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

    基于EMD和樣本熵的腦電信號睡眠分期研究?

    2016-11-28 01:29:27李懷勝鐘清華
    微處理機 2016年5期
    關(guān)鍵詞:模態(tài)信號方法

    李懷勝,楊 芳,鐘清華

    (華南師范大學(xué)物理與電信工程學(xué)院,廣州510006)

    基于EMD和樣本熵的腦電信號睡眠分期研究?

    李懷勝,楊芳,鐘清華

    (華南師范大學(xué)物理與電信工程學(xué)院,廣州510006)

    對于睡眠腦電的人工分期仍有不足的問題,提出一種基于腦電節(jié)律經(jīng)驗?zāi)B(tài)分解和樣本熵結(jié)合的睡眠分期方法。首先利用經(jīng)驗?zāi)B(tài)分解對睡眠腦電信號進行去噪和基本節(jié)律提取,獲得針對不同睡眠狀態(tài)下腦電節(jié)律的樣本熵,通過統(tǒng)計其樣本熵均值,發(fā)現(xiàn)腦電節(jié)律δ波和θ波于不同睡眠狀態(tài)下,樣本熵均值不相等且方差較小,能有效表示不同睡眠階段的特征,說明樣本熵方法能較好的實現(xiàn)腦電信號的特征提取,用來區(qū)分睡眠各分期,為利用睡眠進行監(jiān)護與醫(yī)學(xué)治療提供了一種可行的方法。

    經(jīng)驗?zāi)B(tài)分解;腦電節(jié)律;特征提??;樣本熵;睡眠分期

    1 引 言

    腦電(Electroencephalogram,EEG)是神經(jīng)系統(tǒng)產(chǎn)生的可測電生理信號,包含著大量生理信息,要從睡眠腦電中進行睡眠分期有很大難度。一是睡眠時腦電信號極其微弱,易于引入干擾;二是睡眠腦電信號為非平穩(wěn)隨機信號,難于提取特征,因此需要利用有效手段對睡眠腦電信號進行處理。而基于腦電的特征提取方法用于睡眠深度監(jiān)測,對睡眠進行合理分期,是研究睡眠質(zhì)量、診斷睡眠疾病的基礎(chǔ)。近年來基于神經(jīng)網(wǎng)絡(luò)[1-3]的方法被較多用于腦電模式識別中,此類方法的缺陷在于神經(jīng)網(wǎng)絡(luò)隱層節(jié)點數(shù)難以確定,泛化能力差,且容易陷入局部最小點。近來非線性動力學(xué)和混沌理論的方法,如:分形維數(shù)[4]、Kolmogorov-Sinai熵[5]、譜熵[6]、近似熵(ApEn)[7]等也被逐步應(yīng)用于腦電等生理信號分析。這些方法各有特點,其中近似熵屬于復(fù)雜度測度方法,對短數(shù)據(jù)集有效,但是近似熵值對不同參數(shù)值的選取不具備相對一致性。本文提出一種將經(jīng)驗?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)與樣本熵(Sample Entropy,SampEn)相結(jié)合的方法對睡眠腦電進行處理及睡眠分期,并經(jīng)試驗證明了該方法的有效性。

    2 經(jīng)驗?zāi)B(tài)分解和樣本熵理論分析

    2.1經(jīng)驗?zāi)B(tài)分解原理

    EMD方法[8]是由Huang等于1998年提出的一種新的數(shù)據(jù)處理方法,它的特點是能夠?qū)Ψ蔷€性、非平穩(wěn)信號進行線性化和平穩(wěn)化處理,并在分解過程中保留數(shù)據(jù)本身的特性,非常適合提取非線性非平穩(wěn)信號的瞬時特征。EMD的本質(zhì)是通過信號的時間尺度來獲得本征波動模式,然后以此為依據(jù)分解信號,分解所用的基函數(shù)是基于信號本身的,它回避了小波分解中選擇小波函數(shù)和分解層數(shù)的困擾,能自適應(yīng)地將信號分解為一系列的表征信號特征時間尺度的固有模態(tài)函數(shù)(Intrinsic Mode Function,IMF)集。

    2.2EMD分解的實現(xiàn)過程

    信號經(jīng)EMD分解后自適應(yīng)的得到有限個IMF分量和一個表征信號趨勢的余量,它的分解基于以下三個假定條件:①信號至少存在兩個極值點,即一個極大值點與一個極小值點;②信號的特征時間尺度由相鄰的兩個極值點之間的時間間隔來定義;③假使信號沒有極值點而只有拐點,則應(yīng)當(dāng)在分解之前先對信號作一次或多次微分運算來獲取極值點。

    EMD分解的實質(zhì)是通過一種篩選來實現(xiàn)對信號的分解,設(shè)信號X(t)篩選的具體過程如下:

    (1)尋找信號局部的所有極大值和極小值;

    (3)計算X(t)與m10(t)的差,記做h10(t),即h10(t)=X(t)-m10(t)。

    以上過程記做一次篩選,篩選的目的有兩個:去除模態(tài)波形的疊加;平滑對稱模態(tài)波形的振幅。第一個目的是為了讓IMF的瞬時頻率具備物理意義,第二個目的是為了讓兩個相鄰的IMF振幅差不至于太大,使得IMF具備調(diào)頻作用。

    (4)檢查h10(t)是否滿足IMF條件。如果不滿足,則將h10(t)代替原始信號X(t),重復(fù)k次以上步驟,直至h1k滿足IMF條件。這樣就得到了原始信號X(t)的第一個IMF,記做c1(t),即c1(t)=h1k(t)。

