• <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)

    欧美激情国产日韩精品一区| 三上悠亚av全集在线观看| 麻豆乱淫一区二区| 熟妇人妻不卡中文字幕| 精品一品国产午夜福利视频| 久久久久国产网址| 亚洲av中文av极速乱| 免费播放大片免费观看视频在线观看| √禁漫天堂资源中文www| 在线观看免费高清a一片| 欧美国产精品va在线观看不卡| 免费观看无遮挡的男女| 亚洲精品成人av观看孕妇| 老熟女久久久| 亚洲精品一二三| 在线天堂最新版资源| 最新的欧美精品一区二区| 日韩不卡一区二区三区视频在线| 午夜免费鲁丝| 熟女人妻精品中文字幕| 一个人免费看片子| 亚洲中文av在线| 22中文网久久字幕| 欧美精品国产亚洲| 国产免费一区二区三区四区乱码| 欧美3d第一页| 精品视频人人做人人爽| 国产男女超爽视频在线观看| 99香蕉大伊视频| 少妇的逼好多水| 国国产精品蜜臀av免费| 久久国内精品自在自线图片| 久久精品国产a三级三级三级| h视频一区二区三区| 岛国毛片在线播放| 成人手机av| 国产欧美另类精品又又久久亚洲欧美| 国产精品女同一区二区软件| 久久人人爽av亚洲精品天堂| √禁漫天堂资源中文www| 黑人高潮一二区| 丰满乱子伦码专区| 青青草视频在线视频观看| 国产精品久久久久久av不卡| 久久久久人妻精品一区果冻| 日日撸夜夜添| 各种免费的搞黄视频| 老司机影院毛片| 久久久久国产网址| 不卡视频在线观看欧美| 精品少妇黑人巨大在线播放| 五月开心婷婷网| 亚洲精品美女久久av网站| 老司机影院毛片| 日本黄大片高清| 久久99一区二区三区| 色94色欧美一区二区| 看十八女毛片水多多多| 欧美xxⅹ黑人| 免费久久久久久久精品成人欧美视频 | 国产精品一国产av| 91精品国产国语对白视频| 中文字幕亚洲精品专区| 亚洲国产日韩一区二区| 桃花免费在线播放| 99久久精品国产国产毛片| 亚洲国产毛片av蜜桃av| 婷婷色麻豆天堂久久| 激情五月婷婷亚洲| 国产黄色视频一区二区在线观看| 高清视频免费观看一区二区| 久久久久精品久久久久真实原创| 春色校园在线视频观看| 日韩视频在线欧美| 日产精品乱码卡一卡2卡三| 成人影院久久| 欧美成人精品欧美一级黄| 国产探花极品一区二区| 桃花免费在线播放| 中文乱码字字幕精品一区二区三区| 亚洲第一av免费看| 丝袜人妻中文字幕| 国产av国产精品国产| 三上悠亚av全集在线观看| 久久精品人人爽人人爽视色| 啦啦啦在线观看免费高清www| a级毛片黄视频| 免费人成在线观看视频色| 中文天堂在线官网| 综合色丁香网| 久久精品国产a三级三级三级| 九九在线视频观看精品| 亚洲精品乱久久久久久| 狂野欧美激情性bbbbbb| 91精品三级在线观看| av福利片在线| 9191精品国产免费久久| 男女无遮挡免费网站观看| 国产成人精品无人区| 亚洲内射少妇av| 日韩 亚洲 欧美在线| 国产精品国产av在线观看| 大香蕉久久成人网| 一二三四中文在线观看免费高清| 午夜福利视频在线观看免费| 一级,二级,三级黄色视频| 97在线视频观看| 国产亚洲一区二区精品| 国产成人精品在线电影| 一级片'在线观看视频| 黄色视频在线播放观看不卡| 99国产精品免费福利视频| 久久免费观看电影| 欧美国产精品一级二级三级| 日本av手机在线免费观看| 亚洲精华国产精华液的使用体验| 亚洲人与动物交配视频| 视频区图区小说| 波野结衣二区三区在线| 91aial.com中文字幕在线观看| 