有屬性皆表現(xiàn)出更明顯的差異,并且網(wǎng)絡(luò)間的SI值為0.0019和0.0034。由此說明,實(shí)驗(yàn)的演化操作確實(shí)會(huì)讓腦功能網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)發(fā)生變化。

    另外,C-Mid、N-Mid和Middle之間的6種拓?fù)鋵傩詻]有觀察到顯著差異,屬性校驗(yàn)值均大于0.15;并且,N-Old、C-Old和Old之間除聚類系數(shù)以外其余網(wǎng)絡(luò)屬性均未發(fā)現(xiàn)明顯差異。綜合分析表3的結(jié)果,可以有效驗(yàn)證NBM和CNM能夠在多個(gè)拓?fù)鋵傩陨蠈?duì)真實(shí)網(wǎng)絡(luò)進(jìn)行模擬。

    本文定義,利用NBM演化得到中年及老年時(shí)期時(shí)的模擬網(wǎng)絡(luò)稱為實(shí)驗(yàn)組(N-Mid、N-Old);利用CNM演化得到的模擬網(wǎng)絡(luò)稱為對(duì)照組(C-Mid、C-Old)。此外,對(duì)比表3中實(shí)驗(yàn)組(N-Mid、N-Old)和對(duì)照組(C-Mid、C-Old)的所有屬性校驗(yàn)值,可以發(fā)現(xiàn)N-Mid和N-Old的網(wǎng)絡(luò)屬性校驗(yàn)值更高。具體的,實(shí)驗(yàn)組與對(duì)應(yīng)真實(shí)網(wǎng)絡(luò)(Middle、Old)間的模塊度屬性校驗(yàn)值為0.8346和0.5624,均高于對(duì)照組(0.7246, 0.4046)。同樣,觀察全局效益、聚類系數(shù)以及特征路徑長度等屬性皆有著相同的結(jié)論。并且,網(wǎng)絡(luò)相似性SI值的結(jié)果顯示,N-Mid與Middle間SI值為4.4794,高于C-Mid與Middle間的SI值(4.1004);同樣,N-Old與Old間的SI值為3.4021,也要更高于C-Old與Old間的SI值(3.0132)。由此證實(shí)實(shí)驗(yàn)組可以更為確切地反映腦功能網(wǎng)絡(luò)拓?fù)鋵傩宰兓?,說明NBM比CNM模擬性能更好,進(jìn)而驗(yàn)證了NB算法通過量化分析單個(gè)節(jié)點(diǎn)對(duì)拓?fù)浣Y(jié)構(gòu)相似性的影響,確實(shí)對(duì)CN算法作了有效改進(jìn)。

    4.6?NBM模擬網(wǎng)絡(luò)屬性分析

    為了研究NBM模擬網(wǎng)絡(luò)的有效性,對(duì)比分析了模擬網(wǎng)絡(luò)(N-Mid、N-Old)與真實(shí)網(wǎng)絡(luò)(Young、Middle、Old)的6種拓?fù)鋵傩灾担Y(jié)果如圖4所示。從圖4中的真實(shí)網(wǎng)絡(luò)屬性圖像可發(fā)現(xiàn),從Young到Old間的屬性值呈階段性上升或下降趨勢(shì),這與圖3結(jié)果相對(duì)應(yīng)。此外,根據(jù)文中的網(wǎng)絡(luò)演化算法,當(dāng)Young演化到中年時(shí)期時(shí),盒式圖中的N-Mid所有的網(wǎng)絡(luò)屬性值與Middle非常接近,尤其是全局效益和特征路徑長度。而后,隨著Young演化到老年時(shí)期,N-Old中除了圖4(b)中的聚類系數(shù)以外,其余子圖的屬性,具體包括局部效益、連邊數(shù)、局部效益、模塊度以及特征路徑長度,它們的取值范圍皆達(dá)到Old的整體表現(xiàn)。結(jié)合上述分析,可以充分說明NBM模擬網(wǎng)絡(luò)能夠準(zhǔn)確地預(yù)測(cè)多個(gè)拓?fù)鋵傩灾?,即NBM能夠?qū)ABFN的拓?fù)浣Y(jié)構(gòu)變化過程實(shí)現(xiàn)有效模擬。

    另外,對(duì)比圖4中實(shí)驗(yàn)組(N-Mid、N-Old)和對(duì)照組(C-Mid、C-Old)的拓?fù)鋵傩灾悼煽闯?,圖4(e)和4(f)中N-Mid和N-Old的模塊度和特征路徑長度屬性值更加接近Middle和Old,這與表3的結(jié)果相一致。說明由NBM得到的模擬網(wǎng)絡(luò)(N-Mid、N-Old)能夠更接近對(duì)應(yīng)的真實(shí)網(wǎng)絡(luò)。

