• <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)

    日韩不卡一区二区三区视频在线| 免费久久久久久久精品成人欧美视频 | 国产成人精品福利久久| 91国产中文字幕| 国产精品三级大全| 少妇人妻精品综合一区二区| tube8黄色片| 丝袜人妻中文字幕| 人成视频在线观看免费观看| 欧美精品人与动牲交sv欧美| 亚洲色图 男人天堂 中文字幕 | 高清不卡的av网站| 久久精品国产综合久久久 | 亚洲第一区二区三区不卡| 男女啪啪激烈高潮av片| 人人妻人人澡人人看| 少妇人妻久久综合中文| 视频区图区小说| 免费不卡的大黄色大毛片视频在线观看| 人人妻人人澡人人看| 久久人人爽人人爽人人片va| 国产精品女同一区二区软件| av卡一久久| 9热在线视频观看99| 99热6这里只有精品| 久久久久久久国产电影| 免费黄频网站在线观看国产| 国产又色又爽无遮挡免| 波野结衣二区三区在线| 18在线观看网站| 日本vs欧美在线观看视频| 成人18禁高潮啪啪吃奶动态图| 亚洲欧美清纯卡通| 精品一区二区三卡| 亚洲一区二区三区欧美精品| 综合色丁香网| 自线自在国产av| av有码第一页| 中国三级夫妇交换| 曰老女人黄片| 97超碰精品成人国产| 日韩av不卡免费在线播放| 亚洲综合色网址| 亚洲综合精品二区| 亚洲精品成人av观看孕妇| 青春草视频在线免费观看| 中文字幕人妻丝袜制服| 国产一区亚洲一区在线观看| 国产老妇伦熟女老妇高清| 天天影视国产精品| 亚洲精品日韩在线中文字幕| 日本av手机在线免费观看| 国产无遮挡羞羞视频在线观看| 亚洲第一av免费看| 亚洲av欧美aⅴ国产| 国产国拍精品亚洲av在线观看| 9191精品国产免费久久| 老女人水多毛片| 全区人妻精品视频| 国产精品免费大片| 丰满饥渴人妻一区二区三| 中国美白少妇内射xxxbb| 欧美日韩成人在线一区二区| 国精品久久久久久国模美| 韩国av在线不卡| 一二三四中文在线观看免费高清| 精品一品国产午夜福利视频| 丝袜喷水一区| 乱人伦中国视频| 日韩欧美一区视频在线观看| 九草在线视频观看| 边亲边吃奶的免费视频| 欧美bdsm另类| 大片电影免费在线观看免费| 一二三四中文在线观看免费高清| 国产免费一区二区三区四区乱码| 99久久精品国产国产毛片| 蜜桃国产av成人99| 久久婷婷青草| 亚洲经典国产精华液单| av在线观看视频网站免费| 日本vs欧美在线观看视频| 精品国产国语对白av| 国产亚洲精品第一综合不卡 | 美女xxoo啪啪120秒动态图| 国产乱来视频区| 宅男免费午夜| 精品国产一区二区久久| 亚洲四区av| 成年动漫av网址| 男女边摸边吃奶| 丰满迷人的少妇在线观看| 亚洲精品中文字幕在线视频| 亚洲av电影在线进入| 2022亚洲国产成人精品| 国产高清不卡午夜福利| 青春草视频在线免费观看| 亚洲精品美女久久av网站| 国产精品 国内视频| 日韩大片免费观看网站| 亚洲综合精品二区| 精品亚洲成国产av| 国产在线免费精品| 免费观看a级毛片全部| 亚洲av电影在线观看一区二区三区| 丰满迷人的少妇在线观看| 国产精品女同一区二区软件| 午夜福利影视在线免费观看| 婷婷色av中文字幕| 亚洲精品久久成人aⅴ小说| 99精国产麻豆久久婷婷| 国产一区二区三区av在线| 国产精品免费大片| 午夜老司机福利剧场| 亚洲av综合色区一区| 久久精品熟女亚洲av麻豆精品| 国产毛片在线视频| 纵有疾风起免费观看全集完整版| 男人操女人黄网站| www.