• <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CNN-SVM的護理不良事件文本分類研究*

    2020-03-04 08:15:28葛曉偉李凱霞
    計算機工程與科學(xué) 2020年1期
    關(guān)鍵詞:分類文本模型

    葛曉偉,李凱霞,程 銘

    (鄭州大學(xué)第一附屬醫(yī)院,河南 鄭州 450052)

    1 引言

    隨著信息化技術(shù)的快速發(fā)展,醫(yī)院信息化系統(tǒng)的不斷更新,當前護理數(shù)據(jù)呈現(xiàn)爆炸性增長,醫(yī)院護理不良事件記錄,數(shù)據(jù)類型復(fù)雜、結(jié)構(gòu)化數(shù)據(jù)以及文本等非結(jié)構(gòu)化數(shù)據(jù)大量并存,如何利用大數(shù)據(jù)技術(shù)整合護理不良事件數(shù)據(jù)并進行處理,獲得全面、高效、精確的分析或預(yù)測結(jié)果,成為現(xiàn)在護理不良事件研究迫切的需求[1 - 3]。

    近些年來,醫(yī)療及護理安全越來越受到廣泛關(guān)注,不良事件發(fā)生率高、影響大、后果嚴重,不僅可能導(dǎo)致患者傷殘或死亡,也可能影響醫(yī)務(wù)及護理人員人身安全,延長患者住院時間,增加醫(yī)療成本及社會經(jīng)濟負擔[4]。在臨床工作中,護理人員與患者接觸機會多、時間長,且護理工作繁重、繁瑣,容易出現(xiàn)差錯[5]。目前護理不良事件發(fā)生數(shù)量已接近全部醫(yī)療不良事件的一半[6,7],因此,注重護理安全的管理和預(yù)防,控制護理不良事件發(fā)生至關(guān)重要。

    當前大部分醫(yī)院已經(jīng)引入護理不良事件上報系統(tǒng),能夠?qū)崿F(xiàn)護理不良事件的上報、審核與簡單統(tǒng)計功能,然而在上報階段,護理不良事件上報的內(nèi)容未形成規(guī)范,不能統(tǒng)一化和制度化。各家醫(yī)療機構(gòu)的上報標準不統(tǒng)一,導(dǎo)致上報的內(nèi)容多以敘述和描述事件發(fā)生的流程等非結(jié)構(gòu)化文本信息為主,缺乏合理明確的分類特征,出現(xiàn)人工分析難度大、人為因素多等問題[8,9]。另外,護理不良事件側(cè)重于找出并分析問題,護理人員因多種因素,可能存在漏報、瞞報、人為降低不良事件級別等問題。

    針對如何智能化地對護理不良事件中的非結(jié)構(gòu)化文本進行有效分析,降低人為因素影響的問題,Cao等人[10]基于系統(tǒng)開發(fā)的生命周期,開發(fā)并實施了醫(yī)院護理不良事件上報系統(tǒng),但系統(tǒng)中的護理不良事件分析主要針對結(jié)構(gòu)化數(shù)據(jù);Clark[11]利用貝葉斯算法分析非臨床不良事件觀察與臨床試驗中對大量批準藥物的相同事件的觀察之間的關(guān)聯(lián)性。Tomita等人[12]利用Text Mining Studio工具對護理服務(wù)中電子健康檔案等相關(guān)醫(yī)療文本數(shù)據(jù)進行不良事件分析;Roy等人[13]提出了一種機器學(xué)習(xí)模型,來改進目前用于評估和預(yù)測多種慢性病相關(guān)的不良事件風(fēng)險的技術(shù)。Dev等人[14]通過將傳統(tǒng)的機器學(xué)習(xí)與深度學(xué)習(xí)方法進行對比,來對藥物警戒中不良事件進行自動分類;宋杰等人[15]通過驗證自然語言處理對于分析護理不良事件非結(jié)構(gòu)化文本的可行性,證實自然語言處理技術(shù)可以對護理不良事件非結(jié)構(gòu)化文本進行有效識別;Kim[16]通過設(shè)計TEXTCNN模型,將CNN(Convolutional Neural Network)用在文本分類上,簡單高效;Yin等人[17]經(jīng)過對比實驗發(fā)現(xiàn)CNN在文本分類上與RNN(Recurrent Neural Network)相比,訓(xùn)練時間比較短,文本分類效果良好。

