• <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 ?

    基于特征融合CNN模型的ECG信號識別方法研究

    2020-01-05 07:00周志波
    軟件導(dǎo)刊 2020年11期
    關(guān)鍵詞:特征融合卷積神經(jīng)網(wǎng)絡(luò)

    周志波

    摘 要:針對ECG信號分類問題,提出一種融合卷積神經(jīng)網(wǎng)絡(luò)和信號時頻統(tǒng)計特征的方法。該方法首先利用卷積神經(jīng)網(wǎng)絡(luò)提取ECG信號分布特征,再利用離散小波變換將ECG信號分解為高頻系數(shù)與低頻系數(shù),計算所有高頻系數(shù)及最后一個低頻系數(shù)的統(tǒng)計特征值,最后將計算所得的時頻統(tǒng)計特征融入卷積神經(jīng)網(wǎng)絡(luò)全連接層,并利用Softmax分類器進行分類。結(jié)果表明,該方法對三類心血管疾病的ECG信號分類識別率達93.4%,證明該方法可用于解決ECG信號分類問題。

    關(guān)鍵詞:心電信號;卷積神經(jīng)網(wǎng)絡(luò);時頻統(tǒng)計特征;特征融合

    DOI:10. 11907/rjdk. 201231????????????????????????????????????????????????????????????????? 開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

    中圖分類號:TP301 ? 文獻標(biāo)識碼:A ??????????????? 文章編號:1672-7800(2020)011-0046-04

    Research on ECG Signal Recognition Method Based on Feature Fusion CNN Model

    ZHOU Zhi-bo

    (College of Computer Science and Engineering, Shandong University of Science and Technology,Qingdao 266590,China)

    Abstract: In order to solve the problem of ECG signal classification, a method of fusion of convolutional neural network and time-frequency statistical characteristics of signals is proposed. Firstly, a convolutional neural network is used to extract the distribution characteristics of ECG signals, and then discrete wavelet transform is used to decompose the ECG signals into high frequency coefficients and low frequency coefficients, and the statistical characteristic values are calculated of all high frequency coefficients and the last low frequency coefficient are calculated. Finally,the calculated time-frequency statistical features are fused into the fully connected layer of the convolutional neural network and classified by using a Softmax classifier. The experimental results show that the method has an ECG signal classification recognition rate of 93.4% for three types of cardiovascular diseases, which proves that the method can be used to solve the ECG signal classification problem.

    Key Words: ECG Signal; convolutional neural network; time-frequency statistical characteristics; feature fusion

    0 引言

    各種音頻信號和生命體征信號等時變信號(Time Varying Signal,TVS)是一類重要的、具有非線性和非平穩(wěn)特性的常見信號,涵蓋了信息提取的主要難點和熱點問題[1]。由于時變信號的復(fù)雜性和不確定性,時變信號分類研究面臨諸多挑戰(zhàn),如噪聲、時空對齊、量綱統(tǒng)一等問題。

    心電信號(Electrocardiogram,ECG)是一種典型時變信號,該信號反映了心肌細(xì)胞在電激動時產(chǎn)生的電傳變換[2],它是診斷心血管疾病的有效手段之一。ECG信號分類問題是醫(yī)學(xué)診斷與人工智能相結(jié)合的一個熱點問題,許多研究人員做了大量相關(guān)工作,如心電圖心律失常檢測[3]、心肌梗死檢測[4]等,這些以深度學(xué)習(xí)模型為基礎(chǔ)的研究方法取得了豐碩成果。Brito等[5]利用一維卷積殘差網(wǎng)絡(luò)在MIT-BIH數(shù)據(jù)庫上進行四分類實驗,取得良好分類效果;Hasan等[6]利用經(jīng)驗?zāi)J椒纸鈱CG信號分解去噪,并使用一維卷積網(wǎng)絡(luò)對ECG信號特征進行提取和分類;李四海等[7]結(jié)合SVM分類器,對提取的心電信號QRS波特征值進行分類,并在MIT-BIH數(shù)據(jù)集上取得92.6%的平均分類準(zhǔn)確率;Das等[8]使用S變換和小波變換提取ECG心拍波形特征,再利用多層感知機神經(jīng)網(wǎng)絡(luò)[9]對提取的信號特征進行分類;顏菲等[10]提出一種疊加去噪自動編碼器與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法,并在3種不同的心電信號數(shù)據(jù)集上均取得很好效果;Alqudah等[11]提取ECG信號的高斯混合系數(shù)特征值和小波分解特征值,并將這兩種特征用概率神經(jīng)網(wǎng)絡(luò)和隨機森林兩種分類器進行心律失常分類;Osowski等[12]將模糊混合神經(jīng)網(wǎng)絡(luò)模型用于心拍分類,其分類準(zhǔn)確率達96%。