熟女人妻精品国产 | 精品人妻一区二区三区麻豆| 日韩av不卡免费在线播放| 久久热在线av| 日日啪夜夜爽| 日韩一本色道免费dvd| 两个人看的免费小视频| 国产在线一区二区三区精| 制服丝袜香蕉在线| 91在线精品国自产拍蜜月| av线在线观看网站| 亚洲激情五月婷婷啪啪| av卡一久久| 国产精品麻豆人妻色哟哟久久| 人体艺术视频欧美日本| 在线观看国产h片| 丰满饥渴人妻一区二区三| 五月开心婷婷网| 女人精品久久久久毛片| 亚洲欧美一区二区三区国产| 女性生殖器流出的白浆| 欧美少妇被猛烈插入视频| 国产无遮挡羞羞视频在线观看| 久久鲁丝午夜福利片| 草草在线视频免费看| 国产亚洲精品久久久com| 精品人妻在线不人妻| 亚洲色图 男人天堂 中文字幕 | 日韩一区二区视频免费看| 免费高清在线观看视频在线观看| 高清不卡的av网站| av视频免费观看在线观看| 日本午夜av视频| 精品久久久精品久久久| 色5月婷婷丁香| 免费播放大片免费观看视频在线观看| 欧美人与性动交α欧美软件 | 综合色丁香网| 亚洲第一av免费看| 少妇被粗大猛烈的视频| 色婷婷久久久亚洲欧美| a级片在线免费高清观看视频| 男的添女的下面高潮视频| 黄片播放在线免费| 老女人水多毛片| 一级,二级,三级黄色视频| 免费观看性生交大片5| 91成人精品电影| 最近最新中文字幕大全免费视频 | kizo精华| 久久久久久伊人网av| 成年人午夜在线观看视频| 久久av网站| www.色视频.com| 亚洲欧美中文字幕日韩二区| 免费高清在线观看日韩| 亚洲情色 制服丝袜| 韩国精品一区二区三区 | a级毛片黄视频| 久久久久久久亚洲中文字幕| 国产免费又黄又爽又色| 国产精品国产三级国产专区5o| 下体分泌物呈黄色| 91成人精品电影| 国产精品一区二区在线观看99| 美女大奶头黄色视频| 国产男女内射视频| 婷婷色综合www| 精品亚洲成a人片在线观看| 人人妻人人澡人人爽人人夜夜| 国产精品国产三级专区第一集| 有码 亚洲区| 看非洲黑人一级黄片| 激情五月婷婷亚洲| 久久久久精品性色| 日本欧美视频一区| 欧美日韩一区二区视频在线观看视频在线| 亚洲欧美成人综合另类久久久| 国产综合精华液| 三级国产精品片| 精品国产一区二区三区四区第35| 久久亚洲国产成人精品v| 韩国精品一区二区三区 | 免费黄网站久久成人精品| a级片在线免费高清观看视频| 纵有疾风起免费观看全集完整版| 少妇人妻久久综合中文| 午夜老司机福利剧场| 欧美成人午夜免费资源| 亚洲av电影在线进入| 国产欧美日韩综合在线一区二区| 久久午夜综合久久蜜桃| 性色av一级| 在线精品无人区一区二区三| 波多野结衣一区麻豆| 看免费av毛片| 婷婷成人精品国产| 在线天堂中文资源库| 制服诱惑二区| 熟女人妻精品中文字幕| 精品国产一区二区三区久久久樱花| 男女边吃奶边做爰视频| 日本91视频免费播放| 大香蕉久久成人网| 99久久精品国产国产毛片| 亚洲精品美女久久久久99蜜臀 | 午夜视频国产福利| 中国三级夫妇交换| 亚洲婷婷狠狠爱综合网| 一二三四在线观看免费中文在 | 黑人猛操日本美女一级片| 精品卡一卡二卡四卡免费| 久久精品国产a三级三级三级| 人人妻人人爽人人添夜夜欢视频| 日韩一本色道免费dvd| www.