    4.7?不同網(wǎng)絡(luò)演化算法對(duì)比

    通過實(shí)現(xiàn)隨機(jī)網(wǎng)絡(luò)演化算法的具體步驟,最終得到對(duì)應(yīng)的模擬網(wǎng)絡(luò),記為Random模擬網(wǎng)絡(luò)(R-Mid、 R-Old),將其與真實(shí)網(wǎng)絡(luò)(Young、Middle、Old)關(guān)于6種拓?fù)鋵傩赃M(jìn)行比較,結(jié)果如圖5所示。與此同時(shí),對(duì)于各網(wǎng)絡(luò)拓?fù)鋵傩詧?zhí)行雙樣本t檢驗(yàn)操作,具體檢驗(yàn)結(jié)果在表4中顯示。觀察表3~4中的SI值大小,發(fā)現(xiàn)Random模擬網(wǎng)絡(luò)與對(duì)應(yīng)真實(shí)網(wǎng)絡(luò)(Middle、Old)的SI值(1.8920, 1.5912)均低于對(duì)應(yīng)NBM模擬網(wǎng)絡(luò)的SI值(4.4794, 3.4021)以及CNM模擬網(wǎng)絡(luò)的SI值(4.1004, 3.0132)。此外,對(duì)比圖5(f)與圖4(f)可看出,圖5(f)中R-Mid、R-Old與對(duì)應(yīng)的Middle、Old之間關(guān)于特征路徑長度屬性存在明顯差異;并且,兩者的校驗(yàn)值(0.0152, 0.0051)均小于0.05也可充分證實(shí)該觀點(diǎn)。相反地,對(duì)于圖4(f)中NBM模擬網(wǎng)絡(luò)(N-Mid、N-Old)卻有著良好的預(yù)測(cè)效果。同樣地,對(duì)比圖5(a)與圖4(a)、圖5(d)與圖4(d),也能看出全局效益和局部效益存在明顯差異。綜合上述分析,說明本文所提的網(wǎng)絡(luò)演化算法的模擬性能優(yōu)于隨機(jī)網(wǎng)絡(luò)演化算法。雖然前者的時(shí)間復(fù)雜度要高于后者的時(shí)間復(fù)雜度O(N)但是小于O(N2),在這里,N表示網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)目(N=90)。但是,若以時(shí)間換取算法預(yù)測(cè)的準(zhǔn)確性,可以明顯看出前者的準(zhǔn)確性更高,并且算法整體的執(zhí)行時(shí)間仍然在可接受的范圍內(nèi)(沒有超過O(N2))。

    4.8?節(jié)點(diǎn)度分布

    為了直觀地反映出從Young到Old演化過程中NBM、CNM和Random模擬網(wǎng)絡(luò)(N-Old、C-Old、R-Old)的度屬性隨年齡的變化情況,使用節(jié)點(diǎn)累積度分布的對(duì)數(shù)形式予以分析,如圖6所示。

    結(jié)果發(fā)現(xiàn),網(wǎng)絡(luò)的節(jié)點(diǎn)度分布滿足冪律分布,這與Viol等[27]的研究結(jié)果相符合。

    此外,從圖6中N-Old和C-Old的擬合曲線可看出,N-Old與Old間的擬合曲線更加接近。

    利用KS校驗(yàn)Old與N-Old間的平均度,發(fā)現(xiàn)校驗(yàn)值證實(shí)兩者之間沒有明顯差異(P=0.6648),且該值高于CNM模擬網(wǎng)絡(luò)的校驗(yàn)值(0.3574)。由此驗(yàn)證,N-Old與Old之間的度分布更為接近,即整體的節(jié)點(diǎn)連邊情況相近似。說明與C-Old相比,N-Old能夠更為準(zhǔn)確地模擬出NABFN節(jié)點(diǎn)連邊的整體變化趨勢(shì)。此外,觀察N-Old、C-Old與R-Old三者的擬合曲線, 可看出N-Old、Old顯然更接近于Old,由此說明文中所提算法比隨機(jī)網(wǎng)絡(luò)演化算法模擬性能更優(yōu)。

