• <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 ?

    關(guān)于人體頸動(dòng)脈硬化斑塊診斷優(yōu)化仿真

    2016-05-10 12:54:01云,雪,
    關(guān)鍵詞:分類器頸動(dòng)脈斑塊

    楊 云, 董 雪, 齊 勇

    (陜西科技大學(xué) 電氣與信息工程學(xué)院, 陜西 西安 710021)

    ?

    關(guān)于人體頸動(dòng)脈硬化斑塊診斷優(yōu)化仿真

    楊 云, 董 雪, 齊 勇

    (陜西科技大學(xué) 電氣與信息工程學(xué)院, 陜西 西安 710021)

    人體頸動(dòng)脈血流動(dòng)力學(xué)數(shù)據(jù)與頸動(dòng)脈硬化斑塊形成有重要關(guān)聯(lián),其具有高維度、非線性等復(fù)雜屬性.支持向量機(jī)算法在克服維數(shù)災(zāi)難問(wèn)題和處理非線性數(shù)據(jù)上具有顯著優(yōu)勢(shì).基于該算法,首先通過(guò)多次實(shí)驗(yàn)得到在血流動(dòng)力學(xué)信息中與頸動(dòng)脈硬化斑塊形成最為相關(guān)的屬性子集,并對(duì)懲罰因子與核函數(shù)參數(shù)進(jìn)行選擇與優(yōu)化,結(jié)果顯示分類器性能有所提高,但并不明顯,分類準(zhǔn)確率只有58.2%;然后又通過(guò)集成學(xué)習(xí)將其準(zhǔn)確率提升了17.3%,達(dá)到75.5%,所建立的診斷分類器可為臨床提供一定的參考意見(jiàn).

    支持向量機(jī); 頸動(dòng)脈硬化斑塊診斷; 性能優(yōu)化; 性能評(píng)估

    0 引言

    頸動(dòng)脈硬化多發(fā)于中老年人,最顯著的特點(diǎn)是硬化斑塊的形成,硬化斑塊形成后可能導(dǎo)致動(dòng)脈狹窄[1],而血管內(nèi)血流狀況的改變可能進(jìn)一步改變動(dòng)脈管壁上的壓力使動(dòng)脈狹窄更加嚴(yán)重,引起硬化斑塊的破裂、脫落等,嚴(yán)重危害人們的生命健康[2].目前,頸動(dòng)脈硬化斑塊的診斷大多通過(guò)醫(yī)生人工分析頸動(dòng)脈多普勒超聲所提供的信息來(lái)做出判斷,這樣復(fù)雜且高維的信息數(shù)據(jù)人腦很難處理[3],數(shù)據(jù)挖掘技術(shù)對(duì)高維且復(fù)雜的數(shù)據(jù)分析提供了有力支持,尤其是對(duì)缺少先驗(yàn)知識(shí)的醫(yī)學(xué)數(shù)據(jù).而少數(shù)利用BP(Back Propagation)算法來(lái)分析處理頸動(dòng)脈超聲數(shù)據(jù)的,又會(huì)帶來(lái)過(guò)度擬合等問(wèn)題[4,5],支持向量機(jī)在處理小樣本、非線性數(shù)據(jù)時(shí)能避免BP算法所產(chǎn)生的過(guò)學(xué)習(xí)問(wèn)題.因此,本研究采用高性能的支持向量機(jī)算法,對(duì)西安市唐都醫(yī)院311例頸動(dòng)脈硬化患者血流數(shù)據(jù)進(jìn)行分析,建立頸動(dòng)脈硬化斑塊診斷分類器,并研究頸動(dòng)脈硬化斑塊的形成與血流動(dòng)力學(xué)參數(shù)的關(guān)系.

    1 人體頸動(dòng)脈硬化斑塊診斷分類器優(yōu)化原理

    優(yōu)化該診斷分類器時(shí)主要有兩個(gè)問(wèn)題,一是支持向量機(jī)建立分類器時(shí),它的核函數(shù)與參數(shù)的選擇;二是單個(gè)的弱支持向量機(jī)分類器通常情況下分類效果不佳,針對(duì)該問(wèn)題用集成學(xué)習(xí)的思想將弱分類器進(jìn)一步優(yōu)化提升.

    在對(duì)支持向量機(jī)核函數(shù)與參數(shù)進(jìn)行設(shè)置時(shí)總想要得到最好的參數(shù)組合,然而直到今天也沒(méi)有一個(gè)能滿足各種不同需要的參數(shù)設(shè)置的最好方法,一般在實(shí)際中經(jīng)常會(huì)用到的解決辦法就是把懲罰因子與核函數(shù)參數(shù)控制在一定范圍內(nèi)進(jìn)行窮盡,用這種思想并通過(guò)某種評(píng)估方法,例如,本文所使用的20折交叉驗(yàn)證法對(duì)一定范圍內(nèi)的所有可能取值進(jìn)行評(píng)估,然后選取最優(yōu)的.

    通常單個(gè)弱分類器的性能并不理想,集成學(xué)習(xí)的出現(xiàn)在一定程度上解決了用單個(gè)分類算法對(duì)數(shù)據(jù)集進(jìn)行分類時(shí)性能不優(yōu)的弊端,但這也受到了數(shù)據(jù)集質(zhì)量與數(shù)量以及挖掘算法選用的是不是適合等問(wèn)題的制約,但在大多數(shù)情況下與單個(gè)分類器相比較而言,集成分類器效果都會(huì)有所提高,它所依據(jù)的理論基礎(chǔ)是統(tǒng)計(jì)技術(shù)中的迭加分類器,并用某種方式將許多單一分類器結(jié)合起來(lái)而取得比單個(gè)分類器更高的準(zhǔn)確率.一個(gè)集成支持向量機(jī)示意圖如圖1所示.

    圖1 集成支持向量機(jī)

    2 頸動(dòng)脈斑塊診斷分類器建立的方法

    2.1 數(shù)據(jù)預(yù)處理

    頸動(dòng)脈硬化斑塊診斷分類器建立過(guò)程中,首先,選取除血流動(dòng)力學(xué)參數(shù)屬性以外其他屬性基本統(tǒng)一均衡的樣本,如所選的311例樣本中,有168例有硬化斑塊,143例無(wú)硬化斑塊,男性155例,女性156例,且年齡范圍在50~70歲之間,電子病歷顯示他們均不患有其他疾病,該樣本集中每一個(gè)樣本對(duì)應(yīng)一個(gè)病人的血流動(dòng)力學(xué)參數(shù)以及斑塊有無(wú)的診斷結(jié)果.