精品一区二区三区四区五区乱码 | 国产探花极品一区二区| 色网站视频免费| 91午夜精品亚洲一区二区三区| 69精品国产乱码久久久| 国产精品三级大全| 亚洲精品av麻豆狂野| 国产在视频线精品| 亚洲国产色片| 欧美 日韩 精品 国产| 午夜影院在线不卡| 看免费成人av毛片| 永久免费av网站大全| 成人国产麻豆网| 制服诱惑二区| 精品久久久精品久久久| h视频一区二区三区| 蜜臀久久99精品久久宅男| 天美传媒精品一区二区| 日韩制服丝袜自拍偷拍| 久久久久久久久久久久大奶| 男男h啪啪无遮挡| 国产亚洲av片在线观看秒播厂| 满18在线观看网站| 久久久久久久精品精品| 亚洲欧美色中文字幕在线| 欧美精品人与动牲交sv欧美| 一区二区三区四区激情视频| 精品一区二区三卡| 中文字幕人妻熟女乱码| 成年人午夜在线观看视频| 国产午夜精品一二区理论片| 又大又黄又爽视频免费| 国内精品宾馆在线| 亚洲精品美女久久久久99蜜臀 | 精品人妻在线不人妻| 黄片无遮挡物在线观看| 2021少妇久久久久久久久久久| 两个人免费观看高清视频| 两性夫妻黄色片 | 国产精品人妻久久久久久| 日本av免费视频播放| 精品少妇内射三级| 精品一品国产午夜福利视频| 午夜av观看不卡| 黑人欧美特级aaaaaa片| av国产精品久久久久影院| 午夜福利网站1000一区二区三区| 人成视频在线观看免费观看| 亚洲激情五月婷婷啪啪| 欧美日韩精品成人综合77777| av免费在线看不卡| 丰满乱子伦码专区| 嫩草影院入口| 国产精品久久久久久久久免| 午夜影院在线不卡| 黄色配什么色好看| 成人毛片60女人毛片免费| 极品人妻少妇av视频| 久久久精品94久久精品| 日韩欧美精品免费久久| 51国产日韩欧美| 日日啪夜夜爽| 伊人亚洲综合成人网| 成人漫画全彩无遮挡| 内地一区二区视频在线| 欧美日韩成人在线一区二区| 日韩欧美精品免费久久| 日本黄色日本黄色录像| 色哟哟·www| 中文字幕制服av| 亚洲欧美一区二区三区黑人 | 最后的刺客免费高清国语| 亚洲精品久久成人aⅴ小说| 欧美精品一区二区免费开放| 99久国产av精品国产电影| 久久亚洲国产成人精品v| 亚洲美女视频黄频| 三级国产精品片| 免费av不卡在线播放| 九色成人免费人妻av| 中文字幕亚洲精品专区| 永久免费av网站大全| 久久久久久久精品精品| 少妇被粗大的猛进出69影院 | 久久精品久久久久久久性| 欧美日韩综合久久久久久| 91久久精品国产一区二区三区| 狠狠精品人妻久久久久久综合| 成人毛片60女人毛片免费| 久久青草综合色| 国产日韩欧美在线精品| 日韩伦理黄色片| 亚洲精品日本国产第一区| 在线天堂中文资源库| 九色成人免费人妻av| 狠狠精品人妻久久久久久综合| 欧美精品人与动牲交sv欧美| 一级毛片我不卡| 亚洲性久久影院| 亚洲一级一片aⅴ在线观看| 久久久精品区二区三区| 天天躁夜夜躁狠狠久久av| 丝袜美足系列| 伦精品一区二区三区| 成人国产av品久久久| 最近中文字幕高清免费大全6| 国产色婷婷99| 桃花免费在线播放| 九九爱精品视频在线观看| 亚洲av中文av极速乱| av电影中文网址| 99国产精品免费福利视频| 国产成人精品婷婷| 乱人伦中国视频| 日韩人妻精品一区2区三区| 精品少妇内射三级| 久久av网站| 成人国语在线视频| 亚洲国产成人一精品久久久| 日韩一本色道免费dvd| 国精品久久久久久国模美| 久久精品熟女亚洲av麻豆精品| 日本色播在线视频| 秋霞在线观看毛片| 成人毛片60女人毛片免费| 伦理电影免费视频| 欧美97在线视频| 中文字幕人妻熟女乱码| 妹子高潮喷水视频| 欧美日韩成人在线一区二区| 欧美xxxx性猛交bbbb| 99国产综合亚洲精品| 美女xxoo啪啪120秒动态图| 一级爰片在线观看| 亚洲综合色惰| 晚上一个人看的免费电影| 久久99一区二区三区| 日日爽夜夜爽网站| 久久精品国产亚洲av涩爱| 九色成人免费人妻av| av线在线观看网站| 观看av在线不卡| 少妇人妻精品综合一区二区| 亚洲,欧美精品.