Categorii
Adult66

Determinarea sexului a craniului 3D pe baza unei metode de invatare romane nesupervizate

In cazurile de investigare a aplicarii legii, determinarea sexului din morfologia craniului este unul dintre pasii importanti in stabilirea identitatii unui individ din scheletul uman neidentificat. Din cate stim, studiile existente privind determinarea sexului a craniului folosesc in mare parte metode de invatare supravegheate pentru a analiza si clasifica datele si pot avea limitari atunci cand sunt aplicate cazurilor reale, cu absenta etichetelor de categorie in probele de craniu sau o diferenta mare in numarul de barbati. si mostre feminine ale craniului. Acest referat propune o abordare inedita, care se bazeaza pe o tehnica de clasificare nesupravegheata in efectuarea determinarii sexului a craniului grupului etnic chinez Han. Cele 78 de repere de pe suprafata exterioara a modelelor 3D de craniu din scanari tomografice computerizate sunt marcate, si este construit un set de date de craniu pentru un numar de 40 de masuratori interlandale. Se propune un algoritm nesupravegheat stabil si eficient pe care l-am prescurtat ca MKDSIF-FCM pentru a aborda problema de clasificare a setului de date a craniului. Rezultatele experimentale ale craniului pentru adulti sugereaza ca algoritmul MKDSIF-FCM propus garanteaza o precizie de determinare a sexului destul de ridicata pentru femei si barbati, care este de 98,0% si respectiv de 93,02% si este superior tuturor metodelor de clasificare pe care am incercat. Ca urmare a preciziei sale destul de ridicate, a stabilitatii extrem de bune si a avantajului invatarii nesupravegheate, metoda propusa poate fi aplicabila pentru investigatii medico-legale si studii arheologice. Se propune un algoritm nesupravegheat stabil si eficient pe care l-am prescurtat ca MKDSIF-FCM pentru a aborda problema de clasificare a setului de date a craniului. Rezultatele experimentale ale craniului pentru adulti sugereaza ca algoritmul propus de MKDSIF-FCM garanteaza o precizie de determinare a sexului destul de mare pentru femei si barbati, care este de 98,0% si respectiv de 93,02% si este superior tuturor metodelor de clasificare pe care am incercat. Ca urmare a preciziei sale destul de ridicate, a stabilitatii extrem de bune si a avantajului invatarii nesupravegheate, metoda propusa poate fi aplicabila pentru investigatii medico-legale si studii arheologice. Se propune un algoritm nesupravegheat stabil si eficient pe care l-am prescurtat ca MKDSIF-FCM pentru a aborda problema de clasificare a setului de date a craniului. Rezultatele experimentale ale craniului pentru adulti sugereaza ca algoritmul MKDSIF-FCM propus garanteaza o precizie de determinare a sexului destul de ridicata pentru femei si barbati, care este de 98,0% si respectiv de 93,02% si este superior tuturor metodelor de clasificare pe care am incercat. Ca urmare a preciziei sale destul de ridicate, a stabilitatii extrem de bune si a avantajului invatarii nesupravegheate, metoda propusa poate fi aplicabila pentru investigatii medico-legale si studii arheologice. si este superior tuturor metodelor de clasificare pe care am incercat. Ca urmare a preciziei sale destul de ridicate, a stabilitatii extrem de bune si a avantajului invatarii nesupravegheate, metoda propusa poate fi aplicabila pentru investigatii medico-legale si studii arheologice. si este superior tuturor metodelor de clasificare pe care am incercat. Ca urmare a preciziei sale destul de ridicate, a stabilitatii extrem de bune si a avantajului invatarii nesupravegheate, metoda propusa poate fi aplicabila pentru investigatii medico-legale si studii arheologice.

1. Introducere

Analiza si determinarea sexului sunt pasi indispensabili si in primul rand in confirmarea identificarii personale a unei persoane in cadrul investigatiilor medico-legale. Cel mai bun rezultat este obtinut la confirmarea unui sex individual prin accesarea intregului schelet, dar de cele mai multe ori scheletul este incomplet. Astfel, diverse scheleturi locale precum patella [1], articulatia soldului [2], pelvis [3], calcaneus [4], carpal [5] si craniul si partile sale au fost utilizate pentru determinarea sexului in diferite populatii din intreaga lume. Printre toate partile scheletului, craniul este o colectie mica si distinctiva de oase. Craniul este compus din tesut dur si poate fi bine conservat in majoritatea cazurilor. Prin urmare, craniul si partile sale sunt cel mai des utilizate in furnizarea informatiilor despre originea umana, stramosii, statura si sexul in analiza antropologica criminalistica [6].

Determinarea sexului a craniului implica doua tehnici majore: prima este masurarea trasaturilor craniului, care reflecta diferenta de morfologie a craniului intre barbati si femei. Al doilea este analiza si clasificarea masuratorilor craniului. Ambele vor afecta acuratetea clasificarii in identificarea sexului pentru craniu. Abordarea folosita anterior pentru a masura trasaturile craniului este o metoda vizuala subiectiva. Evaluarea vizuala depinde foarte mult de experienta si cunostintele oamenilor de stiinta criminalista sau ale antropologului biologic. Astfel, este probabil sa fie inexact cand este executat de un observator neexperimentat din cauza subiectivitatii sale mari. Pentru a reduce subiectivitatea, sunt intreprinse eforturi de a cuantifica fizic trasaturile craniului folosind o scala ordinala sau un software. Odata cu dezvoltarea si succesul imaginii medicale, se stabileste masurarea trasaturilor craniului cu ajutorul imaginilor si tomografiei computerizate (CT). De exemplu, unele studii au folosit radiografia pentru a oferi detalii morfologice ale craniului, iar unii cercetatori au utilizat imagistica tridimensionala (3D) a craniului din scanari clinice ale unor persoane cunoscute pentru a descoperi variabile metrice. Indiferent de metoda folosita pentru a masura trasaturile morfologice ale craniului, este foarte important sa se utilizeze o metoda de clasificare performanta. In studiile existente, metodele de clasificare tipice statistice si supravegheate sunt analiza discriminanta liniara (LDA), regresia logistica si masinile vectorului de sprijin (SVM). iar unii cercetatori au utilizat imagini tridimensionale (3D) ale craniului din scanari clinice ale unor persoane cunoscute pentru a descoperi variabile metrice. Indiferent de metoda folosita pentru a masura trasaturile morfologice ale craniului, este foarte important sa se utilizeze o metoda de clasificare performanta. In studiile existente, metodele de clasificare tipice statistice si supravegheate sunt analiza discriminanta liniara (LDA), regresia logistica si masinile vectorului de sprijin (SVM). iar unii cercetatori au utilizat imagini tridimensionale (3D) ale craniului din scanari clinice ale unor persoane cunoscute pentru a descoperi variabile metrice. Indiferent de metoda folosita pentru a masura trasaturile morfologice ale craniului, este foarte important sa se utilizeze o metoda de clasificare performanta. In studiile existente, metodele de clasificare tipice statistice si supravegheate sunt analiza discriminanta liniara (LDA), regresia logistica si masinile vectorului de sprijin (SVM).