    2.1.1 血流動(dòng)力學(xué)數(shù)據(jù)規(guī)范化

    頸動(dòng)脈血流動(dòng)力學(xué)參數(shù)包括以下屬性:頸內(nèi)動(dòng)脈收縮期的峰值流速(IVmax)、舒張末期流速(IVmin)、收縮期與舒張期流速比值(IVmax/IVmin)、平均血流速度(ITAMAX)、搏動(dòng)(IPI)、阻力指數(shù)(IRI),它們的數(shù)值范圍如表1所示,椎動(dòng)脈收縮期的峰值流速(VVmax)、舒張末期流速(VVmin)、收縮期與舒張期流速比值(VVmax/VVmin)、平均血流速度(VTAMAX)、搏動(dòng)指數(shù)(VPI)、阻力指數(shù)(VRI),它們的數(shù)值范圍如表2所示.

    表1 頸內(nèi)動(dòng)脈各參數(shù)大小

    表2 椎動(dòng)各脈參數(shù)大小

    由表1和表2可知,12個(gè)數(shù)值屬性范圍與單位各不相同,因此要進(jìn)行規(guī)范化處理,規(guī)范化能夠有效避免某些過(guò)大屬性值對(duì)較小屬性值在建立分類器時(shí)的影響.使用數(shù)據(jù)挖掘工具WEKA的非監(jiān)督過(guò)濾器(UnsupervisedFilter)下的Normalize規(guī)約發(fā)現(xiàn),將整個(gè)數(shù)據(jù)集簡(jiǎn)單的規(guī)約至[0,1]之間分類效果很差,經(jīng)過(guò)多次實(shí)驗(yàn)結(jié)果對(duì)比規(guī)約至[0,10]區(qū)間內(nèi)更有利于支持向量機(jī)數(shù)據(jù)挖掘.該樣本集中每一個(gè)實(shí)例都對(duì)應(yīng)了一個(gè)病人的血流動(dòng)力信息參數(shù)以及斑塊有無(wú)的診斷結(jié)果分類標(biāo)記分別記做‘1’,‘-1’,Weka給出實(shí)例斑塊有無(wú)的診斷結(jié)果統(tǒng)計(jì)圖如圖2所示.

    圖2 診斷結(jié)果統(tǒng)計(jì)圖

    2.1.2 血流動(dòng)力學(xué)參數(shù)屬性過(guò)濾

    屬性選擇作為數(shù)據(jù)預(yù)處理的一種重要方法對(duì)數(shù)據(jù)進(jìn)行約減,在頸動(dòng)脈血流動(dòng)力學(xué)參數(shù)數(shù)據(jù)集的12個(gè)屬性中,無(wú)關(guān)屬性會(huì)對(duì)分類器建立造成負(fù)面影響,通常只保留最為相關(guān)的屬性而去除冗余屬性[6],這樣既提高了算法性能又加快了算法運(yùn)行速度[7,8].對(duì)血流動(dòng)力學(xué)數(shù)據(jù)集進(jìn)行離散處理,利用增益比率評(píng)價(jià)方法對(duì)不同屬性與診斷之間的相關(guān)性進(jìn)行評(píng)價(jià).評(píng)價(jià)過(guò)程中采用Ranker搜索策略,可對(duì)每個(gè)屬性的相關(guān)值由高到低的進(jìn)行排序,并根據(jù)設(shè)定的閾值過(guò)濾掉部分屬性.過(guò)對(duì)實(shí)驗(yàn)結(jié)果分析,得到血流動(dòng)力學(xué)屬性與頸動(dòng)脈硬化斑塊診斷相關(guān)性大小的排序?yàn)閂PI>IVmax/IVmin>VVmax/VVmin>VVmax>VRI>IRI>IVmax>ITAMAX>IPI>VTAMAX>IVmin>VVmin.

    由于Ranker的閾值難以確定,無(wú)法準(zhǔn)確過(guò)濾屬性,有時(shí)甚至過(guò)濾掉了能獲得更好分類效果的屬性子集,因此從相關(guān)性最小的屬性VVmin開(kāi)始依次向相關(guān)性增大的方向移除屬性,形成13個(gè)屬性子集,包括屬性全集和空集,再用支持向量機(jī)進(jìn)行驗(yàn)證,通過(guò)評(píng)估在13個(gè)屬性子集上支持向量機(jī)的分類效果,來(lái)獲得相關(guān)性最高并且屬性個(gè)數(shù)最小的屬性子集.選取Kappa統(tǒng)計(jì)量、平均絕對(duì)誤差和均方根誤差進(jìn)行評(píng)估,其中Kappa統(tǒng)計(jì)量的值越大在該屬性子集上的分類效果越好,而平均絕對(duì)誤差和均方根誤差則是數(shù)值越小分類器性能越好.以移除次數(shù)為橫坐標(biāo),3個(gè)評(píng)估參數(shù)大小為縱坐標(biāo)繪制3條曲線,如圖3所示.

    圖3 支持向量機(jī)對(duì)屬性子集評(píng)估結(jié)果

    如上圖所示,從屬性全集開(kāi)始,依次移除每個(gè)屬性后,獲得的第六個(gè)屬性子集{VPI,IVmax/IVmin,VVmax/VVmin,VVmax,VRI,IRI,IVmax}有最大的Kappa統(tǒng)計(jì)量以及最小的平均絕對(duì)誤差與均方根誤差,此時(shí)所建立的分類器具有最好的分類效果,因此,該屬性子集即為目標(biāo)屬性子集,而這7個(gè)屬性是血流力學(xué)參數(shù)種與頸動(dòng)脈硬化斑塊形成最為相關(guān)的屬性.

    2.2 基于支持向量機(jī)的仿真實(shí)驗(yàn)

    2.2.1 支持向量機(jī)原理

    支持向量機(jī)(support vector machines,SVM) 是由Vapnik等提出的一類新型數(shù)據(jù)挖掘算法[9,10],它能利用線性分類器實(shí)現(xiàn)對(duì)非線性分類邊界的描繪,主要用于小樣本、非線性的分類和回歸,在一定程度上解決了過(guò)學(xué)習(xí)和維數(shù)災(zāi)難等問(wèn)題,廣泛應(yīng)用于基因分類、人臉識(shí)別等領(lǐng)域中[11,12].SVM的基本思想是對(duì)于二分類線性可分?jǐn)?shù)據(jù)產(chǎn)生一個(gè)超平面w·x+b=0,其中w為權(quán)值向量,x為輸入向量,b為偏置,超平面與樣本點(diǎn)之間的間隔稱為分離邊緣,如圖4所示.距離最優(yōu)超平面最近的實(shí)例稱為支持向量,支持向量是最難分類的數(shù)據(jù)點(diǎn)在支持向量機(jī)的運(yùn)行中起著主導(dǎo)作用,SVM就是要找到使得分離邊緣最大,也就是利用支持向量所定義的最優(yōu)超平面,并且使樣本點(diǎn)位于其兩側(cè),因此要確定分離邊緣最大時(shí)w和b的最優(yōu)值(w0,b0),然而直接求得(w0,b0)不太可能,因此轉(zhuǎn)化為如下的約束優(yōu)化問(wèn)題[13].

