• <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IG-DNN混合決策算法的糖尿病預(yù)測(cè)研究

    2019-10-15 02:21盧春城黃理燦劉靖雯
    軟件導(dǎo)刊 2019年8期

    盧春城 黃理燦 劉靖雯

    摘 要:糖尿病患者人數(shù)眾多,對(duì)人的健康危害極大,盡早預(yù)測(cè)是否患有糖尿病是降低糖尿病死亡率的關(guān)鍵。基于IG-DNN混合決策算法進(jìn)行糖尿病預(yù)測(cè)模型研究,其中糖尿病數(shù)據(jù)集來(lái)源于UCI機(jī)器學(xué)習(xí)庫(kù)—PIDD。PIDD包括768個(gè)記錄,每條記錄包含8個(gè)屬性。首先應(yīng)用信息增益方法(IG)將屬性減少到5個(gè),然后將其應(yīng)用于DNN作為輸入。該方法分類(lèi)準(zhǔn)確度達(dá)到88.3%,效果優(yōu)于之前的大部分研究成果。

    關(guān)鍵詞:糖尿病預(yù)測(cè)模型; PIDD; 信息增益(IG);深度神經(jīng)網(wǎng)絡(luò)(DNN)

    DOI:10. 11907/rjdk. 182845 開(kāi)放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):

    中圖分類(lèi)號(hào):TP301文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2019)008-0021-05

    Research on Diabetes Hybrid Decision Algorithm Based on IG-DNN

    LU Chun-cheng, HUANG Li-can, LIU Jing-wen

    (School of Information Science and Technology, Zhejiang Sci-tech University, Hangzhou 310018, China)

    Abstract: A large number of patients suffer from diabetes which is extremely harmful to peoples health, and early prediction of diabetes is the key to reducing diabetes mortality. Machine learning algorithms are often used to build diabetes prediction models. In this paper, a hybrid decision algorithm based on IG-DNN is proposed. The diabetes dataset was derived from the UCI machine learning library, PIDD. The PIDD consists of 768 records, each of which contains 8 attributes. The proposed new method first applies the information gain method (IG) to reduce the attribute to 5 and then applies it to the DNN as input. The classification accuracy of the proposed new method is 88.3%, which is better than most previous research results.

    Key Words: diabetes prediction model; PIDD; information gain; deep neural network

    作者簡(jiǎn)介:盧春城(1992-),男,浙江理工大學(xué)信息學(xué)院碩士研究生,研究方向?yàn)閿?shù)據(jù)挖掘;黃理燦(1962-),男,浙江理工大學(xué)信息學(xué)院教授、碩士生導(dǎo)師,研究方向?yàn)榉植际接?jì)算、下一代網(wǎng)絡(luò);劉靖雯(1995-),女,浙江理工大學(xué)信息學(xué)院碩士研究生,研究方向?yàn)闄C(jī)器學(xué)習(xí)。

    0 引言

    糖尿病、高血壓、心腦血管疾病被稱(chēng)為21世紀(jì)威脅人類(lèi)健康的3大殺手 [1-2]。據(jù)統(tǒng)計(jì),我國(guó)是全球糖尿病人數(shù)最多的國(guó)家,2017年糖尿病人數(shù)為1.14億,預(yù)計(jì)到2045年將達(dá)到 1.5億左右[3]。因此,糖尿病研究對(duì)于大眾身體健康具有十分重要的意義。

    當(dāng)前應(yīng)用于糖尿病預(yù)測(cè)模型的建模方式主要有兩類(lèi):一類(lèi)以統(tǒng)計(jì)學(xué)為基礎(chǔ),主要包含Logistic回歸、Cox回歸等方法;另一類(lèi)以機(jī)器學(xué)習(xí)算法為主,模型搭建方法主要有K近鄰算法(KNN)、決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等[4-7]。這些方法各有優(yōu)勢(shì)以及不足,如人工神經(jīng)網(wǎng)絡(luò)模型有整體性、并行性、較高的容錯(cuò)性等特點(diǎn),但存在對(duì)隨機(jī)性和波動(dòng)性較大的數(shù)據(jù)預(yù)測(cè)精度差等劣勢(shì)。建立糖尿病及其并發(fā)癥預(yù)測(cè)模型必須考慮各個(gè)危險(xiǎn)因素間的非線(xiàn)性作用,上述算法對(duì)復(fù)雜函數(shù)的表達(dá)能力有限,或多或少會(huì)受到制約[8-9]。

    隨著深度學(xué)習(xí)技術(shù)的發(fā)展,其強(qiáng)大的特征提取和學(xué)習(xí)能力越來(lái)越多地應(yīng)用到疾病預(yù)測(cè)領(lǐng)域[10-12]。

    劉飛等[13]利用MRI圖像作為CNN輸入,提高了I型糖尿病患者和II型糖尿病患者的分類(lèi)準(zhǔn)確率,實(shí)現(xiàn)了對(duì)糖尿病患者M(jìn)RI圖像的分類(lèi)識(shí)別。

    Andre Esteva等[14]利用CNN訓(xùn)練129 450張臨床皮膚癌圖像,取得了與皮膚癌專(zhuān)家相當(dāng)?shù)脑\斷性能,表明人工智能與皮膚科醫(yī)生水平相當(dāng)。

    相對(duì)于其它淺層機(jī)器學(xué)習(xí)方法,深度學(xué)習(xí)技術(shù)能夠提高疾病預(yù)測(cè)模型的準(zhǔn)確率,而之前利用深度學(xué)習(xí)搭建的糖尿病預(yù)測(cè)模型相對(duì)較少。本文嘗試將深度神經(jīng)網(wǎng)絡(luò)(DNN)應(yīng)用于糖尿病診斷預(yù)測(cè)并進(jìn)行相應(yīng)的性能評(píng)估。