In prezent, multe abordari in determinarea sexului craniului, care constau in tehnici de masurare a craniului si de clasificare a datelor, au fost publicate si au obtinut o precizie ridicata sau mai mare a discriminarii intre sexe. Walker a obtinut cinci trasaturi craniene (glabella, mentala, orbitala, nuchala si mastoida) prin evaluare vizuala si a obtinut cele mai bune rezultate de clasificare a 88% din craniile moderne, cu o prejudecata sexuala neglijabila de 0,1% prin intermediul modelului de regresie logistica [7]. Robinson si Bidmos au selectat 230 de probe de craniu din Africa de Sud si au extras 12 caracteristici de craniu masurate si au obtinut o precizie de 72.0–95.5 prin stabilirea a cinci ecuatii functionale discriminante [8]. Ogawa si colab. a obtinut masuratori antropologice de 113 cranii ale indivizilor japonezi moderni din evidentele de test antropologic criminalistic Pentru analiza statistica au fost utilizate zece masuratori ale craniului si au fost stabilite noua functii discriminante. Precizia clasificarii este cuprinsa intre 79% si 93% [9]. Franklin si colab. a folosit OsiriX 03 pentru a marca 31 de repere pe craniile 3D ale persoanelor australiene. Au calculat un numar de 18 masuratori liniare interland de marcare, care au fost analizate prin functie discriminanta. Precizia maxima a clasificarii a fost de 90% [10]. Abdel Fatah si colab. au folosit 222 imagini CT craniene ale americanilor albi pentru a construi un atlas osos statistic. Au obtinut> 95% precizie (97,5% cu 11 variabile si 95,5% cu 8 variabile) prin analiza discriminanta liniara validata incrucisata asupra variabilelor metrice [11]. Musilova si colab. a utilizat corespondenta densa in deriva in puncte coerente pentru a analiza intreaga suprafata craniana si a utilizat un SVM cu un nucleu radial pentru a efectua clasificarea. Metoda a oferit un nivel ridicat de precizie de clasificare (90,3%) in determinarea sexului a craniilor masculine si feminine ale populatiei din sudul Frantei [12]. Li a extras manual arcul frontal mijlociu sagital pe craniile uscate si a adoptat transformarea Fourier pentru a analiza diferenta de sex a craniului adult din nord-estul Chinei. El a obtinut rezultatele de 84,21% si 83,33% pentru ratele de clasificare masculina si feminina, respectiv [13]. Li Ming si colab. a selectat 67 de cranii din sud-vestul Chinei si a masurat 16 caractere antropometrice. Au stabilit ecuatiile analizei cu o singura variabila si multivariabila si au obtinut cea mai mare precizie de 89,2% pentru barbati si 90,0% pentru femei [14]. Shui si colab. a ales 133 de mostre digitale de craniu pentru adulti din grupul etnic Han din China de Nord si a calculat separat un total de 14 masuratori (12 masuratori geometrice si 2 masuratori in unghi). Apoi, au efectuat metoda Fisher step pentru a construi functia discriminanta de sex si au obtinut precizia de 87,5% pentru barbati si 86,67% pentru femei separat pentru craniul complet [15]. Luo si colab. a construit un model de forma statistica pentru 208 de cranii chineze, proiectand datele craniului de inalta dimensiune intr-un spatiu cu dimensiuni reduse. Analiza de discriminare pentru pescari (FDA) a fost utilizata pentru a clasifica craniile in spatiul cu forme; ratele corecte au fost 95,7% si 91,4% pentru femei si, respectiv, barbati [16]. Liu si colab. a impartit craniul in sapte partitii si a cuantificat caracteristicile incomensurabile prin marcarea punctelor de caracteristica. Apoi, au utilizat metoda de regresie pas cu pas inainte bazata pe estimarea probabilitatii maxime pentru a selecta subsetul de caracteristici optime al fiecarei partitii. Experimentele au aratat ca orice trei partitii sunt suficiente pentru a determina sexul craniilor incomplete cu o precizie ridicata [17].

Desi metodele existente demonstreaza pe deplin utilitatea lor in identificarea sexului a craniului, o problema notabila este ca aceste metode nu sunt aplicabile in cazurile in care etichetele din categorii din esantioanele craniului sunt absente. O alta situatie este ca atunci cand distributia probelor de craniu masculin si feminin nu este echilibrata, efectul utilizarii invatarii supravegheate pentru clasificare poate sa nu fie mai bun decat invatarea nesupervizata. LDA, regresia logica, SVM si alte metode de invatare supravegheata trebuie sa utilizeze un set de instruire cu etichete de categorii pentru a antrena modelul de clasificare. Prin urmare, obiectivul acestui studiu propune o abordare stabila si eficienta de determinare a sexului pentru craniu, care se bazeaza pe o tehnologie de clasificare robusta nesupravegheata.

Contributia lucrarii noastre este urmatoarea: In ceea ce priveste determinarea sexului a craniului, lucrarile actuale sunt axate in principal pe metodele de masurare a craniului, in timp ce metodele de analiza a datelor si clasificarea datelor sunt mai putin explorate, in special metoda de invatare nesupravegheata. In acest studiu, incercam sa imbunatatim exactitatea de clasificare a determinarii sexului a craniului din perspectiva extragerii datelor. Inspirati de teoriile de clustering, extindem metoda C-mijlocii de clustering C-means (FCM) si prezentam un algoritm imbunatatit care este folosit pentru a clasifica setul de date al craniului pe care l-am masurat. Am numit-o MKDSIF-FCM. MKDSIF-FCM propus se bazeaza pe o teorie de invatare nesupravegheata, unde este prezentata contributia fara iesirea dorita. In comparatie cu metodele de invatare supravegheate existente,

2. Materiale si metode

Procesul nostru de determinare a sexului craniului consta din trei faze largi prezentate in figura 1. In prima etapa, demersul nostru se bazeaza pe achizitionarea de date a craniului si construirea unei baze de date a modelelor de craniu (Sectiunea 2.1). In a doua etapa, punctele caracteristice ale modelelor 3D de craniu sunt marcate prin utilizarea unei metode semi-automate, iar caracteristicile craniului sunt extrase care sunt necesare pentru identificarea unui craniu (Sectiunea 2.2). In ultima etapa, caracteristicile extrase sunt transmise clasificatorului. Algoritmul propus MKDSIF-FCM este intreprins pentru a distinge sexul craniului (Sectiunea 2.3).