    根據(jù)上述研究,目前基于護理不良事件的研究仍然在于實現(xiàn)結(jié)構(gòu)化數(shù)據(jù)的統(tǒng)計分析,而非結(jié)構(gòu)化文本信息描述了不良事件發(fā)生的起因、經(jīng)過與結(jié)果,信息非常重要,對于護理不良事件中非結(jié)構(gòu)化文本信息的研究目前還比較少[18]。為充分利用護理不良事件中非結(jié)構(gòu)化文本中的有效信息,避免對特征的依賴,提高不良事件級別預(yù)測的準確性,考慮利用深度學(xué)習(xí)的方法來處理自然語言任務(wù)。因此,本文提出一種基于字符級的CNN-SVM中文文本分類模型,該模型不需要使用預(yù)先訓(xùn)練好的詞向量和語法結(jié)構(gòu)等信息,并在解決非線性問題時能夠避免維度災(zāi)難的問題,且容易實現(xiàn)對多種語言的快速分類,有更好的分類效果。

    2 基于CNN-SVM的中文文本分類

    首先,通過訓(xùn)練集構(gòu)建字符級文本詞匯表,并對分類的類別以及文本數(shù)據(jù)進行向量化,利用卷積神經(jīng)網(wǎng)絡(luò)CNN[19]提取文本的抽象特征,然后通過1對1(One-against-One)的支持向量機SVM(Support Vector Machine)[20]多分類器對提取的文本特征進行分類。

    2.1 構(gòu)建文本詞匯表

    由于中文文本復(fù)雜度較高,采用傳統(tǒng)的向量空間模型表示文本信息時會出現(xiàn)特征向量維度過高和數(shù)據(jù)稀疏的問題,因此造成計算復(fù)雜度的增加,從而導(dǎo)致計算時長急劇上升;同時,傳統(tǒng)文本向量化方法忽略了詞在文本中的位置信息和相關(guān)語義信息,從而導(dǎo)致分類精度下降。因此,本文采用文本字符來構(gòu)造詞匯表。

    若設(shè)置詞匯表W的大小為n,按照訓(xùn)練集(Train Set)文本中各中文字符出現(xiàn)的次數(shù)排序,選擇出現(xiàn)較多的前n-1個中文字符構(gòu)造詞匯表W,并設(shè)置1個特殊值來表示不在詞匯表W出現(xiàn)的字符。

    W={c1:0,c2:1,…,cn:n}

    (1)

    詞匯表中的字符用ci(i=0,1,2,…,1 999)表示,其中,0為特殊數(shù)值,表示不在該詞匯表中的字符,然后根據(jù)字符在詞匯表W中的位置信息來表示該字符。

    2.2 文本向量化

    (1)分類類別向量化。

    假設(shè)F表示分類目錄,選擇k個類別來進行分類,則k個類別文本的標簽和對應(yīng)的序號用字典形式表示如下。

    F={K1:0,K2:1,…,Kk:k-1}

    (2)

    (2)文本數(shù)據(jù)向量化。

    根據(jù)詞匯表W中生成的中文字符在文本中出現(xiàn)的頻次、位置等信息對文本數(shù)據(jù)集中的文本數(shù)據(jù)進行向量化。

    將每條數(shù)據(jù)的序列長度統(tǒng)一設(shè)置為j,即每個詞袋中詞的最大個數(shù)為j,分類的類別個數(shù)為k,訓(xùn)練集、校驗集、測試集大小分別為m1,m2,m3,則向量化后的數(shù)據(jù)格式如表1所示。

    Table 1 Text data vectorization表1 文本數(shù)據(jù)向量化

    2.3 CNN-SVM模型的構(gòu)建

    基于CNN-SVM的中文護理不良事件文本分類模型主要由2部分組成:基于字符級CNN的特征提取和利用SVM進行文本分類。通過利用字符級CNN對中文護理不良事件文本數(shù)據(jù)向量化后的內(nèi)容提取深層次特征,并用提取的特征來表示一段中文護理不良事件文本信息,最后通過SVM分類器對文本進行分類,如圖1所示。

    Figure 1 CNN-SVM model圖1 CNN-SVM模型

    (1)卷積層。

    中文護理不良事件文本處理使用一維卷積,矩陣的每1行代表1個分詞,截斷分詞沒有數(shù)學(xué)意義,故卷積filter的長度恒等于n,一維卷積需要多個寬度的濾波器(filter)來獲得不同的感受。

    文本數(shù)據(jù)向量化之后的矩陣S作為輸入,卷積層有不同種類的filter(F),在卷積時,取與filter寬度相同的句子片段作為輸入,則一個句子的第i個特征向量計算公式為:

    ci=(S*F)i=∑ki(S[i-m+1:i,:]?F)ki

    (3)

    其中,k表示卷積層數(shù),?表示卷積運算符,S[i-m+1:i,:]是寬度為m的矩陣塊,每個句子的輸入矩陣S與卷積核運算之后輸出特征向量ci,為形成更為豐富的特征,每一個filter都有p個卷積核。

    (2)池化層。

    通過卷積獲得文本特征后,為簡化網(wǎng)絡(luò)的計算復(fù)雜度,采用Max-Pooling,選取卷積結(jié)果計算后的最強特征,池化可自適應(yīng)輸入寬度,從而將不同長度的輸入轉(zhuǎn)換為統(tǒng)一長度的輸出。最大池化結(jié)果cpool為:

    cpool=max{ci,i=1,2,…,n-h+1}

    (4)