    1 數(shù)據(jù)集與研究方法

    1.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文研究所用糖尿病數(shù)據(jù)來(lái)源于UCI,全稱(chēng)皮馬印第安人糖尿病數(shù)據(jù)集(簡(jiǎn)稱(chēng)PIDD)。該數(shù)據(jù)集由美國(guó)國(guó)立糖尿病、消化和腎臟疾病研究所(簡(jiǎn)稱(chēng)NIDDK)收集提供[15]。

    PIDD共768個(gè)樣本,有8個(gè)特征屬性和一個(gè)標(biāo)簽變量,8個(gè)特征屬性含義如下:①懷孕次數(shù)(NP);②在內(nèi)服葡萄糖耐量實(shí)驗(yàn)中兩小時(shí)以后的血漿葡萄糖濃度,本文簡(jiǎn)稱(chēng)為血糖值(英文簡(jiǎn)稱(chēng)PGC);③舒張壓(mm Hg),本文簡(jiǎn)稱(chēng)為血壓(英文簡(jiǎn)稱(chēng)DBP);④三頭肌皮褶厚薄程度(mm),本文簡(jiǎn)稱(chēng)為皮脂厚度(英文簡(jiǎn)稱(chēng)TSFT);⑤2小時(shí)血清胰島素(mu/ml),本文簡(jiǎn)稱(chēng)為胰島素含量(英文簡(jiǎn)稱(chēng)Insulin);⑥體重指數(shù)(英文簡(jiǎn)稱(chēng)BMI);⑦糖尿病譜系功能,本文簡(jiǎn)稱(chēng)為遺傳指數(shù)(英文簡(jiǎn)稱(chēng)DPF);⑧年齡(英文簡(jiǎn)稱(chēng)Age)。

    標(biāo)簽變量值為0和1,其中1代表患有糖尿病,0代表不患有糖尿病。整理成csv文件后數(shù)據(jù)集如表1所示。

    表1 PIDD數(shù)據(jù)集csv樣本格式

    通過(guò)統(tǒng)計(jì)分析,標(biāo)簽值為1的樣本數(shù)量是500個(gè)(占總樣本65.1%),標(biāo)簽值為0的樣本數(shù)總共268個(gè)(占總樣本34.9%)。圖1展示了樣本標(biāo)簽值分布情況。

    圖1 PIDD數(shù)據(jù)集樣本標(biāo)簽值分布

    通過(guò)簡(jiǎn)單計(jì)算可得到PIDD數(shù)據(jù)集的特征值,如表2所示。

    表2 PIDD數(shù)據(jù)集特征值

    1.2 研究方法

    1.2.1 系統(tǒng)總體架構(gòu)

    系統(tǒng)架構(gòu)如圖2所示。

    圖2 總體架構(gòu)

    1.2.2 信息增益(IG)

    數(shù)據(jù)集中每個(gè)屬性都具有特定的等級(jí)和重要性,為評(píng)估每個(gè)屬性的重要性,通過(guò)衡量其相對(duì)于其它屬性的增益比得到評(píng)估價(jià)值。信息增益算法通過(guò)估計(jì)經(jīng)驗(yàn)熵和經(jīng)驗(yàn)條件熵之間的差異獲取信息增益(X,Y),算法如下:

    輸入:X,Y(其中X和Y被認(rèn)為是離散變量);輸出:信息增益InfoGain(X,Y)。

    其中X的經(jīng)驗(yàn)熵表示如下:

    [Entropy(X)=-xP(X)log2P(X)]? ? ? ? ? (1)

    這里P(X)表示X的概率函數(shù),或離散變量取某值的概率。Y獲得的關(guān)于X的經(jīng)驗(yàn)條件熵表示如下:

    [Entropy(X|Y)=-VP(Y)Entropy(X|Y)=]

    [-YP(Y)Entropy(X|Y)log2P(X|Y)]? ? (2)

    信息增益是信息熵的差,即X的經(jīng)驗(yàn)熵和Y的后熵的差,表示在消除不確定后獲得的信息量,如式(3)所示。

    [InfoGain(X;Y)=Entropy(X)-Entropy(X|Y)]? (3)

    特征的信息增益越大說(shuō)明熵的變化越大,熵變化越大越有利于分類(lèi)。信息增益體現(xiàn)了特征的重要性,信息增益越大說(shuō)明特征越重要。

    1.2.3 深度神經(jīng)網(wǎng)絡(luò)(DNN)

    深度神經(jīng)網(wǎng)絡(luò)(DNN)是研究深度學(xué)習(xí)的基礎(chǔ),而要理解DNN則先要理解DNN模型。

    DNN模型是由感知機(jī)模型發(fā)展起來(lái)的,它是一個(gè)有若干輸入和一個(gè)輸出的模型,如圖3所示。

    圖3 感知機(jī)模型

    輸入和輸出之間學(xué)習(xí)到一個(gè)線(xiàn)性關(guān)系,得到中間輸出結(jié)果如公式(4)所示。

    [z=i=1mwixi+b]? ? ? ? ? ? ?(4)

    神經(jīng)元激活函數(shù)如公式(5)所示。

    [sign(z)=-1? z<01? ? ?z0]? ? ? ? ? ? (5)