2.1. Achizitionarea datelor de craniu

Acest studiu se bazeaza pe exemplarele de 186 de cranii intregi de la adulti vii reprezentanti ai grupului etnic chinez Han, care au fost obtinute de un sistem de scanare CT multislice clinic la Spitalul Xianyang din provincia Shaanxi din China. Baza de date totala a fost formata din 100 de cranii de sex feminin cu o varsta medie de 49,8 ani (interval: 18–75) si 86 de cranii masculine cu o varsta medie de 48,3 ani (interval: 18–76). In acest studiu au fost incluse doar cranii intacte, nedeteriorate; fiecare craniu contine toate oasele de la calvaria pana la maxilarul cu gura plina a dintilor.

2.2. Masurarea caracteristicilor craniului

In acest studiu, pentru a ilustra in mod adecvat anatomia craniului, folosim sistemul de calibrare si masurare a craniului (cu cercetare si dezvoltare independenta de catre grupul nostru de cercetare) pentru a extrage caracteristicile craniului 3D.

Conform realizarilor cercetarilor efectuate de expertii in antropologie criminalistica, sunt marcate 78 de repere pe suprafata exterioara a craniului, 12 dintre ele fiind situate in linia mediana, iar restul sunt situate simetric in jurul liniei sagitale a liniei medii de pe ambele parti (figura 2).

Distantele si unghiurile dintre diferite repere ale craniului pot fi componente importante ale dimorfismului sexual al craniului. Variabilele legate de marime, care reflecta diferentele de sex intre barbat si femeie, sunt obtinute calculand un numar de 40 de masuratori interlandale. Apoi, s-au construit cu succes indici caracteristici esentiali pentru fiecare craniu. Tabelul 1 prezinta caracteristicile si descrierile scurte ale acestora; unitatea de date este mm.

IndexDescriptionsIndexDescriptionsI1Maximum craniana lengthI21Maximum latimea frontal boneI2Basicranial lengthI22Upper faciala widthI3Maximum craniana breadthI23Orbital widthI4First craniana heightI24Width a superioare alveolar archI5Bizygomatic breadthI25Length maxilarului alveolar archI6Bimaxillary widthI26Palatal lengthI7Upper facial heightI27Palatal widthI8Minimum frontala breadthI28Palatal heightI9First latime orbitala dreapta eyeI29Bigonial breadthI10Second latimea orbitale a eyeI30Height drept al articulatia mandibularI11Distenta dintre colturile exterioare ale ambilor ochiI31 Inaltimea ramusului mandibular dreptI12 Inaltimea ochiului dreptI32Matea condilara manualaI13Distenta dintre colturile interioare ale ambilor ochiI33Latimea coroiduluiI14 Inaltimea nasalaI34Latimea cresterii mandibulareI15Inaltimea nasului mandibularI15crestaturaI16Latimea nazalaI36Ilatimea ramusului mandibularI17Lungimea mastoidului dreptI37Grosimea corpului mandibularI18Latimea bimastoidaI38Munghiul lateralI19Distenta mastoidului occipital spre dreaptaI39 Inaltimea craniana secundaraI20Sirul frontalI40Superciliar arc
2.3. Metoda

FCM [19] este un algoritm de invatare nesupravegheat si un instrument normal pentru extragerea datelor. Clusteringul este un proces pentru gruparea unui set de date in clase astfel incat datele dintr-un cluster sa aiba similaritate ridicata, dar sunt foarte diferite de datele din alte clustere.

Pentru a clasifica masuratorile craniului prin metoda de invatare nesupravegheata, propunem un algoritm FCM imbunatatit, care prezinta conceptul de coeficient de ponderare la distanta cu factor de influenta (IF) si incorporeaza avantajul invatarii multiple a kernel-ului. Am numit-o MKDSIF-FCM.

2.3.1. Coeficient de ponderare la distanta cu IF

In algoritmul FCM generic, U este o valoare de la functia de membru al k – lea vectorul x k la I – lea centru de cluster v i . Se reflecta in ce masura aceleasi proba apartine fiecarui centru de cluster. In (1a) – (1d), exista un exemplu de coeficient de ponderare la distanta cu IF. (1a) X este un set de probe bidimensionale. (1b) reprezinta centrul clusterului initial din algoritmul FCM. (1c) reprezinta valoarea functiei de membru initiale in algoritmul FCM. (1d) reprezinta coeficientul de ponderare la distanta propus cu IF.

In acest exemplu, trei probe sunt a , b si c ; doua centre de cluster sunt si. Sa presupunem ca valorile functiei de membru al esantionului A apartinand si sunt 0,7 si 0,3, respectiv. Este evident ca proba a apartine clasei centrate v 1 . Valorile functiei de membru sunt 0,7, 0,6 si 0,2 nu au putut fi comparate in FCM generice. Cu toate acestea, aceasta comparabilitate este foarte importanta pentru clasificarea sau analiza de grup. Poate reflecta distanta esantioanelor a , b si c fata de centrul clusterului.

Acest referat prezinta un nou concept al coeficientului de ponderare la distanta cu IF si ofera o noua abordare a definirii distantei. Coeficientul de ponderare la distanta este definit in functie de contributii diferite ale esantionului la acelasi centru de cluster in spatiul de date. Distanta coeficient de ponderare cu IF este definita dupa cum urmeaza: Fie w ik fi un coeficient de ponderare de neclar k – lea vector x k la i – lea centru de cluster v i . Mai mult, w ik joaca un rol important in masurarea distantei dintre k th vector x k si i – leacluster center v i . Pentru diferite tipuri de set de probe, influenta asupra distantei d ik de w ik este diferita. Pentru a putea asigura performanta stabila de clustering a algoritmului nostru imbunatatit in ceea ce priveste seturi de date diferite, introducem un IF pentru w ik , notat ca β .

