• <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
    欧美日韩视频精品一区| 国产一级毛片在线| 高清欧美精品videossex| 多毛熟女@视频| 黄色片一级片一级黄色片| cao死你这个sao货| 十八禁网站网址无遮挡| 日本五十路高清| 国产精品一区二区精品视频观看| 中文字幕高清在线视频| 搡老乐熟女国产| 麻豆av在线久日| 黄色一级大片看看| 91精品三级在线观看| 午夜福利乱码中文字幕| 久久久久久人人人人人| 成年人午夜在线观看视频| 久久精品国产综合久久久| 久久青草综合色| 欧美国产精品一级二级三级| 99热国产这里只有精品6| av网站免费在线观看视频| 看免费成人av毛片| 亚洲国产精品999| avwww免费| 国产日韩欧美亚洲二区| 嫩草影视91久久| 啦啦啦啦在线视频资源| 成年人午夜在线观看视频| 国产1区2区3区精品| 亚洲情色 制服丝袜| 国产精品一区二区在线不卡| 首页视频小说图片口味搜索 | 制服诱惑二区| 国产一区二区三区综合在线观看| 国产亚洲精品第一综合不卡| 亚洲成人免费av在线播放| 久久久久国产精品人妻一区二区| 男人爽女人下面视频在线观看| 国产片特级美女逼逼视频| 丰满少妇做爰视频| 99国产精品99久久久久| 久久99热这里只频精品6学生| 国产麻豆69| 七月丁香在线播放| 午夜老司机福利片| 一区在线观看完整版| 国产精品久久久久久人妻精品电影 | 久久99精品国语久久久| 一二三四社区在线视频社区8| 中国国产av一级| 只有这里有精品99| 国产极品粉嫩免费观看在线| 久久人妻福利社区极品人妻图片 | 波多野结衣一区麻豆| 精品免费久久久久久久清纯 | 老司机深夜福利视频在线观看 | 女警被强在线播放| 桃花免费在线播放| 日本一区二区免费在线视频| 菩萨蛮人人尽说江南好唐韦庄| 各种免费的搞黄视频| 欧美黄色片欧美黄色片| 自线自在国产av| 国产一区有黄有色的免费视频| 另类精品久久| 亚洲精品一卡2卡三卡4卡5卡 | 99热网站在线观看| e午夜精品久久久久久久| 少妇人妻 视频| 日韩中文字幕视频在线看片| 国产黄色免费在线视频| 国产成人av教育| 少妇人妻 视频| 国产成人av教育| 1024视频免费在线观看| 欧美亚洲 丝袜 人妻 在线| 十八禁人妻一区二区| 日本a在线网址| 女人久久www免费人成看片| 亚洲国产看品久久| 国产精品国产av在线观看| 两个人免费观看高清视频| 两个人免费观看高清视频| 国产欧美日韩精品亚洲av| 精品国产一区二区三区四区第35| 国产日韩欧美亚洲二区| 国产一卡二卡三卡精品| 国产欧美日韩精品亚洲av| 国产熟女欧美一区二区| 午夜福利,免费看| 国产有黄有色有爽视频| 叶爱在线成人免费视频播放| 欧美激情高清一区二区三区| 欧美激情高清一区二区三区| 男女之事视频高清在线观看 | av片东京热男人的天堂| 十分钟在线观看高清视频www| 精品免费久久久久久久清纯 | 男人舔女人的私密视频| 97精品久久久久久久久久精品| 91九色精品人成在线观看| 高潮久久久久久久久久久不卡| 男女高潮啪啪啪动态图| 啦啦啦中文免费视频观看日本| 夫妻午夜视频| 久久久久国产一级毛片高清牌| 国产精品免费大片| 激情五月婷婷亚洲| 乱人伦中国视频| 嫁个100分男人电影在线观看 | 国产亚洲欧美在线一区二区| 免费在线观看黄色视频的| 亚洲黑人精品在线| 亚洲av成人精品一二三区| 少妇的丰满在线观看| 啦啦啦在线观看免费高清www| √禁漫天堂资源中文www| 亚洲av电影在线观看一区二区三区| 