    從而得到想要的輸出結(jié)果1或者-1。

    這個(gè)模型只能用于二元分類(lèi),且無(wú)法學(xué)習(xí)比較復(fù)雜的非線(xiàn)性模型,因此在工業(yè)界無(wú)法使用。而神經(jīng)網(wǎng)絡(luò)在感知機(jī)模型上作了擴(kuò)展,總結(jié)主要有3點(diǎn):①加入了隱藏層,隱藏層可以有多層,增強(qiáng)了模型的表達(dá)能力;②輸出層的神經(jīng)元也可以不止一個(gè)輸出,可以有多個(gè)輸出,這樣模型可以靈活應(yīng)用于分類(lèi)回歸以及其它機(jī)器學(xué)習(xí)領(lǐng)域,如降維和聚類(lèi)等;③對(duì)激活函數(shù)作擴(kuò)展,感知機(jī)的激活函數(shù)是[sign(z)],雖然簡(jiǎn)單但是處理能力有限,因此神經(jīng)網(wǎng)絡(luò)中一般使用其它激活函數(shù),比如在卷積神經(jīng)網(wǎng)絡(luò)里使用的Softmax函數(shù),如公式(6)所示。

    [σ(z)j=ezjk=1Kezk]? ? ? ? ? ? ? (6)

    還有后來(lái)出現(xiàn)的[tanx、ReLU]等。

    神經(jīng)網(wǎng)絡(luò)基于感知機(jī)擴(kuò)展,而DNN可以理解為有很多隱藏層的神經(jīng)網(wǎng)絡(luò)。從DNN按不同層的位置劃分,DNN內(nèi)部神經(jīng)網(wǎng)絡(luò)層可分為3類(lèi):輸入層(input layer)、隱藏層(hidden layer)和輸出層(output layer),如圖4所示。

    圖4 DNN結(jié)構(gòu)

    1.2.4 糖尿病預(yù)測(cè)模型評(píng)價(jià)標(biāo)準(zhǔn)

    本文對(duì)糖尿病模型的性能評(píng)估主要采用準(zhǔn)確度、靈敏度和特異度指標(biāo)。評(píng)價(jià)靈敏度和特異度,要用到混淆矩陣定義,如表3所示。

    表3 混淆矩陣定義

    [分類(lèi)\&模型預(yù)測(cè)患?。?模型預(yù)測(cè)未患?。?實(shí)際患?。?TP\&FN\&實(shí)際未患?。?FP\&TN\&]

    從表3中可以得出4種情況:①在測(cè)試集中,當(dāng)患有糖尿病的病人經(jīng)過(guò)模型被預(yù)測(cè)為糖尿病患者時(shí),即是真正類(lèi)(TP);②若患有糖尿病的病人被診斷為未患有糖尿病,即是假正類(lèi)(FN);③當(dāng)未患有糖尿病的病人經(jīng)過(guò)模型被診斷為未患有糖尿病時(shí),即是真負(fù)類(lèi)(FP);④若未患病的病人被診斷為患有糖尿病則為假負(fù)類(lèi)(TN)[16]。

    準(zhǔn)確度通常用Acc表示,計(jì)算公式如下:

    [Acc=TP+TNTP+FN+TN+FP]? ? ? ? (7)

    靈敏度通常用Sen表示,計(jì)算公式如下:

    [Sen=TPTP+FN]? ? ? ? ? ? ?(8)

    特異度通常用Spe表示,計(jì)算公式如下:

    [Spe=TNTN+FP]? ? ? ? ? ? ?(9)

    上面3個(gè)指標(biāo)能夠客觀(guān)分析評(píng)估模型,在醫(yī)學(xué)、數(shù)據(jù)挖掘和模型識(shí)別等領(lǐng)域應(yīng)用廣泛。

    2 實(shí)驗(yàn)步驟

    2.1 PIDD糖尿病數(shù)據(jù)集

    本文的數(shù)據(jù)集來(lái)自UCI皮馬印第安人糖尿病數(shù)據(jù)集(PIDD),整理為csv文件如表4所示。

    表4 PIDD csv格式

    2.2 特征選擇及預(yù)處理

    特征選擇和預(yù)處理采用信息增益算法(IG),一般一個(gè)屬性的熵越大,它能夠給分類(lèi)系統(tǒng)帶來(lái)的信息量就越大,這樣就可以選擇重要性較高的屬性。weka中PIDD信息增益值折線(xiàn)如圖5所示。

    從圖5可以看出,糖尿病數(shù)據(jù)集的屬性信息增益值在屬性TSFT處出現(xiàn)拐點(diǎn),取top5屬性后的數(shù)據(jù)集如表5所示。

    圖5 信息增益折線(xiàn)

    表5 新數(shù)據(jù)集csv格式

    2.3 訓(xùn)練集和測(cè)試集劃分

    考慮到DNN模型訓(xùn)練需要大量數(shù)據(jù)集,本文劃分90%作為訓(xùn)練集,共691個(gè)樣本,剩下的10%作為測(cè)試集,共77個(gè)樣本。

    將訓(xùn)練集數(shù)據(jù)整理成csv文件格式如表6所示。

    表6 訓(xùn)練集數(shù)據(jù)格式

    表6中,691代表訓(xùn)練集個(gè)數(shù),5代表經(jīng)過(guò)特征選擇后剩下的屬性。

    2.4 使用DNN構(gòu)造糖尿病分類(lèi)器

    利用TensorFlow搭建DNN分類(lèi)器,通過(guò)不斷調(diào)整DNN參數(shù),得到層數(shù)對(duì)照試驗(yàn)數(shù)據(jù)如表7所示(步長(zhǎng)? ? ? ? 3 200)。

    從表7可以看出,當(dāng)隱藏層為10,20,40,40,20,10時(shí),DNN模型預(yù)測(cè)準(zhǔn)確率最高。

    3 結(jié)果分析

    經(jīng)過(guò)IG—DNN模型分析,得到當(dāng)隱藏層為6層時(shí),獲得模型分類(lèi)準(zhǔn)確率最高,為88.31%。如圖6所示。

    表7 層數(shù)對(duì)比試驗(yàn)數(shù)據(jù)