| 狠狠婷婷综合久久久久久88av| 久久精品国产a三级三级三级| 国产av一区二区精品久久| 午夜福利网站1000一区二区三区| 狠狠婷婷综合久久久久久88av| 美女国产视频在线观看| 高清不卡的av网站| 乱人伦中国视频| 蜜臀久久99精品久久宅男| 老司机影院成人| av有码第一页| 啦啦啦中文免费视频观看日本| 成年女人在线观看亚洲视频| 欧美精品国产亚洲| 国产日韩欧美在线精品| 少妇的丰满在线观看| 18禁动态无遮挡网站| 丝袜人妻中文字幕| 99热6这里只有精品| 男女免费视频国产| 亚洲av免费高清在线观看| 亚洲中文av在线| 精品第一国产精品| 中国美白少妇内射xxxbb| 中文精品一卡2卡3卡4更新| 韩国精品一区二区三区 | 人妻系列 视频| 天天操日日干夜夜撸| 欧美日韩国产mv在线观看视频| 欧美激情国产日韩精品一区| 久久人人爽av亚洲精品天堂| 国产毛片在线视频| 亚洲情色 制服丝袜| 在线观看免费视频网站a站| 18禁裸乳无遮挡动漫免费视频| 午夜精品国产一区二区电影| 婷婷色麻豆天堂久久| 亚洲国产色片| 精品福利永久在线观看| 下体分泌物呈黄色| 美女大奶头黄色视频| 一级毛片我不卡| 亚洲中文av在线| 观看美女的网站| 少妇的逼水好多| xxx大片免费视频| 亚洲国产精品国产精品| 一区二区av电影网| 欧美 日韩 精品 国产| 中文字幕人妻熟女乱码| 热re99久久精品国产66热6| 国产有黄有色有爽视频| 国产免费一区二区三区四区乱码| 成人免费观看视频高清| 天堂8中文在线网| 考比视频在线观看| 欧美精品国产亚洲| 日韩电影二区| 最近最新中文字幕免费大全7| 久久久久久久国产电影| 国产欧美日韩综合在线一区二区| 晚上一个人看的免费电影| 丝袜人妻中文字幕| 久久韩国三级中文字幕| 久久精品久久久久久久性| 夜夜骑夜夜射夜夜干| 成人午夜精彩视频在线观看| 男女免费视频国产| 黑人高潮一二区| 91精品国产国语对白视频| 男女午夜视频在线观看 | 国产精品欧美亚洲77777| 久久久久久人人人人人| 天堂中文最新版在线下载| 国产精品女同一区二区软件| 欧美丝袜亚洲另类| 国产熟女欧美一区二区| 中文字幕最新亚洲高清| 久久久久久久国产电影| 亚洲一码二码三码区别大吗| 国国产精品蜜臀av免费| 一边摸一边做爽爽视频免费| 久久国产精品大桥未久av| 国产片内射在线| av黄色大香蕉| 丝袜人妻中文字幕| 午夜福利影视在线免费观看| 午夜福利在线观看免费完整高清在| 午夜91福利影院| 久久国产精品大桥未久av| 在线观看美女被高潮喷水网站| 人妻 亚洲 视频| 自拍欧美九色日韩亚洲蝌蚪91| 国产日韩欧美在线精品| 五月玫瑰六月丁香| 久久婷婷青草| 久久ye,这里只有精品| 久久国产精品男人的天堂亚洲 | 日韩在线高清观看一区二区三区| 9色porny在线观看| 欧美日本中文国产一区发布| 免费久久久久久久精品成人欧美视频 | 在线观看一区二区三区激情| 久久久国产一区二区| 男人添女人高潮全过程视频| 黑人猛操日本美女一级片| 成人午夜精彩视频在线观看| 