国产av国产精品国产| 午夜91福利影院| 欧美国产精品va在线观看不卡| 国产片特级美女逼逼视频| 亚洲精品第二区| 老汉色∧v一级毛片| 极品少妇高潮喷水抽搐| 少妇精品久久久久久久| 成人免费观看视频高清| 美女高潮到喷水免费观看| 纵有疾风起免费观看全集完整版| 人人妻人人澡人人看| 国产精品一区二区在线不卡| 一区二区三区乱码不卡18| 久久久精品区二区三区| 巨乳人妻的诱惑在线观看| 国产在线视频一区二区| 男女下面插进去视频免费观看| 亚洲人成电影免费在线| 男女边吃奶边做爰视频| 咕卡用的链子| 久久久久久免费高清国产稀缺| 国产xxxxx性猛交| 人人妻人人澡人人爽人人夜夜| 国产精品成人在线| 精品一区在线观看国产| 高清不卡的av网站| 男人爽女人下面视频在线观看| 少妇被粗大的猛进出69影院| 人人妻人人澡人人看| 一本综合久久免费| 考比视频在线观看| 99热国产这里只有精品6| 夜夜骑夜夜射夜夜干| 国产xxxxx性猛交| 久久99精品国语久久久| 一区二区三区乱码不卡18| 国产主播在线观看一区二区 | 免费看av在线观看网站| 美女高潮到喷水免费观看| 亚洲成国产人片在线观看| www日本在线高清视频| 欧美变态另类bdsm刘玥| 精品国产乱码久久久久久小说| 99久久99久久久精品蜜桃| 无遮挡黄片免费观看| 日韩av在线免费看完整版不卡| 两个人看的免费小视频| 伊人久久大香线蕉亚洲五| 久久人妻熟女aⅴ| 国产精品欧美亚洲77777| 在线观看www视频免费| av有码第一页| 国产精品欧美亚洲77777| 婷婷成人精品国产| 欧美xxⅹ黑人| 免费一级毛片在线播放高清视频 | 国产精品一区二区精品视频观看| 19禁男女啪啪无遮挡网站| 一本色道久久久久久精品综合| 老司机亚洲免费影院| 久久久欧美国产精品| 日本av免费视频播放| 午夜日韩欧美国产| 考比视频在线观看| 在线av久久热| 婷婷成人精品国产| 日韩人妻精品一区2区三区| 精品第一国产精品| 波多野结衣av一区二区av| 老鸭窝网址在线观看| xxxhd国产人妻xxx| 亚洲国产毛片av蜜桃av| 日本午夜av视频| 亚洲精品国产av成人精品| 赤兔流量卡办理| 亚洲欧洲国产日韩| 一级a爱视频在线免费观看| 十八禁网站网址无遮挡| 2018国产大陆天天弄谢| 伊人久久大香线蕉亚洲五| 满18在线观看网站| 在线观看免费高清a一片| 欧美av亚洲av综合av国产av| 欧美日韩视频精品一区| 丝袜脚勾引网站| 赤兔流量卡办理| 最黄视频免费看| 成年人午夜在线观看视频| 国产成人一区二区在线| 国产成人啪精品午夜网站| 久久久久久免费高清国产稀缺| 国产熟女欧美一区二区| 丁香六月欧美| 国产一卡二卡三卡精品| 成人三级做爰电影| 亚洲av成人不卡在线观看播放网 | 又粗又硬又长又爽又黄的视频| 久久久久国产精品人妻一区二区| 国产有黄有色有爽视频| 91精品国产国语对白视频| 久久狼人影院| 99精品久久久久人妻精品| 成年人午夜在线观看视频| 久久精品国产亚洲av涩爱| 一本—道久久a久久精品蜜桃钙片| 麻豆乱淫一区二区| 欧美在线一区亚洲| 99九九在线精品视频| 另类亚洲欧美激情| 欧美人与性动交α欧美精品济南到| 人妻人人澡人人爽人人| 国产91精品成人一区二区三区 | 亚洲色图 男人天堂 中文字幕| 一本综合久久免费| 女人久久www免费人成看片| 多毛熟女@视频| 男人舔女人的私密视频| 欧美xxⅹ黑人| 午夜免费鲁丝| h视频一区二区三区| 最新的欧美精品一区二区| 丁香六月欧美| 亚洲,欧美精品.