• <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 ?

    一種對fMRI數(shù)據(jù)分類的加權(quán)隨機SVM集群算法

    2019-10-18 02:57:59王志剛胥茜畢夏安
    軟件導刊 2019年9期

    王志剛 胥茜 畢夏安

    摘 要:如何從小樣本、高維度特性的功能磁共振成像(fMRI)數(shù)據(jù)中識別出內(nèi)在的腦區(qū)活動模式,對理解人腦意義重大。隨著模式識別技術(shù)和機器學習算法的發(fā)展,fMRI的分類研究也引起了人們的重視。提出一種對fMRI數(shù)據(jù)分類的加權(quán)隨機SVM集群(WRSVMC)算法。該算法分為兩步,首先通過隨機選擇樣本和特征建立多個SVM,以構(gòu)建集成分類器;然后在投票過程中,對每個SVM賦權(quán)重,以優(yōu)化模型的集成性能。結(jié)合fMRI數(shù)據(jù)和圖論特征,采用WRSVMC算法對輕度認知障礙(MCI)患者數(shù)據(jù)展開分類研究。結(jié)果表明,準確率最高可達87.67%。該方法能幫助醫(yī)師對MCI患者進行輔助診斷。

    關(guān)鍵詞:fMRI分類;加權(quán)隨機SVM集群;圖論特征;輕度認知障礙

    DOI:10. 11907/rjdk. 191824 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP312文獻標識碼:A 文章編號:1672-7800(2019)009-0093-04

    A Weighted Random SVM Cluster Algorithm for Classifying fMRI Data

    WANG Zhi-gang, XU Qian, BI Xia-an

    (College of Information Science and Engineering, Hunan Normal University, Changsha 410081, China)

    Abstract: How to identify intrinsic brain activity patterns from small-sample and high-dimensional functional magnetic resonance imaging (fMRI) data is of great significance for understanding the human brain. With the development of pattern recognition technology and machine learning algorithm, the classification of fMRI has also attracted people's attention. This paper presents a weighted random SVM cluster (WRSVMC) algorithm for fMRI data classification. The algorithm is divided into two steps. Firstly, multiple SVMs are established by randomly selecting samples and features to construct an integrated classifier. Then, in the voting process, each SVM is weighted to optimize the integration performance of the model. Combined with fMRI data and graph theory characteristics, WRSVMC algorithm is used to classify the data of patients with mild cognitive impairment (MCI). The results show that the highest accuracy rate is 87.67%. This method can help doctors diagnose MCI patients.

    Key Words: fMRI classification; weighted random SVM cluster; graph theory characteristics; mild cognitive impairment

    0 引言

    在眾多神經(jīng)影像成像技術(shù)中,fMRI由于其無創(chuàng)傷、無需注射放射性示蹤物以及良好的時間和空間分辨率等優(yōu)點,在腦研究領域得到了廣泛應用。fMRI主要基于血氧水平依賴(Blood Oxygenation Level Dependent,BOLD)對比度增強原理間接反映神經(jīng)元活動,從而創(chuàng)建腦功能活動圖譜。它不僅專注于對大腦組織進行成像,而且能根據(jù)被執(zhí)行的外在刺激任務,跟蹤腦血液流向的不同區(qū)域,從而定位那些能夠?qū)崿F(xiàn)特定腦功能和認知的腦區(qū),為探討高級腦功能和研究腦疾病提供了技術(shù)基礎。

    文獻[1]利用fMRI圖像診斷輕度認知障礙(Mild Cognitive Impairment,MCI)癥狀時,選擇單個體素的BOLD曲線變化率作為數(shù)據(jù)特征并結(jié)合SVM算法進行分類,準確率最高可達75%;文獻[2]運用改進的譜聚類算法提取fMRI數(shù)據(jù)模式特征,再用SVM分類器進行分類,準確率達82%;文獻[3]在AD的fMRI分類研究中,通過使用獨立成分分析方法提取AD和正常認知的組間特征,再利用SVM分類器對AD患者進行識別,平均準確率最高達97.82%;文獻[4]在利用fMRI圖像判別精神抑郁癥時,使用SVM作為分類器,通過粒子種群算法提取最優(yōu)超參數(shù)組合,基于整體測試集的分類準確率可達到84.62%;文獻[5]通過提取BOLD-fMRI信號的獨立成分作為腦功能連接網(wǎng)絡的節(jié)點,用滑動時間窗口構(gòu)建動態(tài)功能網(wǎng)絡,然后將網(wǎng)絡特征輸入到SVM分類器中以識別精神分裂癥患者,準確率高達80.36%。