    同時,上述方法也存在一些不足:一是僅使用深度學(xué)習(xí)模型,沒有充分利用ECG信號特征的多樣性;二是對心拍進行分類研究,需要完成從ECG信號中分割出心拍的復(fù)雜工作。針對以上問題,本文提出一種特征融合卷積神經(jīng)網(wǎng)絡(luò)模型,仿真實驗中該模型處理的數(shù)據(jù)對象是12導(dǎo)聯(lián)多心拍的ECG信號,因此不需要分割出心拍,從而省去了傳統(tǒng)方法獲取心拍的繁瑣工作。為了克服單一卷積網(wǎng)絡(luò)對信號特征提取的局限性,本文方法在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中融合了ECG信號時頻統(tǒng)計特征,實驗結(jié)果表明,這種方法有效提高了傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對ECG信號的分類能力。

    1 卷積神經(jīng)網(wǎng)絡(luò)與時頻統(tǒng)計特征

    1.1 卷積神經(jīng)網(wǎng)路

    卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)由Lecun等[13]提出,是深度學(xué)習(xí)領(lǐng)域經(jīng)典模型之一。CNN基本結(jié)構(gòu)包括卷積層、池化層及全連接層,其中卷積層用于數(shù)據(jù)特征提取,是卷積網(wǎng)絡(luò)的核心層;池化層用于數(shù)據(jù)降維并保證特征平移不變性;全連接層可以整合卷積層或者池化層中具有類別區(qū)分性的局部信息[14]。卷積神經(jīng)網(wǎng)絡(luò)特征計算核心公式如式(1)所示。

    yl+1j=downσi∈Mjxli?wl+1ij+bl+1j ?????? (1)

    其中,yl+1j為網(wǎng)絡(luò)l+1層第j個特征面,xli為網(wǎng)絡(luò)l層第i個特征面,wl+1ij為網(wǎng)絡(luò)l+1層第j個特征面與l層第i個特征面的連接權(quán)值,bl+1j為第l+1層第j個偏置量,σ為激活函數(shù),down?為下采樣函數(shù),?為卷積運算。

    1.2 時頻統(tǒng)計特征

    時變信號的時頻特性隨時間或空間變化而變化,處理這類信號,利用小波理論作為處理工具最為合適[15],小波理論中的離散小波變換(Discrete Wavelet Transform,DWT)[16]可用于獲取時變信號的頻率成分,即將原始信號分解為低頻分量和高頻分量。ECG信號是一種典型時變信號,因此DWT可用于ECG信號的時頻統(tǒng)計特征提取。采用DWT分解信號的理論公式如式(2)所示。

    wxj,k=Rxtψj,ktdt ? (2)

    其中,xt是原始信號,Wxj,k是子帶頻率,ψj,kt=12jψt2j-k是小波基函數(shù),j 是尺度系數(shù),k是平移系數(shù),R是實數(shù)集。

    Mallat算法是實現(xiàn)DWT的有效方法之一,其分解信號公式[17]表示為如式(3)、式(4)所示。

    xjk=nh0n-2kxj-1k ??? (3)

    djk=nh1n-2kxj-1n ?? (4)

    其中,xkj表示近似系數(shù),即低頻分量;dkj表示細(xì)節(jié)系數(shù),即高頻分量;h0k表示低通濾波器;h1k表示高通濾波器。

    本文采用DWT獲取ECG信號時頻統(tǒng)計特征,其步驟可總結(jié)如下:①使用DWT分解ECG信號為近似系數(shù)A1和細(xì)節(jié)系數(shù)D1;②在細(xì)節(jié)系數(shù)D1保持不變的情況下,分解近似系數(shù)A1為A2和D2,重復(fù)上述過程,最終獲得ECG信號小波分解樹D1,D2,D3,…,Dn,An;③應(yīng)用數(shù)學(xué)統(tǒng)計方法,計算小波分解樹中D1,D2,D3,…,Dn,An每個頻率分量的統(tǒng)計特征值,包括均值、方差、峭度、峰值因子。

    2 特征融合卷積神經(jīng)網(wǎng)絡(luò)模型

    卷積神經(jīng)網(wǎng)絡(luò)能有效提取ECG信號的時域波形特征,但無法提取ECG信號的頻域特征,因此在ECG信號分類問題上,既能利用卷積網(wǎng)絡(luò)特征提取能力,又能結(jié)合信號頻域特征。本文提出一種融合信號時頻統(tǒng)計特征的卷積神經(jīng)網(wǎng)絡(luò)模型,該模型首先通過DWT分解ECG信號,獲取其時頻統(tǒng)計特征值,并利用卷積網(wǎng)絡(luò)獲取其波形特征,然后將兩種方法獲取的信號特征線性融合,最后采用Softmax分類器進行分類。本文特征融合卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

    特征融合的卷積神經(jīng)網(wǎng)絡(luò)特征提取公式如式(5)—式(7)所示。

    a2=avgReluw2?x1+b2 ?? (5)

    z=avg?avgReluw3?a2+b3 ????? (6)

    y=z+ws ? (7)