    5?結(jié)語

    本文基于樸素貝葉斯(NB)的鏈路預(yù)測(cè)算法和解剖距離提出一種網(wǎng)絡(luò)演化模型(NBM)來發(fā)掘NABFN節(jié)點(diǎn)連邊的變化規(guī)律,并對(duì)該變化進(jìn)行模擬。研究首先發(fā)現(xiàn)了真實(shí)網(wǎng)絡(luò)的拓?fù)鋵傩耘c年齡線性相關(guān)的規(guī)律。而后,NBM利用網(wǎng)絡(luò)演化算法逐步得到中年及老年時(shí)期的模擬網(wǎng)絡(luò)。最后,模擬網(wǎng)絡(luò)與對(duì)應(yīng)真實(shí)網(wǎng)絡(luò)間關(guān)于聚類系數(shù)、模塊度等七種拓?fù)鋵傩缘男r?yàn)結(jié)果表明,NBM與CNM相比,能夠更為精確地模擬NABFN拓?fù)浣Y(jié)構(gòu)的變化過程。同時(shí),實(shí)驗(yàn)結(jié)果也證實(shí)所提算法的模擬效果比隨機(jī)網(wǎng)絡(luò)演化算法更好。這一研究成果為解決傳統(tǒng)研究技術(shù)在大尺度時(shí)間范圍內(nèi)無法預(yù)測(cè)腦網(wǎng)動(dòng)態(tài)結(jié)構(gòu)變化的問題,提供了一個(gè)通過網(wǎng)絡(luò)建模的分析視角來模擬這一變化過程,為將來人類探索人腦的正常衰老機(jī)制與認(rèn)知能力的關(guān)系提供了重要的理論依據(jù)。然而,本文還有需要改進(jìn)和完善的地方。真實(shí)的人腦功能區(qū)域連接會(huì)隨著年齡變化發(fā)生丟失,而實(shí)驗(yàn)中僅通過持續(xù)地向網(wǎng)絡(luò)中添加節(jié)點(diǎn)連邊來模擬NABFN的拓?fù)浣Y(jié)構(gòu)變化。因此,未來的研究可以考慮同時(shí)添加和去除定量的節(jié)點(diǎn)間的連邊來實(shí)現(xiàn)更好的模擬效果。

    參考文獻(xiàn)(References)

    [1] BASSETT D S, SPORNS O. Network neuroscience [J]. Nature Neuroscience, 2017, 20(3): 353.

    [2] TATE M C, HERBET G, MOTITZ-GASSER S, et al. Probabilistic map of critical functional regions of the human cerebral cortex: Brocas area revisited [J]. Brain, 2014, 137(10): 2773-2782.

    [3] SIMAN-TOV T, BOSAK N, SPRECHER E, et al. Early age-related functional connectivity decline in high-order cognitive networks [J]. Frontiers in Aging Neuroscience, 2017, 8: 330.

    [4] ZHUANG J, MADDEN D J, DUONG-FERNANDEZ X, et al. Language processing in age-related macular degeneration associated with unique functional connectivity signatures in the right hemisphere [J]. Neurobiology of Aging, 2018, 63: 65-74.

    [5] CABEZA R, ALBERT M, BELLEVILLE S, et al. Maintenance, reserve and compensation: the cognitive neuroscience of healthy ageing [J]. Nature Reviews Neuroscience, 2018: 19: 701-710.

    [6] HOFFMAN P, MORCOM A M. Age-related changes in the neural networks supporting semantic cognition: a meta-analysis of 47 functional neuroimaging studies [J]. Neuroscience & Biobehavioral Reviews, 2018, 84: 134-150.

    [7] TAYLOR J R, WILLIAMS N, CUSACK R, et al. The Cambridge Centre for Ageing and Neuroscience (Cam-CAN) data repository: structural and functional MRI, MEG, and cognitive data from a cross-sectional adult lifespan sample [J]. NeuroImage, 2017, 144: 262-269.

    [8] SALA-LLONCH R, JUNQUE C, ARENAZA-URQUIJO E M, et al. Changes in whole-brain functional networks and memory performance in aging [J]. Neurobiology of Aging, 2014, 35(10): 2193-2202.

    [9] GEERLIGS L, RENKEN R J, SALIASI E, et al. A brain-wide study of age-related changes in functional connectivity [J]. Cerebral Cortex, 2014, 25(7): 1987-1999.

    [10] CAO M, WANG J H, DAI Z J, et al. Topological organization of the human brain functional connectome across the lifespan [J]. Developmental Cognitive Neuroscience, 2014, 7: 76-93.

    [11] SHAKIBIAN H, CHARKARI N M. Mutual information model for link prediction in heterogeneous complex networks [J]. Scientific Reports, 2017, 7: 44981.

    [12] WU J, ZHANG G, REN Y. A balanced modularity maximization link prediction model in social networks [J]. Information Processing & Management, 2017, 53(1): 295-307.

    [13] KAISER M, HILGETAG C C. Modelling the development of cortical networks [J]. Neurocomputing, 2004, 58(3): 297-302.

    [14] CANNISTRACI C V, ALANIS-LOBATO G, RAVASI T. From link-prediction in brain connectomes and protein interactomes to the local-community-paradigm in complex networks [J]. Scientific Reports, 2013, 3: 1613.