    其中,ci=1,2,…,n-h+1為卷積計算后的結(jié)果。n為一個由詞組成的句子的長度,h表示窗口大小。

    (3)全連接層。

    經(jīng)過池化后的數(shù)據(jù)按深度方向拼接成1個向量后提供給全連接層,經(jīng)softmax比較預(yù)測的標簽值和真實值來調(diào)整參數(shù),當在訓(xùn)練集上表現(xiàn)穩(wěn)定時,將池化層得到的高維特征表示提取出來。

    如采用CNN-softmax的方式,即可將池化層的輸出與softmax全連接,計算句子的標簽:

    (5)

    其中,W為權(quán)值矩陣,B為偏移矩陣。wk和bk是第k層的權(quán)重向量和偏移向量。

    (4)SVM多分類器。

    本文基于CNN-SVM的中文護理不良事件分類模型,采用SVM中1對1的方式把任意的2類構(gòu)造為1個分類器,因此k個類別需要(k-1)*k/2個分類器,通常這種分類方法比1對多的方式所用時間更少,效果更好。

    將池化層得到的測試集的高維特征表示提取出來后,放到SVM多分類器中,訓(xùn)練SVM模型直到準確率最高,使用訓(xùn)練時的參數(shù),將測試集數(shù)據(jù)送到模型中進行分類。

    3 實驗與結(jié)果分析

    3.1 實驗數(shù)據(jù)及度量標準

    護理不良事件非結(jié)構(gòu)化文本數(shù)據(jù)來源于國內(nèi)某大型三甲醫(yī)院護理不良事件上報登記系統(tǒng),該系統(tǒng)上線于2014年。

    取系統(tǒng)中2014到2018年共5年的數(shù)據(jù)11 751條,設(shè)置數(shù)據(jù)整理小組(由2名主管護師、3名護師、若干名護士組成)對數(shù)據(jù)進行整理,設(shè)置數(shù)據(jù)整理規(guī)則,去掉部分不完整數(shù)據(jù)(缺乏護理不良事件級別或事件經(jīng)過的數(shù)據(jù)),并對數(shù)據(jù)中已登記的事件級別進行審查,按照經(jīng)驗商定后進行修正,最終形成11 237條正確無誤數(shù)據(jù)進行實驗。

    數(shù)據(jù)分布使用了其中4個候選分類類別,數(shù)據(jù)集分布如表2所示。

    Table 2 Dataset level classification表2 數(shù)據(jù)集級別分類

    為驗證本文提出的分類模型性能,分別將不同的算法在相同的數(shù)據(jù)集上進行測試,將原始數(shù)據(jù)進行預(yù)處理后,隨機分為3個數(shù)據(jù)集,其中,訓(xùn)練集hl_train含有9 737條數(shù)據(jù),測試集hl_test含有1 000條數(shù)據(jù),驗證集hl_val含有500條數(shù)據(jù)。

    本文選擇召回率R(Recall)、F-值和準確率A(Accuracy)來評價護理不良事件中文本分類效果。召回率R計算公式如式(6)所示:

    (6)

    其中,TP是將2段相似的護理不良事件文本歸為1類,F(xiàn)P是將2段不相似的護理不良事件文本歸為1類。同理,根據(jù)不相似的護理不良事件文本歸為不同類及相似的歸為不同類來計算精確率P(Precision)。

    F-值是精確率P和召回率R的調(diào)和平均值,計算公式如下所示:

    (7)

    本文取β=1,使得F-值中的精確率和召回率權(quán)重相同,則根據(jù)相似不良事件的歸類與總的文本數(shù)量計算準確率A。

    3.2 結(jié)果分析

    基于字符級CNN-SVM分類模型通過設(shè)置不同的參數(shù)對數(shù)據(jù)集進行多次訓(xùn)練與測試,得到字符級CNN特征提取最優(yōu)參數(shù)配置如表3所示,根據(jù)得出的參數(shù)配置可知,基于字符級CNN特征提取的方式,能夠有效解決傳統(tǒng)基于TF-IDF(Term Frequency-Inverse Document Frequency)提取特征時出現(xiàn)的特征向量維度過高和數(shù)據(jù)稀疏的問題。

    Table 3 Character level CNN feature extraction parameter configuration list表3 字符級CNN特征提取參數(shù)配置列表

    為防止網(wǎng)絡(luò)學(xué)習(xí)過程中出現(xiàn)過擬合現(xiàn)象,利用交叉驗證(Cross-validation)[21]的方法,對訓(xùn)練集每執(zhí)行1次訓(xùn)練過程,在驗證集上評估1次模型的性能;根據(jù)網(wǎng)絡(luò)模型在驗證集上性能的狀態(tài)來判斷,該方法簡單有效,并且訓(xùn)練時間短,在實驗中經(jīng)常會產(chǎn)生很好的效果。