    圖4 最優(yōu)超平面示意圖

    對(duì)于給定的訓(xùn)練樣本

    T={(x1,t1),…,(xp,tp)},p=1,2,…,p,xi∈Rn,tp∈(-1,1)

    其中,tp∈(-1,1)為分類類別標(biāo)識(shí),為找到w0和b0,問(wèn)題轉(zhuǎn)化為使其在

    tp(w·xp+b)≥1,p=1,2,…,P

    (1)

    約束條件下有最小的代價(jià)函數(shù):

    (2)

    該代價(jià)函數(shù)是w的凸函數(shù),因而保證了局部最優(yōu)解一定是全局最優(yōu)解[14],然后利用Lagrange系數(shù)法和KKT條件解得最優(yōu)超平面為:

    (3)

    對(duì)于非線性可分?jǐn)?shù)據(jù)引入了松弛變量ξp≥0 與懲罰因子C,與線性可分類似約束條件變?yōu)椋?/p>

    tp(w·xp+b)≥1-ξp,p=1,2,…,P

    (4)

    最小代價(jià)函數(shù)為:

    (5)

    不同的是,非線性可分模式分類需將輸入向量映射到一個(gè)高維特征向量空間,使大多數(shù)分線性可分模式在特征空間中可轉(zhuǎn)化為線性可分模式,在特征空間構(gòu)造最優(yōu)超平面時(shí),僅使用特征空間中的內(nèi)積,根據(jù)泛函分析用滿足Mercer定理的核函數(shù)K(xp,x),它就對(duì)應(yīng)了某一轉(zhuǎn)換空間的內(nèi)積[15],因此,非線性可分的最優(yōu)超平面為:

    (6)

    常用的核函數(shù)K(xp,x)有線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)等,以及徑向基核函數(shù),分別定義為以下公式,即

    K(xp,x)=x′*xp

    (7)

    K(xp,x)=[(x·xp)+1]q

    (8)

    K(xp,x)=tanh(k(x·xp)+1)

    (9)

    (10)

    2.2.2 支持向量機(jī)參數(shù)優(yōu)化

    上述公式(7)、(8)、(9)、(10)中,除公式(7)沒(méi)有參數(shù),公式(8)需確定多項(xiàng)式核函數(shù)的最優(yōu)階數(shù)q,公式(9)中需確定Sigmoid核函數(shù)的寬度k,公式(10)中徑向基核函數(shù)的寬度2δ2.此外還有支持向量機(jī)自身參數(shù)懲罰因子c,要分別與上述參數(shù)進(jìn)行組合來(lái)確定整個(gè)支持向量機(jī)的參數(shù)設(shè)置.當(dāng)使用線性核函數(shù)時(shí)只需優(yōu)化懲罰因子c的值,所以使用Weka中的CVParameterSelection單個(gè)屬性優(yōu)化方法,將它在2-8~28之間按照步長(zhǎng)為1進(jìn)行搜索,得到最優(yōu)的c為0.943 6;使用多項(xiàng)式核函數(shù)時(shí),對(duì)(q,c)參數(shù)對(duì)優(yōu)化時(shí)使用Weka中的網(wǎng)格搜索,將q在常用的1~10范圍內(nèi),c在2-8~28內(nèi)按步長(zhǎng)為1進(jìn)行搜索,得到q、c最優(yōu)值為(3,0.999 9);使用Sigmoid核函數(shù)時(shí),對(duì)(k,c)在2-8~28內(nèi)進(jìn)行同樣搜索得到的最優(yōu)值為(0.062 5、0.965 2);當(dāng)使用徑向基核函數(shù)時(shí),對(duì)(2δ2,c)進(jìn)行相同搜索得到最優(yōu)值為(0.157 9、0.910 5).

    通過(guò)上述過(guò)程,在一定范圍內(nèi)確保了各個(gè)核函數(shù)參數(shù)與懲罰因子組合的最優(yōu)性,為建立支持向量機(jī)診斷分類器需選取其中能使支持向量機(jī)性能最優(yōu)的一組參數(shù)作為最終參數(shù)組合,將20折交叉驗(yàn)證所得的平均絕對(duì)誤差做為評(píng)判標(biāo)準(zhǔn),結(jié)果如表3所示.由表3可知,當(dāng)使用徑向基核函數(shù)建立支持向量機(jī)時(shí)平均絕對(duì)誤差值分別低于線性、所項(xiàng)式以及Sigmoid核函數(shù)7.4%、0.4%、7.1%,所以選擇徑向基核函數(shù)建立支持向量機(jī).

    表3 核函數(shù)參數(shù)與平均絕對(duì)誤差

    2.2.3 集成學(xué)習(xí)優(yōu)化

    集成學(xué)習(xí)中有裝袋法與提升法兩種不同的方法可對(duì)分類器集成.裝袋法中生成的每個(gè)分類器彼此之間都是獨(dú)立的,而提升法中則是迭代的生成每個(gè)分類器并且生成過(guò)程中后一個(gè)都要受到前一個(gè)的影響,它還會(huì)為所生成的各個(gè)分類器賦予不同的權(quán)值大小.它們都是用投票法將多個(gè)單一分類器的結(jié)果綜合在一起.與提升法相比,裝袋法更側(cè)重用防止過(guò)度擬合的發(fā)生,而提升法更注重提高分類器的性能,為提高頸動(dòng)脈硬化斑塊分類器的準(zhǔn)確度采用提升法中最具代表性的Adaboost算法來(lái)對(duì)準(zhǔn)確率進(jìn)行改善,該算法的流程圖如圖5所示.在Adaboost算法中需要確定迭代次數(shù),進(jìn)行30次實(shí)驗(yàn)并將平均絕對(duì)誤差作為評(píng)價(jià)標(biāo)準(zhǔn),結(jié)果如圖6所示.由圖6可知,迭代次數(shù)為15次的時(shí)候,平均絕對(duì)誤差最小,最小值為0.242 8,在進(jìn)行更多次的迭代時(shí)誤差值趨于平穩(wěn),所以此時(shí)所建立的集成支持向量機(jī)的性能最優(yōu).