    [15] 王艷群, 李海芳, 郭浩, 等.靜息態(tài)腦功能網(wǎng)絡(luò)的社團(tuán)結(jié)構(gòu)研究[J]. 計(jì)算機(jī)應(yīng)用, 2012, 32(7): 2044-2048. (WANG Y Q, LI H F, GUO H, et al. Research into community structure of resting-state brain functional network [J]. Journal of Computer Applications, 2012, 32(7): 2044-2048.)

    [16] YANG Y L, GUO H, TIAN T, et al. Link prediction in brain networks based on a hierarchical random graph model [J]. Tsinghua Science and Technology, 2015, 20(3): 306-315.

    [17] LI Y P, QIN Y, CHEN X, et al. Exploring the functional brain network of Alzheimers disease: based on the computational experiment [J]. PLoS One, 2013, 8(9): e73186.

    [18] SULAIMANY S, KHANSARI M, ZARRINEH P, et al. Predicting brain network changes in Alzheimers disease with link prediction algorithms [J]. Molecular BioSystems, 2017, 13(4): 725-735.

    [19] VERTES P E, ALEXANDER-BLOCH A F, GOGTAY N, et al. Simple models of human brain functional networks [J]. Proceedings of the National Academy of Sciences, 2012, 109(15): 5868-5873.

    [20] BETZEL R F, AVENA-KOENIGSBERGER A, GONI J, et al. Generative models of the human connectome [J]. NeuroImage, 2016, 124: 1054-1064.

    [21] VALVERDE-REBAZA J, VALEIO A, BERTON L, et al. A Nave Bayes model based on overlapping groups for link prediction in online social networks [C]// Proceedings of the 30th Annual ACM Symposium on Applied Computing. New York: ACM, 2015: 1136-1141.

    [22] HEIBERGER R H. Predicting economic growth with stock net-works [J]. Physica A: Statistical Mechanics and its Applications, 2018, 489: 102-111.

    [23] WU J H, ZHANG G J, REN Y Z, et al. Weighted local Naive Bayes link prediction [J]. Journal of Information Processing Systems, 2017, 13(4): 914-927.

    [24] 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.

    [25] PASQUALE F D, PENNA S D, SPORNS O, et al. A dynamic core network and global efficiency in the resting human brain [J]. Cerebral Cortex, 2016, 26(10): 4015-4033.

    [26] PUETZ V B, PARKER D, KOHN N, et al. Altered brain network integrity after childhood maltreatment: a structural connectomic DTI-study [J]. Human Brain Mapping, 2017, 38(2): 855-868.

    [27] VIOL A, PALHANO-FONTES F, ONIAS H, et al. Characterizing complex networks using entropy-degree diagrams: unveiling changes in functional brain connectivity induced by Ayahuasca [EB/OL]. [2018-09-30]. https://arxiv.org/pdf/1809.10301.