    Sidhu等[6]在注意缺陷多動障礙(Attention-Deficit Hyperactivity Disorder,ADHD)的分類研究中,基于表型數(shù)據(jù)(年齡、性別、手性、IQ等)和fMRI數(shù)據(jù),通過使用快速傅里葉變換和主成分分析進行降維,并結(jié)合SVM算法對ADHD患者和健康組對照分類,準確率高達76%;Khazaee等[7]對AD的fMRI分類研究中,通過構(gòu)建圖功能連接網(wǎng)絡獲取圖論特征,并將圖論特征輸入到SVM分類器里,在AD患者和正常認知的分類實驗中實現(xiàn)了100%的分類準確率;Sato等[8]在對重度抑郁癥(major depression,MD)的fMRI分類研究中,使用最大熵線性判別分析對MD患者和健康組進行對照識別,留一交叉驗證準確率高達78.26。2018年,F(xiàn)eczko等[9]在對ASD患者的fMRI分類研究中,使用功能隨機森林(Functional Random Forest,F(xiàn)RF)算法對ASD兒童和健康組對照進行分類,準確率達72.7%。

    在基于機器學習(ML)的fMRI應用研究中,SVM由于其特有的小數(shù)據(jù)學習方法、泛化性能強等優(yōu)點而受到廣泛關(guān)注,并在某些疾病的識別上取得了良好效果。但是fMRI圖像數(shù)據(jù)帶有大量噪聲,僅僅依靠單一的SVM模型很難實現(xiàn)穩(wěn)定和準確的分類。因此,傳統(tǒng)ML模型尤其是SVM算法還存在改進空間。

    本文提出的加權(quán)隨機SVM集群(WRSVMC)算法對隨機SVM分類器集群作進一步加權(quán),以提高模型的集成性能,用來提取最優(yōu)特征子集,并進一步檢測引發(fā)疾病的異常腦區(qū),為腦疾病的研究提供新的視角。所采用的靜息態(tài)fMRI數(shù)據(jù)來源于ADNI數(shù)據(jù)庫。

    1 隨機SVM集群簡介

    在研究靜息態(tài)fMRI數(shù)據(jù)構(gòu)成的功能網(wǎng)絡中,一般采用兩兩腦區(qū)時間序列之間的皮爾遜相關(guān)系數(shù),衡量腦區(qū)之間的功能性關(guān)系。近年來,圖論特征也被廣泛應用于fMRI分類。但這兩種特征都因其高維特性而易引發(fā)“維災難”。全面利用小樣本、高維度的fMRI數(shù)據(jù)集,并從中挖掘有意義的信息,是一項非常困難的工作。因此降維是分析的首要任務,傳統(tǒng)的降維技術(shù)有主成分分析(PCA)、等度量映射(Isomap)和線性判別分析(LDA)等,然而降維后會導致部分信息損失,且低維度特征不方便進行解釋。更好的方法是從原始特征中直接提取對算法分類性能具有強影響力的特征,以降低圖像噪聲給判別任務帶來的不利影響。

    SVM模型的數(shù)據(jù)分類表現(xiàn)優(yōu)秀,尤其是小樣本、高維度的fMRI圖像數(shù)據(jù)。但由于高圖像噪聲,單個SVM很難獲得穩(wěn)定、魯棒的泛化能力。2018年,文獻[10]提出了隨機SVM集群(Random SVM Cluster,RSVMC)的思想,運用多個SVM分類器進行組合預測,通過集成學習使得好壞不等的SVM分類器最終形成一個強大的集成分類器,從而獲得比單個SVM更加優(yōu)秀的泛化性能。

    RSVMC雖然解決了單個SVM分類算法中的弊端,也提升了分類準確率,但仍有改進空間。各SVM分類能力不同,其中部分SVM分類效果相對較差,而且采用同等權(quán)重的投票原則,忽略了分類器之間存在的強弱差異,影響了模型整體性能。

    2 加權(quán)隨機SVM集群原理

    2.1 基本原理

    為了提高RSVMC集群中分類能力優(yōu)秀的SVM在投票過程中的影響力,同時降低分類能力欠佳的SVM的作用,通過對不同SVM基分類器進行賦權(quán),最終形成更穩(wěn)定且準確率更高的加權(quán)隨機SVM集群,如圖1所示。

    2.2 實現(xiàn)方法

    在實驗數(shù)據(jù)集D的劃分過程中,將D隨機劃分為測試集Test和訓練驗證合集S,其中,測試集Test用來測試整個新集群的泛化能力。而合集S再被細分為訓練集[Strain]和驗證集[Svalidation],[Strain]用來訓練SVM基分類器,[Svalidation]用來獲取SVM的權(quán)重。在每次訓練SVM基學習器時,都要將合集[S]隨機劃分為[Strain]和[Svalidation],以保持基學習器的多樣性。算法主要分為4個步驟,WRSVMC構(gòu)建流程如圖2所示。

    步驟1:每次訓練SVM時,都要隨機挑選訓練樣本和特征。假設總共有d維特征,根據(jù)經(jīng)驗挑選特征數(shù)[d]。

    步驟2:用訓練集[Strain]訓練SVM基學習器。

    步驟3:用驗證集[Svalidation]獲取SVMs的分類結(jié)果,根據(jù)分類準確率對SVMs進行加權(quán),權(quán)重計算公式為:

    其中,[Tcorrectl]表示驗證集中,被第一個SVM分類正確的樣本數(shù),[TL]是驗證樣本總數(shù)。

    步驟4:將這些加權(quán)SVM分類器進行組合,從而實現(xiàn)加權(quán)集成。

    2.3 性能評價指標

    預測測試集中每一個待分類樣本的類別。首先,將每個樣本通過隨機SVM集群分類器檢測并經(jīng)過加權(quán)統(tǒng)計,屬于a類別的總票數(shù)記為[Sa]:

    其中,[fix]是測試樣本x被第i個SVM預測的結(jié)果,[Ι? ]是指示函數(shù),若測試樣本x被SVM預測為a類,取值為1,否則為0。

    對于新樣本的類別,經(jīng)過加權(quán)后選出票數(shù)最多的類別A作為樣本最終類別:

    由于樣本類別已知,通過對比預測類別和真實類別,可以得到測試集樣本分類正確的樣本數(shù)量,記為[Ttrue],若T為測試樣本總數(shù),則Pre是WRSVMC的分類準確率:

    3 WRSVMC在fMRI中的應用

    按圖論理論將fMRI數(shù)據(jù)構(gòu)建成腦功能網(wǎng)絡?;谧詣咏馄蕵擞洠ˋnatomical Automatic Labeling,AAL)圖譜將大腦劃分為90個腦區(qū),構(gòu)成90個網(wǎng)絡節(jié)點;通過計算節(jié)點之間的皮爾遜相關(guān)系數(shù)得到網(wǎng)絡的邊,這些邊代表靜息狀態(tài)腦區(qū)之間的功能連通性,生成一個90×90的對稱相關(guān)矩陣。用閾值[v∈[1,0]]對矩陣進行二值化處理,如果邊的權(quán)重絕對值大于[v],則邊值為1,否則為0。

    在構(gòu)建好的網(wǎng)絡中分別選取最短路徑、度數(shù)、局部效率和聚類系數(shù)4個局部圖論指標。每個網(wǎng)絡都有4 005條最短路徑特征,其它3個指標各有90個特征,共計4 275個特征用作WRSVMC分類器的原始輸入。

    定義原始實驗樣本集為[Hh,ChNh=1],其中,N為實驗樣本集總數(shù),[Hh=(Hh,1,Hh,2,?,Hh,k)T]為每位被試的k維樣本特征,[Hh,k]表示第h個被試的第k個樣本特征,[Ch∈{+1,-1}]為類別標簽。

    通過特征保留找到400個重要特征,從中提取最優(yōu)特征子集,最后搜尋相關(guān)腦區(qū)。

    在特征保留過程中,首先保留準確率大于50%的SVM基分類器,然后將這些SVM選擇的特征乘上對應的權(quán)重作為特征的權(quán)重系數(shù),記為[Weigthj]:

    將同一維樣本特征的權(quán)重系數(shù)合并,最終篩選出權(quán)重系數(shù)排名前400的特征為重要特征,流程如圖3所示。

    為了篩選出與疾病關(guān)聯(lián)密切的最優(yōu)特征子集,還需對重要特征作進一步優(yōu)化。在保留前q個特征的情況下計算分類準確率,q的取值范圍為[{70,72,?,400}]。最優(yōu)特征子集的個數(shù)為分類準確率最高時所對應的q值。

    異常特征次數(shù)與腦區(qū)頻率是相對應的,在獲得具有強分辨力的異常特征后,可以找到與之關(guān)聯(lián)的異常腦區(qū),其頻率可以用來度量不同腦區(qū)對WRSVMC分類性能的影響。某腦區(qū)的頻率越高,則其對WRSVMC的影響越大,與被研究的腦疾病越相關(guān)。

    4 WRSVMC性能分析

    在同樣環(huán)境下分別用WRSVMC、RSVMC和隨機森林算法對fMRI數(shù)據(jù)進行50次MCI分類對比實驗。從圖4所示的泛化性能對比可以看出,WRSVMC擁有相對較高的分類準確度,其范圍為75%~85%。而RSVMC和隨機森林的準確度范圍相對較低??梢奧RSVMC在MCI分類應用中的準確率更高,整體泛化能力也更好。

    當WRSVMC準確率達到最高時,其SVM基分類器數(shù)目即為最優(yōu)基分類器數(shù)目。將SVM的數(shù)量逐步從20個增加到600個,步長為10,計算在不同基分類器數(shù)量下WRSVMC的分類準確率。從圖5可以看出,隨著基分類器數(shù)目遞增,準確率呈現(xiàn)增加趨勢,在500時達到了83.56%的最高準確率,并趨于穩(wěn)定。因此,500被選為最優(yōu)基分類器數(shù)目。

    5 結(jié)語

    本文將靜息態(tài)fMRI與圖論相結(jié)合,運用WRSVMC算法輔助判別MCI患者。算法不僅可以提高判別準確率,而且可以用于檢測大腦異常區(qū)域,為MCI的診斷提供了有價值的視角。但實驗還存在一定缺陷:由于AAL模板將大腦劃分為90個腦區(qū),對于復雜的大腦而言這種劃分規(guī)模仍然不夠細;4個圖論指標的選定是基于現(xiàn)有文獻進行的,將來應考慮其它重要指標以增強指標的多樣性;實驗采用fMRI數(shù)據(jù),在后續(xù)研究中,可以考慮采用磁共振成像等其它模式數(shù)據(jù),使分類和預測信息更加全面。

    參考文獻:

    [1] 呂艷陽,相潔. 基于SVM的fMRI數(shù)據(jù)分類及MCI診斷應用[J]. 計算機工程與設計,2013,34(9): 3313-3317.