    學(xué)習(xí)率的正確選擇有利于網(wǎng)絡(luò)模型快速收斂到最優(yōu)權(quán)重,本文采用內(nèi)存需求小、適應(yīng)于大數(shù)據(jù)集和高維空間的AdaMax自適應(yīng)學(xué)習(xí)率算法[22]來選擇合適的學(xué)習(xí)率,在構(gòu)建的網(wǎng)絡(luò)模型上對不同的學(xué)習(xí)率進行實驗,最終選出合適的學(xué)習(xí)率。

    為驗證基于字符級CNN-SVM的中文護理不良事件文本分類模型的準確性,本文設(shè)計多組實驗進行對比:

    實驗1傳統(tǒng)基于TF-IDF的中文分類。

    針對傳統(tǒng)的基于TF-IDF特征提取,并進行中文分類的方法,實驗基于jieba中文分詞模塊對文本進行分詞、刪去停用詞之后,利用TF-IDF實現(xiàn)文本向量化等預(yù)處理操作,然后用邏輯回歸、隨機森林、SVM等分類器進行分類,結(jié)果如表4所示。

    Table 4 Comparison of traditional Chinese classification models based on TF-IDF表4 傳統(tǒng)基于TF-IDF的中文分類模型對比 %

    不良事件數(shù)據(jù)上的實驗結(jié)果表明,SVM進行分類的效果更好,但這3種方法準確率與F-值均在70%以下,效果普遍不理想,可能跟TF-IDF提取文本特征層次以及護理不良事件非結(jié)構(gòu)化文本的特性有關(guān)。

    實驗2基于字符級CNN的中文分類。

    實驗基于Tensorflow框架,利用字符級CNN實現(xiàn)中文護理不良事件文本特征提取,并根據(jù)CNN自身的softmax分類器或者1對1的SVM分類器實現(xiàn)中文護理不良事件文本的級別分類,實驗結(jié)果如表5所示。

    Table 5 Comparison of Chinese classification using CNN models 表5 利用CNN的中文分類模型對比 %

    利用相同的數(shù)據(jù)集對比實驗1與實驗2的結(jié)果,算法的平均召回率、平均F-值和平均準確率的對比折線圖如圖2所示。

    Figure 2 Comparison of various classification models圖2 各分類模型比較

    本文構(gòu)建的基于字符級CNN-SVM的中文護理不良事件分類模型和文獻[15]提出的利用字符級CNN-softmax實現(xiàn)文本分類的模型,在測試集上的F-值和準確率均好于傳統(tǒng)基于TF-IDF特征提取方式的分類模型,原因在于CNN卷積神經(jīng)網(wǎng)絡(luò)能夠提取出中文護理不良事件文本中更深層次的特征。基于字符級CNN-SVM分類模型的準確率最高,平均準確率達到78%。顯然本文構(gòu)建的基于字符級CNN-SVM的分類模型在中文護理不良事件文本分類中的性能優(yōu)于傳統(tǒng)的基于TF-IDF的分類模型及基于字符級CNN-softmax的分類模型。

    4 結(jié)束語

    通過自然語言處理技術(shù)對非結(jié)構(gòu)化信息進行自動分析,是醫(yī)院護理不良事件大數(shù)據(jù)分析的基礎(chǔ),由于醫(yī)院護理不良事件發(fā)生時,需要記錄事件發(fā)生的全部細節(jié),非結(jié)構(gòu)化文本信息在闡述醫(yī)院護理不良事件上,有著結(jié)構(gòu)化數(shù)據(jù)不可替代的重要作用。因此,自然語言處理技術(shù)能夠成為醫(yī)院護理不良事件非結(jié)構(gòu)化文本數(shù)據(jù)因素識別的輔助工具。本文提出的基于字符級CNN-SVM醫(yī)院中文護理不良事件文本分類模型與傳統(tǒng)的基于TF-IDF的分類模型及基于字符級CNN-softmax的分類模型相比,準確性有較大提高,能夠?qū)崿F(xiàn)對護理不良事件中非結(jié)構(gòu)化信息的有效分類。