    (5)將c1(t)從原始信號X(t)中分離出來,得到剩余分量r1(t),即r1(t)=X(t)-c1(t)。

    (6)將r1(t)代替原始信號X(t)依次重復(fù)以上步驟,對后面的rk(t)也同樣做篩選,分解出新的IMF集,即r2(t)=r1(t)-c2(t)...rN(t)=rN-1(t)-cN(t)。

    當(dāng)rN(t)是一單調(diào)函數(shù)或者小于預(yù)先設(shè)置的值時,EMD的整個分解過程將停止。為了使得IMF在幅值和頻率上同時具備物理意義,Huang設(shè)置了一個基于限定相鄰兩個篩選結(jié)果的標準偏差SD的篩選準則,即:

    當(dāng)SD的值為0.2-0.3之間時,則終止篩選。

    綜上,在EMD的整個篩選過程中,基函數(shù)是基于信號本身的特性而自動生成的,信號特性不同,其基函數(shù)也不同,因而EMD是根據(jù)信號本身的特性而對信號做自適應(yīng)的分解。信號經(jīng)過EMD分解后得到有限個IMF分量,每個IMF分量則凸顯了信號的內(nèi)在物理信息,這些IMF分量的截止頻率隨著信號的變化而變化。

    2.3樣本熵

    樣本熵是量化時間序列復(fù)雜性和研究時間序列性質(zhì)的重要工具,被廣泛應(yīng)用于很多研究領(lǐng)域,特別是生物醫(yī)學(xué)信號的研究與分析,其算法[13]描述如下:

    (1)對于一個N點的時間序列,我們表示為u={u(1),u(1),...u(N)}。

    (2)按序號連續(xù)順序組成一組m維向量:Xm(1),Xm(2),...,Xm(N-m+1),其中Xm(i)=[u(i),u(i+1),...,u(i+m+1)],1≤i≤N-m+1。

    (3)定義兩個m維向量Xm(i)和Xm(j)之間的距離d[Xm(i),Xm(j)]為兩者對應(yīng)元素中差值最大的一個,即:d[Xm(i),Xm(j)]=max{|u(i+k)-u(j+k)|},其中0≤k≤m-1,1≤i≤N-m+1,1≤j≤N-m+1,i≠j。

    (4)r是設(shè)定的匹配過程公差閾值,給定一個閾值r,對每一個i≤N-m+1的值,統(tǒng)計d[Xm(i),Xm(j)]小于r×SD(SD為序列的標準差)的數(shù)目Nm(i),并計算此數(shù)目與距離總數(shù)(N-m)的值,記作:Cm(r)=Nm(i)/(N-m)。

    (7)樣本熵定義為:

    當(dāng)N為有限值時,按上述步驟得出的是序列長度為N時樣本熵的估計值,記作:

    樣本熵的物理意義是表示非線性動力學(xué)系統(tǒng)產(chǎn)生新信息的速率,樣本熵值越小,序列自我相似性越高;樣本熵值越大,序列越復(fù)雜。對于SampEn(m,r,N)函數(shù),Pincus建議r的值取0.1-0.25SD,SD為要計算的時間序列標準差,m取1或2,參數(shù)N是數(shù)據(jù)長度,要得到有效的統(tǒng)計特性和比較小的偽差,數(shù)據(jù)點數(shù)最好在100-5000之內(nèi)。通過實驗驗證,參數(shù)設(shè)為m=1,r=0.2SD,N=1500時,處理睡眠腦電信號得到的樣本熵值分布效果最好。

    3 方法與實驗結(jié)果

    3.1實驗數(shù)據(jù)

    實驗數(shù)據(jù)來源于麻省理工學(xué)院提供的MITBIH中的The Sleep-EDF database,所用數(shù)據(jù)編號為SC4001E0-PSG,1989年4月24日14:13:00~4月 25日14:18:00的睡眠數(shù)據(jù)。數(shù)據(jù)采樣頻率為100Hz,波幅單位為μV;數(shù)據(jù)存儲格式為歐洲數(shù)據(jù)格式;參考導(dǎo)聯(lián)為Fpz-Cz和Pz-Oz;該睡眠腦電的睡眠期已由專家人工標注。

    3.2睡眠腦電的去噪處理

    MIT-BIH數(shù)據(jù)庫中的原始腦電信號含有大量的眼電、肌電、工頻、高頻、白噪聲等干擾,消除腦電信號中的噪聲是進行睡眠分析的重要前提[14]。

    (1)基于EMD濾波的EEG去噪

    任意信號經(jīng)過EMD算法分解后會得到有限個IMF分量和一個表征信號趨勢的殘余分量。這些IMF分量總是按照由高頻到低頻的順序逐漸分離出來,表征了信號頻率分布的所有信息,因而它是一種自適應(yīng)濾波的信號分析方法?;贓MD算法的分解特性,可以將EMD看做是一個時頻濾波的分析方法[15]。

    基于EMD濾波的思想十分簡單,即根據(jù)信號的要求,通過去除噪音頻段的IMF,將剩余的IMF重構(gòu)來增強信號在要求頻率范圍內(nèi)的特征。其優(yōu)點在于,EMD的基函數(shù)直接從信號本身產(chǎn)生,不像小波分解算法那樣需要預(yù)先確定基函數(shù),它是一種基于信號局部特征尺度分解的自適應(yīng)濾波法。選取實驗數(shù)據(jù)中一段腦電信號進行去噪處理,如圖1所示,濾除噪音后的信號,白噪聲與尖波脈沖干擾基本消除,與此同時很好的保留了有用信號中的尖峰和突變部分,濾波處理是為下一步分析腦電信號作好準備。