    国产福利在线免费观看视频| 伦精品一区二区三区| 免费黄网站久久成人精品| 性色avwww在线观看| 国产精品 国内视频| 在线亚洲精品国产二区图片欧美| 天天躁日日躁夜夜躁夜夜| 人人澡人人妻人| 欧美日韩一级在线毛片| 欧美日韩一区二区视频在线观看视频在线| 少妇的逼水好多| 91成人精品电影| 一二三四在线观看免费中文在| 色播在线永久视频| 制服人妻中文乱码| 可以免费在线观看a视频的电影网站 | 18禁国产床啪视频网站| 久久精品国产亚洲av天美| 少妇 在线观看| 欧美日韩国产mv在线观看视频| 久久人人爽av亚洲精品天堂| 777米奇影视久久| 日韩中字成人| a级毛片在线看网站| 免费女性裸体啪啪无遮挡网站| 欧美人与善性xxx| 久久久欧美国产精品| 精品亚洲成国产av| 如何舔出高潮| 一级a爱视频在线免费观看| 午夜老司机福利剧场| 人人澡人人妻人| 亚洲欧洲精品一区二区精品久久久 | 亚洲国产最新在线播放| 国产日韩一区二区三区精品不卡| 一本色道久久久久久精品综合| 日韩中字成人| 欧美精品一区二区免费开放| av网站免费在线观看视频| 精品国产一区二区三区久久久樱花| 80岁老熟妇乱子伦牲交| 少妇精品久久久久久久| 国产精品蜜桃在线观看| 三级国产精品片| a级毛片黄视频| 久久午夜福利片| 啦啦啦中文免费视频观看日本| 夫妻午夜视频| 中文精品一卡2卡3卡4更新| 亚洲av成人精品一二三区| 国产黄频视频在线观看| 麻豆av在线久日| 制服丝袜香蕉在线| 人人妻人人澡人人爽人人夜夜| 尾随美女入室| 国产不卡av网站在线观看| 国产xxxxx性猛交| 天天躁狠狠躁夜夜躁狠狠躁| 狠狠精品人妻久久久久久综合| av女优亚洲男人天堂| 我要看黄色一级片免费的| 天美传媒精品一区二区| 成人漫画全彩无遮挡| 国产激情久久老熟女| 亚洲一级一片aⅴ在线观看| 国产麻豆69| 国产 一区精品| 亚洲精品自拍成人| 国产精品 国内视频| 天天操日日干夜夜撸| 中文字幕另类日韩欧美亚洲嫩草| 久久女婷五月综合色啪小说| av有码第一页| av有码第一页| 女人久久www免费人成看片| 伦精品一区二区三区| 亚洲精华国产精华液的使用体验| 日韩欧美一区视频在线观看| 久久久久久久亚洲中文字幕| 久久精品国产鲁丝片午夜精品| 伊人久久大香线蕉亚洲五| 免费看av在线观看网站| 国产亚洲一区二区精品| 国产精品一二三区在线看| 久久精品人人爽人人爽视色| 成人免费观看视频高清| 国产在线视频一区二区| 欧美激情 高清一区二区三区| 久久这里有精品视频免费| 午夜福利乱码中文字幕| 日韩电影二区| 国产xxxxx性猛交| 国产色婷婷99| 亚洲国产精品国产精品| 日日啪夜夜爽| videos熟女内射| 欧美av亚洲av综合av国产av | 国产精品免费视频内射| 最近2019中文字幕mv第一页| 亚洲精品第二区| 99热全是精品| 少妇熟女欧美另类| 日韩一区二区三区影片| 亚洲三区欧美一区| 亚洲av综合色区一区| 久久久久久免费高清国产稀缺| 精品少妇一区二区三区视频日本电影 | 欧美老熟妇乱子伦牲交| 久久av网站| 在线精品无人区一区二区三| 国产一区二区三区综合在线观看| 在线天堂中文资源库| 在线天堂中文资源库| 波野结衣二区三区在线| 欧美最新免费一区二区三区| 国产av码专区亚洲av| 你懂的网址亚洲精品在线观看| 天堂中文最新版在线下载| 亚洲欧美一区二区三区黑人 | 天堂8中文在线网| 日本av手机在线免费观看| 啦啦啦视频在线资源免费观看| 国产精品久久久久久av不卡| 亚洲国产欧美网| 亚洲综合精品二区| 日本欧美国产在线视频| 男人爽女人下面视频在线观看| 九色亚洲精品在线播放| 秋霞在线观看毛片| 在线观看www视频免费| 999精品在线视频| 国产欧美日韩一区二区三区在线| 国产日韩欧美视频二区| 麻豆乱淫一区二区| 久久久久久免费高清国产稀缺| 中文字幕亚洲精品专区| 性色av一级| 热99国产精品久久久久久7| 午夜激情av网站| 99热全是精品| 国产一级毛片在线| 自线自在国产av| 日日啪夜夜爽| 久久精品熟女亚洲av麻豆精品| 秋霞伦理黄片| 免费看不卡的av| 国产精品二区激情视频| 黄色一级大片看看| 国产精品一区二区在线观看99| 叶爱在线成人免费视频播放| 中文字幕另类日韩欧美亚洲嫩草| 国产成人精品无人区| 婷婷色麻豆天堂久久| 街头女战士在线观看网站| 