    另外,進一步形成護理不良事件智能分析預(yù)警系統(tǒng),輔助臨床護士進行決策是下一步研究內(nèi)容。

    猜你喜歡
    分類文本模型
    一半模型
    分類算一算
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    在808DA上文本顯示的改善
    分類討論求坐標
    基于doc2vec和TF-IDF的相似文本識別
    電子制作(2018年18期)2018-11-14 01:48:06
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    3D打印中的模型分割與打包
    久久久久久久久免费视频了| 久久青草综合色| 国产精品麻豆人妻色哟哟久久| 热re99久久国产66热| 欧美国产精品一级二级三级| 国产福利在线免费观看视频| 国产色婷婷99| 亚洲欧美一区二区三区国产| av免费在线看不卡| 日产精品乱码卡一卡2卡三| 中文字幕人妻丝袜制服| 午夜福利视频在线观看免费| 啦啦啦在线免费观看视频4| 成人影院久久| 欧美精品av麻豆av| 女人精品久久久久毛片| 欧美bdsm另类| 亚洲精品自拍成人| 国产一区二区激情短视频 | 久久久久国产精品人妻一区二区| 精品午夜福利在线看| 国产精品人妻久久久影院| 久久99精品国语久久久| 狠狠婷婷综合久久久久久88av| 国产又色又爽无遮挡免| 亚洲av在线观看美女高潮| 777久久人妻少妇嫩草av网站| 久久 成人 亚洲| 高清不卡的av网站| 国产一区亚洲一区在线观看| 成人国产麻豆网| 亚洲av国产av综合av卡| 免费大片黄手机在线观看| 尾随美女入室| 精品人妻熟女毛片av久久网站| 曰老女人黄片| 国产免费视频播放在线视频| 青青草视频在线视频观看| 青草久久国产| 亚洲av国产av综合av卡| 如日韩欧美国产精品一区二区三区| 精品久久久久久电影网| 2018国产大陆天天弄谢| 久久久久视频综合| 女人精品久久久久毛片| 最新中文字幕久久久久| 亚洲美女黄色视频免费看| 国产成人精品在线电影| 国产精品国产av在线观看| 久热这里只有精品99| 欧美av亚洲av综合av国产av | av国产久精品久网站免费入址| 国产亚洲欧美精品永久| 高清av免费在线| 桃花免费在线播放| 精品一区二区免费观看| 免费观看a级毛片全部| 观看av在线不卡| 国产黄频视频在线观看| 最新的欧美精品一区二区| 2022亚洲国产成人精品| 成人黄色视频免费在线看| 日本-黄色视频高清免费观看| 18禁国产床啪视频网站| 极品少妇高潮喷水抽搐| 伊人久久国产一区二区| 男女午夜视频在线观看| 亚洲五月色婷婷综合| 毛片一级片免费看久久久久| av不卡在线播放| 在线 av 中文字幕| 建设人人有责人人尽责人人享有的| 精品99又大又爽又粗少妇毛片| 国产又爽黄色视频| 久久婷婷青草| 亚洲三级黄色毛片| 久久亚洲国产成人精品v| 免费大片黄手机在线观看| www.av在线官网国产| 永久免费av网站大全| 婷婷色综合大香蕉| 搡女人真爽免费视频火全软件| 午夜激情久久久久久久| 久久综合国产亚洲精品| 精品卡一卡二卡四卡免费| 国产精品国产三级国产专区5o| 日日啪夜夜爽| 男女无遮挡免费网站观看| 欧美激情 高清一区二区三区| 日韩熟女老妇一区二区性免费视频| av网站免费在线观看视频| 久久99精品国语久久久| 亚洲欧洲国产日韩| 欧美国产精品一级二级三级| 国产成人av激情在线播放| 日本猛色少妇xxxxx猛交久久| 亚洲av福利一区| 国产精品人妻久久久影院| 国产人伦9x9x在线观看 | 夫妻午夜视频| 观看av在线不卡| 母亲3免费完整高清在线观看 | 亚洲国产精品国产精品| 亚洲精品国产av成人精品| 两个人看的免费小视频| 国产日韩一区二区三区精品不卡| 日韩成人av中文字幕在线观看| 久久午夜综合久久蜜桃| 国产精品人妻久久久影院| 日韩精品有码人妻一区| 如日韩欧美国产精品一区二区三区| 电影成人av| 久久亚洲国产成人精品v| 97在线人人人人妻| av女优亚洲男人天堂| 