    [2] 趙冬琴,相潔. 基于譜聚類的MCI功能影像分類特征選擇研究[J]. 計算機工程與設計,2014,35(4):1379-1384.

    [3] 楊文璐,李彥. 基于功能磁共振影像的阿爾茨海默病分類研究[J]. 安徽大學學報:自然科學版,2015(3):88-95.

    [4] 張濤,張明輝,李清偉,等. 基于粒子群-支持向量機的時間序列分類診斷模型[J]. 同濟大學學報:自然科學版,2016,44(9): 1450-1457.

    [5] 馬士林,梅雪,李微微. fMRI動態(tài)功能網(wǎng)絡構(gòu)建及其在腦部疾病識別中的應用[J]. 計算機科學,2016,43(10): 317-321.

    [6] SIDHU G,ASGARIAN N,GREINER R,et al. Kernel principal component analysis for dimensionality reduction in fMRI-based diagnosis of ADHD[J]. ?Frontiers in Systems Neuroscience,2012(6): 74.

    [7] KHAZAEE A,EBRAHIMZADEH A,BABAJANI-FEREMI A. Identifying patients with Alzheimer's disease using resting-state fMRI and graph theory[J]. Clinical Neurophysiology,2015,126(11):2132-2141.

    [8] SATO JR,MOLL J,GREEN S, et al. Machine learning algorithm accurately detects fMRI signature of vulnerability to major depression[J]. ?Psychiatry Research: Neuroimaging,2015,233(2):289-291.

    [9] FECZKO E,BALBA N,MIRANDA-DOMINGUEZ O,et al. Subtyping cognitive profiles in autism spectrum disorder using a functional random forest algorithm[J]. Neuroimage,2018,172(12):674-688.

    [10] BI X,JIANG Q,SUN Q,et al. Analysis of Alzheimer's disease based on the random neural network cluster in fMRI[J]. ?Frontiers in Neuroinformatics, 2018(12): 60.

    [11] 張兆晨,冀俊忠. 基于循環(huán)神經(jīng)網(wǎng)絡的時序fMRI數(shù)據(jù)分類方法研究[J]. 小型微型計算機系統(tǒng),2018,39(7):1426-1430.

    [12] IIDAKA T. Resting state functional magnetic resonance imaging and neural network classified autism and control[J]. Cortex, 2015,63: 55-67.

    [13] DESHPANDE G,WANG P,RANGAPRAKASH D,et al. Fully connected cascade artificial neural network architecture for attention deficit hyperactivity disorder classification from functional magnetic resonance imaging data[J]. Ieee Transactions on Cybernetics, 2015, 45(12): 2668-2679.

    [14] SUK H,WEE C,LEE S,et al. State-space model with deep learning for functional dynamics estimation in resting-state fMRI[J]. Neuroimage,2016,129:292-307.

    [15] BI X,WANG Y,SHU Q,et al. Classification of autism spectrum disorder using random support vector machine cluster[J]. ?Frontiers in Genetics,2018(9): 18.

    (責任編輯:孫 娟)