    其中,x1為網(wǎng)絡(luò)輸入數(shù)據(jù),w2為網(wǎng)絡(luò)第2層卷積核,b2為網(wǎng)絡(luò)第2層偏置量,Relu為激活函數(shù),avg為平均池化函數(shù),a2為網(wǎng)絡(luò)第2層特征面,z為網(wǎng)絡(luò)全連接層特征值,ws為信號時頻統(tǒng)計特征值,y為融合特征值。

    特征融合需要考慮統(tǒng)一量綱問題,量綱問題指不同來源的特征值有著不同的量綱,使得它們的大小不在同一區(qū)間。為解決量綱統(tǒng)一問題,本文實驗采用Z-score標(biāo)準(zhǔn)化。

    3 ECG信號分類實驗

    3.1 數(shù)據(jù)集

    ECG信號分類實驗數(shù)據(jù)集來源于中國心血管疾病數(shù)據(jù)庫(Chinese Cardiovascular Disease Database,CCDD)[18],CCDD數(shù)據(jù)庫包含大約18萬條12導(dǎo)聯(lián)ECG信號,覆蓋了絕大部分的心血管類疾病。本文選取CCDD數(shù)據(jù)庫中的3類ECG信號:正常心電圖、心房顫動、房性早搏。數(shù)據(jù)預(yù)處理包括抽稀、去噪,由于原始信號維度過高,特征不易提取,因此需要將原始信號抽稀降維至2 250個點的長度,同時原始ECG信號包含高頻噪聲,因此在實驗前采用巴特沃斯低通濾波器[19]對信號進行濾波處理。3種ECG信號的數(shù)據(jù)量以及訓(xùn)練與測試數(shù)據(jù)說明如表1所示。

    3.2 網(wǎng)絡(luò)結(jié)構(gòu)與參數(shù)設(shè)置

    本實驗特征融合卷積神經(jīng)網(wǎng)絡(luò)設(shè)置為五層卷積池化塊和兩個全連接層,卷積核大小為1×5,卷積步長為1×1,激活函數(shù)為Relu,池化函數(shù)為平均池化函數(shù),池化大小和步長均為1×4。離散小波變換使用‘db1小波將信號分解為3層小波分解樹,對于小波分解樹中所有高頻系數(shù)和第三層低頻系數(shù),計算它們的4種時頻統(tǒng)計特征,包括均值、方差、峭度、峰值因子,每條ECG信號樣本可獲取192個時頻統(tǒng)計特征。ECG信號時頻特征與卷積神經(jīng)網(wǎng)絡(luò)第一個全連接層的特征值相融合,模型采用Softmax分類器。

    在訓(xùn)練階段,網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)的Batch大小設(shè)置為300,迭代次數(shù)設(shè)置為50次,網(wǎng)絡(luò)的第一個全連接層Dropout率設(shè)置為0.5,并使用學(xué)習(xí)率為1×10-2的Adam優(yōu)化器,在Intel Corei7-3537U CPU上運行約為20個小時。

    3.3 實驗結(jié)果與分析

    為驗證融合時頻統(tǒng)計特征的卷積神經(jīng)網(wǎng)絡(luò)(TFCNN)能夠提高一般卷積神經(jīng)網(wǎng)絡(luò)(CNN)對ECG信號的分類能力,本文先采用CNN模型對CCDD數(shù)據(jù)集進行分類,再利用TFCNN模型加以分類,通過兩個實驗的分類結(jié)果驗證TFCNN的有效性。模型分類能力用混淆矩陣和測試指標(biāo)(召回率、精確度、F1分?jǐn)?shù))體現(xiàn),其中混淆矩陣斜對角線數(shù)值為對應(yīng)標(biāo)簽疾病的分類準(zhǔn)確率,其它數(shù)值為對應(yīng)標(biāo)簽疾病的錯分率;測試指標(biāo)的召回率(Recall)代表實際為正的樣本中預(yù)測為正樣本的概率,精確度(Precision)代表被預(yù)測為正的樣本中實際為正樣本的概率,F(xiàn)1分?jǐn)?shù)(F1-score)是精確率和召回率的調(diào)和平均數(shù),F(xiàn)1分?jǐn)?shù)越高,說明分類模型越穩(wěn)健。

    CNN模型混淆矩陣如表2所示,該模型對3種疾病的分類準(zhǔn)確率分別為99%、92.4%和78.6%,標(biāo)簽0和標(biāo)簽1的疾病樣本主要錯分為標(biāo)簽2的疾病類型,標(biāo)簽2的疾病樣本主要錯分為標(biāo)簽0的疾病類型。

    CNN模型對3類疾病樣本的平均召回率、精確度及F1分?jǐn)?shù)分別為0.9、0.91和0.9,其中房性早搏疾病類型的召回率和F1分?jǐn)?shù)指標(biāo)測試結(jié)果較低,正常心電圖樣本的精確度指標(biāo)測試結(jié)果較低,CNN模型各項指標(biāo)測試結(jié)果如表3所示。