熟女人妻精品国产 | 成人毛片a级毛片在线播放| 亚洲国产欧美在线一区| www日本在线高清视频| 夜夜爽夜夜爽视频| 伊人亚洲综合成人网| 精品一区在线观看国产| 99热这里只有是精品在线观看| 国产精品国产av在线观看| 亚洲av欧美aⅴ国产| 精品少妇久久久久久888优播| 亚洲伊人色综图| 免费人妻精品一区二区三区视频| 亚洲四区av| 免费大片黄手机在线观看| 欧美国产精品一级二级三级| 精品亚洲成a人片在线观看| 亚洲色图 男人天堂 中文字幕 | 久久女婷五月综合色啪小说| 亚洲精品久久午夜乱码| a级片在线免费高清观看视频| 免费在线观看黄色视频的| 亚洲五月色婷婷综合| 精品国产露脸久久av麻豆| 久久ye,这里只有精品| 国产高清三级在线| av片东京热男人的天堂| 男人舔女人的私密视频| 男女啪啪激烈高潮av片| 曰老女人黄片| 久久99一区二区三区| 国产1区2区3区精品| 日韩在线高清观看一区二区三区| 中文精品一卡2卡3卡4更新| 女人被躁到高潮嗷嗷叫费观| 亚洲熟女精品中文字幕| 青春草国产在线视频| 日本黄大片高清| 大片免费播放器 马上看| 国产毛片在线视频| 青春草亚洲视频在线观看| 亚洲国产毛片av蜜桃av| 十分钟在线观看高清视频www| 亚洲欧美日韩另类电影网站| 午夜福利在线观看免费完整高清在| 人人妻人人添人人爽欧美一区卜| h视频一区二区三区| 日日撸夜夜添| 黑人巨大精品欧美一区二区蜜桃 | 自线自在国产av| 久久99蜜桃精品久久| 国产精品一区www在线观看| 成人亚洲欧美一区二区av| 9色porny在线观看| 免费看不卡的av| 亚洲av福利一区| 国产乱人偷精品视频| 男人操女人黄网站| 欧美亚洲日本最大视频资源| 国产黄色免费在线视频| 精品一区二区三区视频在线| 国产免费一级a男人的天堂| 王馨瑶露胸无遮挡在线观看| 波野结衣二区三区在线| 亚洲高清免费不卡视频| 日韩熟女老妇一区二区性免费视频| 伦理电影免费视频| 青春草视频在线免费观看| 亚洲av男天堂| 97在线人人人人妻| 精品一区二区免费观看| 高清毛片免费看| 久久99蜜桃精品久久| 狂野欧美激情性bbbbbb| 亚洲一区二区三区欧美精品| 在线免费观看不下载黄p国产| 中文字幕另类日韩欧美亚洲嫩草| 午夜福利视频精品| 日韩熟女老妇一区二区性免费视频| 狂野欧美激情性xxxx在线观看| 免费黄频网站在线观看国产| 一本色道久久久久久精品综合| 侵犯人妻中文字幕一二三四区| 一级毛片黄色毛片免费观看视频| 在线观看免费高清a一片| 亚洲,欧美,日韩| 狂野欧美激情性xxxx在线观看| 午夜影院在线不卡| 国产男人的电影天堂91| 少妇精品久久久久久久| 一本色道久久久久久精品综合| 亚洲国产成人一精品久久久| 中文字幕人妻熟女乱码| 中文字幕免费在线视频6| 久久99精品国语久久久| 热re99久久精品国产66热6| 视频在线观看一区二区三区| 国产黄色视频一区二区在线观看| 高清黄色对白视频在线免费看| 午夜福利视频精品| 久久女婷五月综合色啪小说| 欧美国产精品一级二级三级| 欧美 日韩 精品 国产| 国产无遮挡羞羞视频在线观看| 日韩一区二区三区影片| 免费看不卡的av| 亚洲精品色激情综合| 一级黄片播放器| 女性生殖器流出的白浆| 日本猛色少妇xxxxx猛交久久| 日韩一区二区三区影片| 黑丝袜美女国产一区| 久久午夜综合久久蜜桃| av在线app专区| 欧美亚洲 丝袜 人妻 在线| videossex国产| 亚洲国产精品国产精品| 高清黄色对白视频在线免费看| 大片免费播放器 马上看| 国产白丝娇喘喷水9色精品| 日本爱情动作片www.