    圖6 IG-DNN準(zhǔn)確率

    圖7 混淆矩陣

    最后,通過(guò)Python畫(huà)出的混淆矩陣如圖7所示。從圖7可以得到:實(shí)際類(lèi)型是1、預(yù)測(cè)類(lèi)型是0的樣本數(shù)是4,實(shí)際類(lèi)型是1、預(yù)測(cè)為1的樣本數(shù)是46;同時(shí),實(shí)際類(lèi)型是0預(yù)測(cè)類(lèi)型是1的樣本個(gè)數(shù)是5,實(shí)際類(lèi)型是0預(yù)測(cè)類(lèi)型是0的樣本個(gè)數(shù)是22。

    通過(guò)計(jì)算,相應(yīng)的靈敏度(Sen)和特異度(Spe)分別是:0.92、0.81,見(jiàn)表8。

    表8 IG-DNN算法結(jié)果評(píng)估

    [準(zhǔn)確率(%)\&靈敏度\&特異度\&88.3\&0.92\&0.81\&]

    本文獲得的分類(lèi)準(zhǔn)確度和PIDD數(shù)據(jù)集的其它研究最佳值對(duì)比結(jié)果見(jiàn)表9。

    表9 IG-DNN算法結(jié)果對(duì)比

    4 結(jié)語(yǔ)

    本文主要研究了基于IG-DNN混合決策算法在糖尿病預(yù)測(cè)分類(lèi)中的效果。實(shí)驗(yàn)結(jié)果表明:通過(guò)此方法可以獲得高達(dá)88.3%準(zhǔn)確率,而且能夠獲得較高的特異值和靈敏度。但本文存在的不足之處是PIDD數(shù)據(jù)集特征屬性并不一定完全適用于中國(guó)人,后期需要制定中國(guó)人自己的糖尿病指標(biāo)。將來(lái)可與醫(yī)院合作收集更多的糖尿病病例數(shù)據(jù),嘗試?yán)肐G-DNN訓(xùn)練出更好的模型,從而獲得更高的準(zhǔn)確率。

    參考文獻(xiàn):

    [1] 廖涌. 中國(guó)糖尿病的流行病學(xué)現(xiàn)狀及展望[J]. 重慶醫(yī)科大學(xué)學(xué)報(bào),2015(7):1042-1045.

    [2] 潘長(zhǎng)玉. 中國(guó)糖尿病控制現(xiàn)狀——指南與實(shí)踐的差距,亞洲糖尿病治療現(xiàn)狀調(diào)查1998,2001及2003年中國(guó)區(qū)結(jié)果介紹[J]. 國(guó)際內(nèi)分泌代謝雜志,2005, 25(3):174-178.

    [3] 周海龍,楊曉妍,潘曉平,等. 中國(guó)人群糖尿病疾病負(fù)擔(dān)的系統(tǒng)評(píng)價(jià)[J]. 中國(guó)循證醫(yī)學(xué)雜志,2014(12):1442-1449.

    [4] 徐先明,吳海龍,劉軒,等. 一種機(jī)器學(xué)習(xí)妊娠期糖尿病發(fā)病風(fēng)險(xiǎn)及病情程度預(yù)測(cè)系統(tǒng)[P]. 中國(guó),CN106446595A 2017-02-22.

    [5] LI Y,WANG X Z,HUA Q. Using BP-network to construct fuzzy decision tree with composite attributes[C].International Conference on Machine Learning and Cybernetics. IEEE, 2004:1791-1795.

    [6] 馬瑾,孫穎,劉尚輝. 決策樹(shù)模型在住院2型糖尿病患者死因預(yù)測(cè)中的應(yīng)用[J]. 中國(guó)衛(wèi)生統(tǒng)計(jì), 2013, 30(3):422-423.

    [7] 李劍,吳清鋒,李舒梅. 數(shù)據(jù)挖掘技術(shù)在2型糖尿病風(fēng)險(xiǎn)評(píng)估模型中的應(yīng)用[J]. 贛南醫(yī)學(xué)院學(xué)報(bào),2014(6):974-977.

    [8] SUDHA S. Disease prediction in data mining technique-a survey[J]. International Journal of Computer Applications & Information Technology, 2013, 2(1):189-195.

    [9] SMITH J W,EVERHART J E,DICKSON W C,et al. Using the adaptive learning algorithm to forcast the onset of diabetes mellitus[J]. Proc Annu Symp Comput Appl Med Care, 1988(10):261-265.

    [10] LECUN Y,BENGIO Y,HINTON G. Deep learning[J]. Nature, 2015 (7553):436-521.

    [11] 吳邦華,黃海瑩,姚強(qiáng), 等. 大數(shù)據(jù)及人工智能方法在妊娠期糖尿病預(yù)測(cè)的應(yīng)用[J]. 中國(guó)衛(wèi)生信息管理雜志,2017(6):96-99.

    [12] 王威,李郁,張文娟,等.深度學(xué)習(xí)技術(shù)在疾病診斷中的應(yīng)用[J].第二軍醫(yī)大學(xué)學(xué)報(bào),2018,39(8):852-858.

    [13] 劉飛,張俊然,楊豪.基于深度學(xué)習(xí)的糖尿病患者的分類(lèi)識(shí)別[J].計(jì)算機(jī)應(yīng)用,2018,38(S1):39-43.

    [14] ESTEVA A,KUPREL B,NOVOA R A,et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature,2017 (8423):214-221.

    [15] 李桂花,孔祥恩,張春天. 胰島素與辛伐他汀合用治療早期糖尿病腎病42例臨床觀(guān)察[J]. 中國(guó)實(shí)用內(nèi)科雜志,2007(1):154-159.