| 国产成人91sexporn| 亚洲精品第二区| 国产有黄有色有爽视频| 啦啦啦视频在线资源免费观看| tube8黄色片| 日本av免费视频播放| 亚洲一区中文字幕在线| 90打野战视频偷拍视频| 成人18禁高潮啪啪吃奶动态图| 新久久久久国产一级毛片| 精品福利永久在线观看| 丝袜美足系列| 国产淫语在线视频| 亚洲国产av新网站| 午夜两性在线视频| 天堂中文最新版在线下载| xxxhd国产人妻xxx| 国产av一区二区精品久久| 亚洲欧美成人综合另类久久久| 女性被躁到高潮视频| 国产伦理片在线播放av一区| 性少妇av在线| 国产亚洲一区二区精品| 欧美激情高清一区二区三区| 久久精品久久精品一区二区三区| 波多野结衣av一区二区av| 99香蕉大伊视频| 国产精品一区二区精品视频观看| 老汉色av国产亚洲站长工具| 亚洲av男天堂| 亚洲av综合色区一区| 中文字幕另类日韩欧美亚洲嫩草| 搡老乐熟女国产| 国产xxxxx性猛交| 久久精品久久久久久噜噜老黄| 亚洲欧美中文字幕日韩二区| 成人亚洲精品一区在线观看| 一级片'在线观看视频| 91字幕亚洲| 又大又爽又粗| 老司机亚洲免费影院| 女人久久www免费人成看片| 成人18禁高潮啪啪吃奶动态图| 国产一区有黄有色的免费视频| 国产极品粉嫩免费观看在线| 老司机在亚洲福利影院| 叶爱在线成人免费视频播放| 日本av手机在线免费观看| 午夜免费男女啪啪视频观看| 亚洲成国产人片在线观看| 纯流量卡能插随身wifi吗| av网站免费在线观看视频| 一级毛片我不卡| 国产一卡二卡三卡精品| 自拍欧美九色日韩亚洲蝌蚪91| 久久久久久人人人人人| 这个男人来自地球电影免费观看| 热99国产精品久久久久久7| 国产一区二区三区综合在线观看| 久久ye,这里只有精品| 丁香六月天网| 国产色视频综合| 国产精品熟女久久久久浪| 国产精品一区二区在线观看99| 中文字幕最新亚洲高清| 免费黄频网站在线观看国产| 如日韩欧美国产精品一区二区三区| www日本在线高清视频| 黑丝袜美女国产一区| 亚洲精品国产色婷婷电影| 精品国产一区二区三区四区第35| 老司机午夜十八禁免费视频| 国产精品一二三区在线看| 国产女主播在线喷水免费视频网站| 欧美日韩国产mv在线观看视频| 亚洲第一青青草原| svipshipincom国产片| videos熟女内射| 美女主播在线视频| 欧美成人午夜精品| 欧美精品人与动牲交sv欧美| 王馨瑶露胸无遮挡在线观看| 国产淫语在线视频| 99热网站在线观看| 91字幕亚洲| 一区在线观看完整版| 亚洲精品日本国产第一区| 欧美激情高清一区二区三区| 国产免费视频播放在线视频| 1024香蕉在线观看| 国产激情久久老熟女| 搡老岳熟女国产| 国产成人av教育| 亚洲国产成人一精品久久久| 日本av免费视频播放| 又紧又爽又黄一区二区| 免费女性裸体啪啪无遮挡网站| 美女福利国产在线| 亚洲精品一二三| 亚洲国产中文字幕在线视频| 欧美av亚洲av综合av国产av| 极品人妻少妇av视频| 成人国产一区最新在线观看 | 搡老岳熟女国产| 色婷婷av一区二区三区视频| 免费在线观看影片大全网站 | 黄色视频在线播放观看不卡| 欧美日韩综合久久久久久| 亚洲中文日韩欧美视频| 久久亚洲国产成人精品v| √禁漫天堂资源中文www| 久久国产精品男人的天堂亚洲| 一本色道久久久久久精品综合| 99久久人妻综合| 免费在线观看黄色视频的| 亚洲av综合色区一区| 91国产中文字幕| 建设人人有责人人尽责人人享有的| 久久免费观看电影| 久久久久网色| 欧美xxⅹ黑人| 国产精品熟女久久久久浪| 亚洲九九香蕉| 人妻人人澡人人爽人人| 