    圖1 腦電信號濾波處理

    3.3睡眠腦電基本節(jié)律的提取

    通過信號的時間尺度來獲得本征信號波動模式,然后以此為依據(jù)分解信號,分解所用的基函數(shù)是基于信號本身的。再對非線性、非平穩(wěn)信號進行線性化和平穩(wěn)化處理,具有良好的時頻局部化特性,可實現(xiàn)對信號瞬態(tài)成分的檢測,并可對其各頻率段成分進行處理,提取到睡眠腦電信號節(jié)律的時變信息,并在分解過程中保留數(shù)據(jù)本身的特性,較好地表現(xiàn)頻域信號的連續(xù)性和突變性,在實際工程應(yīng)用中能夠獲得較好的效果。選取實驗數(shù)據(jù)中的一段睡眠腦電信號,如圖2所示。腦電信號基本節(jié)律的提取,如圖3所示,圖4為完備性檢測圖。

    3.4睡眠腦電基本節(jié)律的分析

    目前國際上普遍使用的是R&K睡眠分階規(guī)則[16],它把睡眠分為覺醒期(SW)、非快速眼動睡眠期(NREM)、和快速眼動睡眠期(REM),其中NREM可分為Ⅰ期、Ⅱ期、Ⅲ期和Ⅳ期。由于Ⅲ期和Ⅳ期波形很相似,僅在振幅上略有區(qū)別,將Ⅲ期和Ⅳ期統(tǒng)一劃分為Ⅲ期。且δ波和θ波是表征睡眠的主要特征,因此將重點分析基本節(jié)律中δ波和θ波的變化。

    圖2 原始睡眠腦電信號

    圖3 腦電信號基本節(jié)律提取

    圖4 腦電各基本節(jié)律的完備性檢驗

    根據(jù)腦電信號在不同睡眠狀態(tài)下腦電基本節(jié)律的表現(xiàn)不同,通過比較睡眠各期的腦電節(jié)律δ波和θ波樣本熵值的大小,可用來區(qū)分不同的睡眠狀態(tài)。實驗中以實驗數(shù)據(jù)庫中的分期結(jié)果為參考標準,利用matlab進行數(shù)據(jù)處理,分別任意截取覺醒期(SW)、快速眼動睡眠期(REM)和非快速眼動睡眠期(NREM)Ⅰ期、Ⅱ期、Ⅲ期的睡眠腦電數(shù)據(jù),分別對其進行去噪和基本節(jié)律提取,然后對睡眠實驗室數(shù)據(jù)進行樣本熵計算,取m=1;r=0.25SD;N=1500,并參考經(jīng)驗豐富的醫(yī)生所做的人工睡眠分期的結(jié)論,得到睡眠腦電基本節(jié)律δ波和θ波樣本熵的平均值,再統(tǒng)計方差,得到睡眠各期腦電節(jié)律的樣本熵均值與方差如圖5-圖6所示。

    圖5 睡眠各期腦電節(jié)律的樣本熵均值

    圖6 睡眠各期腦電節(jié)律的樣本熵方差

    從睡眠規(guī)律的角度來看,睡眠各期的樣本熵是不一樣的,隨著睡眠的深入,δ波和θ波的樣本熵均值逐漸增大,δ波和θ波復(fù)雜性增強,這與有睡意時腦電中δ波和θ波占主導(dǎo)相吻合[17]。清醒期腦電節(jié)律以大于8Hz為主,所以清醒期的δ波和θ波樣本熵均值最??;快速眼動期雖然是處于深睡期,但大部分時間在做夢,所以該期的樣本熵均值最大。而從樣本熵均值及方差大小的角度來看,睡眠各期腦電節(jié)律δ波和θ波的樣本熵均值都不相等,樣本熵均值的方差很小,即不同睡眠狀態(tài)下的腦電節(jié)律δ波和θ波樣本熵值波動范圍小,總能找出任一個睡眠期與其它睡眠期的δ波和θ波樣本熵均值不相等,并且能較容易區(qū)分不同的睡眠狀態(tài)。綜上,通過腦電節(jié)律樣本熵的方法可以用來區(qū)分睡眠各期。

    4 結(jié)束語

    與腦電的非線性分析方法比較,結(jié)合EMD和樣本熵的方法可以更完整的提取睡眠腦電的各個節(jié)律,較好的保留其信號本身的特性,細致地對不同睡眠狀態(tài)下腦電基本節(jié)律的變化進行分析;同時由于睡眠各期的腦電節(jié)律δ波和θ波樣本熵均值的大小不相等,且樣本熵均值方差很小,它們能有效表示不同睡眠階段的特征。結(jié)論與數(shù)據(jù)庫中的專家判定相吻合,這說明樣本熵方法能很好的進行腦電信號的特征提取,可以用來區(qū)分睡眠各分期,可為其他信號的特征提取提供理論與實驗依據(jù),也為利用腦電信號進行監(jiān)護與醫(yī)學(xué)治療提供了一種可行的方法。

    [1]Shimada T,Shiina T,Saito Y.Detection of characteristic waves of sleep EEG by neural network analysis[J].IEEE Transactions on Biomedical Engineering,2000,47(3):369-379.

    [2]Liu Derong,Pang Zhongyu,Lloyd Stephen r.A neural network method for detection of obstructive apnea and narcolepy based on pupil size and EEG[J].IEEE Transactions on Biomedical Engineering,2008,19(2):308-318.

    [3]吳婷,顏國正,楊幫華,等.基于有監(jiān)督學(xué)習(xí)的概率神經(jīng)網(wǎng)絡(luò)的腦電信號分類方法[J].上海交通大學(xué)學(xué)報,2008,42(5):803-806.Wu T,Yan G Z,Yang B H,et al.Electroencephalography Classification Based on Probabilistic Neural Network with Supervised Learning in Brain Computer Interface[J].Journal of Shanghai Jiaotong University,2008,42(5):803-806.