2.3.2. Distanta euclidiana pe baza coeficientului de ponderare la distanta cu IF

In FCM generica, distanta euclidiana este frecvent utilizata ca distanta. Notiunea de coeficient de ponderare la distanta cu IF este introdusa de algoritmul propus MKDSIF-FCM, iar distanta de la vector x k la centrul cluster v i este definita sub forma patratului: Putem dovedi ca (5) se supune definitiei distantei in Spatiul euclidian. Vom discuta despre semnificatia acestora. In (1a) – (1d), distantele euclidiene de trei probe si centrul de cluster v 1 sunt respectiv 1, 2 si 5. Sa presupunem ca valoarea lui este 1. Conform (2), (3) si (4), putem obtine = 7/15, = 6/15 si = 2/15. Conform (5), putem obtine distantele definite de trei probe si pana la centrul de cluster: ≈1.46, ≈2.24 si ≈13.69.

Din calculul rezultatelor, introducem coeficientul de ponderare la distanta cu IF la distanta in spatiul euclidian, ceea ce este echivalent cu functia unui obiectiv cu zoom. Mareste ( β ≥0) sau scurteaza ( β <0) toate distantele, dar un prag de curte marit sau scurtat este diferit. Pentru distante lungi, santierul marit sau scurtat este putin mai mare, iar pentru distante scurte, santierul marit sau scurtat este putin mai mic. Aceasta conduce la polarizare, in care distantele lungi devin mult mai lungi, iar distantele scurte devin mult mai scurte. Astfel, o alocare corespunzatoare a coeficientului de ponderare la distanta cu IF poate imbunatati performanta FCM.

2.3.3. Invatarea mai multor nuclee

In general, fiabilitatea algoritmilor traditionali de clustering depinde strict de diferenta de caracteristica a datelor. Daca diferentele de caracteristici sunt mari, este usor de implementat clustering. Cu toate acestea, daca diferentele de caracteristici sunt mici si chiar unele functii sunt incrucisate in spatiul initial, este dificil ca algoritmii traditionali sa se grupeze corect. Prin utilizarea metodelor traditionale de clustering si a tehnicii kernel-ului, Wu si colab. a construit algoritmul de clustering al nucleului [20]. Clustering-ul fuzzy bazat pe kernel poate face maparea datelor din spatiul initial intr-un spatiu de dimensiuni inalte in care poate produce o imbunatatire remarcabila fata de FCM-ul standard. Apoi, Sonnenburg si colab. propune conceptul de invatare multicore [21].

Algoritmul propus MKDSIF-FCM incorporeaza avantajul invatarii mai multor kerneluri. De obicei, mai multe metode de nucleu constau din sambure polinomial, sambure gaussian si nucleu tangent hiperbolic. Conform diferitelor proprietati ale esantioanelor, putem alege diferiti parametri ai diferitelor functii ale kernelului pentru a extinde aplicabilitatea functiei de nucleu unic si putem alege diferite functii ale kernelului pentru a face functia de nucleu globala si functia complementara a kernel-ului local, imbunatatind in continuare clasificarea diferitelor probe . In cele din urma, se obtine un efect de clustering bun, iar performantele de generalizare ale nucleului sunt imbunatatite.

Forma functiei nucleului gaussian este urmatoarea: unde n este centrul functiei de sambure si σ este parametrul de latime si controleaza domeniul radial al functiei.

Forma functiei nucleului polinomial este urmatoarea: Forma functiei de nucleu tangent hiperbolic este urmatoarea: Orice functie care satisface conditia de mercer [22] poate fi considerata ca un fel de functie a kernelului. Combinatia dintre k functii kernel in conformitate cu coeficienti diferite de greutate este inca o functie de nucleu, notate ca urmatoarele: Sub constrangerea, limitand la distanta euclidiana, distanta la patrat se calculeaza in spatiul kernel folosind mai multe functii de kernel , cum ar thatIf vom selecta nucleul Gaussian, care este utilizat aproape exclusiv in literatura de specialitate, atunci si, in acest fel, functia obiectiva J S va deveni urmatoarea: unde Φ (.) este functia de kernel de harta neliniara si Φ ( x k ) si Φ ( vi ) exprima proba x k si centrul de clustering v i in spatiul functional, respectiv.

Minimizand (13), putem obtine apoi expresiile de actualizare a functiei de membru u ik si a centrului cluster v i dupa cum urmeaza:

2.3.4. Algoritmul propus de MKDSIF-FCM

Sa presupunem un set de probe -dimensionale, unde reprezinta k – lea esantion pentru k = 1 , 2 , .., n si un numar intreg c (2≤ cn ) este numarul de clustere. I – lea cluster -ul ar trebui sa aiba vectorul centru v i = (1≤ ic ).

este o matrice c × n de partitie fuzzy pentru datele de formare date x k = ( k = 1,2, …, n ), unde este o valoare a functiei de membru de la vectorul x k la centrul cluster v i si indeplineste urmatoarele conditii: Algoritmul MKDSIF-FCM urmareste sa determine centrele de cluster v i ( i = 1, 2,…, c ) si matricea de despartire distinsa U prin minimizarea functiei obiective J S definita astfel: unde parametrul s (1 < s <) influenteaza fuzziness of the clusters. S. Mariva creste tulburarea functiei. Pentru majoritatea datelor, 1,5 ≤ s ≤3.0 da rezultate bune. Valoarea lui s este adesea setata pe 2. Mai mult, este distanta euclidiana a spatiului nucleului de la proba x k la centrul cluster v i definit ca (11).

Algoritmul MKDSIF-FCM foloseste optimizare iterativ la minimele aproximativa a unei functii obiectiv J S . In minimizarea J S , etapa de baza a algoritmului MKDSIF-FCM este realizata in urmatoarele proceduri.

Pasul 1. Avand in vedere o valoare a parametrilor c si in mod obisnuit in literatura, lasam s = 2.

Pasul 2. Initializeaza matricea U a partitiei fuzzy prin generarea de numere aleatoare c × n in interval.

Pasul 3. Pentru t = 0, 1, 2, …, adoptati algoritmul FCM pentru calcularea centrelor de cluster v i ( i = 1, 2, …, c ) folosind U dupa cum urmeaza:

Pasul 4. In conformitate cu (2), (3) si (4), putem obtine.