    [16] 狄曉敏,謝紅薇. 多疾病共同危險(xiǎn)因素挖掘與MARS預(yù)測(cè)模型研究[J]. 計(jì)算機(jī)應(yīng)用與軟件,2013(10):36-40.

    [17] WU J,DIAO Y B,LI M L, et al. A semi-supervised learning based method: Laplacian support vector machine used in diabetes disease diagnosis[J]. Interdisciplinary Sciences Computational Life Sciences, 2009, 1(2):151-155.

    [18] TEMURTAS H,YUMUSAK N,TEMURTAS F. A comparative study on diabetes disease diagnosis using neural networks[J]. Expert Systems with Applications, 2009, 36(4):8610-8615.

    [19] TOMAR D,AGARWAL S. Hybrid feature selection based weighted least squares twin support vector machine approach for diagnosing breast cancer, hepatitis, and diabetes[M]. Hindawi Publishing Corp,2015.

    [20] HAYASHI Y,YUKITA S. Rule extraction using recursive-rule extraction algorithm with j48graft combined with sampling selection techniques for the diagnosis of type 2 diabetes mellitus in the Pima Indian dataset[J]. Informatics in Medicine Unlocked, 2016(2):92-100.

    (責(zé)任編輯:杜能鋼)

    av电影中文网址| 中文字幕人妻丝袜制服| 欧美精品一区二区大全| 日本vs欧美在线观看视频| 制服人妻中文乱码| 亚洲三区欧美一区| 久久毛片免费看一区二区三区| 成在线人永久免费视频| 男人操女人黄网站| 人人澡人人妻人| 日韩 亚洲 欧美在线| 午夜福利视频在线观看免费| 国产高清不卡午夜福利| 国产极品粉嫩免费观看在线| 国产成人免费无遮挡视频| 建设人人有责人人尽责人人享有的| 亚洲欧美色中文字幕在线| 色94色欧美一区二区| 波多野结衣一区麻豆| 亚洲国产中文字幕在线视频| 下体分泌物呈黄色| 一区福利在线观看| 精品福利永久在线观看| 亚洲欧洲日产国产| 亚洲专区国产一区二区| 欧美老熟妇乱子伦牲交| 婷婷色麻豆天堂久久| 777米奇影视久久| 人妻人人澡人人爽人人| 亚洲成人免费av在线播放| 成人亚洲精品一区在线观看| bbb黄色大片| 久久久久久久精品精品| 亚洲专区中文字幕在线| 国产成人精品在线电影| 99久久精品国产亚洲精品| 高清不卡的av网站| 国产女主播在线喷水免费视频网站| 国产精品秋霞免费鲁丝片| 国产99久久九九免费精品| 在线观看www视频免费| 考比视频在线观看| 丝袜人妻中文字幕| 久久人人爽av亚洲精品天堂| 亚洲国产欧美日韩在线播放| 成人亚洲精品一区在线观看| 国产97色在线日韩免费| 亚洲成人手机| 精品亚洲成a人片在线观看| 久久久国产精品麻豆| av福利片在线| 91精品国产国语对白视频| 老汉色∧v一级毛片| 欧美激情 高清一区二区三区| 亚洲激情五月婷婷啪啪| 亚洲国产精品一区三区| 每晚都被弄得嗷嗷叫到高潮| 人人妻人人澡人人爽人人夜夜| 婷婷色综合大香蕉| 大片免费播放器 马上看| 久久精品久久久久久久性| 91麻豆精品激情在线观看国产 | 狠狠婷婷综合久久久久久88av| 久久这里只有精品19| 日日爽夜夜爽网站| 人人妻,人人澡人人爽秒播 | 久久久精品国产亚洲av高清涩受| 免费一级毛片在线播放高清视频 | av天堂久久9| 精品少妇一区二区三区视频日本电影| 亚洲第一青青草原| 国产极品粉嫩免费观看在线| 国产在视频线精品| 日韩视频在线欧美| 欧美亚洲 丝袜 人妻 在线| 久久午夜综合久久蜜桃| 飞空精品影院首页| 黑丝袜美女国产一区| 国产国语露脸激情在线看| 美女福利国产在线| 免费少妇av软件| 最近最新中文字幕大全免费视频 | 亚洲精品美女久久久久99蜜臀 | 国产成人系列免费观看| 日韩人妻精品一区2区三区| 国产成人啪精品午夜网站| 国产精品99久久99久久久不卡| 一区二区日韩欧美中文字幕| 久9热在线精品视频| 日日夜夜操网爽| 久久人人97超碰香蕉20202| 亚洲成色77777| 性少妇av在线| 亚洲欧美中文字幕日韩二区| 男女床上黄色一级片免费看| 