    [4]胥永剛,何正嘉.分形維數(shù)和近似熵用于度量信號復(fù)雜性的比較研究[J].振動與沖擊,2003,22(3):25-27.Xu Y G,He Z J.Research on Comparison betweenapproximate entropy and fractal dimension for complexity measure of signals[J].Journal of Vibration and Shock,2003,22(3):25-27.

    [5]Pincus S M,Goldberger A L.Physiological time-se-ries Analysis:What does regularity quantify[J].Amer J Physiol Heart Circulatory Physiology,1994,266(4):1643-1656.

    [6]Grouven U,Beger F A,Schultz B,et al.Correla-tion of narcotrend index,entropy measures,and spectral parameters with calculated propofol effect-site concentrations during induction of propofol-remifentanil anaesthesia[J].Journal of Clinical Monitoring and Computing,2004,18(4):231-240.

    [7]Pincus S M.Approximate entropy(ApEn)as a complexity measure[J].Chaos,1995,5(1):110-117.

    [8]Huang N E,Shen Z,Long S R,et al.The empirical mode decomposition and the Hilbert spec-trum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society of London,Series A,1998,454(1971):903-995.

    [9]Soomro,M.H.A method for automatic removal of eye blink artifacts from EEG based on EMD-ICA[C].Signal Processing and its Applications(CSPA),2013 IEEE 9th International Colloquium on,2013:129-134.

    [10]J Ville.Theorie Et Applications De La Notion De Signal Analytique[J].Cablesettransmission,1948(2):61-74.

    [11]H Kim,K Hwang1,J Cho D Koo.Effect of bedside light on sleep quality and background EEG rhythms[J].Sleep Medicine 14S(2013):e165-e238.

    [12]Azarnoosh M,Motie Nasrabadi A,Mohammsdi M R,et al.Investigation of mental fatigue through EEG signal processing based on nonlinear analysis:symbolic dynamics[J].Chaos,Solitons&Fractals,2011,44(12):1054-1062.

    [13]Joshua S Richman,J Randall Moorman.Physiological timeseriesanalysisusingapproximateentropyand sample entropy[J].Am j.physiol heart circ physiol,278:h2039-h(huán)2049,2000.

    [14]Aboalayon K A I.Efficient sleep stage classification based on EEG signals[C].IEEE Long Island Systems,Applications andTechnologyConference(LISAT),2014.

    [15]P Flandrin,P Goncalves,G Rilling.Detrending and Denoising with Empirical ModeDecompositions[C].Proc.of XII EUSIPCO 2004,Vienna,Austria,2004:1581-1584.

    [16]王菡僑.有關(guān)美國睡眠醫(yī)學(xué)學(xué)會睡眠分期的最新判讀標準指南解析[J].診斷學(xué)理論與實踐,2009,8(6):575-578.Wang H Q.About the latest interpretation standard of guidelines of American Academy of Sleep Medicine for sleep staging[J].Journal of Diagnostics Concepts&Practice,2009,8(6):575-578.

    [17]V Bajaj,R B Pachori.Automatic classification of sleep stages based on the time-frequency image of EEG signals[J].Comput.Methods Programs Biomed,2013,112(3):320-328.

    [18]Hau-tieng Wu,Talmon R,Yu-Lun Lo.Assess Sleep Stage by Modern Signal Processing Techniques[J].IEEE Transactions on?Biomedical Engineering,2014,62(4):1159-1168.

    [19]李治,汪曣,劉鳳軍,等.入睡腦電信號的去噪[J].中國組織工程研究與臨床康復(fù),2007,11(13):2531-2533.Li Z,Wang Y,Liu F J,et al.Noise removing in sleeping electroencephalogram signal[J].Chinese Journal of Tissue Engineering Research,2007,11(13):2531-2533.

    [20]Huang Ch-Sh;Lin Ch-Li;Ko,et al.A hierarchical classification system for sleep stage scoring via forehead EEG signals[C].IEEE Symposium on Computational Intelligence,Cognitive Algorithms,Mind,and Brain(CCMB),2013(5):16-19.

    [21]See,A.R.A study on sleep EEG Using sample entropy and power spectrum analysis[C].Defense Science Research Conference and Expo(DSR),2011:1-4.

    [22]L Cohen,C Lee.Instantaneous Frequency,Its Standard Deviation and Multicomponent Signals[J].SPIE Adv.Algs.Sig.Proc.III,1988,975:186-208.

    [23]Temel Kayikcioglu,Masoud Maleki,Kubra.ErogluFast and accurate PLS-based classification of EEG sleep using single channel data[J].Expert Systems with Applications,2015(42):7825-7830.

    Study on Sleep Stages Based on EMD and Sample Entropy of EEG Rhythm

    Li Huaisheng,Yang Fang,Zhong Qinghua
    (School of Physics&Telecommunication Engineer,South China Normal University,Guangzhou 510006,China)

    A method of sleep stages,based on EMD and sample entropy of EEG rhythm,is put forward to solve the shortage of artificial staging of sleep EEG.Firstly,EMD is used to denoise sleeping EEG and extract the basic rhythm.Secondly,the sample entropy of EEG rhythm under different sleep states is computed.Finally,after the statistics of mean and variance of the sample entropy,the mean of sample entropy of wave δ and wave θ is different under different sleeping stages of EEG rhythm,which indicates that the sample entropy analysis of sleep EEG rhythm can be used to effectively characterize different sleeping stages and extract feature of EEG.It provides a new way to make use of sleeping EEG for care and treatment.