    TFCNN模型對3種疾病的分類準(zhǔn)確率分別為99%、94.1%及86%,均高于CNN模型測試結(jié)果,并且在TFCNN模型混淆矩陣中,標(biāo)簽0和標(biāo)簽1的樣本錯分為標(biāo)簽2的錯分率為1%和5.82%,標(biāo)簽2的樣本錯分為標(biāo)簽0的錯分率為12%,其錯分率均低于CNN模型。TFCNN模型混淆矩陣如表4所示。

    TFCNN模型的召回率、精確度及F1分?jǐn)?shù)測試平均結(jié)果為0.93、0.93和0.93,均高于CNN模型3項指標(biāo)測試平均結(jié)果。其中,房性早搏類型樣本召回率和F1分?jǐn)?shù)為0.86和0.88,相比于CNN模型有明顯提高,正常心電圖樣本精確度也由0.85提高到0.91。TFCNN模型各項指標(biāo)如表5所示。

    TFCNN模型與CNN模型的混淆矩陣和分類指標(biāo)對比表明,TFCNN模型的分類準(zhǔn)確率高于CNN模型,同時TFCNN模型也能保持更好的穩(wěn)定性。為了進一步表明TFCNN模型的有效性,除上述兩組實驗,本文與趙勇等[20]的方法做了對比實驗,文獻[20]的方法是將提取的多種ECG信號特征用SVM加以分類。3組實驗對比結(jié)果表明,TFCNN模型在識別率與穩(wěn)定性上都有明顯優(yōu)勢,3組實驗結(jié)果如表6所示。

    4 結(jié)語

    針對ECG信號分類問題,本文提出了一種融合ECG信號時頻統(tǒng)計特征的卷積神經(jīng)網(wǎng)絡(luò)模型。該模型優(yōu)點在于既能提取ECG信號樣本分布特征,又融合了ECG信號樣本的時頻統(tǒng)計特征。針對3類ECG信號樣本的實驗表明,該方法能夠提高一般卷積神經(jīng)網(wǎng)絡(luò)對ECG信號的分類能力,但該方法對于樣本數(shù)量少的ECG信號類型分類效果不佳??刹捎脭?shù)據(jù)增強或選擇更具代表性的時頻統(tǒng)計特征進行改進,這是下一步研究的重點。

    參考文獻:

    [1] 高暢. 時變信號處理關(guān)鍵技術(shù)研究[D]. 黑龍江:哈爾濱工業(yè)大學(xué),2016.

    [2] 趙靜,韓海成. ECG信號自適應(yīng)貝葉斯小波去噪算法研究[J]. 現(xiàn)代電子技術(shù),2019,42(5):62-65.

    [3] SASHIKUMAR S P,SHAH A J,LI Q,et al. A deep learning approach to monitoring and detecting atrial fibrillation using wearable technology[C]. 2017 IEEE EMBS International Conference on Biomedical & Health Informatics(BHI),2017:141-144.

    [4] ZHOU L,YAN Y,QIN X B,et al. Deep learning-based classification of massive electrocardiography data[C]. 2016 IEEE Advanced Information Management,Communicates,Electronic And Automation Control Conference,2016:780-785.

    [5] BRITO C,MACHADO A,SOUSA A. Electrocardiogram beat-classification based on a ResNet network[J]. Studies In Health Technology And Informatics,2019,264:55-59.

    [6] HASAN N I,BHATTACHARJEE A. Deep learning approach to cardiovascular disease classification employing modified ECG signal from empirical mode decomposition[J]. Biomedical Signal Processing and Control,2019,52:128-140.

    [7] 李四海,滿自斌,張紅. 基于小波變換和SVM的心電早搏信號識別[J]. 計算機應(yīng)用與軟件,2014,31(8):182-185.