色婷婷av一区二区三区视频| 曰老女人黄片| 老汉色av国产亚洲站长工具| 亚洲av男天堂| 久久久久国产精品人妻一区二区| 看免费成人av毛片| 一本—道久久a久久精品蜜桃钙片| 欧美国产精品va在线观看不卡| 精品一区二区三卡| 男人操女人黄网站| 久久精品亚洲熟妇少妇任你| 亚洲国产精品999| 麻豆国产av国片精品| 免费一级毛片在线播放高清视频 | 午夜视频精品福利| 最近中文字幕2019免费版| av又黄又爽大尺度在线免费看| 亚洲午夜精品一区,二区,三区| 亚洲人成网站在线观看播放| 麻豆国产av国片精品| 亚洲av片天天在线观看| 久久狼人影院| 久久九九热精品免费| 久久精品久久精品一区二区三区| 欧美精品高潮呻吟av久久| 伊人亚洲综合成人网| 国产人伦9x9x在线观看| 成年av动漫网址| 国产av精品麻豆| 亚洲综合色网址| 水蜜桃什么品种好| 精品少妇黑人巨大在线播放| 国产97色在线日韩免费| 亚洲三区欧美一区| 成人亚洲精品一区在线观看| 丰满人妻熟妇乱又伦精品不卡| 国产精品一二三区在线看| 国产在线视频一区二区| 777米奇影视久久| 精品少妇一区二区三区视频日本电影| 欧美激情极品国产一区二区三区| 日韩av免费高清视频| 精品少妇一区二区三区视频日本电影| 天天添夜夜摸| 亚洲精品国产色婷婷电影| 久久久精品区二区三区| 一级毛片黄色毛片免费观看视频| 2018国产大陆天天弄谢| 老汉色∧v一级毛片| 亚洲av电影在线进入| 久久久久国产一级毛片高清牌| 狂野欧美激情性bbbbbb| 亚洲av电影在线进入| 啦啦啦在线观看免费高清www| 国产精品免费视频内射| 波野结衣二区三区在线| www.精华液| 亚洲欧美激情在线| 美女脱内裤让男人舔精品视频| 2018国产大陆天天弄谢| 日韩制服丝袜自拍偷拍| 天天操日日干夜夜撸| 久久热在线av| 午夜影院在线不卡| 麻豆国产av国片精品| 一级毛片我不卡| 欧美97在线视频| 欧美亚洲 丝袜 人妻 在线| 真人做人爱边吃奶动态| 久久国产精品男人的天堂亚洲| 1024视频免费在线观看| 欧美日韩国产mv在线观看视频| 亚洲国产看品久久| 国产国语露脸激情在线看| 欧美精品啪啪一区二区三区 | 久久性视频一级片| 日本欧美国产在线视频| 人妻一区二区av| 午夜老司机福利片| 下体分泌物呈黄色| 久久国产精品大桥未久av| 亚洲国产中文字幕在线视频| 男人舔女人的私密视频| 日韩av在线免费看完整版不卡| 亚洲精品久久午夜乱码| 国产真人三级小视频在线观看| 欧美日韩成人在线一区二区| 91精品伊人久久大香线蕉| 精品视频人人做人人爽| 欧美人与性动交α欧美精品济南到| 高清不卡的av网站| 日韩电影二区| 老司机午夜十八禁免费视频| 黄网站色视频无遮挡免费观看| 成人亚洲精品一区在线观看| 黑人欧美特级aaaaaa片| 日韩视频在线欧美| 老司机午夜十八禁免费视频| 亚洲欧美激情在线| 大型av网站在线播放| 久久99热这里只频精品6学生| 无遮挡黄片免费观看| 亚洲精品久久久久久婷婷小说| 精品卡一卡二卡四卡免费| 精品国产一区二区三区四区第35| 婷婷色综合大香蕉| 99热全是精品| 夫妻性生交免费视频一级片| 伦理电影免费视频| 欧美97在线视频| 日本午夜av视频| 成年人午夜在线观看视频| 亚洲伊人久久精品综合| 亚洲精品一卡2卡三卡4卡5卡 | 国产女主播在线喷水免费视频网站| xxxhd国产人妻xxx| 另类亚洲欧美激情| av又黄又爽大尺度在线免费看| 久久久精品区二区三区| 亚洲黑人精品在线| 天天躁日日躁夜夜躁夜夜| 黄片小视频在线播放| 国产成人免费观看mmmm| 晚上一个人看的免费电影| cao死你这个sao货| 女人爽到高潮嗷嗷叫在线视频| 国产av一区二区精品久久| 久久这里只有精品19| 久久久久国产精品人妻一区二区| 免费高清在线观看日韩| 国产99久久九九免费精品| 亚洲精品国产av蜜桃| 黄色一级大片看看| 婷婷色麻豆天堂久久| kizo精华| 国产一区二区三区av在线| 天天躁日日躁夜夜躁夜夜| 热99国产精品久久久久久7| 99久久人妻综合| 在线天堂中文资源库| 亚洲伊人久久精品综合| 王馨瑶露胸无遮挡在线观看| 亚洲av综合色区一区| 80岁老熟妇乱子伦牲交| 18在线观看网站| 丁香六月欧美| 97在线人人人人妻| 99国产精品一区二区蜜桃av | 不卡av一区二区三区| 成人午夜精彩视频在线观看| 成人手机av| 高清不卡的av网站| 亚洲国产毛片av蜜桃av| 亚洲成色77777| av又黄又爽大尺度在线免费看| 一二三四在线观看免费中文在| 久久久精品免费免费高清| 欧美日韩成人在线一区二区| 脱女人内裤的视频| 亚洲av成人不卡在线观看播放网 | 一区二区三区精品91| 一区二区三区四区激情视频| 丝瓜视频免费看黄片| 亚洲九九香蕉| 午夜激情久久久久久久| 欧美成人午夜精品| 高清视频免费观看一区二区| 麻豆国产av国片精品| 精品久久久精品久久久| 在线观看免费视频网站a站| 国产成人影院久久av| 亚洲欧美日韩高清在线视频 | 91老司机精品| 精品国产超薄肉色丝袜足j| 欧美日本中文国产一区发布| 午夜av观看不卡| 国产成人a∨麻豆精品| 精品亚洲成a人片在线观看| 欧美精品一区二区大全| 人人澡人人妻人| 午夜免费成人在线视频| 最近最新中文字幕大全免费视频 | 久久久久久免费高清国产稀缺| 亚洲成人国产一区在线观看 | 一级毛片女人18水好多 | 成年人免费黄色播放视频| 国产一区二区在线观看av| 美国免费a级毛片| 国产真人三级小视频在线观看| 中国美女看黄片| 夫妻午夜视频| 欧美日韩亚洲高清精品| 考比视频在线观看| 成人手机av| 久久ye,这里只有精品| 日韩中文字幕欧美一区二区 | 色视频在线一区二区三区| www.