    EMD;EEG rhytnm;Feature extraction;Sample entropy;Sleep stages

    10.3969/j.issn.1002-2279.2016.05.017

    TP3

    A

    1002-2279(2016)05-0068-05

    ?廣東省教育部產(chǎn)學(xué)研合作基金(2012B091100062);廣東省自然科學(xué)基金(S2011040003189);廣東省科技計劃項目(20130123q)

    李懷勝(1991-),男,廣東省陽江市人,碩士研究生,主研方向:智能儀器及生理信號處理方向。

    2015-12-25

    猜你喜歡
    模態(tài)信號方法
    信號
    鴨綠江(2021年35期)2021-04-19 12:24:18
    完形填空二則
    基于FPGA的多功能信號發(fā)生器的設(shè)計
    電子制作(2018年11期)2018-08-04 03:25:42
    可能是方法不對
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    基于LabVIEW的力加載信號采集與PID控制
    國內(nèi)多模態(tài)教學(xué)研究回顧與展望
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    捕魚
    基于HHT和Prony算法的電力系統(tǒng)低頻振蕩模態(tài)識別
    精品一区二区三区av网在线观看| 久久久国产欧美日韩av| 黑人巨大精品欧美一区二区蜜桃| 老熟女久久久| 国产精品亚洲一级av第二区| 国产99白浆流出| av天堂在线播放| 国产高清激情床上av| videos熟女内射| 亚洲国产精品sss在线观看 | 又黄又粗又硬又大视频| 国产成人欧美| 成人特级黄色片久久久久久久| 亚洲伊人色综图| 无遮挡黄片免费观看| av在线播放免费不卡| 99精品欧美一区二区三区四区| 五月开心婷婷网| 国产成人精品在线电影| 日韩大码丰满熟妇| 1024视频免费在线观看| 久久久久国内视频| 亚洲七黄色美女视频| 日韩视频一区二区在线观看| 欧美激情高清一区二区三区| 狠狠婷婷综合久久久久久88av| 久久久国产精品麻豆| 国产精品自产拍在线观看55亚洲 | 天天躁日日躁夜夜躁夜夜| 欧美日韩亚洲高清精品| 女性生殖器流出的白浆| 两人在一起打扑克的视频| 真人做人爱边吃奶动态| 99国产极品粉嫩在线观看| 91成年电影在线观看| 久99久视频精品免费| 人人妻人人添人人爽欧美一区卜| 欧美亚洲日本最大视频资源| 欧美激情极品国产一区二区三区| aaaaa片日本免费| 99国产精品99久久久久| tube8黄色片| 国产精品自产拍在线观看55亚洲 | 久久精品国产亚洲av香蕉五月 | 老汉色∧v一级毛片| 99热只有精品国产| a在线观看视频网站| 久久午夜综合久久蜜桃| 美女视频免费永久观看网站| 欧美日韩中文字幕国产精品一区二区三区 | 一级毛片高清免费大全| 男女午夜视频在线观看| 久久久久久久精品吃奶| 搡老乐熟女国产| 久热爱精品视频在线9| 丰满的人妻完整版| 欧美成狂野欧美在线观看| 9色porny在线观看| 久久久久久人人人人人| 国产精品自产拍在线观看55亚洲 | av视频免费观看在线观看| 久久99一区二区三区| 可以免费在线观看a视频的电影网站| 中文字幕精品免费在线观看视频| 精品视频人人做人人爽| 18禁裸乳无遮挡免费网站照片 | 国产淫语在线视频| 又大又爽又粗| 亚洲色图综合在线观看| 精品人妻1区二区| 亚洲中文av在线| 99热国产这里只有精品6| 丰满人妻熟妇乱又伦精品不卡| 在线观看舔阴道视频| 每晚都被弄得嗷嗷叫到高潮| 欧美黑人精品巨大| 亚洲中文av在线| 91国产中文字幕| 成熟少妇高潮喷水视频| 亚洲国产欧美网| 亚洲国产精品合色在线| 黄色成人免费大全| 一进一出抽搐gif免费好疼 | 国产又色又爽无遮挡免费看| 久久久久久久久久久久大奶| 精品久久久久久久久久免费视频 | 丝瓜视频免费看黄片| 女性生殖器流出的白浆| 日韩大码丰满熟妇| 午夜久久久在线观看| 咕卡用的链子| 久久婷婷成人综合色麻豆| 精品人妻在线不人妻| 久久久久久久午夜电影 | 99精国产麻豆久久婷婷| a级毛片在线看网站| 欧美日韩一级在线毛片| 好看av亚洲va欧美ⅴa在| 日本五十路高清| 久久人妻福利社区极品人妻图片| 女人被狂操c到高潮| 不卡av一区二区三区| 久久狼人影院| 国产精品久久视频播放| 国产精品一区二区免费欧美| 精品人妻1区二区| 中文字幕人妻丝袜制服| 搡老乐熟女国产| 老汉色∧v一级毛片| 成人免费观看视频高清| 高清av免费在线| 国产精品一区二区精品视频观看| 久久天堂一区二区三区四区| 