在线观看国产h片| 亚洲精品一二三| 青春草亚洲视频在线观看| 国产又色又爽无遮挡免| 天堂8中文在线网| 精品人妻熟女毛片av久久网站| 日本av手机在线免费观看| 久久精品国产亚洲av涩爱| 看免费av毛片| 五月开心婷婷网| 中文字幕av电影在线播放| 女人久久www免费人成看片| 黄色毛片三级朝国网站| 亚洲av电影在线进入| 欧美日韩国产mv在线观看视频| 在线天堂最新版资源| 人妻人人澡人人爽人人| 成年美女黄网站色视频大全免费| 熟女人妻精品中文字幕| 国产精品偷伦视频观看了| 丰满饥渴人妻一区二区三| 国产一区二区三区av在线| 热re99久久精品国产66热6| 成人黄色视频免费在线看| 在线亚洲精品国产二区图片欧美| 亚洲综合色惰| 日韩电影二区| 成人漫画全彩无遮挡| 91精品三级在线观看| 日日爽夜夜爽网站| 全区人妻精品视频| 97人妻天天添夜夜摸| 久久久亚洲精品成人影院| 久久久久国产精品人妻一区二区| 如日韩欧美国产精品一区二区三区| 亚洲av综合色区一区| 日本色播在线视频| 精品人妻一区二区三区麻豆| 五月玫瑰六月丁香| 国产精品人妻久久久久久| 国产综合精华液| 国产一区二区三区综合在线观看 | 欧美xxⅹ黑人| 亚洲欧美日韩另类电影网站| 日本午夜av视频| 中文字幕免费在线视频6| 亚洲国产精品专区欧美| 美女中出高潮动态图| 丰满乱子伦码专区| 捣出白浆h1v1| 王馨瑶露胸无遮挡在线观看| 成年美女黄网站色视频大全免费| 少妇人妻精品综合一区二区| 观看av在线不卡| 丝瓜视频免费看黄片| 色吧在线观看| 考比视频在线观看| 亚洲 欧美一区二区三区| 免费av不卡在线播放| 亚洲av免费高清在线观看| 久久久亚洲精品成人影院| 建设人人有责人人尽责人人享有的| 91aial.com中文字幕在线观看| 在线亚洲精品国产二区图片欧美| 成人国语在线视频| av视频免费观看在线观看| 国产日韩一区二区三区精品不卡| 成人免费观看视频高清| 欧美国产精品va在线观看不卡| 日韩人妻精品一区2区三区| 性色av一级| 国产欧美日韩综合在线一区二区| 少妇精品久久久久久久| 久久ye,这里只有精品| 亚洲精品美女久久av网站| 9191精品国产免费久久| 中文天堂在线官网| 国产一级毛片在线| 一级毛片 在线播放| 精品一品国产午夜福利视频| 日韩成人av中文字幕在线观看| 国产精品一区二区在线观看99| 亚洲av免费高清在线观看| 午夜日本视频在线| 熟妇人妻不卡中文字幕| 欧美精品国产亚洲| 欧美+日韩+精品| 精品国产国语对白av| 边亲边吃奶的免费视频| 婷婷色av中文字幕| 少妇人妻久久综合中文| 成年动漫av网址| 国产综合精华液| 夫妻性生交免费视频一级片| 蜜臀久久99精品久久宅男| 丝袜在线中文字幕| 日日撸夜夜添| 国产又色又爽无遮挡免| 午夜福利视频精品| 纵有疾风起免费观看全集完整版| 另类精品久久| 日韩大片免费观看网站| 蜜桃在线观看..| 精品少妇久久久久久888优播| 色网站视频免费| 午夜激情av网站| 午夜av观看不卡| 免费黄网站久久成人精品| 日韩大片免费观看网站| 少妇被粗大的猛进出69影院 | 欧美老熟妇乱子伦牲交| 18禁在线无遮挡免费观看视频| 纵有疾风起免费观看全集完整版| 欧美3d第一页| 一本—道久久a久久精品蜜桃钙片| h视频一区二区三区| xxxhd国产人妻xxx| 亚洲熟女精品中文字幕| 国产亚洲精品第一综合不卡 | 亚洲成av片中文字幕在线观看 | 侵犯人妻中文字幕一二三四区| 日韩视频在线欧美| 亚洲精品乱久久久久久| 