人体艺术视频欧美日本| 亚洲国产欧美网| 美女高潮到喷水免费观看| 一级毛片女人18水好多 | 一本综合久久免费| 国产男女超爽视频在线观看| 亚洲av片天天在线观看| 亚洲av日韩精品久久久久久密 | 国产精品国产av在线观看| 国产精品免费大片| avwww免费| 欧美日韩亚洲国产一区二区在线观看 | 男人添女人高潮全过程视频| 亚洲精品乱久久久久久| 国产亚洲精品第一综合不卡| 最新在线观看一区二区三区 | 只有这里有精品99| 日韩一区二区三区影片| 麻豆av在线久日| 精品少妇一区二区三区视频日本电影| 肉色欧美久久久久久久蜜桃| 王馨瑶露胸无遮挡在线观看| 人人妻人人澡人人爽人人夜夜| 丝袜美足系列| 久久女婷五月综合色啪小说| 亚洲中文日韩欧美视频| 亚洲成色77777| 日日摸夜夜添夜夜爱| 在线天堂中文资源库| 黄片播放在线免费| 欧美黄色片欧美黄色片| 黑人欧美特级aaaaaa片| 亚洲国产精品999| 午夜免费鲁丝| 国产在线视频一区二区| 丁香六月欧美| 国产精品.久久久| 亚洲,一卡二卡三卡| 亚洲,欧美,日韩| 中国国产av一级| 中文字幕人妻丝袜一区二区| 两个人看的免费小视频| 亚洲精品美女久久久久99蜜臀 | 国产成人精品在线电影| 丝袜美足系列| 国产男女超爽视频在线观看| 9191精品国产免费久久| 最近中文字幕2019免费版| 欧美人与性动交α欧美软件| 亚洲欧美精品自产自拍| 成年人午夜在线观看视频| 老鸭窝网址在线观看| 狂野欧美激情性bbbbbb| 天天躁夜夜躁狠狠久久av| 日韩 亚洲 欧美在线| 亚洲精品日韩在线中文字幕| 国产日韩欧美视频二区| 亚洲精品久久久久久婷婷小说| 另类精品久久| 欧美人与性动交α欧美精品济南到| 国产精品久久久久久精品古装| 日本色播在线视频| 美女视频免费永久观看网站| 日本色播在线视频| 在线亚洲精品国产二区图片欧美| 国产一区二区在线观看av| 亚洲国产精品国产精品| 国产一区二区在线观看av| 精品亚洲成a人片在线观看| 桃花免费在线播放| 青春草视频在线免费观看| 欧美中文综合在线视频| 国产又色又爽无遮挡免| 9色porny在线观看| 亚洲国产日韩一区二区| 午夜福利视频精品| 欧美日韩综合久久久久久| 亚洲欧美成人综合另类久久久| 国产成人欧美| 操出白浆在线播放| 亚洲精品一区蜜桃| 啦啦啦在线观看免费高清www| 人妻 亚洲 视频| 欧美少妇被猛烈插入视频| 欧美变态另类bdsm刘玥| 啦啦啦中文免费视频观看日本| 在线天堂中文资源库| 91精品伊人久久大香线蕉| 精品久久久久久久毛片微露脸 | 国产免费一区二区三区四区乱码| 欧美激情高清一区二区三区| 精品福利观看| 欧美亚洲 丝袜 人妻 在线| 婷婷成人精品国产| 国产麻豆69| 久久精品国产a三级三级三级| 首页视频小说图片口味搜索 | 国产精品一区二区免费欧美 | 一区二区三区精品91| 飞空精品影院首页| 菩萨蛮人人尽说江南好唐韦庄| 国产成人系列免费观看| 熟女少妇亚洲综合色aaa.| 一区二区日韩欧美中文字幕| 两个人看的免费小视频| 色94色欧美一区二区| av国产久精品久网站免费入址| 亚洲七黄色美女视频| 97精品久久久久久久久久精品| 日本色播在线视频| 精品亚洲成a人片在线观看| 大码成人一级视频| 国产欧美日韩一区二区三 | 亚洲国产最新在线播放| 国产精品久久久久久人妻精品电影 | 国产精品欧美亚洲77777| 黄片小视频在线播放| 午夜福利视频精品| 交换朋友夫妻互换小说| 建设人人有责人人尽责人人享有的| 18禁黄网站禁片午夜丰满| 91成人精品电影| 亚洲欧洲日产国产| 