久久99热这里只频精品6学生| 国产极品粉嫩免费观看在线| 日韩av不卡免费在线播放| 国产欧美亚洲国产| 日韩一区二区视频免费看| 久热久热在线精品观看| av电影中文网址| 久久综合国产亚洲精品| 国产精品人妻久久久影院| 桃花免费在线播放| 日本午夜av视频| 香蕉国产在线看| 精品福利永久在线观看| 久久女婷五月综合色啪小说| 午夜免费男女啪啪视频观看| 18禁观看日本| 亚洲四区av| 毛片一级片免费看久久久久| 我的亚洲天堂| 国产精品免费大片| 桃花免费在线播放| 少妇人妻久久综合中文| 90打野战视频偷拍视频| 亚洲在久久综合| 亚洲人成网站在线观看播放| 国产精品久久久av美女十八| 黑人巨大精品欧美一区二区蜜桃| 啦啦啦啦在线视频资源| 亚洲综合精品二区| av国产精品久久久久影院| 自拍欧美九色日韩亚洲蝌蚪91| 男人操女人黄网站| 波野结衣二区三区在线| 在线天堂中文资源库| 美女中出高潮动态图| 久久精品国产鲁丝片午夜精品| 性色av一级| 老司机影院成人| 亚洲欧美清纯卡通| 美女福利国产在线| 久久人人爽av亚洲精品天堂| av国产精品久久久久影院| 午夜福利视频精品| 日本欧美国产在线视频| 亚洲av免费高清在线观看| 超碰成人久久| 亚洲精品国产av成人精品| 午夜日韩欧美国产| av国产精品久久久久影院| 制服人妻中文乱码| 中文字幕最新亚洲高清| 午夜久久久在线观看| 欧美bdsm另类| 中文字幕人妻熟女乱码| 天天躁夜夜躁狠狠久久av| 免费观看在线日韩| 久久精品人人爽人人爽视色| 不卡视频在线观看欧美| 日韩,欧美,国产一区二区三区| 国产精品国产av在线观看| 久久精品熟女亚洲av麻豆精品| 在线观看人妻少妇| 精品亚洲乱码少妇综合久久| 久热久热在线精品观看| 亚洲精品在线美女| 久久人人爽人人片av| 国产片特级美女逼逼视频| 99九九在线精品视频| 一区二区三区四区激情视频| 人人澡人人妻人| 青春草亚洲视频在线观看| 国产亚洲欧美精品永久| 又粗又硬又长又爽又黄的视频| 一本—道久久a久久精品蜜桃钙片| 又大又黄又爽视频免费| 香蕉国产在线看| 日本av免费视频播放| 青草久久国产| 香蕉国产在线看| 久久精品国产自在天天线| 亚洲精品视频女| 超色免费av| 亚洲精品视频女| 永久网站在线| 久久久亚洲精品成人影院| 久久久久久久久久久久大奶| a级毛片在线看网站| 成人毛片a级毛片在线播放| av有码第一页| 亚洲经典国产精华液单| 99国产综合亚洲精品| 亚洲精品美女久久av网站| 老汉色av国产亚洲站长工具| 人妻一区二区av| 在线天堂中文资源库| 国产色婷婷99| 日韩视频在线欧美| 天天躁狠狠躁夜夜躁狠狠躁| 99久久人妻综合| 日日啪夜夜爽| 亚洲精品一区蜜桃| 精品亚洲成a人片在线观看| 国产日韩欧美亚洲二区| 新久久久久国产一级毛片| 一个人免费看片子| 巨乳人妻的诱惑在线观看| 亚洲国产欧美日韩在线播放| 欧美成人精品欧美一级黄| 久久久久久人人人人人| 老熟女久久久| 亚洲av在线观看美女高潮| 黑人巨大精品欧美一区二区蜜桃| 欧美日韩亚洲高清精品| 久久久久久久大尺度免费视频| 精品99又大又爽又粗少妇毛片| 久久人人97超碰香蕉20202| 极品少妇高潮喷水抽搐| 另类精品久久| 亚洲av综合色区一区| √禁漫天堂资源中文www| 一级毛片电影观看| 午夜日韩欧美国产| 久久精品久久久久久久性| 男人添女人高潮全过程视频| av.在线天堂| 日韩精品有码人妻一区| 国产日韩一区二区三区精品不卡| av不卡在线播放| 高清在线视频一区二区三区| 老司机影院毛片| 日产精品乱码卡一卡2卡三| 亚洲美女视频黄频| 青春草亚洲视频在线观看| 亚洲国产欧美网| 另类精品久久| 美女中出高潮动态图| 亚洲成色77777| 免费人妻精品一区二区三区视频| 亚洲av福利一区| 色视频在线一区二区三区| a级毛片黄视频| 精品亚洲成国产av| 久久久国产精品麻豆| 色吧在线观看| 亚洲av免费高清在线观看| 在线观看免费视频网站a站| 天天操日日干夜夜撸| 午夜久久久在线观看| 亚洲成人手机| 亚洲av在线观看美女高潮| 欧美激情高清一区二区三区 | a级毛片在线看网站| 