    圖5 Adaboost算法流程圖

    圖6 平均絕對(duì)誤差隨迭代次數(shù)變化圖

    3 仿真結(jié)果

    對(duì)仿真結(jié)果進(jìn)行分析時(shí),首先對(duì)BP算法與支持向量機(jī)算法結(jié)果進(jìn)行比較;其次將默認(rèn)參數(shù)與優(yōu)化后的參數(shù)進(jìn)行對(duì)比;最后對(duì)集成優(yōu)化后的分類器性能進(jìn)一步比較.評(píng)估方法都采用20折交叉驗(yàn)證.

    3.1 BP算法與支持向量機(jī)結(jié)果對(duì)比

    將Weka中默認(rèn)參數(shù)下的BP算法與默認(rèn)參數(shù)下的支持向量機(jī)所得評(píng)估結(jié)果進(jìn)行統(tǒng)計(jì),結(jié)果如表4所示.由表4可以看出,支持向量機(jī)的分類準(zhǔn)確率高于BP算法8.04%,平均絕對(duì)誤差、均方根誤差與相對(duì)均方根誤差低于BP算法8.1%、5.9%、16.56%,因此在頸動(dòng)脈血流信息數(shù)據(jù)集上支持向量機(jī)的性能優(yōu)于BP算法.

    表4 核函數(shù)參數(shù)與平均絕對(duì)誤差

    3.2 參數(shù)優(yōu)化后結(jié)果對(duì)比

    選擇徑向基核函數(shù)建立支持向量機(jī)時(shí),Weka中參數(shù)2δ2與c默認(rèn)值為(0,1),優(yōu)化后的值為(0.157 9,0.910 5),將二者的評(píng)估參數(shù)進(jìn)行對(duì)比,結(jié)果如表5所示.由該表可知,默認(rèn)值時(shí)的平均絕對(duì)誤差、均方根誤差與相對(duì)均方根誤差分別高于優(yōu)化后的參數(shù)3.5%、12.5%、6.1%,因此通過(guò)網(wǎng)格搜索后參數(shù)的確得到了優(yōu)化.但只是參數(shù)優(yōu)化對(duì)分類器的性能提升并不顯著,所以進(jìn)行集成優(yōu)化.

    表5 核函數(shù)參數(shù)與平均絕對(duì)誤差

    3.3 集成優(yōu)化后結(jié)果對(duì)比

    將優(yōu)化前單個(gè)支持向量機(jī)與優(yōu)化后集成支持向量機(jī)的評(píng)估參數(shù)進(jìn)行統(tǒng)計(jì),結(jié)果如表6所示.由表6可知,集成向量機(jī)正確分類率提高了17.3%,平均絕對(duì)誤差降低了17.5%、均方根誤差降低了10.1%,而相對(duì)均方根誤差減少了34.01%.經(jīng)過(guò)對(duì)比分析發(fā)現(xiàn),對(duì)單個(gè)支持向量機(jī)集成優(yōu)化后所建立的診斷分類器的各項(xiàng)誤差值均有所降低.

    表6 單個(gè)與集成支持向量機(jī)的評(píng)估參數(shù)

    醫(yī)學(xué)診斷性試驗(yàn)的質(zhì)量通常用敏感性和特異性來(lái)衡量.敏感性是指在患病的人群中診斷結(jié)果是肯定的比例,特異性是指在沒(méi)有病的人群中診斷結(jié)果是否定的比例,分別表示為公式(11)、(12).

    FP/(FP+TN)

    (11)

    TN/(FP+TN)

    (12)

    式中:TN為正確的肯定,FP為錯(cuò)誤的否定.

    以敏感性為縱軸,特異性為橫軸,將單個(gè)支持向量機(jī)與集成支持向量機(jī)的頸動(dòng)脈硬化斑塊診斷分類器的ROC曲線(Receiver Operating Characteristic Curve)同時(shí)繪制在圖7中,曲線下面積記為AUC,當(dāng)AUC>0.5時(shí),AUC越接近于1,說(shuō)明診斷效果越好;當(dāng)且僅當(dāng)AUC>0.5∧AUC<1時(shí),分類器才是有價(jià)值的;AUC在0.9以上時(shí)分類器較準(zhǔn)確.單個(gè)支持向量機(jī)的曲線下面積AUC=0.572,集成支持向量機(jī)的曲線下面積為AUC=0.75,進(jìn)一步說(shuō)明了集成優(yōu)化后分類器性能得到了提高,并且該分類器具有一定的價(jià)值,而頸動(dòng)脈血流動(dòng)力學(xué)參數(shù)與頸動(dòng)脈硬化斑塊的形成有著密切聯(lián)系.

    圖7 單個(gè)與集成支持向量機(jī)ROC曲線

    4 結(jié)論

    支持向量機(jī)可以實(shí)現(xiàn)對(duì)頸動(dòng)脈血流動(dòng)力學(xué)參數(shù)的信息融合與分析,在分類器建立過(guò)程中,經(jīng)過(guò)屬性過(guò)濾得到了血流動(dòng)力學(xué)信息集中與頸動(dòng)脈硬化斑塊形成最為相關(guān)的屬性子集.在使用支持向量機(jī)建立分類器時(shí)用窮盡的思想在一定范圍內(nèi)對(duì)其核函數(shù)參數(shù)與懲罰因子經(jīng)過(guò)選擇優(yōu)化,發(fā)現(xiàn)分類器性能有所提高,而后通過(guò)集成優(yōu)化使得分類器的性能得到了很大的提升.通過(guò)所建分類器可知,頸動(dòng)脈硬化斑塊的形成與頸動(dòng)脈血流動(dòng)力學(xué)參數(shù)有著密切的關(guān)系,在臨床中雖不能僅憑血流動(dòng)力學(xué)參數(shù)做出診斷,但也應(yīng)當(dāng)充分考慮血流動(dòng)力學(xué)參數(shù)帶來(lái)的影響.

    [1] 白志勇,李敬府,楊玉杰,等.頸動(dòng)脈粥樣硬化斑塊超聲造

    影特征分析[J].中國(guó)超聲醫(yī)學(xué)雜志,2011,27(11):994-996,1 044.

    [2] 楊 鑫.三維超聲圖像中頸動(dòng)脈粥樣硬化的表型量化與分析[D].武漢:華中科技大學(xué),2013.