在线观看| 国产精品国产av在线观看| 97在线视频观看| 秋霞伦理黄片| 久久久久人妻精品一区果冻| 国产成人一区二区在线| 午夜免费鲁丝| 日韩,欧美,国产一区二区三区| 五月伊人婷婷丁香| 国语对白做爰xxxⅹ性视频网站| 国产精品麻豆人妻色哟哟久久| 欧美日韩成人在线一区二区| 国产精品一二三区在线看| 亚洲国产精品一区二区三区在线| 一边亲一边摸免费视频| 久久精品国产鲁丝片午夜精品| 国产 一区精品| 一级黄片播放器| 日产精品乱码卡一卡2卡三| 一二三四在线观看免费中文在 | 精品国产乱码久久久久久小说| 性色av一级| 如日韩欧美国产精品一区二区三区| 美国免费a级毛片| 中文字幕另类日韩欧美亚洲嫩草| 最近手机中文字幕大全| 亚洲国产精品一区二区三区在线| 色婷婷久久久亚洲欧美| 男女边摸边吃奶| 少妇熟女欧美另类| 国产精品一国产av| 自线自在国产av| www.色视频.com| 伊人久久国产一区二区| 大码成人一级视频| 秋霞伦理黄片| 久久人人爽av亚洲精品天堂| 国产一区二区三区综合在线观看 | 美女脱内裤让男人舔精品视频| 亚洲色图综合在线观看| 国产一区二区激情短视频 | 国产一级毛片在线| 又大又黄又爽视频免费| 久久久国产欧美日韩av| 国产激情久久老熟女| 久久这里有精品视频免费| 97在线视频观看| 国产成人午夜福利电影在线观看| 有码 亚洲区| 国产爽快片一区二区三区| 视频在线观看一区二区三区| 欧美人与性动交α欧美软件 | 少妇人妻 视频| 在线 av 中文字幕| 国产在线免费精品| av一本久久久久| 国产精品麻豆人妻色哟哟久久| 亚洲激情五月婷婷啪啪| av电影中文网址| 亚洲中文av在线| 青青草视频在线视频观看| 成年动漫av网址| av免费在线看不卡| 飞空精品影院首页| 亚洲精品日韩在线中文字幕| 热99国产精品久久久久久7| 看十八女毛片水多多多| 久久ye,这里只有精品| 女人被躁到高潮嗷嗷叫费观| freevideosex欧美| a级毛片黄视频| 精品国产露脸久久av麻豆| 日日摸夜夜添夜夜爱| 中国美白少妇内射xxxbb| 欧美另类一区| 美女中出高潮动态图| 亚洲成国产人片在线观看| av线在线观看网站| 99热国产这里只有精品6| 麻豆精品久久久久久蜜桃| 日韩人妻精品一区2区三区| 日本欧美国产在线视频| 日本免费在线观看一区| av国产久精品久网站免费入址| 欧美97在线视频| 国产一区亚洲一区在线观看| 在线观看人妻少妇| 日本wwww免费看| 中文字幕制服av| 中文字幕人妻熟女乱码| 亚洲人与动物交配视频| 久久久久久久久久久久大奶| 热99国产精品久久久久久7| 国产av码专区亚洲av| 9191精品国产免费久久| 黑人欧美特级aaaaaa片| 欧美xxxx性猛交bbbb| 男女免费视频国产| 草草在线视频免费看| 97精品久久久久久久久久精品| h视频一区二区三区| 黑人高潮一二区| 精品亚洲乱码少妇综合久久| 又大又黄又爽视频免费| 在线亚洲精品国产二区图片欧美| 亚洲av国产av综合av卡| 丰满少妇做爰视频| 久久久久久久久久人人人人人人| 亚洲一级一片aⅴ在线观看| 久热久热在线精品观看| 国产黄频视频在线观看| 狂野欧美激情性bbbbbb| 人成视频在线观看免费观看| 亚洲四区av| 中文字幕人妻丝袜制服| 18禁在线无遮挡免费观看视频| 人人妻人人爽人人添夜夜欢视频| 爱豆传媒免费全集在线观看| 涩涩av久久男人的天堂| 极品人妻少妇av视频| 久久久久久久国产电影| 美女主播在线视频| 欧美亚洲日本最大视频资源| 街头女战士在线观看网站| 久久久久国产精品人妻一区二区| 九草在线视频观看| 91在线精品国自产拍蜜月| 欧美人与善性xxx| 久久热在线av| 人人妻人人爽人人添夜夜欢视频| 精品一区在线观看国产| 女人久久www免费人成看片| 夜夜骑夜夜射夜夜干| 