一边摸一边抽搐一进一小说 | 久久香蕉国产精品| 国产黄色免费在线视频| 色综合欧美亚洲国产小说| 91精品国产国语对白视频| 妹子高潮喷水视频| 久久精品国产清高在天天线| 免费观看人在逋| cao死你这个sao货| 久99久视频精品免费| 久久人人爽av亚洲精品天堂| 亚洲精品国产区一区二| 老汉色av国产亚洲站长工具| 久久久国产成人精品二区 | 亚洲片人在线观看| 两性夫妻黄色片| 美女福利国产在线| 在线观看免费视频网站a站| 高清毛片免费观看视频网站 | 高清欧美精品videossex| 国产一区在线观看成人免费| 亚洲熟女精品中文字幕| 又黄又粗又硬又大视频| 亚洲久久久国产精品| 国产成人一区二区三区免费视频网站| 成年版毛片免费区| 国产午夜精品久久久久久| 在线av久久热| 黄网站色视频无遮挡免费观看| 亚洲精品国产精品久久久不卡| 两人在一起打扑克的视频| 9热在线视频观看99| 国产精品二区激情视频| 中文字幕色久视频| 国产一区二区三区视频了| 一个人免费在线观看的高清视频| av一本久久久久| 妹子高潮喷水视频| 狠狠狠狠99中文字幕| 国产精品一区二区在线不卡| 国产日韩欧美亚洲二区| 久久精品亚洲av国产电影网| 又黄又粗又硬又大视频| 欧美黑人欧美精品刺激| 大码成人一级视频| 成人av一区二区三区在线看| 黑丝袜美女国产一区| 色综合欧美亚洲国产小说| 国产亚洲一区二区精品| 日本a在线网址| av一本久久久久| 国产精品综合久久久久久久免费 | 国产又爽黄色视频| 久久午夜亚洲精品久久| 好看av亚洲va欧美ⅴa在| 久久久精品免费免费高清| 如日韩欧美国产精品一区二区三区| 国产成人免费无遮挡视频| 国产成人系列免费观看| 免费观看a级毛片全部| 国产在视频线精品| 99re6热这里在线精品视频| 免费在线观看亚洲国产| 亚洲三区欧美一区| 精品久久久久久久毛片微露脸| 校园春色视频在线观看| 嫩草影视91久久| 亚洲aⅴ乱码一区二区在线播放 | 男女午夜视频在线观看| tocl精华| 国产精品1区2区在线观看. | 啦啦啦视频在线资源免费观看| 搡老岳熟女国产| 青草久久国产| 亚洲自偷自拍图片 自拍| 午夜免费观看网址| 大码成人一级视频| 韩国精品一区二区三区| 18在线观看网站| 免费一级毛片在线播放高清视频 | 国产男靠女视频免费网站| 一级片免费观看大全| 免费观看精品视频网站| 久热这里只有精品99| 欧美日韩福利视频一区二区| 侵犯人妻中文字幕一二三四区| 啦啦啦 在线观看视频| 亚洲一区高清亚洲精品| 999久久久国产精品视频| 99国产精品一区二区蜜桃av | 日本a在线网址| 黄色a级毛片大全视频| 91成人精品电影| 18在线观看网站| 午夜91福利影院| 精品人妻在线不人妻| 国产精品美女特级片免费视频播放器 | e午夜精品久久久久久久| 久久国产精品影院| 久久精品国产亚洲av高清一级| 夜夜躁狠狠躁天天躁| 一级a爱片免费观看的视频| 一区在线观看完整版| 亚洲国产精品合色在线| 露出奶头的视频| 国产片内射在线| 国产在线一区二区三区精| 这个男人来自地球电影免费观看| 免费日韩欧美在线观看| 捣出白浆h1v1| 中文字幕人妻熟女乱码| 午夜日韩欧美国产| 他把我摸到了高潮在线观看| 可以免费在线观看a视频的电影网站| 国产无遮挡羞羞视频在线观看| 日本a在线网址| xxxhd国产人妻xxx| 午夜免费观看网址| 国产男女内射视频| 天天躁狠狠躁夜夜躁狠狠躁| 国产欧美日韩综合在线一区二区| 亚洲成人免费电影在线观看| cao死你这个sao货| 又黄又粗又硬又大视频| 午夜福利在线免费观看网站| 亚洲欧美日韩高清在线视频| 午夜福利一区二区在线看| 色婷婷av一区二区三区视频| 欧美 日韩 精品 国产| 欧美精品人与动牲交sv欧美| 老司机深夜福利视频在线观看| a级片在线免费高清观看视频| 一级片免费观看大全| 高清在线国产一区| 热re99久久精品国产66热6| 国产成人精品在线电影| 久久久国产成人精品二区 | 日韩三级视频一区二区三区| 欧美精品av麻豆av| 精品久久蜜臀av无| 一区二区三区激情视频| 久久久久久久久久久久大奶| 在线十欧美十亚洲十日本专区| 国产三级黄色录像| 久久国产精品人妻蜜桃| 另类亚洲欧美激情| 久久久久国产一级毛片高清牌| 女人被躁到高潮嗷嗷叫费观| 亚洲五月天丁香| 精品国产国语对白av| 日本精品一区二区三区蜜桃| 亚洲欧洲精品一区二区精品久久久| 村上凉子中文字幕在线| 三级毛片av免费| 丰满饥渴人妻一区二区三| 满18在线观看网站| 搡老熟女国产l中国老女人| 深夜精品福利| 成人影院久久| 搡老岳熟女国产| 国产极品粉嫩免费观看在线| 亚洲精品国产区一区二| 91国产中文字幕| 下体分泌物呈黄色| 最近最新中文字幕大全免费视频| 亚洲国产欧美网| 99国产精品免费福利视频| 国产精品欧美亚洲77777| 日本五十路高清| 国产欧美日韩一区二区精品| 