    [3] 孫海燕,黃品同,黃福光,等.超聲造影評(píng)價(jià)頸動(dòng)脈粥樣硬化斑塊的初步研究[J].中華超聲影像學(xué)雜志,2007,16(3):219-221.

    [4] 諸 毅.超聲頸動(dòng)脈血流量測(cè)量系統(tǒng)設(shè)計(jì)[D].上海:復(fù)旦大學(xué),2004.

    [5] 郭 翌.超聲信息分析及其在動(dòng)脈粥樣硬化判別中的應(yīng)用[D].上海:復(fù)旦大學(xué),2008.

    [6] Alagugowri.S,D R.T.Christopher.Enhanced heart disease analysis and prediction system [EHDAPS] using data mining[J].International Journal of Emerging Trends in Science and Technology,2014,9(1):1 555-1 556.

    [7] Kennethr,Robertk,Joseph.Machine learning,medical diagnosis,and biomedical engineering research-commentary[J].Biomedical Engineering OnLine,2014,13(1):94-103.

    [8] Golino H F,Amaral L S B,Duarte S F P,et al.Predicting increased blood pressure using machine learning[J].Journal of Obesity,2014,6(2):99-103.

    [9] 顧成揚(yáng),吳小俊.基于EST和SVM的乳腺癌識(shí)別新方法[J].計(jì)算機(jī)工程與應(yīng)用,2011,47(8):183-185,193.

    [10] Jose M,Pablo E,Carlo B,et al.Prediction of the hemoglobin level in hemodialysis patients using machine learning techniques[J].Computer Methods and Programs in Biomedicine,2014,117(2):208-217.

    [11] 顧亞祥,丁世飛.支持向量機(jī)研究進(jìn)展[J].計(jì)算機(jī)科學(xué),2011,38(2):14-17.

    [12] Mattia C F Prosperi,Susana Marinho.Predicting phenotypes of asthma and eczema with machine learning[J]. BMC Medical Genomics,2014,7(1):82-88.

    [13] 丁世飛,齊丙娟,譚紅艷,等.支持向量機(jī)理論與算法研究綜述[J].電子科技大學(xué)學(xué)報(bào),2011,40(1):1-10.

    [14] 程 然.最小二乘支持向量機(jī)的研究和應(yīng)用[D].哈爾濱:哈爾濱工業(yè)大學(xué),2013.

    [15] 楊雯斌.支持向量機(jī)在大規(guī)模數(shù)據(jù)中的應(yīng)用研究[D].上海:華東理工大學(xué),2013.

    【責(zé)任編輯:蔣亞儒】

    Research on carotid atherosclerotic plaque diagnosis basd on SVM

    YANG Yun, DONG Xue, QI Yong

    (College of Electrical and Information Engineering, Shaanxi University of Science & Technology, Xi′an 710021, China)

    There is an important link between human carotid artery hemodynamic data and carotid atherosclerotic plaque formation, the hemodynamic data has high dimension and nonlinear attributes. The support vector machine algorithm has significant advantages in overcoming the curse of dimensionality and nonlinear data processing. Based on this algorithm. Firstly, the most relevant attributes subset of the hemodynamic data is obtained through many experiments. Secondly, the parameters of the cost and the kernel functions are selected and optimized. The results show that the classifier performance has improved, but not obviously. The accuracy is only 58.2%. And then through the ensemble learning the accuracy increased by 17.3%, and the final classification accuracy is 75.5%, the established diagnostic model can provide some references for clinical treatment.

    SVM; carotid angiosclerosis plaque; classifier optimization; classifier performance

    2016-04-20

    陜西省科技廳科學(xué)技術(shù)研究發(fā)展計(jì)劃項(xiàng)目(2014K15-03-06); 西安市科技計(jì)劃項(xiàng)目 (NC1403(2),NC1319(1))

    楊 云 (1965-),女,陜西咸陽(yáng)人,教授,博士,研究方向:數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘

    1000-5811(2016)05-0162-06

    TP391.9

    A

    猜你喜歡
    分類器頸動(dòng)脈斑塊
    捕食-食餌系統(tǒng)在離散斑塊環(huán)境下強(qiáng)迫波的唯一性
    頸動(dòng)脈的斑塊逆轉(zhuǎn)看“軟硬”
    自我保健(2021年2期)2021-11-30 10:12:31
    一篇文章了解頸動(dòng)脈斑塊
    婦女之友(2021年9期)2021-09-26 14:29:36
    microRNA-146a與冠心病患者斑塊穩(wěn)定性的相關(guān)性
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    三維超聲在頸動(dòng)脈內(nèi)膜剝脫術(shù)前的應(yīng)用價(jià)值
    腦微出血與頸動(dòng)脈狹窄的相關(guān)性分析
    頸動(dòng)脈內(nèi)膜剝脫術(shù)治療頸動(dòng)脈狹窄的臨床研究
    欧美性猛交╳xxx乱大交人| 天天一区二区日本电影三级| 男女午夜视频在线观看| 深夜精品福利| 在线观看免费日韩欧美大片| 欧美久久黑人一区二区| 美女国产高潮福利片在线看| 97人妻精品一区二区三区麻豆 | 精品日产1卡2卡| 黄色毛片三级朝国网站| 自线自在国产av| 黄片小视频在线播放| av视频在线观看入口| 免费在线观看亚洲国产| 9191精品国产免费久久| 国产高清视频在线播放一区| 一二三四社区在线视频社区8| 午夜免费激情av| 法律面前人人平等表现在哪些方面| 熟妇人妻久久中文字幕3abv| 久久国产精品男人的天堂亚洲| 亚洲中文av在线| 成年人黄色毛片网站| 中文字幕最新亚洲高清| 色哟哟哟哟哟哟| 久久精品aⅴ一区二区三区四区| 两个人视频免费观看高清| 国产区一区二久久| 欧美性长视频在线观看| 两个人免费观看高清视频| 免费人成视频x8x8入口观看| 国产亚洲欧美精品永久| 757午夜福利合集在线观看| 2021天堂中文幕一二区在线观 | 777久久人妻少妇嫩草av网站| 久久久国产欧美日韩av| 日韩av在线大香蕉| 国产人伦9x9x在线观看| 午夜两性在线视频| 天堂√8在线中文| 香蕉国产在线看| 黄片播放在线免费| 久久久久久九九精品二区国产 | 欧美日韩福利视频一区二区| 色播在线永久视频| av天堂在线播放| 成人亚洲精品一区在线观看| 狂野欧美激情性xxxx| 欧美 亚洲 国产 日韩一| 久久久国产欧美日韩av| 母亲3免费完整高清在线观看| 一卡2卡三卡四卡精品乱码亚洲| 亚洲va日本ⅴa欧美va伊人久久| 色在线成人网| 91av网站免费观看| 高清在线国产一区| 欧美亚洲日本最大视频资源| 91成年电影在线观看| 国产精品美女特级片免费视频播放器 | 91av网站免费观看| 国产精品久久电影中文字幕| 熟女电影av网| 老汉色av国产亚洲站长工具| 别揉我奶头~嗯~啊~动态视频| 91老司机精品| 99久久久亚洲精品蜜臀av| 免费高清视频大片| xxxwww97欧美| 欧美性长视频在线观看| 91麻豆精品激情在线观看国产| 丝袜人妻中文字幕| 日韩欧美国产在线观看| 国产99白浆流出| 国产精品二区激情视频| 久久这里只有精品19| 黑人操中国人逼视频| 午夜免费成人在线视频| 国产成人精品无人区| 午夜成年电影在线免费观看| 久久精品91蜜桃| 一二三四社区在线视频社区8| 波多野结衣高清无吗| 成人亚洲精品一区在线观看| 精品日产1卡2卡| 午夜激情av网站| 巨乳人妻的诱惑在线观看| 99国产精品一区二区蜜桃av| 亚洲精品国产一区二区精华液| 曰老女人黄片| 久久中文看片网| 欧美成狂野欧美在线观看| 亚洲 欧美一区二区三区| 一进一出抽搐gif免费好疼| 女生性感内裤真人,穿戴方法视频| 国产极品粉嫩免费观看在线| 国产亚洲精品一区二区www| 好男人电影高清在线观看| 久久久久久大精品| 99热这里只有精品一区 | 国产片内射在线| 亚洲五月色婷婷综合| 亚洲精品色激情综合| 男人操女人黄网站| 久久久久免费精品人妻一区二区 | 在线观看日韩欧美| 成人永久免费在线观看视频| 婷婷六月久久综合丁香| 国产国语露脸激情在线看| 精品高清国产在线一区| 午夜a级毛片| 中国美女看黄片| 淫妇啪啪啪对白视频| 国产高清视频在线播放一区| 欧美性猛交╳xxx乱大交人| 精品欧美一区二区三区在线| 国产99白浆流出| 女性生殖器流出的白浆| 亚洲avbb在线观看| 亚洲精品中文字幕在线视频| 露出奶头的视频| 国产亚洲欧美98| 757午夜福利合集在线观看| 国产免费av片在线观看野外av| 久久九九热精品免费| 99国产精品99久久久久| 久久亚洲精品不卡| 午夜精品久久久久久毛片777| 精品高清国产在线一区| 国产主播在线观看一区二区| 中文字幕人妻熟女乱码| 激情在线观看视频在线高清| 欧美激情 高清一区二区三区| 国产真实乱freesex| 色播在线永久视频| 免费av毛片视频| 午夜精品在线福利| 91在线观看av| 欧美在线黄色| 国产熟女午夜一区二区三区| 超碰成人久久| 免费在线观看完整版高清| 别揉我奶头~嗯~啊~动态视频| 在线观看舔阴道视频| av在线播放免费不卡| 日韩高清综合在线| 精品高清国产在线一区| 国产蜜桃级精品一区二区三区| 午夜精品在线福利| 欧美精品啪啪一区二区三区| 19禁男女啪啪无遮挡网站| 国产单亲对白刺激| 妹子高潮喷水视频| 51午夜福利影视在线观看| 欧美大码av| 大型黄色视频在线免费观看| 色播亚洲综合网| 夜夜躁狠狠躁天天躁| 女人高潮潮喷娇喘18禁视频| 久久九九热精品免费| 国产亚洲精品综合一区在线观看 | 啪啪无遮挡十八禁网站| 久久久久久久久中文| 久久国产精品男人的天堂亚洲| 18禁裸乳无遮挡免费网站照片 | 国产精品,欧美在线| 欧美人与性动交α欧美精品济南到| 一本综合久久免费| 88av欧美| 亚洲一区高清亚洲精品| 久久婷婷成人综合色麻豆| 俄罗斯特黄特色一大片| 黄色a级毛片大全视频| 午夜免费成人在线视频| 久久久久九九精品影院| 成人永久免费在线观看视频| 长腿黑丝高跟| 99久久综合精品五月天人人| 免费在线观看影片大全网站| 欧美在线一区亚洲| 可以在线观看毛片的网站| 