精品熟女少妇av免费看| 亚洲综合精品二区| 久久国产精品大桥未久av| 最近中文字幕高清免费大全6| 日本欧美视频一区| 日韩不卡一区二区三区视频在线| 五月开心婷婷网| 最近中文字幕高清免费大全6| 日本欧美视频一区| 国产成人精品婷婷| 青春草视频在线免费观看| 啦啦啦在线观看免费高清www| 丝瓜视频免费看黄片| 成人国产麻豆网| 亚洲图色成人| 日本欧美视频一区| 亚洲精品美女久久久久99蜜臀 | 搡女人真爽免费视频火全软件| 久久久久精品性色| 这个男人来自地球电影免费观看 | 亚洲熟女精品中文字幕| 国产成人aa在线观看| 香蕉丝袜av| 亚洲,一卡二卡三卡| 亚洲,欧美,日韩| av天堂久久9| 亚洲国产日韩一区二区| av国产久精品久网站免费入址| 99精国产麻豆久久婷婷| 久久久久精品性色| 国产极品天堂在线| 亚洲欧美清纯卡通| 免费观看在线日韩| 亚洲国产色片| 男女边摸边吃奶| 黄色视频在线播放观看不卡| 边亲边吃奶的免费视频| 午夜激情av网站| 久久久久久久久久久久大奶| 老司机亚洲免费影院| 边亲边吃奶的免费视频| 欧美日韩av久久| av在线观看视频网站免费| 亚洲av综合色区一区| 美女主播在线视频| 男人舔女人的私密视频| 日本vs欧美在线观看视频| 日本91视频免费播放| 午夜激情久久久久久久| 日韩一区二区视频免费看| 狂野欧美激情性xxxx在线观看| 在线观看免费视频网站a站| 久久久精品94久久精品| 蜜桃在线观看..| 青青草视频在线视频观看| 国产一区二区三区综合在线观看 | 亚洲欧美色中文字幕在线| 少妇的逼好多水| 热99久久久久精品小说推荐| 青春草亚洲视频在线观看| 91精品三级在线观看| 久久 成人 亚洲| 色网站视频免费| 女性被躁到高潮视频| 最新的欧美精品一区二区| 久热久热在线精品观看| 草草在线视频免费看| 免费黄频网站在线观看国产| 免费av中文字幕在线| 成年人免费黄色播放视频| 久久影院123| 五月开心婷婷网| 亚洲欧美清纯卡通| 亚洲av欧美aⅴ国产| 日韩一区二区三区影片| 香蕉国产在线看| 亚洲成人一二三区av| 69精品国产乱码久久久| 亚洲国产欧美日韩在线播放| 亚洲国产精品专区欧美| 国产高清三级在线| 欧美精品国产亚洲| 国产又爽黄色视频| 免费av中文字幕在线| 熟女av电影| 国精品久久久久久国模美| 美女脱内裤让男人舔精品视频| 国语对白做爰xxxⅹ性视频网站| 久久精品人人爽人人爽视色| 18禁在线无遮挡免费观看视频| 亚洲av电影在线进入| 国产精品熟女久久久久浪| 国产精品 国内视频| 如何舔出高潮| 精品一区二区免费观看| 男人添女人高潮全过程视频| 成人漫画全彩无遮挡| 九草在线视频观看| 一本久久精品| 日韩av不卡免费在线播放| 欧美亚洲日本最大视频资源| 欧美日韩精品成人综合77777| 亚洲精品中文字幕在线视频| 久久精品国产自在天天线| 精品亚洲成国产av| 国产亚洲午夜精品一区二区久久| 日韩一区二区视频免费看| 在线观看国产h片| 成人免费观看视频高清| 欧美国产精品va在线观看不卡| 亚洲精品aⅴ在线观看| 激情视频va一区二区三区| 精品一区二区三区四区五区乱码 | 夜夜爽夜夜爽视频| 欧美性感艳星| 久久久久国产网址| 91精品伊人久久大香线蕉| 九九在线视频观看精品| www日本在线高清视频| 日韩av在线免费看完整版不卡| 老司机亚洲免费影院| 蜜臀久久99精品久久宅男| 晚上一个人看的免费电影| 99热网站在线观看| 午夜免费观看性视频| 伦理电影免费视频| 亚洲中文av在线| www日本在线高清视频|