    猜你喜歡
    特征融合卷積神經(jīng)網(wǎng)絡(luò)
    基于移動端的樹木葉片識別方法的研究
    融合整體與局部特征的車輛型號識別方法
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    国产一区二区激情短视频| 国产精品久久久久久精品电影小说 | 少妇丰满av| 有码 亚洲区| 日韩av在线大香蕉| 国产精品久久久久久久久免| 大又大粗又爽又黄少妇毛片口| 在线观看66精品国产| 在线观看av片永久免费下载| 22中文网久久字幕| 日韩精品青青久久久久久| 12—13女人毛片做爰片一| 欧美又色又爽又黄视频| 成人三级黄色视频| 精华霜和精华液先用哪个| 亚洲欧美日韩无卡精品| 国产一区二区三区av在线 | 午夜爱爱视频在线播放| 在线免费十八禁| 国产精品一区www在线观看| 51国产日韩欧美| 简卡轻食公司| a级毛色黄片| 国产av一区在线观看免费| 国产午夜精品一二区理论片| 日本五十路高清| 久久精品综合一区二区三区| 国产美女午夜福利| 99精品在免费线老司机午夜| 亚洲精品乱码久久久久久按摩| 美女黄网站色视频| 高清毛片免费观看视频网站| 国内精品久久久久精免费| 欧美三级亚洲精品| 国产国拍精品亚洲av在线观看| 日本一二三区视频观看| 久久久a久久爽久久v久久| 波野结衣二区三区在线| 国产不卡一卡二| 观看美女的网站| 麻豆乱淫一区二区| av在线亚洲专区| 日产精品乱码卡一卡2卡三| 97在线视频观看| av女优亚洲男人天堂| 国产成人精品一,二区 | 嘟嘟电影网在线观看| 中文资源天堂在线| 18禁黄网站禁片免费观看直播| 一级av片app| 人人妻人人看人人澡| 久久热精品热| 深爱激情五月婷婷| 国产精品伦人一区二区| www.av在线官网国产| 国产一区二区在线观看日韩| 久久午夜福利片| 欧美另类亚洲清纯唯美| 亚洲中文字幕日韩| 国产亚洲91精品色在线| 午夜激情欧美在线| 国产成人一区二区在线| 最新中文字幕久久久久| 国产亚洲av嫩草精品影院| 尤物成人国产欧美一区二区三区| 精品少妇黑人巨大在线播放 | 99九九线精品视频在线观看视频| 亚洲人与动物交配视频| 两性午夜刺激爽爽歪歪视频在线观看| 国产高清激情床上av| 国产精品久久久久久av不卡| 精品久久久噜噜| 天堂中文最新版在线下载 | 内地一区二区视频在线| 亚洲人成网站在线播放欧美日韩| 亚洲国产欧美人成| 婷婷色av中文字幕| av福利片在线观看| 一边亲一边摸免费视频| 少妇熟女欧美另类| 特级一级黄色大片| 欧美日韩精品成人综合77777| 亚洲aⅴ乱码一区二区在线播放| 亚洲av不卡在线观看| 亚洲国产精品合色在线| 26uuu在线亚洲综合色| 日本爱情动作片www.在线观看| 亚洲精品456在线播放app| 免费av观看视频| 日产精品乱码卡一卡2卡三| 青青草视频在线视频观看| 一级av片app| 人妻制服诱惑在线中文字幕| 久久精品夜夜夜夜夜久久蜜豆| 男女视频在线观看网站免费| 成人综合一区亚洲| 久久欧美精品欧美久久欧美| 天美传媒精品一区二区| 国产av一区在线观看免费| 中文亚洲av片在线观看爽| 中文精品一卡2卡3卡4更新| av女优亚洲男人天堂| 国产在线男女| 看非洲黑人一级黄片| 免费人成视频x8x8入口观看| 中文在线观看免费www的网站| 亚洲中文字幕日韩| 99九九线精品视频在线观看视频| 国产av一区在线观看免费| 欧美三级亚洲精品| 欧美性感艳星| 尤物成人国产欧美一区二区三区| 又粗又爽又猛毛片免费看| 噜噜噜噜噜久久久久久91| 亚洲一区高清亚洲精品| 九九在线视频观看精品| 长腿黑丝高跟| 国产69精品久久久久777片| 天天一区二区日本电影三级| 黄片wwwwww| 国产精品久久久久久av不卡| 欧美最黄视频在线播放免费| 久久欧美精品欧美久久欧美| videossex国产| 男女那种视频在线观看| 国产精品综合久久久久久久免费| 一夜夜www| 国内久久婷婷六月综合欲色啪| 三级男女做爰猛烈吃奶摸视频| 久久久久久伊人网av| 一本一本综合久久| 伊人久久精品亚洲午夜| 国产精品一区二区三区四区久久| 国产69精品久久久久777片| 大香蕉久久网| 国产一区二区在线av高清观看| 国产视频内射| 欧美不卡视频在线免费观看| 国产伦精品一区二区三区视频9| 国产成人福利小说| 深爱激情五月婷婷| 97热精品久久久久久| 中文字幕人妻熟人妻熟丝袜美| 不卡一级毛片| 天美传媒精品一区二区| 