制服诱惑二区| 精品一区二区免费观看| 国产精品人妻久久久影院| 国产男女内射视频| 国产精品女同一区二区软件| 亚洲,一卡二卡三卡| 又黄又粗又硬又大视频| av女优亚洲男人天堂| 亚洲三区欧美一区| 如何舔出高潮| 久久久国产欧美日韩av| 成年动漫av网址| 国产精品二区激情视频| 国产白丝娇喘喷水9色精品| 国产av精品麻豆| 亚洲av日韩在线播放| 日产精品乱码卡一卡2卡三| 国产黄频视频在线观看| 久久久精品国产亚洲av高清涩受| 国产精品亚洲av一区麻豆 | 成人国产麻豆网| 成人国产av品久久久| 大片免费播放器 马上看| 99久国产av精品国产电影| 老司机亚洲免费影院| 人妻系列 视频| 欧美日韩亚洲高清精品| 国产一区二区三区av在线| 日本色播在线视频| 亚洲美女视频黄频| 女人精品久久久久毛片| 中文精品一卡2卡3卡4更新| 国产日韩一区二区三区精品不卡| 久久韩国三级中文字幕| 最近手机中文字幕大全| 一二三四在线观看免费中文在| 久久久久久人人人人人| 男女无遮挡免费网站观看| 欧美老熟妇乱子伦牲交| 精品一区二区三卡| 婷婷色av中文字幕| 夜夜骑夜夜射夜夜干| 久久99热这里只频精品6学生| 国产成人免费观看mmmm| 日韩人妻精品一区2区三区| 精品少妇黑人巨大在线播放| 国产亚洲精品第一综合不卡| 777久久人妻少妇嫩草av网站| 综合色丁香网| 亚洲精品乱久久久久久| 亚洲熟女精品中文字幕| 国产有黄有色有爽视频| 亚洲第一青青草原| tube8黄色片| 晚上一个人看的免费电影| 国产精品熟女久久久久浪| 国产av国产精品国产| www.精华液| 欧美日韩一级在线毛片| 美女大奶头黄色视频| 90打野战视频偷拍视频| 精品人妻熟女毛片av久久网站| 叶爱在线成人免费视频播放| 丝袜人妻中文字幕| 亚洲综合色惰| 久久久久人妻精品一区果冻| av电影中文网址| 秋霞在线观看毛片| 涩涩av久久男人的天堂| 1024香蕉在线观看| 最近中文字幕2019免费版| 精品福利永久在线观看| 欧美精品一区二区免费开放| 亚洲精品乱久久久久久| 国产日韩一区二区三区精品不卡| 人妻人人澡人人爽人人| 国产精品免费视频内射| 精品亚洲乱码少妇综合久久| 久久这里有精品视频免费| 在线天堂中文资源库| 成人毛片a级毛片在线播放| av免费观看日本| 有码 亚洲区| 一区二区三区乱码不卡18| 亚洲欧美一区二区三区国产| www.自偷自拍.com| 国产又爽黄色视频| 中文字幕人妻丝袜一区二区 | 人人妻人人爽人人添夜夜欢视频| 叶爱在线成人免费视频播放| 久久精品亚洲av国产电影网| 日日撸夜夜添| 免费观看性生交大片5| 夜夜骑夜夜射夜夜干| 黄色 视频免费看| 美女午夜性视频免费| 国产在线免费精品| 高清黄色对白视频在线免费看| 99香蕉大伊视频| 欧美另类一区| 精品国产国语对白av| 在线免费观看不下载黄p国产| 伊人久久国产一区二区| av视频免费观看在线观看| 欧美激情高清一区二区三区 | 亚洲av欧美aⅴ国产| 亚洲国产av影院在线观看| 伦理电影免费视频| 午夜福利影视在线免费观看| 国产精品蜜桃在线观看| 国产日韩欧美在线精品| 性高湖久久久久久久久免费观看| 亚洲av中文av极速乱| 99热网站在线观看| 日韩成人av中文字幕在线观看| 色婷婷久久久亚洲欧美| 国产爽快片一区二区三区| 久久这里有精品视频免费| 中文字幕人妻丝袜制服| 观看av在线不卡| 男女高潮啪啪啪动态图| 婷婷色综合www| 狠狠精品人妻久久久久久综合| kizo精华| 男女免费视频国产| 国产精品秋霞免费鲁丝片| 美女xxoo啪啪120秒动态图| 天天躁日日躁夜夜躁夜夜| 午夜精品国产一区二区电影| 另类亚洲欧美激情| 精品国产乱码久久久久久男人| 日韩伦理黄色片| 午夜av观看不卡| xxxhd国产人妻xxx| 18禁观看日本| 国产伦理片在线播放av一区| 国产福利在线免费观看视频| 亚洲国产av影院在线观看| 国产日韩一区二区三区精品不卡| 777久久人妻少妇嫩草av网站| 少妇精品久久久久久久| 波野结衣二区三区在线| 男人操女人黄网站| 亚洲精品国产色婷婷电影| 欧美日韩av久久| 免费少妇av软件| 成人亚洲欧美一区二区av| 亚洲美女黄色视频免费看| 男女国产视频网站| 国产老妇伦熟女老妇高清| 国产野战对白在线观看| 性高湖久久久久久久久免费观看| 黄片无遮挡物在线观看| 国产男女内射视频| 