欧美精品亚洲一区二区| 高清黄色对白视频在线免费看| 精品卡一卡二卡四卡免费| 日本精品一区二区三区蜜桃| 两个人看的免费小视频| 亚洲成人国产一区在线观看| 国产精品免费大片| 一级a爱片免费观看的视频| 久久久精品国产亚洲av高清涩受| 精品电影一区二区在线| 一级作爱视频免费观看| 久久久久久免费高清国产稀缺| 免费人成视频x8x8入口观看| 亚洲va日本ⅴa欧美va伊人久久| 91成年电影在线观看| 怎么达到女性高潮| 中文字幕人妻丝袜一区二区| 黄色a级毛片大全视频| 国产精品国产av在线观看| 久久精品国产99精品国产亚洲性色 | 操美女的视频在线观看| 午夜免费成人在线视频| 国产成人一区二区三区免费视频网站| 男人舔女人的私密视频| 99香蕉大伊视频| 国产视频一区二区在线看| 亚洲av熟女| 国产亚洲精品一区二区www | 亚洲午夜精品一区,二区,三区| 色94色欧美一区二区| 看免费av毛片| 久久久水蜜桃国产精品网| 久久热在线av| 在线免费观看的www视频| 国产精品久久电影中文字幕 | 黄色片一级片一级黄色片| 老汉色∧v一级毛片| a在线观看视频网站| 九色亚洲精品在线播放| 亚洲aⅴ乱码一区二区在线播放 | 国产欧美日韩一区二区三| 欧美一级毛片孕妇| 99re在线观看精品视频| 欧美日韩亚洲国产一区二区在线观看 | 国产男女超爽视频在线观看| 久久精品国产综合久久久| 99在线人妻在线中文字幕 | 久久中文字幕人妻熟女| 韩国av一区二区三区四区| 视频区欧美日本亚洲| 国产99久久九九免费精品| 人妻一区二区av| www.熟女人妻精品国产| av视频免费观看在线观看| 亚洲国产中文字幕在线视频| 两个人免费观看高清视频| 777米奇影视久久| 久久国产乱子伦精品免费另类| 国产麻豆69| 一进一出抽搐gif免费好疼 | 精品高清国产在线一区| 成人免费观看视频高清| 99久久99久久久精品蜜桃| 五月开心婷婷网| 国精品久久久久久国模美| 中文字幕人妻丝袜一区二区| av国产精品久久久久影院| 国产精品二区激情视频| 脱女人内裤的视频| 日韩熟女老妇一区二区性免费视频| 国产99久久九九免费精品| www.999成人在线观看| 制服人妻中文乱码| 黄片小视频在线播放| 久久ye,这里只有精品| 两个人免费观看高清视频| 午夜成年电影在线免费观看| 久久久精品免费免费高清| 欧美中文综合在线视频| 国产精品国产av在线观看| 成人18禁在线播放| 日韩欧美三级三区| av国产精品久久久久影院| 欧美日本中文国产一区发布| 一级毛片高清免费大全| 极品教师在线免费播放| 亚洲va日本ⅴa欧美va伊人久久| 黄频高清免费视频| 老司机亚洲免费影院| 免费观看人在逋| 老司机深夜福利视频在线观看| 日韩欧美免费精品| 美女国产高潮福利片在线看| 亚洲av日韩在线播放| 热99国产精品久久久久久7| 天堂中文最新版在线下载| 免费在线观看视频国产中文字幕亚洲| 亚洲欧美一区二区三区黑人| a级毛片黄视频| 久久精品国产亚洲av高清一级| 欧美日韩瑟瑟在线播放| 久久精品91无色码中文字幕| 精品国产超薄肉色丝袜足j| 黄片大片在线免费观看| 亚洲精品中文字幕在线视频| bbb黄色大片| 伊人久久大香线蕉亚洲五| 精品无人区乱码1区二区| 午夜免费成人在线视频| 精品欧美一区二区三区在线| 一a级毛片在线观看| 午夜成年电影在线免费观看| 亚洲,欧美精品.| 成人18禁在线播放| 国产精品二区激情视频| 一区二区三区国产精品乱码| 久久人妻福利社区极品人妻图片| 亚洲一区中文字幕在线| 日韩大码丰满熟妇| 少妇粗大呻吟视频| 国产麻豆69| 亚洲成人免费av在线播放| 91麻豆av在线| 一进一出好大好爽视频| 精品久久久久久久久久免费视频 | 51午夜福利影视在线观看| 久久久久国产精品人妻aⅴ院 | 一进一出抽搐gif免费好疼 | av不卡在线播放| 久久精品国产亚洲av高清一级| 成年版毛片免费区| 在线观看免费日韩欧美大片| 久久久久久久国产电影| 两人在一起打扑克的视频| 天天影视国产精品| 欧美精品av麻豆av| 亚洲精品粉嫩美女一区| 国产在视频线精品| a级毛片在线看网站| 国产亚洲精品久久久久久毛片 | 男女午夜视频在线观看| 久久久国产一区二区| 久久精品国产亚洲av香蕉五月 | 99精国产麻豆久久婷婷| 一边摸一边抽搐一进一出视频| 久久久久久久久久久久大奶| 亚洲欧美激情在线| 国产欧美日韩综合在线一区二区| 亚洲av成人av| 窝窝影院91人妻| 人人妻人人澡人人爽人人夜夜| 韩国av一区二区三区四区| 亚洲国产精品一区二区三区在线| 国产精品一区二区在线观看99| 一级毛片高清免费大全| 天堂中文最新版在线下载| 国产精品98久久久久久宅男小说| 男人操女人黄网站| videos熟女内射| 欧美日韩亚洲国产一区二区在线观看 | 香蕉丝袜av| 好看av亚洲va欧美ⅴa在| 男女下面插进去视频免费观看| 