99热这里只有是精品50| 深夜a级毛片| 在线观看午夜福利视频| 国产伦精品一区二区三区四那| 自拍偷自拍亚洲精品老妇| 色播亚洲综合网| 国产亚洲av片在线观看秒播厂 | 黄色欧美视频在线观看| 五月伊人婷婷丁香| 能在线免费观看的黄片| 欧美日韩国产亚洲二区| 美女黄网站色视频| 99热全是精品| 欧美日韩一区二区视频在线观看视频在线 | 午夜福利在线观看吧| 老女人水多毛片| 国产爱豆传媒在线观看| 国产精品久久久久久av不卡| 免费观看精品视频网站| 亚洲美女视频黄频| 日韩一区二区三区影片| 岛国毛片在线播放| 九九热线精品视视频播放| 晚上一个人看的免费电影| 国产老妇女一区| 成年女人永久免费观看视频| 乱系列少妇在线播放| 天堂网av新在线| 精品熟女少妇av免费看| 蜜臀久久99精品久久宅男| 日韩中字成人| 国产精品乱码一区二三区的特点| 12—13女人毛片做爰片一| 亚洲av免费在线观看| 午夜福利在线观看吧| 亚洲av电影不卡..在线观看| 欧美激情久久久久久爽电影| 最好的美女福利视频网| 成人毛片60女人毛片免费| 亚洲精品色激情综合| 麻豆精品久久久久久蜜桃| 婷婷精品国产亚洲av| 国产成人福利小说| 国产精品蜜桃在线观看 | 精品午夜福利在线看| 国产中年淑女户外野战色| 亚洲色图av天堂| 欧美精品国产亚洲| 嘟嘟电影网在线观看| 亚洲第一区二区三区不卡| 深爱激情五月婷婷| 成人欧美大片| 九九久久精品国产亚洲av麻豆| 最近手机中文字幕大全| 欧美高清成人免费视频www| 久久精品久久久久久噜噜老黄 | 欧美最黄视频在线播放免费| 精品一区二区免费观看| 久久精品久久久久久久性| 变态另类成人亚洲欧美熟女| 免费大片18禁| av专区在线播放| 色噜噜av男人的天堂激情| av女优亚洲男人天堂| 欧美激情久久久久久爽电影| 国产一区二区三区在线臀色熟女| av黄色大香蕉| 只有这里有精品99| 久久久久网色| 国产高清不卡午夜福利| 一区二区三区四区激情视频 | 日韩成人av中文字幕在线观看| 老师上课跳d突然被开到最大视频| 亚洲av中文av极速乱| 美女内射精品一级片tv| 日韩国内少妇激情av| 长腿黑丝高跟| 国产又黄又爽又无遮挡在线| 黄片wwwwww| 一进一出抽搐动态| 日本-黄色视频高清免费观看| 欧美性感艳星| 一级毛片aaaaaa免费看小| 在线观看一区二区三区| 国产亚洲欧美98| 成人特级黄色片久久久久久久| 18禁在线播放成人免费| 国产精品电影一区二区三区| 亚洲av.av天堂| 久久精品久久久久久久性| 国产极品精品免费视频能看的| 免费观看人在逋| 亚洲三级黄色毛片| 美女国产视频在线观看| 极品教师在线视频| 自拍偷自拍亚洲精品老妇| 久久国内精品自在自线图片| 欧美激情久久久久久爽电影| 欧美一区二区亚洲| 国产伦精品一区二区三区四那| 久久精品国产亚洲av香蕉五月| 国产成人aa在线观看| 成年版毛片免费区| 国产黄色小视频在线观看| 联通29元200g的流量卡| 久久久成人免费电影| 成年免费大片在线观看| 欧美精品一区二区大全| 亚洲最大成人手机在线| 99视频精品全部免费 在线| 免费观看人在逋| 成人欧美大片| 国产亚洲91精品色在线| 精品人妻一区二区三区麻豆| 婷婷色综合大香蕉| 99热全是精品| 一进一出抽搐gif免费好疼| 亚洲国产精品成人综合色| 小蜜桃在线观看免费完整版高清| 免费不卡的大黄色大毛片视频在线观看 | 国产精品三级大全| 亚洲国产精品国产精品| 欧美日韩在线观看h| 国产精品嫩草影院av在线观看| 欧美激情久久久久久爽电影| 日韩成人av中文字幕在线观看| 欧美潮喷喷水| 国产成人91sexporn| 国产亚洲欧美98| 亚洲成人久久性| 国产成人a∨麻豆精品| 国产午夜精品论理片| 亚洲国产欧洲综合997久久,| 日韩欧美国产在线观看| 国产精品久久久久久av不卡| 久久人妻av系列| 国产精品蜜桃在线观看 | 亚洲av中文av极速乱| 日日干狠狠操夜夜爽| 国产又黄又爽又无遮挡在线| 成年女人看的毛片在线观看| 国产av不卡久久| 亚洲欧美精品综合久久99| 精品不卡国产一区二区三区| 国产精品日韩av在线免费观看| 美女 人体艺术 gogo| 久久久久国产网址| 亚洲自偷自拍三级| 亚洲一区高清亚洲精品| 国产极品精品免费视频能看的| 嫩草影院新地址| 久久久a久久爽久久v久久| 波多野结衣高清无吗| 两个人视频免费观看高清| 啦啦啦观看免费观看视频高清| 午夜福利高清视频| 免费搜索国产男女视频| 