日韩成人在线观看一区二区三区| 国产欧美日韩一区二区精品| 国产精品98久久久久久宅男小说| 国产av不卡久久| 国产单亲对白刺激| 国产爱豆传媒在线观看 | 美女扒开内裤让男人捅视频| 神马国产精品三级电影在线观看 | 午夜久久久在线观看| 不卡一级毛片| 日韩欧美免费精品| 看免费av毛片| 国产av一区二区精品久久| av福利片在线| 黄色成人免费大全| 国产精品av久久久久免费| 在线播放国产精品三级| 国产野战对白在线观看| 在线观看免费午夜福利视频| 侵犯人妻中文字幕一二三四区| 成人免费观看视频高清| 亚洲人成网站高清观看| 国产野战对白在线观看| 日韩有码中文字幕| 女同久久另类99精品国产91| 亚洲精品中文字幕一二三四区| 观看免费一级毛片| 午夜福利欧美成人| 免费在线观看亚洲国产| 老汉色∧v一级毛片| 国产亚洲精品久久久久5区| 欧美久久黑人一区二区| 日本 av在线| av福利片在线| 亚洲熟女毛片儿| 国产精品自产拍在线观看55亚洲| 啦啦啦观看免费观看视频高清| 亚洲国产精品sss在线观看| 在线观看免费日韩欧美大片| 国产黄片美女视频| 天天添夜夜摸| 脱女人内裤的视频| 亚洲精品久久成人aⅴ小说| 国产麻豆成人av免费视频| 婷婷精品国产亚洲av| 亚洲av电影在线进入| 亚洲天堂国产精品一区在线| 一级a爱片免费观看的视频| 男人操女人黄网站| 女同久久另类99精品国产91| cao死你这个sao货| 熟女电影av网| 免费搜索国产男女视频| 成人永久免费在线观看视频| 色综合站精品国产| 夜夜躁狠狠躁天天躁| 国产真人三级小视频在线观看| av福利片在线| 亚洲精品在线美女| 色精品久久人妻99蜜桃| 女人爽到高潮嗷嗷叫在线视频| 亚洲av美国av| 国产成人啪精品午夜网站| 亚洲av成人不卡在线观看播放网| 国产亚洲av嫩草精品影院| 欧美 亚洲 国产 日韩一| 老汉色av国产亚洲站长工具| 最近最新中文字幕大全电影3 | 午夜老司机福利片| 少妇粗大呻吟视频| 给我免费播放毛片高清在线观看| 成年版毛片免费区| 少妇裸体淫交视频免费看高清 | 熟妇人妻久久中文字幕3abv| 亚洲人成77777在线视频| 日韩欧美国产在线观看| 婷婷六月久久综合丁香| 亚洲av电影不卡..在线观看| 无遮挡黄片免费观看| 在线观看日韩欧美| 欧美亚洲日本最大视频资源| 黄片大片在线免费观看| 老司机深夜福利视频在线观看| 久久精品影院6| 国产精品 欧美亚洲| 免费看a级黄色片| 麻豆国产av国片精品| 白带黄色成豆腐渣| 亚洲一码二码三码区别大吗| 久久久久免费精品人妻一区二区 | 久久久久精品国产欧美久久久| 亚洲精品在线观看二区| 人人妻人人澡人人看| 日本黄色视频三级网站网址| 国产精品久久视频播放| 国产精品99久久99久久久不卡| 欧美日韩亚洲综合一区二区三区_| 99精品在免费线老司机午夜| 99热只有精品国产| 久久久久精品国产欧美久久久| 国产成人系列免费观看| 在线av久久热| 免费看a级黄色片| av福利片在线| 精品国产亚洲在线| 大香蕉久久成人网| 又紧又爽又黄一区二区| av超薄肉色丝袜交足视频| 女人爽到高潮嗷嗷叫在线视频| 国产黄a三级三级三级人| 国产又黄又爽又无遮挡在线| 国产一卡二卡三卡精品| 国产人伦9x9x在线观看| 国产精品久久久人人做人人爽| 免费看日本二区| 日韩精品青青久久久久久| 午夜福利视频1000在线观看| 又紧又爽又黄一区二区| 精品久久久久久久末码| 国语自产精品视频在线第100页| 欧美日韩乱码在线| 一本大道久久a久久精品| 欧美性猛交黑人性爽| 日韩大尺度精品在线看网址| 十八禁网站免费在线| 精品久久久久久久久久久久久 | 精品无人区乱码1区二区| 色哟哟哟哟哟哟| 日韩高清综合在线| 国产亚洲精品久久久久久毛片| 亚洲一码二码三码区别大吗| 又黄又爽又免费观看的视频| 香蕉丝袜av| 色综合婷婷激情| 亚洲国产欧洲综合997久久, | 久久久久久久午夜电影| 日韩大尺度精品在线看网址| 亚洲成人国产一区在线观看| 特大巨黑吊av在线直播 | 99久久精品国产亚洲精品| 999久久久精品免费观看国产| 亚洲aⅴ乱码一区二区在线播放 | 女同久久另类99精品国产91| 啪啪无遮挡十八禁网站| 超碰成人久久| 欧美日韩亚洲综合一区二区三区_| 人妻丰满熟妇av一区二区三区| 国产主播在线观看一区二区| 免费看日本二区| 精品电影一区二区在线| 一本一本综合久久| 亚洲五月色婷婷综合| 亚洲av第一区精品v没综合| 精品久久久久久久人妻蜜臀av| 国产精品,欧美在线| 人妻久久中文字幕网| 日韩精品青青久久久久久| 成年人黄色毛片网站| av免费在线观看网站| av在线天堂中文字幕| 99精品在免费线老司机午夜| 国产精品一区二区三区四区久久 | 动漫黄色视频在线观看| 色精品久久人妻99蜜桃| 成年版毛片免费区| 99国产精品一区二区蜜桃av| 亚洲自偷自拍图片 自拍| 19禁男女啪啪无遮挡网站| 最近最新中文字幕大全电影3 | 日韩高清综合在线| 国产视频一区二区在线看| 国产成人精品无人区| 国产熟女xx| 国产一区二区激情短视频| 久久热在线av| 国产成年人精品一区二区| 日本一本二区三区精品| 99精品欧美一区二区三区四区| 观看免费一级毛片| 亚洲av成人av| 一级毛片高清免费大全| 国产精品精品国产色婷婷| 9191精品国产免费久久| 日本免费a在线| 熟妇人妻久久中文字幕3abv| 欧美zozozo另类| 成人国产综合亚洲| 欧美成人一区二区免费高清观看 | 欧美绝顶高潮抽搐喷水| 免费女性裸体啪啪无遮挡网站| 99久久99久久久精品蜜桃| 精品久久久久久久毛片微露脸| 色综合婷婷激情| 一个人免费在线观看的高清视频| netflix在线观看网站| 90打野战视频偷拍视频| 国产成+人综合+亚洲专区| 成在线人永久免费视频| 欧美性长视频在线观看| 老鸭窝网址在线观看| 777久久人妻少妇嫩草av网站| 国产精品 国内视频| 亚洲精品一卡2卡三卡4卡5卡| 亚洲黑人精品在线| 亚洲人成网站在线播放欧美日韩| 欧美乱妇无乱码| 亚洲中文字幕一区二区三区有码在线看 | 国产免费av片在线观看野外av| 高清在线国产一区| 亚洲精品色激情综合| 日韩大尺度精品在线看网址| 久久久久久大精品| 老司机深夜福利视频在线观看| 久久精品国产亚洲av高清一级| 超碰成人久久| 