99久国产av精品国产电影| 日韩制服丝袜自拍偷拍| 黄色一级大片看看| 中文欧美无线码| 久久ye,这里只有精品| 亚洲精品日本国产第一区| 日日啪夜夜爽| 人人妻人人澡人人爽人人夜夜| 26uuu在线亚洲综合色| av国产精品久久久久影院| 婷婷色av中文字幕| 人妻一区二区av| 午夜日本视频在线| 亚洲欧洲日产国产| 日本欧美国产在线视频| 亚洲伊人色综图| 老司机影院毛片| 国产一区二区在线观看av| 91精品伊人久久大香线蕉| 欧美成人精品欧美一级黄| 尾随美女入室| 亚洲人成电影观看| 国产视频首页在线观看| av女优亚洲男人天堂| 国产xxxxx性猛交| 久久精品国产亚洲av高清一级| 美女国产视频在线观看| 好男人视频免费观看在线| 中文字幕亚洲精品专区| 不卡视频在线观看欧美| 亚洲熟女精品中文字幕| 综合色丁香网| 九色亚洲精品在线播放| 秋霞伦理黄片| 久久久亚洲精品成人影院| 高清av免费在线| 下体分泌物呈黄色| 日韩一区二区视频免费看| 国产成人精品无人区| av网站在线播放免费| 99久国产av精品国产电影| 男女午夜视频在线观看| 欧美最新免费一区二区三区| 日韩制服骚丝袜av| 丝袜美足系列| 乱人伦中国视频| 亚洲av电影在线进入| 国产成人91sexporn| 一区二区三区乱码不卡18| 国产亚洲av片在线观看秒播厂| 中文字幕另类日韩欧美亚洲嫩草| 18禁裸乳无遮挡动漫免费视频| 欧美 亚洲 国产 日韩一| 免费黄频网站在线观看国产| 成年美女黄网站色视频大全免费| 最近最新中文字幕免费大全7| 一区二区三区乱码不卡18| 日本91视频免费播放| 欧美日韩一区二区视频在线观看视频在线| 女人精品久久久久毛片| 我要看黄色一级片免费的| 国产免费又黄又爽又色| 国产女主播在线喷水免费视频网站| 久久久国产一区二区| 欧美日韩av久久| 成人午夜精彩视频在线观看| av网站免费在线观看视频| √禁漫天堂资源中文www| 亚洲五月色婷婷综合| 免费在线观看完整版高清| 波多野结衣一区麻豆| 我的亚洲天堂| 久久久久久久国产电影| 国产一区二区三区综合在线观看| 成人黄色视频免费在线看| 国精品久久久久久国模美| 日韩制服丝袜自拍偷拍| 亚洲人成77777在线视频| 一级毛片 在线播放| av在线播放精品| 一二三四在线观看免费中文在| 国产精品不卡视频一区二区| 香蕉国产在线看| 久久99热这里只频精品6学生| 亚洲少妇的诱惑av| 久久精品国产亚洲av高清一级| 国产精品欧美亚洲77777| 一级黄片播放器| 深夜精品福利| 搡女人真爽免费视频火全软件| 午夜福利视频精品| 国产亚洲精品第一综合不卡| 成年美女黄网站色视频大全免费| 久久久国产一区二区| 少妇人妻精品综合一区二区| 亚洲视频免费观看视频| 亚洲天堂av无毛| 99久久综合免费| 美女中出高潮动态图| 亚洲精品日韩在线中文字幕| 看免费av毛片| 精品人妻一区二区三区麻豆| 久久99一区二区三区| av一本久久久久| 飞空精品影院首页| 国产高清不卡午夜福利| 日韩中文字幕视频在线看片| 一二三四在线观看免费中文在| 日本黄色日本黄色录像| 精品国产一区二区久久| 春色校园在线视频观看| 日韩一区二区视频免费看| 制服诱惑二区| 丝袜美足系列| 97人妻天天添夜夜摸| 国产av精品麻豆| 国产日韩一区二区三区精品不卡| 三上悠亚av全集在线观看| 国产有黄有色有爽视频| 午夜久久久在线观看| 热re99久久精品国产66热6| 日韩熟女老妇一区二区性免费视频| 国产精品亚洲av一区麻豆 | 国产成人a∨麻豆精品| 日韩视频在线欧美| 久久精品亚洲av国产电影网| 午夜日韩欧美国产| 成年动漫av网址| 哪个播放器可以免费观看大片| 一本久久精品| 久久久欧美国产精品| 国产极品粉嫩免费观看在线| 国产老妇伦熟女老妇高清| 免费在线观看完整版高清| 免费播放大片免费观看视频在线观看| 高清欧美精品videossex| 18+在线观看网站| 亚洲av成人精品一二三区| 亚洲一区中文字幕在线| 欧美+日韩+精品| 成人国产av品久久久| 日本vs欧美在线观看视频| 国产精品一区二区在线不卡| 国产 精品1| 午夜福利视频在线观看免费| 亚洲成av片中文字幕在线观看 | 国产av国产精品国产| 国产av国产精品国产| 国产精品一二三区在线看| 国产免费又黄又爽又色| 人人妻人人澡人人爽人人夜夜| 波多野结衣一区麻豆| 国产激情久久老熟女| 亚洲av免费高清在线观看| 精品亚洲成国产av| 久久久久久久久久久免费av| 亚洲av.av天堂| 国产乱来视频区| 成年人免费黄色播放视频| 国产精品免费大片| 免费看av在线观看网站| av.