亚洲精品美女久久久久99蜜臀 | 电影成人av| 国产成人欧美| 成人国产av品久久久| 9热在线视频观看99| 免费高清在线观看视频在线观看| 丝瓜视频免费看黄片| 最新在线观看一区二区三区 | 一级毛片 在线播放| 精品一品国产午夜福利视频| 黄色a级毛片大全视频| 成人亚洲精品一区在线观看| 亚洲一区中文字幕在线| 一区在线观看完整版| 在线观看人妻少妇| 男女边吃奶边做爰视频| 大香蕉久久网| 在线 av 中文字幕| 香蕉国产在线看| 久久精品国产a三级三级三级| 啦啦啦在线观看免费高清www| 欧美黑人欧美精品刺激| 国产免费一区二区三区四区乱码| 男的添女的下面高潮视频| 久久久久久免费高清国产稀缺| 操美女的视频在线观看| 国产精品久久久人人做人人爽| 人人妻人人添人人爽欧美一区卜| 国产精品av久久久久免费| 侵犯人妻中文字幕一二三四区| 午夜av观看不卡| tube8黄色片| 久久午夜综合久久蜜桃| 大陆偷拍与自拍| 国产精品一区二区精品视频观看| 一区在线观看完整版| 在线观看一区二区三区激情| 国产激情久久老熟女| 啦啦啦 在线观看视频| 精品久久久精品久久久| 亚洲精品久久久久久婷婷小说| 好男人电影高清在线观看| 日本猛色少妇xxxxx猛交久久| 免费在线观看完整版高清| 99久久99久久久精品蜜桃| 男女边摸边吃奶| 天天躁夜夜躁狠狠躁躁| 欧美国产精品一级二级三级| 90打野战视频偷拍视频| 国产黄色视频一区二区在线观看| 亚洲av成人精品一二三区| 日韩欧美一区视频在线观看| 校园人妻丝袜中文字幕| 久久精品国产亚洲av高清一级| 国产亚洲av高清不卡| 亚洲av成人精品一二三区| 午夜福利一区二区在线看| 黄色毛片三级朝国网站| 日韩一本色道免费dvd| 欧美 日韩 精品 国产| 一本色道久久久久久精品综合| 一本一本久久a久久精品综合妖精| 99九九在线精品视频| 天天躁夜夜躁狠狠久久av| 韩国精品一区二区三区| 一级毛片电影观看| 老司机影院毛片| 日韩一区二区三区影片| 亚洲av男天堂| 人妻一区二区av| 99国产精品一区二区三区| 日本av免费视频播放| 巨乳人妻的诱惑在线观看| av国产精品久久久久影院| 免费观看av网站的网址| 亚洲国产欧美日韩在线播放| 熟女少妇亚洲综合色aaa.| 啦啦啦 在线观看视频| 午夜激情av网站| 日本一区二区免费在线视频| 精品国产一区二区三区四区第35| 中文字幕av电影在线播放| 你懂的网址亚洲精品在线观看| 国产黄色视频一区二区在线观看| 午夜老司机福利片| 亚洲精品一二三| 一本综合久久免费| 在线观看免费日韩欧美大片| 免费黄频网站在线观看国产| 91老司机精品| 纵有疾风起免费观看全集完整版| 亚洲国产成人一精品久久久| 一级毛片电影观看| 国产有黄有色有爽视频| 免费看av在线观看网站| 高清av免费在线| 亚洲中文av在线| 久久国产精品影院| 成人国语在线视频| www.999成人在线观看| 免费日韩欧美在线观看| 亚洲人成电影免费在线| 国产精品国产av在线观看| 婷婷色综合www| 国产黄频视频在线观看| 精品一区二区三卡| 丁香六月欧美| 男女边摸边吃奶| 波多野结衣av一区二区av| 日日夜夜操网爽| a级毛片在线看网站| av线在线观看网站| 中国国产av一级| 男女之事视频高清在线观看 | 亚洲精品日韩在线中文字幕| 国产亚洲精品第一综合不卡| 脱女人内裤的视频| 亚洲国产欧美一区二区综合| 男女午夜视频在线观看| 脱女人内裤的视频| 1024视频免费在线观看| 在线观看人妻少妇| 高清不卡的av网站| 十八禁人妻一区二区| 少妇精品久久久久久久|