自偷自拍.com| 精品国产乱码久久久久久男人| 国产精品 欧美亚洲| 欧美成人精品欧美一级黄| 大陆偷拍与自拍| 免费久久久久久久精品成人欧美视频| 日韩 亚洲 欧美在线| 欧美人与善性xxx| 午夜老司机福利片| 国语对白做爰xxxⅹ性视频网站| 美女中出高潮动态图| 只有这里有精品99| 久久国产亚洲av麻豆专区| av天堂在线播放| 日韩av不卡免费在线播放| 国产片特级美女逼逼视频| 人妻 亚洲 视频| 欧美日韩一级在线毛片| 老司机深夜福利视频在线观看 | 欧美人与善性xxx| 菩萨蛮人人尽说江南好唐韦庄| 一边摸一边抽搐一进一出视频| 91麻豆精品激情在线观看国产 | av视频免费观看在线观看| 国产女主播在线喷水免费视频网站| www.熟女人妻精品国产| 国产成人欧美| 成人亚洲精品一区在线观看| 啦啦啦在线观看免费高清www| 另类精品久久| 欧美日韩亚洲综合一区二区三区_| 午夜激情久久久久久久| 日韩一区二区三区影片| 国产男女超爽视频在线观看| 亚洲欧洲日产国产| 免费在线观看影片大全网站 | 2018国产大陆天天弄谢| 婷婷成人精品国产| 亚洲人成77777在线视频| 亚洲精品国产一区二区精华液| 久久精品久久久久久久性| 午夜福利在线免费观看网站| 国产激情久久老熟女| 妹子高潮喷水视频| 最近中文字幕2019免费版| 夫妻午夜视频| 亚洲精品国产av蜜桃| 久久99一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 人人妻,人人澡人人爽秒播 | 精品一区在线观看国产| 免费在线观看影片大全网站 | 大片电影免费在线观看免费| 激情视频va一区二区三区| 精品久久久久久久毛片微露脸 | 操出白浆在线播放| 婷婷色综合www| 久久毛片免费看一区二区三区| 国产欧美日韩综合在线一区二区| 色婷婷久久久亚洲欧美| 欧美人与善性xxx| 国产精品亚洲av一区麻豆| 秋霞在线观看毛片| 波野结衣二区三区在线| 国产精品 欧美亚洲| 亚洲成人免费电影在线观看 | netflix在线观看网站| 国产主播在线观看一区二区 | 欧美成人精品欧美一级黄| 国产成人精品在线电影| 免费av中文字幕在线| 天天躁夜夜躁狠狠躁躁| 高清黄色对白视频在线免费看| 久久久久久久久免费视频了| 亚洲国产毛片av蜜桃av| 国产黄频视频在线观看| 一本久久精品| 人妻一区二区av| 两人在一起打扑克的视频| 一级黄片播放器| 亚洲九九香蕉| 久久人人爽av亚洲精品天堂| 欧美av亚洲av综合av国产av| 国产黄频视频在线观看| 婷婷色综合www| 亚洲精品美女久久久久99蜜臀 | 一个人免费看片子| 欧美日韩成人在线一区二区| 中文字幕精品免费在线观看视频| 久久av网站| 91麻豆av在线| 午夜精品国产一区二区电影| 大型av网站在线播放| 少妇猛男粗大的猛烈进出视频| 少妇被粗大的猛进出69影院| 亚洲国产av影院在线观看| 国产精品一二三区在线看| 国产精品av久久久久免费| 久久热在线av| 国产一区有黄有色的免费视频| 两性夫妻黄色片| 免费在线观看视频国产中文字幕亚洲 | 国产精品亚洲av一区麻豆| 亚洲三区欧美一区| 国产高清不卡午夜福利| 国产高清videossex| 午夜免费成人在线视频| 亚洲人成电影观看| 夜夜骑夜夜射夜夜干| 男女床上黄色一级片免费看| 国产成人91sexporn| 一区二区三区激情视频| 一级毛片黄色毛片免费观看视频| 黄色怎么调成土黄色| 国产日韩欧美在线精品| 两性夫妻黄色片| 午夜激情av网站| 色网站视频免费| 久久影院123| 巨乳人妻的诱惑在线观看| 69精品国产乱码久久久| 九色亚洲精品在线播放| 午夜福利免费观看在线| 亚洲国产精品一区三区| 少妇精品久久久久久久| 亚洲天堂av无毛| 手机成人av网站| 国产精品一区二区在线观看99| 精品一区在线观看国产| 丁香六月天网| 亚洲熟女精品中文字幕| 老司机在亚洲福利影院| 成人亚洲精品一区在线观看| 50天的宝宝边吃奶边哭怎么回事| 中文字幕亚洲精品专区| 日韩一本色道免费dvd| 99国产精品99久久久久| 日韩欧美一区视频在线观看| 国产精品秋霞免费鲁丝片| 一区二区三区激情视频| 男女免费视频国产| 91精品伊人久久大香线蕉| 亚洲天堂av无毛| www.