变态另类成人亚洲欧美熟女 | 国产精品 国内视频| 变态另类成人亚洲欧美熟女 | 亚洲精品自拍成人| 999精品在线视频| 国产国语露脸激情在线看| 日韩成人在线观看一区二区三区| 黄色丝袜av网址大全| 久久久久精品人妻al黑| 日韩免费高清中文字幕av| 久久久久久久久久久久大奶| 美女视频免费永久观看网站| 十分钟在线观看高清视频www| av欧美777| 黑人欧美特级aaaaaa片| 欧美日韩中文字幕国产精品一区二区三区 | 最近最新中文字幕大全免费视频| 亚洲熟女毛片儿| 99热国产这里只有精品6| 久久国产乱子伦精品免费另类| 欧洲精品卡2卡3卡4卡5卡区| 亚洲男人天堂网一区| av国产精品久久久久影院| 精品国产一区二区三区久久久樱花| 女性被躁到高潮视频| 午夜福利在线观看吧| 婷婷成人精品国产| 首页视频小说图片口味搜索| 国产一卡二卡三卡精品| 在线国产一区二区在线| 一级片免费观看大全| 老司机靠b影院| 亚洲成a人片在线一区二区| avwww免费| 久久人人爽av亚洲精品天堂| 国产精品自产拍在线观看55亚洲 | 一区二区三区精品91| 18禁观看日本| 一级片'在线观看视频| 一本一本久久a久久精品综合妖精| 国产成人精品久久二区二区免费| 欧美精品人与动牲交sv欧美| 女人被躁到高潮嗷嗷叫费观| 精品欧美一区二区三区在线| 欧美黑人欧美精品刺激| 久久精品亚洲精品国产色婷小说| 十八禁人妻一区二区| 韩国精品一区二区三区| 日韩欧美在线二视频 | 香蕉久久夜色| 日韩大码丰满熟妇| 午夜免费成人在线视频| 在线播放国产精品三级| 岛国毛片在线播放| 成年人午夜在线观看视频| 成年人黄色毛片网站| 国产亚洲精品第一综合不卡| 国产精品一区二区在线不卡| 日韩视频一区二区在线观看| 亚洲五月色婷婷综合| 人人妻人人澡人人看| 午夜福利欧美成人| 夜夜躁狠狠躁天天躁| 欧美激情高清一区二区三区| 国产亚洲av高清不卡| 国产精华一区二区三区| 色在线成人网| 国产在线精品亚洲第一网站| 天天添夜夜摸| 在线观看66精品国产| 人人妻人人澡人人看| 在线观看免费视频网站a站| av国产精品久久久久影院| а√天堂www在线а√下载 | 成年女人毛片免费观看观看9 | 国产区一区二久久| 他把我摸到了高潮在线观看| 久久精品国产综合久久久| 免费看十八禁软件| 亚洲少妇的诱惑av| 成人18禁高潮啪啪吃奶动态图| 成在线人永久免费视频| 黄色成人免费大全| 极品人妻少妇av视频| 日韩欧美一区视频在线观看| 一级毛片精品| 亚洲黑人精品在线| 自线自在国产av| 黑人猛操日本美女一级片| 久久久久久久午夜电影 | 热99久久久久精品小说推荐| 精品高清国产在线一区| 1024视频免费在线观看| 日本五十路高清| 91大片在线观看| 国内毛片毛片毛片毛片毛片| 亚洲中文字幕日韩| 国产成人欧美在线观看 | 亚洲专区字幕在线| 中文欧美无线码| 国产在线观看jvid| 99精品在免费线老司机午夜| 亚洲黑人精品在线| 老熟女久久久| 成人18禁高潮啪啪吃奶动态图| 亚洲九九香蕉| 不卡一级毛片| 欧美另类亚洲清纯唯美| 久久久国产精品麻豆| 一级黄色大片毛片| 国产97色在线日韩免费| 免费在线观看完整版高清| 国产精品久久久久成人av| 亚洲色图 男人天堂 中文字幕| 一级a爱片免费观看的视频| 国产99久久九九免费精品| 亚洲黑人精品在线| 国产精品影院久久| 国产精品一区二区在线不卡| 狠狠婷婷综合久久久久久88av| 亚洲精品国产区一区二| 欧美日韩亚洲国产一区二区在线观看 | 精品熟女少妇八av免费久了| 精品人妻在线不人妻| 91在线观看av| 男人的好看免费观看在线视频 | 亚洲国产精品一区二区三区在线| 中文字幕制服av| 丰满人妻熟妇乱又伦精品不卡| 国产av精品麻豆| 激情视频va一区二区三区| 女人被狂操c到高潮| 亚洲熟妇熟女久久| 亚洲专区国产一区二区| 色婷婷av一区二区三区视频| 亚洲成av片中文字幕在线观看| 国产精品国产高清国产av | 亚洲片人在线观看| 9191精品国产免费久久| 欧美成狂野欧美在线观看| 精品国产一区二区三区四区第35| 一级毛片高清免费大全| 超色免费av| 欧美av亚洲av综合av国产av| 啦啦啦在线免费观看视频4| 欧美在线一区亚洲| 欧美 日韩 精品 国产| www.熟女人妻精品国产| 欧美日韩乱码在线| 纯流量卡能插随身wifi吗| 成人18禁在线播放| 免费观看人在逋| 纯流量卡能插随身wifi吗| 中文字幕最新亚洲高清| 日本a在线网址| 自线自在国产av| 黑人欧美特级aaaaaa片| 亚洲黑人精品在线| 国产日韩欧美亚洲二区| 亚洲在线自拍视频| 国产精品av久久久久免费| 黑人巨大精品欧美一区二区mp4| 欧美丝袜亚洲另类 | 国产亚洲精品第一综合不卡| 久久青草综合色| 又大又爽又粗| 99re在线观看精品视频| 久久青草综合色| 99国产精品一区二区蜜桃av |