国产片内射在线| 下体分泌物呈黄色| 精品视频人人做人人爽| 亚洲av日韩在线播放| 亚洲内射少妇av| 午夜老司机福利剧场| 亚洲精品中文字幕在线视频| 两个人免费观看高清视频| 精品人妻熟女毛片av久久网站| 一级毛片黄色毛片免费观看视频| 人人妻人人澡人人看| 久久久精品94久久精品| 久久午夜福利片| 久久精品久久久久久久性| 精品亚洲成国产av| 亚洲成av片中文字幕在线观看 | 美女主播在线视频| 一边亲一边摸免费视频| 国产免费视频播放在线视频| 欧美日韩精品网址| 乱人伦中国视频| kizo精华| 免费人妻精品一区二区三区视频| 国产综合精华液| 国产精品国产三级国产专区5o| 一区二区日韩欧美中文字幕| 国产成人精品无人区| 久久久久久伊人网av| 精品卡一卡二卡四卡免费| 成年av动漫网址| 黄色一级大片看看| 视频区图区小说| 亚洲成人手机| 欧美日韩亚洲高清精品| 黄片小视频在线播放| 中文欧美无线码| av天堂久久9| 九色亚洲精品在线播放| 精品人妻在线不人妻| a级毛片在线看网站| 日韩成人av中文字幕在线观看| 丰满饥渴人妻一区二区三| 人妻 亚洲 视频| 男女免费视频国产| 久久久久精品久久久久真实原创| 男女高潮啪啪啪动态图| 中文字幕精品免费在线观看视频| 国产成人欧美| 久久久欧美国产精品| 亚洲欧美精品自产自拍| 亚洲美女视频黄频| 我的亚洲天堂| 最近的中文字幕免费完整| 日本91视频免费播放| 欧美日本中文国产一区发布| 亚洲一区二区三区欧美精品| 精品第一国产精品| 婷婷成人精品国产| 国产成人一区二区在线| 街头女战士在线观看网站| 国产日韩一区二区三区精品不卡| 麻豆乱淫一区二区| 亚洲男人天堂网一区| 亚洲美女黄色视频免费看| 久久青草综合色| 日日啪夜夜爽| 永久网站在线| 日日撸夜夜添| 高清欧美精品videossex| 国产乱人偷精品视频| 女性生殖器流出的白浆| 午夜av观看不卡| 我的亚洲天堂| 婷婷成人精品国产| 亚洲在久久综合| 香蕉国产在线看| 国精品久久久久久国模美| 狂野欧美激情性bbbbbb| 80岁老熟妇乱子伦牲交| 母亲3免费完整高清在线观看 | 国产精品女同一区二区软件| 丝袜脚勾引网站| 久久这里有精品视频免费| 亚洲一码二码三码区别大吗| 成人国语在线视频| 婷婷色综合www| 久久久国产欧美日韩av| 亚洲成人av在线免费| 99热网站在线观看| 欧美日韩精品网址| 国产男人的电影天堂91| 在线观看美女被高潮喷水网站| 一边摸一边做爽爽视频免费| 午夜免费男女啪啪视频观看| 亚洲激情五月婷婷啪啪| 久久午夜综合久久蜜桃| 韩国高清视频一区二区三区| 欧美黄色片欧美黄色片| 午夜日本视频在线| 黑人猛操日本美女一级片| 亚洲三区欧美一区| 日韩欧美一区视频在线观看| 伊人亚洲综合成人网| 男女高潮啪啪啪动态图| 亚洲欧美精品综合一区二区三区 | 美女高潮到喷水免费观看| 国产精品秋霞免费鲁丝片| 色播在线永久视频| 在线观看免费视频网站a站| 麻豆av在线久日| 丰满迷人的少妇在线观看| 亚洲av综合色区一区| 日韩熟女老妇一区二区性免费视频| 丝袜人妻中文字幕| 99九九在线精品视频| 亚洲三级黄色毛片| 国产精品无大码| 亚洲国产精品一区三区| 美女视频免费永久观看网站| 国产在线免费精品| 一本—道久久a久久精品蜜桃钙片| 午夜免费鲁丝| 亚洲伊人色综图| 久久这里有精品视频免费| 纵有疾风起免费观看全集完整版| 久久午夜综合久久蜜桃| 亚洲图色成人| 你懂的网址亚洲精品在线观看| 啦啦啦在线观看免费高清www| 日韩中文字幕欧美一区二区 | 国产精品免费大片| 少妇熟女欧美另类| 亚洲中文av在线| 免费不卡的大黄色大毛片视频在线观看| 下体分泌物呈黄色| 亚洲精华国产精华液的使用体验| 观看av在线不卡| 免费日韩欧美在线观看| 日本欧美视频一区| a级毛片在线看网站| 在线观看国产h片| 一边摸一边做爽爽视频免费| 五月开心婷婷网| 亚洲国产欧美在线一区| 国产乱来视频区| 国产精品一区二区在线观看99| √禁漫天堂资源中文www| 亚洲成人一二三区av| 国产有黄有色有爽视频| 校园人妻丝袜中文字幕| 