    色老头精品视频在线观看| 日韩 欧美 亚洲 中文字幕| 老汉色av国产亚洲站长工具| 国产色视频综合| 欧美成人免费av一区二区三区| 国产成人精品久久二区二区免费| 少妇粗大呻吟视频| 在线天堂中文资源库| 大香蕉久久成人网| 国产在线精品亚洲第一网站| 亚洲人成网站在线播放欧美日韩| 日韩欧美三级三区| 嫁个100分男人电影在线观看| 国产单亲对白刺激| av电影中文网址| 97碰自拍视频| 免费高清在线观看日韩| 性欧美人与动物交配| 在线国产一区二区在线| 久久人人精品亚洲av| 久久久久久久午夜电影| 国产国语露脸激情在线看| 亚洲欧美日韩高清在线视频| 午夜视频精品福利| 亚洲久久久国产精品| 久久久久九九精品影院| 色av中文字幕| 变态另类成人亚洲欧美熟女| 久热这里只有精品99| 国产高清有码在线观看视频 | 久久精品国产亚洲av高清一级| 非洲黑人性xxxx精品又粗又长| 日韩大尺度精品在线看网址| 麻豆久久精品国产亚洲av| 在线免费观看的www视频| 亚洲精华国产精华精| 精品久久久久久成人av| 国产视频一区二区在线看| 两个人免费观看高清视频| 国产成人精品无人区| 久久草成人影院| 又黄又粗又硬又大视频| 国内揄拍国产精品人妻在线 | 国产99久久九九免费精品| 久久精品91蜜桃| 18禁国产床啪视频网站| 国产熟女午夜一区二区三区| 一级毛片高清免费大全| 亚洲成人精品中文字幕电影| 免费人成视频x8x8入口观看| 精品久久久久久久久久久久久 | 51午夜福利影视在线观看| 欧美丝袜亚洲另类 | 窝窝影院91人妻| 亚洲成人久久性| 长腿黑丝高跟| 欧美日韩一级在线毛片| 搡老熟女国产l中国老女人| 亚洲精品一区av在线观看| 嫩草影院精品99| 97超级碰碰碰精品色视频在线观看| 亚洲国产欧美网| 男人舔奶头视频| 久久久国产精品麻豆| 女警被强在线播放| 熟妇人妻久久中文字幕3abv| 黄色女人牲交| 青草久久国产| 国内精品久久久久精免费| 色哟哟哟哟哟哟| 久久精品影院6| 后天国语完整版免费观看| 黑人欧美特级aaaaaa片| 男人舔女人的私密视频| 国产一区二区三区在线臀色熟女| 久久草成人影院| 欧美日韩瑟瑟在线播放| 久久精品aⅴ一区二区三区四区| 欧美黑人巨大hd| svipshipincom国产片| 国产精品98久久久久久宅男小说| 老汉色av国产亚洲站长工具| 十分钟在线观看高清视频www| 中文字幕精品免费在线观看视频| 香蕉av资源在线| 日韩大码丰满熟妇| 精品久久久久久久久久免费视频| 神马国产精品三级电影在线观看 | 成人国语在线视频| 变态另类成人亚洲欧美熟女| 国产亚洲欧美在线一区二区| 精品欧美国产一区二区三| 欧美成人免费av一区二区三区| 韩国av一区二区三区四区| 国产乱人伦免费视频| 国产高清激情床上av| 一边摸一边抽搐一进一小说| 国产激情偷乱视频一区二区| 亚洲国产看品久久| 亚洲成av人片免费观看| 在线国产一区二区在线| 一区福利在线观看| 别揉我奶头~嗯~啊~动态视频| 精品高清国产在线一区| 免费看a级黄色片| 中文字幕另类日韩欧美亚洲嫩草| 午夜久久久在线观看| 91九色精品人成在线观看| 久久久国产欧美日韩av| 免费女性裸体啪啪无遮挡网站| 成人三级做爰电影| 国产一级毛片七仙女欲春2 | 9191精品国产免费久久| 丁香欧美五月| 给我免费播放毛片高清在线观看| 中文字幕精品亚洲无线码一区 | 精品乱码久久久久久99久播| 非洲黑人性xxxx精品又粗又长| 欧美乱色亚洲激情| 免费电影在线观看免费观看| 国产视频内射| 色老头精品视频在线观看| 精品国产美女av久久久久小说| 香蕉国产在线看| 欧美最黄视频在线播放免费| 无遮挡黄片免费观看| cao死你这个sao货| 可以在线观看毛片的网站| 神马国产精品三级电影在线观看 | 国产激情久久老熟女| 国产精品亚洲一级av第二区| 亚洲人成77777在线视频| www国产在线视频色| 色老头精品视频在线观看| 午夜福利一区二区在线看| 桃红色精品国产亚洲av| 美国免费a级毛片| 国内揄拍国产精品人妻在线 | 手机成人av网站| 黄片小视频在线播放| 国产精品美女特级片免费视频播放器 | 国产一卡二卡三卡精品| 香蕉丝袜av| 亚洲男人的天堂狠狠| 亚洲 欧美 日韩 在线 免费| 老汉色∧v一级毛片| 成人亚洲精品一区在线观看| 国产成人啪精品午夜网站| 亚洲五月色婷婷综合| 久久精品国产清高在天天线| 