Pasul 5. U si V sunt actualizate prin minimizarea functiei obiectiv J S . Putem deriva formula de calcul a si v i ca (14) si, respectiv, (15).

Pasul 6. Calculati functia obiectiva J S folosind (19); opriti procesul MKDSIF-FCM daca se mentine urmatoarea conditie: unde converge sau diferenta dintre doua valori calculate adiacente ale functiilor obiective J S este mai mica decat pragul dat ε .

In caz contrar, mergeti la pasul 4.

Intrarea algoritmului MKDSIF-FCM este un set de esantioane X =, iar numarul de clustere este necesar sa fie predefinit. In plus, trebuie sa fie dati in avans doi parametri ( s si ε ). Iesirea MKDSIF-FCM algoritm sunt cluster centre v i ( i = 1, 2, …, c ) si matricea de partitie neclara U .

3. Rezultate

Folosim un computer desktop de 3 GB GHZ Core (TM) I7-3770 CPU de 4 GB RAM si software MATLAB 2015a pentru efectuarea tuturor experimentelor. Pentru toti algoritmii prezentati in aceasta lucrare, experimentele au fost repetate de 50 de ori, iar rezultatele medii au fost obtinute pentru comparatie.

In algoritmul MKDSIF-FCM, exista un grup de parametri, in care s reprezinta indicele de fuzziness, p 1 si p 2 reprezinta probabilitatea, σ 1 si σ 2 reprezinta parametrii functiei nucleului Gaussian si reprezinta IF.

Pentru toate metodele de clasificare supravegheate prezentate in aceasta lucrare, setul de date al craniului este impartit intr-un set de antrenament si un set de testare; 60 de probe au fost alese aleatoriu ca set de testare, iar numarul de exemple pozitive si negative sunt pastrate la fel in fiecare esantionare.

3.1. Rezultatele determinarii sexului pentru cranii 3D

Metricile utilizate pentru evaluarea performantei algoritmului din setul de date al craniului sunt descrise mai jos: ACC: este numarul de cranii care sunt clasificate corect ca cranii masculine sau feminine. TPR: este proportia craniilor masculine identificate corect. TNR: este proportia dintre craniile feminine identificate corect. T: reprezinta timpul de rulare.

Din tabelul 2, se poate observa ca la selectarea unui grup de valori ale parametrilor adecvati ( s = 2, β = 0,5, p 1 = 0,9, p 2 = 0,1, σ 1 = 30 si σ 2 = 110), MKDSIF -Algoritmul FCM poate obtine cea mai buna precizie de clasificare a determinarii sexului a craniului. Pentru 186 de cranii din etnia chineza Han, obtinem precizia de 95,70% comparativ cu 87,09%, 92,2% si, respectiv, 93,55% in literatura de specialitate [15-17]. Exista o precizie de clasificare de 93,02% pentru barbati, respectiv 98% pentru femei.

RezultatFCMMKDSIF-FCMs = 2TPR [%] 28.0098.00TNR [%] 100.093.02ACC [%] 61.2995.70T [s] 0.00740.1281Iteratii17102
3.2. Comparatie cu alte metode nesupervizate

Din tabelul 2 este clar ca precizia a avut o imbunatatire semnificativa si accentuata de aproape 34% pentru algoritmul MKDSIF-FCM fata de algoritmul FCM original pentru setul de date craniu. Timpul de functionare pentru MKDSIF-FCM este mai mare decat cel pentru FCM, deoarece numarul de iteratii la convergenta este mai mare.

De asemenea, din tabelul 3 este clar ca algoritmul MKDSIF-FCM a obtinut performante de clasificare mai bune pe setul de date Iris. Exista o imbunatatire de aproape 6% pentru MKDSIF-FCM fata de algoritmul original FCM cu detectarea unui grup de parametri adecvati. Algoritmul propus pare sa aiba o complexitate de timp destul de similara si iteratii ca algoritmul original FCM.

RezultatFCMMKDSIF-FCMs = 2Acuratete [%] 89.3396.00T [s] 0.00420.0145Ieratii1611

Dupa cum se arata in figura 3, se observa cu usurinta ca precizia algoritmului MKDSIF-FCM este mai mare decat cea a SAWFCM [23], SWFCM [24], MF-FCM [25], FW-FCM [26], FKCM [27] ], KFCM [28], FKWCM [29], DWFCM [30], kernel multiplu FCM [31] si IWFCM [32]. Precizia algoritmului MKDSIF-FCM este destul de similara cu cea a POKFCM [33].

3.3. Comparatie cu metodele populare de clasificare supravegheata

Tabelul 4 prezinta o comparatie clara intre algoritmul propus MKDSIF-FCM si celelalte sase metode de clasificare supravegheate in trei aspecte, ACC, TPR si TNR. Toate rezultatele pe care le-am obtinut sunt urmatoarele (in ordinea cresterii ACC): arbore de decizie (80,47%), retea neuronala BP (83%), H-ELM (88,2%), regresie logistica (88,73), SVM (92,8% ), FDA (92,87%) si MKDSIF-FCM (95,70%). Este evident ca algoritmul propus MKDSIF-FCM a obtinut nu numai cea mai mare precizie de clasificare de 95,7%, ci si cea mai mare TPR si TNR de 93,02% si, respectiv, 98%. Atat FDA (cu cea mai buna caracteristica) cat si SVM au facut o treaba buna cu o precizie mai mare. Preciziile de clasificare ale altor metode nu sunt mai mult de 90%. Rezultatele dezvaluie mai multe asemanari intre TPR si TNR.

ClassifierTPR [%] TNR [%] ACC [%] Arbore de decizie78.8282.1080.47BP retea neuronala 80.9385.0783.00H-ELM [18] 88.2788.1388.20 Regresie logistica84.9392.5388.73SVM91.6094.0092.80FDA90.9394.8092.87MKDS ) 93.0298.0095.70
3.4. Analiza de stabilitate a algoritmului MKDSIF-FCM

Procedura experimentala este repetata de 50 de ori pentru fiecare metoda de clasificare; maximul, minimul si media exactitatii sunt reprezentate prin parcele cu bare de eroare (figura 4). Algoritmul propus MKDSIF-FCM prezinta o performanta extrem de stabila pe setul de date al craniului, iar acuratetea de clasificare a altor metode fluctueaza mult. Diferenta dintre precizia maxima si minima a variat de la 37% folosind retea neuronala BP la 17% pentru SVM.