在线天堂| 久久久久久久久免费视频了| 精品人妻一区二区三区麻豆| 汤姆久久久久久久影院中文字幕| 高清不卡的av网站| 在线观看人妻少妇| 亚洲精品,欧美精品| 午夜老司机福利剧场| 亚洲精品一二三| 性少妇av在线| 最近的中文字幕免费完整| 久久久久国产网址| 亚洲精品国产一区二区精华液| 美女视频免费永久观看网站| 大话2 男鬼变身卡| xxxhd国产人妻xxx| 精品视频人人做人人爽| 美女主播在线视频| 日本欧美国产在线视频| 久久久久国产网址| 欧美中文综合在线视频| 飞空精品影院首页| 亚洲av欧美aⅴ国产| 免费观看无遮挡的男女| 久久久精品免费免费高清| 一区二区av电影网| 精品少妇一区二区三区视频日本电影 | 一本色道久久久久久精品综合| 天堂俺去俺来也www色官网| 中文字幕另类日韩欧美亚洲嫩草| 久久久久久久久免费视频了| 日本欧美视频一区| 欧美人与性动交α欧美精品济南到 | 成人18禁高潮啪啪吃奶动态图| 久久精品国产鲁丝片午夜精品| 只有这里有精品99| 精品久久久精品久久久| 不卡视频在线观看欧美| 成年女人毛片免费观看观看9 | 日韩不卡一区二区三区视频在线| 国产精品免费视频内射| 90打野战视频偷拍视频| 黑人欧美特级aaaaaa片| 国产xxxxx性猛交| 日韩中字成人| 国产精品国产三级国产专区5o| 精品国产露脸久久av麻豆| 国产成人av激情在线播放| 日韩视频在线欧美| 国产极品粉嫩免费观看在线| 韩国av在线不卡| 永久网站在线| 日日爽夜夜爽网站| 18+在线观看网站| 中国三级夫妇交换| 久久久久久人妻| 一区二区三区精品91| a级毛片黄视频| 国产成人精品在线电影| 人人澡人人妻人| 久久精品熟女亚洲av麻豆精品| 国产精品秋霞免费鲁丝片| 激情视频va一区二区三区| 国产熟女欧美一区二区| 日日爽夜夜爽网站| 欧美老熟妇乱子伦牲交| 中文精品一卡2卡3卡4更新| 亚洲图色成人| 制服诱惑二区| 亚洲欧美精品综合一区二区三区 | 亚洲av国产av综合av卡| 热99国产精品久久久久久7| 人人妻人人澡人人爽人人夜夜| 国产日韩一区二区三区精品不卡| 亚洲国产看品久久| 极品人妻少妇av视频| 男人操女人黄网站| 丰满饥渴人妻一区二区三| 只有这里有精品99| 9热在线视频观看99| 波野结衣二区三区在线| 在线观看美女被高潮喷水网站| 精品国产一区二区三区四区第35| 亚洲伊人久久精品综合| 欧美亚洲日本最大视频资源| 亚洲av欧美aⅴ国产| 2021少妇久久久久久久久久久| 国产成人精品福利久久| 久久午夜综合久久蜜桃| 青春草视频在线免费观看| 国产成人免费观看mmmm| 欧美日韩亚洲高清精品| 欧美日韩成人在线一区二区| 中文乱码字字幕精品一区二区三区| 香蕉丝袜av| 男男h啪啪无遮挡| 黄片小视频在线播放| 日本猛色少妇xxxxx猛交久久| 国产成人精品一,二区| 在线观看免费日韩欧美大片| 亚洲成人手机| videosex国产| 热re99久久国产66热| 伦理电影大哥的女人| 91在线精品国自产拍蜜月| 亚洲国产精品999| 国产亚洲午夜精品一区二区久久| 久久国产精品男人的天堂亚洲| 美女国产视频在线观看| 日韩制服丝袜自拍偷拍| 观看av在线不卡| 国产亚洲一区二区精品| 日产精品乱码卡一卡2卡三| 一级黄片播放器| 视频在线观看一区二区三区| 热99国产精品久久久久久7| 狠狠婷婷综合久久久久久88av| 9191精品国产免费久久| 亚洲国产日韩一区二区| 日本爱情动作片www.在线观看| 黄片小视频在线播放| 两个人看的免费小视频| 亚洲第一青青草原| 丰满迷人的少妇在线观看| 80岁老熟妇乱子伦牲交| 国产男女内射视频| 国产淫语在线视频| 一边亲一边摸免费视频| 久久婷婷青草| www.精华液| 日韩欧美一区视频在线观看| 大片电影免费在线观看免费| 波多野结衣av一区二区av| xxx大片免费视频| 精品一区二区三卡| 午夜激情久久久久久久| 国产免费又黄又爽又色| 色哟哟·www| 精品视频人人做人人爽| 亚洲欧洲日产国产| 午夜免费观看性视频| 丰满乱子伦码专区| 1024香蕉在线观看| 校园人妻丝袜中文字幕| 国产欧美亚洲国产| 国产免费视频播放在线视频|