一级作爱视频免费观看| 欧美绝顶高潮抽搐喷水| 国产蜜桃级精品一区二区三区| 久9热在线精品视频| 亚洲一区二区三区不卡视频| 亚洲久久久国产精品| 老司机午夜十八禁免费视频| 一级黄色大片毛片| 国产一区二区三区在线臀色熟女| 亚洲天堂国产精品一区在线| 村上凉子中文字幕在线| 久9热在线精品视频| 亚洲一区二区三区不卡视频| 国产精品一区二区三区四区久久 | 色哟哟哟哟哟哟| 99国产综合亚洲精品| 美女扒开内裤让男人捅视频| 亚洲 国产 在线| 亚洲七黄色美女视频| 午夜久久久久精精品| 999久久久国产精品视频| 少妇裸体淫交视频免费看高清 | 精品第一国产精品| 黄网站色视频无遮挡免费观看| 天天躁夜夜躁狠狠躁躁| 精品国产乱子伦一区二区三区| 亚洲av五月六月丁香网| 成人三级黄色视频| 精品国产乱码久久久久久男人| 一进一出抽搐动态| 欧美久久黑人一区二区| 亚洲五月色婷婷综合| 国产又爽黄色视频| 嫩草影院精品99| 国产国语露脸激情在线看| 观看免费一级毛片| 亚洲色图av天堂| 搡老岳熟女国产| 亚洲人成77777在线视频| 国产极品粉嫩免费观看在线| 欧美大码av| 激情在线观看视频在线高清| 久久久国产欧美日韩av| 女性生殖器流出的白浆| 欧美日韩福利视频一区二区| 99精品在免费线老司机午夜| 97碰自拍视频| 国产亚洲精品久久久久5区| 亚洲成a人片在线一区二区| 91九色精品人成在线观看| 国产精品亚洲一级av第二区| 久99久视频精品免费| 日本一本二区三区精品| 在线观看66精品国产| 丁香欧美五月| 久久中文字幕一级| 国产激情久久老熟女| 亚洲欧美精品综合一区二区三区| 无遮挡黄片免费观看| 一夜夜www| 国内久久婷婷六月综合欲色啪| 欧美日韩黄片免| 黄色视频不卡| 亚洲成a人片在线一区二区| 久久国产亚洲av麻豆专区| 人人妻,人人澡人人爽秒播| 一个人免费在线观看的高清视频| 特大巨黑吊av在线直播 | 亚洲中文字幕一区二区三区有码在线看 | 又大又爽又粗| 国内久久婷婷六月综合欲色啪| 曰老女人黄片| 亚洲片人在线观看| 免费人成视频x8x8入口观看| √禁漫天堂资源中文www| 白带黄色成豆腐渣| 亚洲激情在线av| www.www免费av| 人人澡人人妻人| 丝袜在线中文字幕| 久久久水蜜桃国产精品网| 在线观看免费午夜福利视频| 可以在线观看毛片的网站| 97碰自拍视频| 69av精品久久久久久| 午夜成年电影在线免费观看| 99久久久亚洲精品蜜臀av| 色播亚洲综合网| 午夜日韩欧美国产| 中文字幕人妻丝袜一区二区| 在线播放国产精品三级| 亚洲精品在线美女| 亚洲熟妇熟女久久| 欧美人与性动交α欧美精品济南到| 91老司机精品| 亚洲aⅴ乱码一区二区在线播放 | 淫妇啪啪啪对白视频| 免费在线观看影片大全网站| 久久久久久国产a免费观看| 日韩高清综合在线| 在线看三级毛片| 丁香六月欧美| 此物有八面人人有两片| 日本免费a在线| 两人在一起打扑克的视频| 中文字幕av电影在线播放| 不卡一级毛片| 久久久久亚洲av毛片大全| 国产成人av激情在线播放| 成年版毛片免费区| 日韩 欧美 亚洲 中文字幕| 亚洲av熟女| 美女扒开内裤让男人捅视频| av免费在线观看网站| 国产精品免费一区二区三区在线| 午夜精品在线福利| 国产精品野战在线观看| 亚洲真实伦在线观看| 国内毛片毛片毛片毛片毛片| 久久久久国产一级毛片高清牌| 激情在线观看视频在线高清| 午夜免费观看网址| 午夜精品久久久久久毛片777| 亚洲午夜理论影院| 2021天堂中文幕一二区在线观 | 日韩大尺度精品在线看网址| 99国产极品粉嫩在线观看| 51午夜福利影视在线观看| 级片在线观看| 成人国产一区最新在线观看| 欧美日韩亚洲综合一区二区三区_| 成人亚洲精品av一区二区| 精品少妇一区二区三区视频日本电影| 欧美zozozo另类| 久久精品国产综合久久久| 免费高清视频大片| www.