4. Discutie

FCM [19] este unul dintre cei mai cunoscuti algoritmi nesupravegheati. Cu toate acestea, performantele sale s-au limitat la distanta euclidiana. In ultimii ani, au fost raportate diferite tipuri de algoritmi imbunatatite FCM [23–33]. Acest articol propune un algoritm imbunatatit FCM pentru a determina sexul craniilor adulti din grupul etnic chinez Han. Pentru a verifica eficacitatea si generalitatea algoritmului propus, am efectuat o analiza comparativa intre FCM-ul original, unii algoritmi FCM imbunatatiti si algoritmul propus MKDSIF-FCM.

Algoritmul MKDSIF-FCM a obtinut performante mai bune de clasificare atat pe setul de date Iris disponibil public cat si pe setul de date craniu. Mai ales in baza de date a craniului, precizia a fost mult imbunatatita. In setul de date Iris, algoritmul nostru MKDSIF-FCM are mici schimbari in complexitatea timpului si iteratii in comparatie cu FCM. Pe setul de date craniu, numarul de iteratii ale algoritmului MKDSIF-FCM este mult mai mare decat cel al FCM. Aceasta constatare implica faptul ca algoritmul propus poate tinde sa devina foarte exigent din punct de vedere al calculului atunci cand datele au dimensionalitate ridicata si volum mare. Rezultatele experimentale pe seturile de date Iris arata ca, pentru acuratete, algoritmul nostru este aproape mai bun decat toti algoritmii din literatura [23–33].

Algoritmul nostru inovativ introduce greutati la distanta cu IF in distanta euclidiana folosita in mod obisnuit si creste diferenta de categorie intre probe. Algoritmul propus incorporeaza ideea invatarii mai multor kerneluri care mapeaza datele intr-un spatiu de dimensiuni superioare in care neliniaritatea se estompeaza si datele devin liniar separabile. Este motivul pentru care algoritmul propus MKDSIF-FCM poate imbunatati performanta clusteringului.

Pana acum, din cunostintele noastre, invatarea supravegheata ramane cea mai larg utilizata metoda in determinarea sexului a unui craniu. In special, regresia logistica si analiza functionala discriminanta sunt cele mai reprezentative doua metode de invatare statistica. Conform metodei utilizate in literatura [17], am stabilit cel mai bun model folosind regresia logistica si selectia variabila in trepte. La selectarea a noua variabile (I8, I11, I14, I16, I20, I29, I31, I38, I40), modelul obtine rate de clasificare de 84,93% si 92,53% pentru barbati si femei. In acelasi mod, selectam cel mai bun subset de functii din masuratorile craniului pentru a stabili modelul FDA. Cu zece variabile (I8, I11, I14, I16, I20, I23, I29, I31, I38, I40), ratele de clasificare pentru barbati si femei sunt de 90,93%, respectiv 94,80%. Pentru a alege cel mai potrivit clasificator pentru setul de date a craniului, am comparat si rezultatele folosind alte metode populare de clasificare supravegheata, inclusiv arborele de decizie, SVM, retelele neuronale BP si H-ELM [18]. In toate metodele pe care le-am incercat, algoritmul propus MKDSIF-FCM ofera cea mai buna performanta de clasificare atat pentru cranii masculine, cat si pentru femei.

Cand clasificam setul de date al craniului, speram ca rezultatele sa poata fi reproduse. Astfel, este foarte important ca algoritmul de clasificare sa fie stabil. In cele 50 de experimente repetate, algoritmul nostru a obtinut acelasi rezultat. Este evident ca algoritmul propus MKDSIF-FCM prezinta performante extrem de stabile pe setul de date al craniului.

In concluzie, prin precizia sa destul de ridicata, stabilitatea extrem de buna si avantajul invatarii nesupravegheate, avem motive sa credem ca algoritmul MKDSIF-FCM este cel mai potrivit clasificator pentru setul de date al craniului nostru. Desigur, rezultatele noastre experimentale indica si faptul ca caracteristicile craniului pe care le-am extras au fost foarte precise si eficiente in determinarea sexului a craniului.

5. Concluzii

In aceasta lucrare, va propunem o noua abordare a determinarii sexului a craniilor grupului etnic chinez Han. Primul pas in metoda noastra este extragerea caracteristicilor morfologice din craniul 3D. In a doua etapa, algoritmul MKDSIF-FCM este utilizat pentru a determina sexul craniului grupului etnic chinez Han. O comparatie cu alte clasificatoare populare, cum ar fi arborele de decizie, retea neuronala BP, regresie logistica, FDA, SVM si H-ELM [18], a aratat ca algoritmul nostru propus MKDSIF-FCM a functionat mai bine. Rezultatele experimentale sugereaza ca utilizarea algoritmului propus MKDSIF-FCM in clasificarea setului de date a craniului este o tehnica precisa, robusta si reproductibila. Pentru grupul etnic chinez Han, exista o imbunatatire a preciziei de aproape 8,6%, 3,5% si 2.

Este demn de remarcat faptul ca metoda propusa obtine o performanta mai buna si stabila pentru determinarea sexului craniului, pastrand in acelasi timp avantajele invatarii nesupravegheate. Consideram ca metodele descrise aici sunt demne de remarcat, in special pentru cercetatorii care incearca (sau incearca sa incerce) sa se implice in determinarea sexului craniului prin metode de invatare nesupervizate.

Disponibilitatea datelor

Datele utilizate pentru a sustine concluziile acestui studiu sunt disponibile de la autorul corespunzator la cerere.

Conflicte de interes

Autorii declara ca nu au conflicte de interese cu privire la publicarea acestei lucrari.

Recunoasteri

Aceasta cercetare a fost sustinuta de Fundatia Nationala de Stiinte Naturale din China (nr. 61673319, 61731015 si 61602380), Fundatia de Cercetare Stiintifica pentru Invatare Superioara din Regiunea Autonoma Ningxia Hui din China (nr. NGY2016216) si Fondurile de cercetare fundamentala pentru stiinte naturale. pentru provincia Shaanxi din China (nr. 2014JQ8315).