最近最新免费中文字幕在线| 国产午夜福利久久久久久| 真人一进一出gif抽搐免费| 色哟哟哟哟哟哟| 久99久视频精品免费| 国内少妇人妻偷人精品xxx网站 | 在线观看日韩欧美| 亚洲真实伦在线观看| 国产成人欧美在线观看| 在线观看一区二区三区| 欧美国产精品va在线观看不卡| 最近最新中文字幕大全免费视频| 国语自产精品视频在线第100页| 久久精品成人免费网站| 黄色 视频免费看| 亚洲一卡2卡3卡4卡5卡精品中文| 自线自在国产av| 亚洲成a人片在线一区二区| 久久国产乱子伦精品免费另类| 欧美一级毛片孕妇| 草草在线视频免费看| 久久午夜综合久久蜜桃| 国产欧美日韩精品亚洲av| 精品久久久久久久人妻蜜臀av| 日韩视频一区二区在线观看| 欧美日韩瑟瑟在线播放| 国产精品久久视频播放| 黄色 视频免费看| 国产成人av教育| 亚洲美女黄片视频| 国产成人啪精品午夜网站| 国产一卡二卡三卡精品| 国产精品野战在线观看| 国产精品av久久久久免费| 日韩精品中文字幕看吧| 高清毛片免费观看视频网站| 999久久久国产精品视频| 日本撒尿小便嘘嘘汇集6| 久久国产乱子伦精品免费另类| 校园春色视频在线观看| 精品乱码久久久久久99久播| 波多野结衣巨乳人妻| 欧美激情高清一区二区三区| 亚洲欧美精品综合一区二区三区| 一本一本综合久久| 女人高潮潮喷娇喘18禁视频| www.精华液| 黄片小视频在线播放| 一级毛片精品| 亚洲欧美一区二区三区黑人| 中文亚洲av片在线观看爽| 一级作爱视频免费观看| 日韩成人在线观看一区二区三区| 亚洲精品粉嫩美女一区| 久久久久久久久中文| 男女之事视频高清在线观看| 在线观看免费视频日本深夜| 国产精品美女特级片免费视频播放器 | 亚洲av片天天在线观看| 国产黄色小视频在线观看| 国产精品98久久久久久宅男小说| 欧美色视频一区免费| 婷婷精品国产亚洲av在线| 成人三级做爰电影| 久热这里只有精品99| 精品日产1卡2卡| 国产精品久久久av美女十八| 久久这里只有精品19| 国产亚洲精品av在线| 两个人看的免费小视频| 国产91精品成人一区二区三区| √禁漫天堂资源中文www| 最好的美女福利视频网| 日日干狠狠操夜夜爽| 一级毛片高清免费大全| 日韩欧美一区二区三区在线观看| 成人三级做爰电影| 日韩成人在线观看一区二区三区| 桃色一区二区三区在线观看| 97碰自拍视频| tocl精华| 国产成人精品久久二区二区免费| 亚洲欧美日韩无卡精品| 久久草成人影院| 精华霜和精华液先用哪个| 久久久国产成人精品二区| 久久久国产欧美日韩av| 国产国语露脸激情在线看| 黑人巨大精品欧美一区二区mp4| 国产精品 国内视频| 国产精品国产高清国产av| 91av网站免费观看| 久久久久免费精品人妻一区二区 | 性欧美人与动物交配| 久久精品国产亚洲av香蕉五月| 亚洲欧美日韩高清在线视频| 91av网站免费观看| 亚洲三区欧美一区| e午夜精品久久久久久久| 久久亚洲精品不卡| 久久 成人 亚洲| 一夜夜www| 日本黄色视频三级网站网址| 夜夜夜夜夜久久久久| 精品国产美女av久久久久小说| 免费一级毛片在线播放高清视频| cao死你这个sao货| 老熟妇仑乱视频hdxx| 精品午夜福利视频在线观看一区| 波多野结衣高清作品| 中文资源天堂在线| 又大又爽又粗| 久久欧美精品欧美久久欧美| 久久伊人香网站| 久久香蕉国产精品| 免费无遮挡裸体视频| 一级作爱视频免费观看| 一a级毛片在线观看| 91老司机精品| 亚洲av第一区精品v没综合| 久久精品91蜜桃| 十分钟在线观看高清视频www| 国产蜜桃级精品一区二区三区| 看片在线看免费视频| 69av精品久久久久久| 亚洲精品中文字幕在线视频| 精品久久蜜臀av无| 长腿黑丝高跟| 又黄又爽又免费观看的视频| 精品熟女少妇八av免费久了| 国产不卡一卡二| 一级毛片女人18水好多| av视频在线观看入口| 每晚都被弄得嗷嗷叫到高潮| 欧美另类亚洲清纯唯美| 国产三级黄色录像| 国产精品1区2区在线观看.| 午夜老司机福利片| 他把我摸到了高潮在线观看| 亚洲国产日韩欧美精品在线观看 | 神马国产精品三级电影在线观看 | 亚洲成人免费电影在线观看| 久久久久久亚洲精品国产蜜桃av| 欧美黄色片欧美黄色片| 超碰成人久久| 别揉我奶头~嗯~啊~动态视频| 国产不卡一卡二| 中文字幕av电影在线播放| 免费搜索国产男女视频| 欧美+亚洲+日韩+国产| 国产精品永久免费网站| 听说在线观看完整版免费高清| 亚洲熟女毛片儿| 亚洲欧美激情综合另类| 宅男免费午夜| 老司机深夜福利视频在线观看| 香蕉国产在线看| 在线视频色国产色| 精品国产乱子伦一区二区三区| 狠狠狠狠99中文字幕| 老汉色∧v一级毛片| 成人亚洲精品av一区二区| 女生性感内裤真人,穿戴方法视频| 午夜激情av网站| 99热6这里只有精品| 1024香蕉在线观看| 国产免费男女视频| 别揉我奶头~嗯~啊~动态视频| 国产主播在线观看一区二区| 亚洲国产欧美网| 这个男人来自地球电影免费观看| 亚洲美女黄片视频| 怎么达到女性高潮| 男女视频在线观看网站免费 | 国产一区二区三区在线臀色熟女| 熟女电影av网| 亚洲第一欧美日韩一区二区三区| 老汉色av国产亚洲站长工具| 777久久人妻少妇嫩草av网站| 免费在线观看亚洲国产| 亚洲精品色激情综合| 岛国在线观看网站| 国产成人一区二区三区免费视频网站| 国产精品久久久人人做人人爽| 国产亚洲精品一区二区www| 制服诱惑二区| 久久狼人影院| 午夜日韩欧美国产| 一本久久中文字幕| 欧美在线黄色| 看黄色毛片网站| 久久性视频一级片| 一a级毛片在线观看| 色播在线永久视频| 成年人黄色毛片网站| 男女下面进入的视频免费午夜 | 哪里可以看免费的av片| 国产精品免费视频内射| 首页视频小说图片口味搜索| 日韩三级视频一区二区三区| 又紧又爽又黄一区二区| 久久草成人影院| 久久久久久久午夜电影| 一区二区三区激情视频| 国产亚洲欧美精品永久| 天天添夜夜摸| 丝袜在线中文字幕| 国产av一区在线观看免费| 午夜亚洲福利在线播放| 男人舔女人的私密视频| 欧美久久黑人一区二区| 免费搜索国产男女视频| 午夜影院日韩av| 日日摸夜夜添夜夜添小说| 1024视频免费在线观看| 搡老岳熟女国产| 色播在线永久视频| 精品欧美国产一区二区三| 草草在线视频免费看| 搞女人的毛片|