熟女人妻精品国产| 国产av一区二区精品久久| 最新在线观看一区二区三区| 一区二区三区高清视频在线| 麻豆国产av国片精品| 激情在线观看视频在线高清| 亚洲av熟女| 美国免费a级毛片| 国产一区二区激情短视频| 欧美大码av| 久久精品夜夜夜夜夜久久蜜豆 | 一本精品99久久精品77| 少妇被粗大的猛进出69影院| 午夜久久久在线观看| 久久国产乱子伦精品免费另类| 国产精品美女特级片免费视频播放器 | 午夜成年电影在线免费观看| av欧美777| 成人国语在线视频| 日韩成人在线观看一区二区三区| 桃色一区二区三区在线观看| 男人舔奶头视频| 亚洲一卡2卡3卡4卡5卡精品中文| 悠悠久久av| 午夜福利视频1000在线观看| 欧美三级亚洲精品| 免费看十八禁软件| 侵犯人妻中文字幕一二三四区| 黄频高清免费视频| 中文字幕精品免费在线观看视频| 制服丝袜大香蕉在线| 精品久久久久久久人妻蜜臀av| 深夜精品福利| 91老司机精品| 亚洲av成人av| 日日爽夜夜爽网站| 国产三级黄色录像| 亚洲欧美日韩高清在线视频| 欧美激情 高清一区二区三区| 日本三级黄在线观看| 亚洲国产看品久久| 欧美中文综合在线视频| avwww免费| 久久草成人影院| 国产亚洲精品第一综合不卡| 成年免费大片在线观看| 村上凉子中文字幕在线| 免费看日本二区| 亚洲精品一区av在线观看| 人人妻人人澡人人看| 成人av一区二区三区在线看| 欧美日韩一级在线毛片| 欧美亚洲日本最大视频资源| 99精品久久久久人妻精品| 夜夜看夜夜爽夜夜摸| 日韩大码丰满熟妇| 久热爱精品视频在线9| 夜夜爽天天搞| 欧美不卡视频在线免费观看 | 精品久久久久久成人av| 久久婷婷人人爽人人干人人爱| 色av中文字幕| 黄色女人牲交| 九色国产91popny在线| 国产私拍福利视频在线观看| 观看免费一级毛片| 日韩欧美三级三区| 免费在线观看日本一区| 久久久久久久午夜电影| 黑人操中国人逼视频| 亚洲人成77777在线视频| 99国产精品99久久久久| 欧美性猛交╳xxx乱大交人| 国产成人精品久久二区二区免费| av在线天堂中文字幕| netflix在线观看网站| 久久久国产精品麻豆| 中文字幕高清在线视频| 亚洲av电影在线进入| 中文字幕高清在线视频| 久久中文字幕一级| 又黄又爽又免费观看的视频| 精品久久久久久久末码| 麻豆成人av在线观看| 色精品久久人妻99蜜桃| 亚洲电影在线观看av| 两性夫妻黄色片| 不卡一级毛片| 无人区码免费观看不卡| 亚洲成人精品中文字幕电影| 一卡2卡三卡四卡精品乱码亚洲| 搡老岳熟女国产| 精品日产1卡2卡| 一级a爱片免费观看的视频| 国产精品亚洲av一区麻豆| 男女午夜视频在线观看| 91麻豆av在线| 在线永久观看黄色视频| 九色国产91popny在线| 99精品欧美一区二区三区四区| 国产成人av激情在线播放| 亚洲av成人av| 亚洲av成人一区二区三| 18禁美女被吸乳视频| 又黄又爽又免费观看的视频| 中国美女看黄片| 亚洲三区欧美一区| 在线观看日韩欧美| 国产av在哪里看| 成年免费大片在线观看| 国产不卡一卡二| 可以免费在线观看a视频的电影网站| 欧美日韩黄片免| 十八禁人妻一区二区| 亚洲 欧美 日韩 在线 免费| 夜夜爽天天搞| 天天一区二区日本电影三级| cao死你这个sao货| 亚洲三区欧美一区| 可以在线观看的亚洲视频| 日韩欧美国产一区二区入口| 欧美中文日本在线观看视频| 久热这里只有精品99| 91大片在线观看| 亚洲精品美女久久久久99蜜臀| 观看免费一级毛片| 久久久久久国产a免费观看| 9191精品国产免费久久| 成人午夜高清在线视频 | 亚洲成人久久爱视频| 亚洲精华国产精华精| 国产精品亚洲一级av第二区| 久久香蕉激情| 亚洲精品在线观看二区| 色av中文字幕| 精品乱码久久久久久99久播| 一级毛片高清免费大全| 亚洲欧美一区二区三区黑人| 黑人巨大精品欧美一区二区mp4| 91国产中文字幕| 悠悠久久av| 国内精品久久久久久久电影| 日韩欧美 国产精品| 日韩高清综合在线| 国产区一区二久久| 丁香六月欧美| 国产主播在线观看一区二区| 一级作爱视频免费观看| 免费无遮挡裸体视频| 久久中文字幕人妻熟女| 啦啦啦韩国在线观看视频| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲熟妇熟女久久| 久久久久精品国产欧美久久久| 身体一侧抽搐| 久久精品国产亚洲av高清一级| 色播在线永久视频| 一二三四社区在线视频社区8| 亚洲第一欧美日韩一区二区三区| 老司机靠b影院| 日本 欧美在线| 中文字幕精品免费在线观看视频| 成人亚洲精品一区在线观看| 中文字幕av电影在线播放| 19禁男女啪啪无遮挡网站| 国产精品一区二区免费欧美| 久久精品国产亚洲av香蕉五月| 成年女人毛片免费观看观看9| 国产熟女xx| 国产亚洲av高清不卡| 国产黄色小视频在线观看| 99国产精品99久久久久| 欧美黄色片欧美黄色片| 熟女少妇亚洲综合色aaa.