精品人妻一区二区三区麻豆| 国内少妇人妻偷人精品xxx网站| 亚洲国产欧美人成| 亚洲三级黄色毛片| 五月玫瑰六月丁香| 亚洲在线观看片| 亚洲欧洲国产日韩| 欧美高清性xxxxhd video| 亚洲真实伦在线观看| av女优亚洲男人天堂| 亚洲国产高清在线一区二区三| 亚洲aⅴ乱码一区二区在线播放| 色5月婷婷丁香| a级毛片免费高清观看在线播放| 老师上课跳d突然被开到最大视频| 色噜噜av男人的天堂激情| 美女高潮的动态| 日韩精品青青久久久久久| 亚洲国产精品成人久久小说 | 一级黄片播放器| 91久久精品电影网| 一本一本综合久久| 成人毛片60女人毛片免费| 午夜免费激情av| 国产黄片美女视频| 亚洲高清免费不卡视频| av福利片在线观看| 最后的刺客免费高清国语| 国产毛片a区久久久久| av在线天堂中文字幕| 波多野结衣巨乳人妻| АⅤ资源中文在线天堂| 成人欧美大片| 欧美一区二区国产精品久久精品| 日韩一区二区视频免费看| 爱豆传媒免费全集在线观看| 久久久久久久亚洲中文字幕| 亚洲国产欧美在线一区| av黄色大香蕉| 国产私拍福利视频在线观看| 国产在视频线在精品| eeuss影院久久| 成人二区视频| 波多野结衣高清无吗| 一级二级三级毛片免费看| 午夜精品国产一区二区电影 | 六月丁香七月| 日本成人三级电影网站| 亚洲aⅴ乱码一区二区在线播放| 搞女人的毛片| 欧美激情在线99| 久久鲁丝午夜福利片| 欧美一区二区亚洲| 亚洲最大成人中文| 成人午夜高清在线视频| 亚洲色图av天堂| 亚洲国产精品成人综合色| 欧美激情久久久久久爽电影| 亚洲精品影视一区二区三区av| 大香蕉久久网| 午夜福利在线观看吧| 夫妻性生交免费视频一级片| 亚洲精品久久国产高清桃花| 欧美三级亚洲精品| 精品欧美国产一区二区三| 不卡一级毛片| 亚洲成人久久爱视频| 国产高潮美女av| 简卡轻食公司| 成人特级av手机在线观看| 乱码一卡2卡4卡精品| 高清日韩中文字幕在线| 成人美女网站在线观看视频| 国产成人精品婷婷| 欧美变态另类bdsm刘玥| 黄色视频,在线免费观看| 在线国产一区二区在线| 偷拍熟女少妇极品色| 亚洲国产日韩欧美精品在线观看| 免费看美女性在线毛片视频| www.av在线官网国产| 欧美激情在线99| 老熟妇乱子伦视频在线观看| 日韩高清综合在线| 人体艺术视频欧美日本| 男插女下体视频免费在线播放| 日本成人三级电影网站| 久久午夜亚洲精品久久| 日韩av不卡免费在线播放| 最近的中文字幕免费完整| 国产乱人视频| 一级黄片播放器| 欧美又色又爽又黄视频| 一个人看的www免费观看视频| 女人十人毛片免费观看3o分钟| 久久久久久久久久成人| 最近中文字幕高清免费大全6| 亚洲欧美成人精品一区二区| 青青草视频在线视频观看| 天天一区二区日本电影三级| 69av精品久久久久久| 国产精品.久久久| 国产成人a∨麻豆精品| 免费av不卡在线播放| 欧美成人一区二区免费高清观看| 免费观看在线日韩| 一进一出抽搐动态| 日韩欧美精品v在线| 女的被弄到高潮叫床怎么办| 亚洲av男天堂| 国产探花在线观看一区二区| 激情 狠狠 欧美| 欧美激情国产日韩精品一区| 欧美在线一区亚洲| 在线观看免费视频日本深夜| 亚洲国产色片| 蜜臀久久99精品久久宅男| 成人二区视频| 日韩欧美一区二区三区在线观看| 日韩视频在线欧美| 中国国产av一级| 欧美+日韩+精品| а√天堂www在线а√下载| 国产成人精品婷婷| 97超碰精品成人国产| 青青草视频在线视频观看| 人妻制服诱惑在线中文字幕| 免费搜索国产男女视频| 国产午夜福利久久久久久| 成人性生交大片免费视频hd| 久久99蜜桃精品久久| 成人亚洲精品av一区二区| 九九久久精品国产亚洲av麻豆| 国产色爽女视频免费观看| 变态另类丝袜制服| 麻豆成人av视频| 日日干狠狠操夜夜爽| 三级男女做爰猛烈吃奶摸视频| 99久国产av精品国产电影| ponron亚洲| 51国产日韩欧美| 亚洲成人精品中文字幕电影| 直男gayav资源| 国产高清视频在线观看网站| 日本黄色视频三级网站网址| 男人和女人高潮做爰伦理| 日韩欧美 国产精品| 成人漫画全彩无遮挡| 欧美激情久久久久久爽电影| 国产精华一区二区三区| 日韩人妻高清精品专区| 91精品国产九色| 亚洲人与动物交配视频| 国产成人精品久久久久久| 精品人妻熟女av久视频| 免费观看a级毛片全部| 成年av动漫网址| 国产精品国产三级国产av玫瑰| 亚洲三级黄色毛片| 我要搜黄色片| 在线观看免费视频日本深夜| 