Referinte

  1. MR Dayal si MA Bidmos, „Discriminarea sexului la negrii din Africa de Sud folosind dimensiuni patella”, Journal of Forensic Sciences , vol. 50, nr. 6, p. 1294–1297, 2005. Vezi la: Google Scholar
  2. C. Papaloucas, A. Fiska si T. Demetriou, „Dimorfismul sexual al articulatiei soldului la greci”, Forensic Science International , voi. 179, nr. 1, pp. 83 – e1, 2008. Vizualizati la: Site-ul editorului | Google Scholar
  3. SJ Decker, SL Davy-Jow, JM Ford si DR Hilbelink, „Determinarea virtuala a sexului: trasaturi metrice si nemetrice ale pelvisului adult din modelele de tomografie computerizata 3d”, Journal of Forensic Sciences , vol. 56, nr. 5, pp. 1107–1114, 2011. Vezi la: Site-ul editorului | Google Scholar
  4. TR Peckmann, K. Orr, S. Meek si SK Manolis, „Determinarea sexului din calcaneu intr-o populatie greaca din secolul XX folosind analiza functionala discriminanta”, Science & Justice , vol. 55, nr. 6, p. 377–382, 2015. Vizualizati la: Site-ul editorului | Google Scholar
  5. AL M Didi, RR Azman si M. Nazri, „Determinarea sexului din volumele de oase carpiene: un studiu de tomografie computerizata cu mai multe detectii (MDCT) la o populatie din Malaezia” , Medicina legala , voi. 20, p. 49–52, 2016. Vizualizati la: Site-ul editorului | Google Scholar
  6. M. Yoshino, H. Matsuda, S. Kubota, K. Imaizumi, S. Miyasaka si S. Seta, „Sistem de identificare a craniului asistat de computer folosind suprapunerea video”, Forensic Science International , voi. 90, nr. 3, p. 231–244, 1997. Vezi la: Site-ul editorului | Google Scholar
  7. PL Walker, „Cranii sexuale folosind analiza functionala discriminanta a trasaturilor evaluate vizual”, American Journal of Physical Anthropology , vol. 136, nr. 1, pp. 39–50, 2008. Vizualizati la: Site-ul editorului | Google Scholar
  8. MS Robinson si MA Bidmos, „Craniul si humerusul in determinarea sexului: fiabilitatea ecuatiilor functionale discriminante”, Forensic Science International , voi. 186, nr. 1-3, pp. 86 – e5, 2009. Vizualizati la: Site-ul editorului | Google Scholar
  9. Y. Ogawa, K. Imaizumi, S. Miyasaka si M. Yoshino, „Functii discriminatorii pentru estimarea sexuala a craniilor japoneze moderne”, Journal of Forensic and Legal Medicine , voi. 20, nr. 4, pp. 234–238, 2013. Vezi la: Site-ul editorului | Google Scholar
  10. D. Franklin, A. Cardini, A. Flavel si A. Kuliukas, „Erratum la„ Estimarea sexului din masuratori craniene intr-o populatie australiana occidentala ”[Sci criminalistic. Int. 229 (2013) 158.e1-158.e8], ” Forensic Science International , vol. 232, nr. 1-3, pag. 153, 2013. Vezi la: Site-ul editorului | Google Scholar
  11. EE Abdel Fatah, NR Shirley, RL Jantz si M. Mahfouz, „Imbunatatirea estimarii sexului din crania folosind o noua metoda cantitativa tridimensionala”, Journal of Forensic Sciences , vol. 59, nr. 3, pp. 590–600, 2014. Vizualizati la: Site-ul editorului | Google Scholar
  12. B. Musilova, J. Dupej, J. Veleminska, K. Chaumoitre si J. Bruzek, „Suprafete exocraniene pentru evaluarea sexuala a craniului uman”, Forensic Science International , voi. 269, p. 70–77, 2016. Vezi la: Site-ul editorului | Google Scholar
  13. C. Li, „Un studiu asupra diferentei de sex a craniului adult din China de nord-est prin transformarea in patru niveluri”, Acta Anthropologica Sinica , 1992. Vizualizare la: Google Scholar
  14. M. Li, Y. Fan, Y. Yu, P. Xia, H. Li si G. Dai, „Evaluarea sexului adultilor din sud-vestul Chinei de catre oasele craniului facial”, Chinese Journal of Forensic Medicine , vol. 27, nr. 2, pp. 132–134, 2012. Vizualizati la: Google Scholar
  15. W. Shui, R. Yin, M. Zhou si Y. Ji, „Determinarea sexului din modelul craniului digital pentru oamenii Han din China”, Revista Chineza de Medicina Legala , voi. 28, nr. 6, p. 461–468, 2013. Vizualizati la: Google Scholar
  16. L. Luo, M. Wang si Y. Tian, ​​„Determinarea automata a sexului craniilor pe baza unui model de forma statistica”, in Metode computationale si matematice in medicina , voi. 2013, 1 editie, 2013. Vizualizati la: Google Scholar
  17. X. Liu, L. Zhu si colab., „Determinarea sexului a craniului incomplet al etnicelor din China”, in Conferinta internationala de informatica inteligenta , pp. 574–585, Springer, 2017. Vizualizare la: Google Scholar
  18. J. Tang, C. Deng si GB Huang, „Masina de invatare extrema pentru perceptron multistrat”, Tranzactii IEEE pe retele neuronale si sisteme de invatare , voi. 27, nr. 4, pp. 809–821, 2016. Vizualizati la: Site-ul editorului | Google Scholar
  19. JC Bezdek, R. Ehrlich si W. Full, „FCM: algoritmul de clustering c-means c-mean,” Computers & Geosciences , vol. 10, nr. 2-3, p. 191–203, 1984. Vezi la: Site-ul editorului | Google Scholar
  20. Z. Wu, W. Xie si J. Yu, „Fuzzy C-Means Clustering Algorithm based on Kernel Method”, in Proceedings of the International Conference on Computational Intelligence and Multimedia Applications , 54, 49 de pagini, 2003. Vezi la: Google Savant
  21. S. Sonnenburg, G. Ratsch, C. Schafer si B. Scholkopf, „Invatare la scara mare a nucleului multiplu”, Journal of Machine Learning Research , voi. 7, p. 1531–1565, 2006. Vezi la: Google Scholar | MathSciNet
  22. CJC Burges, „Un tutorial despre masinile de suport pentru recunoasterea modelelor”, Data Mining & Knowledge Discovery , vol. 2, nr. 2, p. 121–167, 1998. Vezi la: Google Scholar
  23. Ren L.-n., Y.-b. Qin si D.-y. Xu, „Fuzzy C-means clustering based on self-adaptative weight”, Application Research of Computers , vol. 29, nr. 8, p. 2849–2851, 2012. Vizualizati la: Google Scholar
  24. M. Qi si H.-x. Zhang, „Cercetari privind algoritmul de aglomerare modificat al C-mediilor C,” Inginerie computerizata si aplicatii , voi. 45, nr. 20, pp. 133–135, 2009. Vizualizati la: Google Scholar
  25. J. Cai si F. Xie, „Nou algoritm de clustering fuzzy bazat pe distante de mahalanobis ponderata de caracteristici”, Computer Engineering & Applications , 2012. Vizualizare la: Google Scholar
  26. Y. Yue, D. Zeng si L. Hong, „Imbunatatirea clustering-ului C-mijlociu fuzzy printr-o noua invatare a functiei de greutate”, Informatii informatice si aplicatii industriale , pp. 173-17177, 2008. Vizualizare la: Google Scholar
  27. Z.-D. Wu, X.-B. Gao si W.-X. Xie, „Studiul unui nou algoritm de clustering fuzzy bazat pe metoda kernel-ului”, Xi’an Dianzi Keji Daxue Xuebao / Journal of Xidian University , vol. 31, nr. 4, p. 533–537, 2004. Vezi la: Google Scholar
  28. A. Yang, L. Jiang si Y. Zhou, „Un clasificator fuzzy bazat pe KFCM”, in Proceedings of the 4th Conference International on Sisteme Fuzzy and Discovery Knowledge, FSKD 2007 , pp. 80-84, August 2007. View at : Google Scholar
  29. C. Zhao si B. Qi, „Clasificarea hiperspectrala a imaginii bazata pe clustering-ul cu mijloace C, ponderat de sambure,„ Yi Qi Yi Biao Xue Bao / Jurnalul chinez de instrumente stiintifice , voi. 33, nr. 9, pp. 2016–2021, 2012. Vizualizati la: Google Scholar
  30. FX Wang, Y. Cheng si QX Qin, „Densitatea imbunatatita ponderata C Fuzzy C inseamna algoritm”, Sisteme informatice si aplicatii , 2012. Vizualizare la: Google Scholar
  31. FL Zhao, IL Xin si W. Dong, Algoritmul de clustering bazat pe mai multe nuclee SVM , voi. 5, Periodic al Universitatii Oceanice din China, 2009.
  32. Q. Liu, XS Xia, Y. Zhou si colab., „Algoritm de clustering fuzzy folosind doua metode de ponderare”, Application Research of Computers , vol. 28, nr. 12, p. 4437–4439, 2011. Vizualizati la: Google Scholar
  33. Y. Liu, F. Liu, T. Hou si colab., „Metoda de clustering C-mean fuzzy based on Kernel based on optimization parametri”, Jilin Daxue Xuebao , voi. 46, nr. 1, p. 246–251, 2016. Vizualizati la: Google Scholar