| 亚洲av成人不卡在线观看播放网| 午夜福利视频1000在线观看| 老司机在亚洲福利影院| 听说在线观看完整版免费高清| 黄片播放在线免费| 午夜福利一区二区在线看| 久久久久久亚洲精品国产蜜桃av| 亚洲 国产 在线| 亚洲成人久久爱视频| 亚洲欧美激情综合另类| 97碰自拍视频| 国产不卡一卡二| 午夜精品久久久久久毛片777| 日韩欧美 国产精品| 中文字幕人妻熟女乱码| 国产爱豆传媒在线观看 | 成人亚洲精品一区在线观看| 日日摸夜夜添夜夜添小说| 国产精品二区激情视频| 观看免费一级毛片| 香蕉av资源在线| 亚洲天堂国产精品一区在线| 欧美一区二区精品小视频在线| 亚洲男人天堂网一区| 欧美日韩亚洲国产一区二区在线观看| 俺也久久电影网| 夜夜看夜夜爽夜夜摸| 青草久久国产| 少妇粗大呻吟视频| 一级作爱视频免费观看| 欧美亚洲日本最大视频资源| 在线观看日韩欧美| 神马国产精品三级电影在线观看 | 高清毛片免费观看视频网站| 欧美日韩精品网址| 久久精品成人免费网站| 午夜两性在线视频| 制服诱惑二区| 国产99白浆流出| 又大又爽又粗| 国产亚洲av高清不卡| 18禁裸乳无遮挡免费网站照片 | av有码第一页| 亚洲午夜理论影院| 日本a在线网址| 亚洲专区国产一区二区| 两性夫妻黄色片| 亚洲全国av大片| e午夜精品久久久久久久| 中文字幕人成人乱码亚洲影| √禁漫天堂资源中文www| 欧美激情 高清一区二区三区| 免费观看精品视频网站| 国产三级黄色录像| 国产成+人综合+亚洲专区| 免费搜索国产男女视频| 亚洲国产高清在线一区二区三 | 亚洲国产欧美网| 无遮挡黄片免费观看| 51午夜福利影视在线观看| 成人永久免费在线观看视频| 免费看美女性在线毛片视频| 午夜日韩欧美国产| 亚洲性夜色夜夜综合| netflix在线观看网站| 亚洲精品一卡2卡三卡4卡5卡| 久久婷婷人人爽人人干人人爱| 亚洲国产精品久久男人天堂| 久久狼人影院| 日本三级黄在线观看| 国产精品,欧美在线| 精品第一国产精品| 午夜免费观看网址| 一本精品99久久精品77| 男女床上黄色一级片免费看| 中文字幕高清在线视频| av视频在线观看入口| 麻豆成人av在线观看| 久久午夜亚洲精品久久| 好男人电影高清在线观看| 亚洲一区高清亚洲精品| 久久精品aⅴ一区二区三区四区| 亚洲在线自拍视频| АⅤ资源中文在线天堂| 午夜日韩欧美国产| 亚洲七黄色美女视频| 欧美激情久久久久久爽电影| а√天堂www在线а√下载| 手机成人av网站| 国产成人影院久久av| 国产高清视频在线播放一区| 日本一区二区免费在线视频| 亚洲自拍偷在线| 99热6这里只有精品| 嫩草影视91久久| 亚洲成人久久爱视频| 美女大奶头视频| 级片在线观看| 久久香蕉国产精品| 超碰成人久久| 久久精品成人免费网站| ponron亚洲| 97超级碰碰碰精品色视频在线观看| 午夜a级毛片| 黄色a级毛片大全视频| 欧美性猛交╳xxx乱大交人| 亚洲一区中文字幕在线| 一级片免费观看大全| 老司机深夜福利视频在线观看| 欧美在线一区亚洲| 又紧又爽又黄一区二区| 青草久久国产| 亚洲精品在线观看二区| 亚洲人成伊人成综合网2020| 神马国产精品三级电影在线观看 | 男女视频在线观看网站免费 | 此物有八面人人有两片| 亚洲av电影不卡..在线观看| 亚洲精品色激情综合| 中文字幕高清在线视频| 狠狠狠狠99中文字幕| 亚洲成人免费电影在线观看| 午夜老司机福利片| 男人舔女人下体高潮全视频| 黄片播放在线免费| 亚洲av电影在线进入| 精品无人区乱码1区二区| 国产野战对白在线观看| 熟女少妇亚洲综合色aaa.| 亚洲第一青青草原| 久久国产亚洲av麻豆专区| 午夜亚洲福利在线播放| 亚洲专区国产一区二区| 久久久国产成人免费| 女人高潮潮喷娇喘18禁视频| 校园春色视频在线观看| 国产午夜福利久久久久久| 无人区码免费观看不卡| 一级a爱片免费观看的视频| 丰满人妻熟妇乱又伦精品不卡| 久久精品影院6| 国产精品亚洲美女久久久| 国产欧美日韩精品亚洲av| 99国产精品一区二区三区| 国产精华一区二区三区| 日本免费一区二区三区高清不卡| 日本撒尿小便嘘嘘汇集6| 午夜a级毛片| 91老司机精品| 欧美性猛交╳xxx乱大交人| av免费在线观看网站| 黄色片一级片一级黄色片| 动漫黄色视频在线观看| 热99re8久久精品国产| 日本 av在线|