国产美女午夜福利| 婷婷色综合大香蕉| 亚洲人成网站高清观看| 综合色av麻豆| www.av在线官网国产| 国产精品麻豆人妻色哟哟久久 | 日韩制服骚丝袜av| 极品教师在线视频| 久久这里只有精品中国| 国产亚洲av嫩草精品影院| 国产熟女欧美一区二区| 综合色丁香网| 欧美变态另类bdsm刘玥| 亚洲精品亚洲一区二区| 亚洲最大成人av| 精品久久久久久久久久久久久| 成人三级黄色视频| 插阴视频在线观看视频| 看片在线看免费视频| 亚洲自偷自拍三级| 赤兔流量卡办理| 日韩成人av中文字幕在线观看| 人人妻人人澡人人爽人人夜夜 | 免费不卡的大黄色大毛片视频在线观看 | 精品午夜福利在线看| 亚洲av中文字字幕乱码综合| 听说在线观看完整版免费高清| 久久久久国产网址| 99久久精品国产国产毛片| 国产乱人视频| 欧美成人免费av一区二区三区| 99热网站在线观看| 国产精品野战在线观看| 搡老妇女老女人老熟妇| 亚洲经典国产精华液单| 在线免费十八禁| 亚洲自拍偷在线| 尤物成人国产欧美一区二区三区| 国产一区二区激情短视频| 国产免费男女视频| 性色avwww在线观看| 欧美精品一区二区大全| 麻豆av噜噜一区二区三区| 婷婷六月久久综合丁香| 国产精品电影一区二区三区| 亚洲av熟女| av.在线天堂| 美女 人体艺术 gogo| 欧美日韩精品成人综合77777| 久久久a久久爽久久v久久| 九九热线精品视视频播放| 欧美不卡视频在线免费观看| 在现免费观看毛片| 中文欧美无线码| 久久精品国产鲁丝片午夜精品| АⅤ资源中文在线天堂| 伊人久久精品亚洲午夜| 免费观看的影片在线观看| 91午夜精品亚洲一区二区三区| 亚洲欧美精品综合久久99| 国产精品国产三级国产av玫瑰| 麻豆一二三区av精品| 成人午夜高清在线视频| 亚洲一区二区三区色噜噜| 欧美丝袜亚洲另类| av免费观看日本| 久久久a久久爽久久v久久| 成人漫画全彩无遮挡| 变态另类成人亚洲欧美熟女| 国产淫片久久久久久久久| 2021天堂中文幕一二区在线观| 亚洲人成网站在线播| 又粗又硬又长又爽又黄的视频 | 九色成人免费人妻av| 不卡视频在线观看欧美| 久久午夜亚洲精品久久| 国产精品福利在线免费观看| 级片在线观看| 噜噜噜噜噜久久久久久91| 网址你懂的国产日韩在线| 亚洲国产色片| 97人妻精品一区二区三区麻豆| 国产亚洲av片在线观看秒播厂 | 久久6这里有精品| 国产精品.久久久| 性插视频无遮挡在线免费观看| 成人午夜高清在线视频| 国内精品美女久久久久久| 婷婷色av中文字幕| 亚洲av免费在线观看| 国产伦一二天堂av在线观看| 99久久精品国产国产毛片| 国产真实伦视频高清在线观看| 观看免费一级毛片| 亚洲av一区综合| 寂寞人妻少妇视频99o| 干丝袜人妻中文字幕| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 26uuu在线亚洲综合色| 日韩大尺度精品在线看网址| 校园人妻丝袜中文字幕| 人妻夜夜爽99麻豆av| 午夜精品国产一区二区电影 | 少妇裸体淫交视频免费看高清| 午夜精品一区二区三区免费看| 欧美日韩精品成人综合77777| 99在线视频只有这里精品首页| 搞女人的毛片| а√天堂www在线а√下载| 99精品在免费线老司机午夜| 亚洲18禁久久av| 久久精品国产鲁丝片午夜精品| 少妇被粗大猛烈的视频| 久久精品国产亚洲网站| 麻豆久久精品国产亚洲av| 午夜老司机福利剧场| 国产伦在线观看视频一区| 一级毛片电影观看 | 我要搜黄色片| 赤兔流量卡办理| 国模一区二区三区四区视频| 免费看a级黄色片| 国产亚洲av片在线观看秒播厂 | 午夜精品国产一区二区电影 | 啦啦啦韩国在线观看视频| 欧美激情在线99| 欧美一区二区精品小视频在线| 欧美高清性xxxxhd video| 色综合站精品国产| 波野结衣二区三区在线| 99热全是精品| 久久久久久久久久黄片| 伊人久久精品亚洲午夜| 国产精品美女特级片免费视频播放器| 久久这里只有精品中国| 尾随美女入室| 亚洲国产色片| 日韩欧美一区二区三区在线观看| 97超碰精品成人国产| 一本久久中文字幕| 欧美日韩精品成人综合77777| 国产高清三级在线| 欧美zozozo另类| 男女啪啪激烈高潮av片| 精品人妻一区二区三区麻豆| 一级二级三级毛片免费看| 亚洲欧美精品自产自拍| 女的被弄到高潮叫床怎么办| 精品久久国产蜜桃| 在线天堂最新版资源| 亚洲欧美精品综合久久99| 亚洲精品国产成人久久av|