Drepturi de autor

Copyright © 2018 Hongjuan Gao et al. Acesta este un articol de acces deschis distribuit sub Licenta Creative Commons de atribuire, care permite utilizarea, distribuirea si reproducerea nerestrictionata in orice suport, cu conditia ca lucrarea originala sa fie citata in mod corespunzator.

film porno cu batrani http://jonbrady.com/__media__/js/netsoltrademark.php?d=adult66.net/
porno cu profa http://victoriagrp.com/__media__/js/netsoltrademark.php?d=adult66.net/filme-porno/amatori
porno hd public http://aurigold.com/__media__/js/netsoltrademark.php?d=adult66.net/filme-porno/anal
porno pussy pics http://center-pointenergy.biz/__media__/js/netsoltrademark.php?d=adult66.net/filme-porno/asiatice
film porno cu mama http://lawworker.com/__media__/js/netsoltrademark.php?d=adult66.net/filme-porno/beeg
porno slovacia http://list-manager.com/__media__/js/netsoltrademark.php?d=adult66.net/filme-porno/blonde
file porno cu virgine http://netsolmaildemo.biz/__media__/js/netsoltrademark.php?d=adult66.net/tanara-studenta-este-fututa-de-2-colegi-de-facultate
porno grtis http://porcelainusa.com/__media__/js/netsoltrademark.php?d=adult66.net/o-prostituata-frumoasa-face-sex-pe-bani
porno cu români http://mhvfcu.biz/__media__/js/netsoltrademark.php?d=adult66.net/ii-baga-pula-adanc-in-fund-sex-anal
porno striptis http://indiaforeveryoung.com/__media__/js/netsoltrademark.php?d=adult66.net/tipa-cu-curul-mare-este-fututa-in-anus-de-iubitul-ei
porno cu rusoaice mature http://cameostock.com/__media__/js/netsoltrademark.php?d=adult66.net/o-fute-de-ziua-ei-a-implinit-18-ani-si-face-gang-bang
prins porno http://robertgcross.com/__media__/js/netsoltrademark.php?d=adult66.net/cuplu-de-amatori-se-filmeaza-in-timp-de-fac-sex
porno baby http://newsocietyfund.com/__media__/js/netsoltrademark.php?d=adult66.net/blonda-miniona-violata-de-vecinul-ei
porno 69 http://www.priegeltje.nl/gastenboek/go.php?url=https://adult66.net/ii-place-sa-calareasca-pula-are-16-ani-si-se-fute-in-draci
porno cu fete tinere http://silah.com/__media__/js/netsoltrademark.php?d=adult66.net/ia-pula-intre-sani-si-o-freaca-pana-iese-slobozul
filme porno cu batrani http://cruiselifestyles.com/public/AdRedirect.aspx?Id=486&url=https://adult66.net/brazilianca-fututa-pe-la-spate-bine-de-un-necunoscut
film porno online http://solvitol.com/__media__/js/netsoltrademark.php?d=adult66.net/filmata-cu-camera-ascunsa-cand-se-masturbeaza-cu-degetele
porno staruri http://www.greatexpectations.com/__media__/js/netsoltrademark.php?d=adult66.net/ii-place-sa-suga-doua-pule-si-sa-se-futa-cu-ele-una-in-cur-si-una-in-pizda
film porno 2017 http://www.bublina.info/__media__/js/netsoltrademark.php?d=adult66.net/cuplu-de-lesbiene-se-masturbeaza-cu-vibratoarele
full porno movies http://qualitysolutions.biz/__media__/js/netsoltrademark.php?d=adult66.net/o-blonda-si-o-bruneta-fac-sex-ca-intre-lesbiene