新久久久久国产一级毛片| 爱豆传媒免费全集在线观看| 国产精品麻豆人妻色哟哟久久| 精品午夜福利在线看| 久久狼人影院| 九色成人免费人妻av| 久久久精品免费免费高清| 国产视频首页在线观看| 久久精品熟女亚洲av麻豆精品| 免费av中文字幕在线| 午夜视频国产福利| 久久午夜综合久久蜜桃| 宅男免费午夜| 天美传媒精品一区二区| 国产在线免费精品| 大片免费播放器 马上看| 九九在线视频观看精品| 高清欧美精品videossex| 日本-黄色视频高清免费观看| 久久久久网色| 男女啪啪激烈高潮av片| 国产精品国产三级国产专区5o| 欧美精品一区二区免费开放| 晚上一个人看的免费电影| 人人妻人人澡人人看| 久久精品国产亚洲av天美| 99久久中文字幕三级久久日本| 精品亚洲成a人片在线观看| 99热网站在线观看| 韩国精品一区二区三区 | 丝瓜视频免费看黄片| 少妇人妻久久综合中文| 乱码一卡2卡4卡精品| 国产成人免费观看mmmm| 老女人水多毛片| 日韩中文字幕视频在线看片| 亚洲国产毛片av蜜桃av| 在线观看三级黄色| 久久婷婷青草| 成人影院久久| 亚洲成av片中文字幕在线观看 | 国产精品免费大片| 久久毛片免费看一区二区三区| 亚洲欧洲精品一区二区精品久久久 | 在线观看免费日韩欧美大片| 久久久久久久大尺度免费视频| 日本wwww免费看| 巨乳人妻的诱惑在线观看| 久久久国产一区二区| 久久毛片免费看一区二区三区| 免费av中文字幕在线| 欧美激情 高清一区二区三区| 男人操女人黄网站| 国产老妇伦熟女老妇高清| 一级片免费观看大全| 下体分泌物呈黄色| 1024视频免费在线观看| 在线观看www视频免费| 日本色播在线视频| 亚洲国产成人一精品久久久| 久久久久精品久久久久真实原创| 99久久人妻综合| 日韩三级伦理在线观看| 巨乳人妻的诱惑在线观看| 免费av中文字幕在线| 国产成人一区二区在线| 久久精品久久精品一区二区三区| 在线精品无人区一区二区三| 天堂8中文在线网| 女性生殖器流出的白浆| 性色avwww在线观看| 亚洲欧美精品自产自拍| 日韩 亚洲 欧美在线| 两性夫妻黄色片 | 欧美日韩综合久久久久久| 国产老妇伦熟女老妇高清| 这个男人来自地球电影免费观看 | √禁漫天堂资源中文www| 亚洲,欧美精品.| 91在线精品国自产拍蜜月| 久久久久久久久久人人人人人人| 国内精品宾馆在线| 满18在线观看网站| 超碰97精品在线观看| 国产亚洲欧美精品永久| 国产精品一区二区在线观看99| 青春草国产在线视频| 一本色道久久久久久精品综合| 在线精品无人区一区二区三| av女优亚洲男人天堂| 精品久久久久久电影网| 宅男免费午夜| 老司机影院成人| 精品国产一区二区久久| a级片在线免费高清观看视频| 99久久精品国产国产毛片| 少妇被粗大猛烈的视频| 久久久精品免费免费高清| 一区二区三区乱码不卡18| 国产熟女午夜一区二区三区| 成人午夜精彩视频在线观看| av电影中文网址| 中文字幕人妻熟女乱码| 国产精品人妻久久久久久| 亚洲四区av| 亚洲av成人精品一二三区| 18+在线观看网站| 国产精品熟女久久久久浪| 国产国语露脸激情在线看| 国产伦理片在线播放av一区| a级毛片黄视频| 美女国产视频在线观看| 亚洲精品美女久久av网站| 侵犯人妻中文字幕一二三四区| 国产欧美另类精品又又久久亚洲欧美| av有码第一页| 韩国高清视频一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av电影在线进入| 亚洲精品456在线播放app|