熟女人妻精品国产| 日本91视频免费播放| 在线观看免费午夜福利视频| 久热爱精品视频在线9| 性色av乱码一区二区三区2| 日日摸夜夜添夜夜爱| 亚洲视频免费观看视频| 亚洲国产欧美在线一区| 好男人电影高清在线观看| 青草久久国产| 97人妻天天添夜夜摸| 香蕉丝袜av| 亚洲,一卡二卡三卡| 熟女av电影| 日韩av免费高清视频| 新久久久久国产一级毛片| 国产欧美日韩综合在线一区二区| 久久人人爽人人片av| 中文字幕人妻丝袜制服| 高清不卡的av网站| 高清视频免费观看一区二区| 亚洲欧洲日产国产| 国产成人系列免费观看| 国产欧美日韩综合在线一区二区| 一边摸一边做爽爽视频免费| 国产亚洲精品久久久久5区| 亚洲成人手机| 国产欧美日韩精品亚洲av| 国产视频首页在线观看| 亚洲国产看品久久| 一级毛片 在线播放| 嫩草影视91久久| 观看av在线不卡| 另类精品久久| 国产成人影院久久av| 欧美日韩精品网址| 美女脱内裤让男人舔精品视频| 日日摸夜夜添夜夜爱| 男女床上黄色一级片免费看| svipshipincom国产片| 国产日韩欧美亚洲二区| 免费在线观看黄色视频的| 亚洲av综合色区一区| 免费高清在线观看视频在线观看| 亚洲午夜精品一区,二区,三区| 性色av乱码一区二区三区2| 精品国产国语对白av| 五月开心婷婷网| av在线播放精品| 欧美黄色片欧美黄色片| svipshipincom国产片| 日韩电影二区| 色综合欧美亚洲国产小说| 午夜免费成人在线视频| 亚洲人成电影免费在线| 蜜桃国产av成人99| 国产成人影院久久av| 精品福利观看| 男女下面插进去视频免费观看| 婷婷色综合www| 久久女婷五月综合色啪小说| 国精品久久久久久国模美| 精品人妻熟女毛片av久久网站| 国产片内射在线| 国产精品久久久人人做人人爽| 国产一区亚洲一区在线观看| 午夜免费成人在线视频| 国产麻豆69| 韩国精品一区二区三区| 日韩伦理黄色片| 纯流量卡能插随身wifi吗| 日本色播在线视频| 国产一级毛片在线| 亚洲一卡2卡3卡4卡5卡精品中文| 蜜桃国产av成人99| 欧美成狂野欧美在线观看| 建设人人有责人人尽责人人享有的| 亚洲精品日韩在线中文字幕| 下体分泌物呈黄色| 精品福利永久在线观看| 美女国产高潮福利片在线看| 男女免费视频国产| 欧美国产精品va在线观看不卡| 欧美日韩综合久久久久久| 99国产精品99久久久久| 日韩熟女老妇一区二区性免费视频| 50天的宝宝边吃奶边哭怎么回事| 高清视频免费观看一区二区| 久久综合国产亚洲精品| 黄片小视频在线播放| 久久午夜综合久久蜜桃| 欧美老熟妇乱子伦牲交| 丰满迷人的少妇在线观看| 国产精品国产av在线观看| 国产视频首页在线观看| 久久亚洲国产成人精品v| 搡老乐熟女国产| 久久亚洲国产成人精品v| 欧美大码av| 国产欧美日韩一区二区三 | 老鸭窝网址在线观看| a级毛片黄视频| 母亲3免费完整高清在线观看| 丝袜脚勾引网站| 国产精品 国内视频| 一级a爱视频在线免费观看| 国产精品久久久久久人妻精品电影 | 成人午夜精彩视频在线观看| 中文字幕最新亚洲高清| 久久毛片免费看一区二区三区| 国产人伦9x9x在线观看| a级片在线免费高清观看视频| 久久国产精品人妻蜜桃| 亚洲男人天堂网一区| 久久99热这里只频精品6学生| 在线天堂中文资源库| 久久国产亚洲av麻豆专区| 成在线人永久免费视频| 欧美 亚洲 国产 日韩一| 亚洲黑人精品在线| 少妇 在线观看| 国产精品偷伦视频观看了| 美女视频免费永久观看网站| 欧美日韩一级在线毛片| 亚洲av成人不卡在线观看播放网 | 各种免费的搞黄视频| 免费少妇av软件| 七月丁香在线播放| 久久国产精品男人的天堂亚洲| 熟女少妇亚洲综合色aaa.| 精品人妻在线不人妻| 亚洲国产精品一区三区| 亚洲精品美女久久久久99蜜臀 | 99国产精品免费福利视频| 高潮久久久久久久久久久不卡| 美女高潮到喷水免费观看| 好男人视频免费观看在线| 狠狠婷婷综合久久久久久88av| 国产精品熟女久久久久浪| 色精品久久人妻99蜜桃| 麻豆乱淫一区二区| 欧美日韩视频精品一区| 午夜视频精品福利| 少妇人妻久久综合中文| 国产一区有黄有色的免费视频| 免费久久久久久久精品成人欧美视频| 久久毛片免费看一区二区三区| 欧美日韩视频高清一区二区三区二| 国产在线免费精品| 一级毛片我不卡| 纵有疾风起免费观看全集完整版| 免费在线观看视频国产中文字幕亚洲 | 亚洲少妇的诱惑av| 久久久久久亚洲精品国产蜜桃av| 欧美在线黄色| 一级毛片电影观看| 国产又爽黄色视频| 亚洲av男天堂| 精品亚洲成a人片在线观看| 首页视频小说图片口味搜索 | 一级片免费观看大全| 精品国产超薄肉色丝袜足j| 日韩伦理黄色片| 女人高潮潮喷娇喘18禁视频| 久久久久国产一级毛片高清牌| 一区二区日韩欧美中文字幕| 青青草视频在线视频观看| 看免费成人av毛片| 一本久久精品| 伊人亚洲综合成人网| 欧美日韩黄片免| 国产成人av教育| 国产日韩欧美在线精品| 激情五月婷婷亚洲| 欧美黑人欧美精品刺激| 午夜日韩欧美国产| 国产成人精品久久二区二区91| 国产亚洲av高清不卡| 欧美日韩一级在线毛片| 嫩草影视91久久|