新久久久久国产一级毛片| 欧美精品一区二区大全| 黑人欧美特级aaaaaa片| 18禁观看日本| 在线看a的网站| 亚洲情色 制服丝袜| 久久久久久久大尺度免费视频| 人体艺术视频欧美日本| 色哟哟·www| 国产欧美日韩一区二区三区在线| 欧美激情高清一区二区三区 | 亚洲av.av天堂| 国产 精品1| 久久精品人人爽人人爽视色| 国产精品 欧美亚洲| 丝袜在线中文字幕| 成人亚洲欧美一区二区av| 黑人欧美特级aaaaaa片| 韩国精品一区二区三区| 日韩av在线免费看完整版不卡| 久久精品久久精品一区二区三区| 91成人精品电影| 如日韩欧美国产精品一区二区三区| 亚洲成人手机| 热99久久久久精品小说推荐| 欧美日韩视频精品一区| 不卡av一区二区三区| 不卡视频在线观看欧美| √禁漫天堂资源中文www| 亚洲伊人色综图| 国产极品天堂在线| 咕卡用的链子| 人人妻人人爽人人添夜夜欢视频| 成人国语在线视频| 精品99又大又爽又粗少妇毛片| 国产成人精品无人区| 校园人妻丝袜中文字幕| 日本欧美视频一区| av免费观看日本| 欧美日韩精品网址| 熟女电影av网| 亚洲,一卡二卡三卡| 久久精品aⅴ一区二区三区四区 | 少妇人妻 视频| a级毛片黄视频| 成人亚洲精品一区在线观看| 国产亚洲最大av| 亚洲国产毛片av蜜桃av| 亚洲精品久久久久久婷婷小说| 丰满少妇做爰视频| 欧美老熟妇乱子伦牲交| 伦精品一区二区三区| 亚洲欧洲国产日韩| 激情视频va一区二区三区| 男女免费视频国产| videossex国产| 人妻一区二区av| 午夜激情久久久久久久| 免费黄网站久久成人精品| 亚洲第一区二区三区不卡| 日韩成人av中文字幕在线观看| 国产精品香港三级国产av潘金莲 | 久久国内精品自在自线图片| 午夜免费男女啪啪视频观看| 免费看av在线观看网站| 99久久综合免费| 80岁老熟妇乱子伦牲交| 国产精品秋霞免费鲁丝片| 久久国内精品自在自线图片| 国产伦理片在线播放av一区| av又黄又爽大尺度在线免费看| 成人二区视频| 久久久久久久久久人人人人人人| 免费在线观看黄色视频的| 99久久精品国产国产毛片| 老汉色av国产亚洲站长工具| 日本猛色少妇xxxxx猛交久久| 亚洲少妇的诱惑av| 日韩伦理黄色片| 色婷婷久久久亚洲欧美| 亚洲精品美女久久久久99蜜臀 | 观看美女的网站| 亚洲成人一二三区av| 看十八女毛片水多多多| 久久久国产一区二区| 天天躁夜夜躁狠狠躁躁| 黄频高清免费视频| 高清av免费在线| 国产黄色视频一区二区在线观看| 国产探花极品一区二区| 菩萨蛮人人尽说江南好唐韦庄| 欧美 亚洲 国产 日韩一| 十八禁网站网址无遮挡| 久久久国产一区二区| 老熟女久久久| 这个男人来自地球电影免费观看 | xxx大片免费视频| 亚洲三区欧美一区| 最近中文字幕2019免费版| 亚洲欧洲精品一区二区精品久久久 | 黑人巨大精品欧美一区二区蜜桃| 女性生殖器流出的白浆| 亚洲内射少妇av| 另类精品久久| 人体艺术视频欧美日本| 久久午夜综合久久蜜桃| av在线app专区| 中文欧美无线码| 亚洲四区av| 国产一区二区激情短视频 | 亚洲欧美一区二区三区黑人 | 免费少妇av软件| 少妇人妻 视频| 激情视频va一区二区三区| 久久精品国产亚洲av高清一级| 看免费av毛片| 少妇的逼水好多| 成人国语在线视频| 免费黄网站久久成人精品| 中文欧美无线码| 欧美日韩精品网址| 肉色欧美久久久久久久蜜桃| 亚洲精品av麻豆狂野| 宅男免费午夜| 又粗又硬又长又爽又黄的视频| 国产爽快片一区二区三区| 天天躁夜夜躁狠狠久久av| 夜夜骑夜夜射夜夜干| 国产在线免费精品| 9色porny在线观看| 免费少妇av软件| 日韩制服骚丝袜av| 欧美日韩精品网址| 美女脱内裤让男人舔精品视频| 成人18禁高潮啪啪吃奶动态图| 日韩电影二区| 国产成人91sexporn| 晚上一个人看的免费电影| 精品人妻偷拍中文字幕| 天天躁日日躁夜夜躁夜夜| 免费大片黄手机在线观看| 国产人伦9x9x在线观看 | 一区二区三区精品91| 一级a爱视频在线免费观看| 国产女主播在线喷水免费视频网站| 色播在线永久视频| 欧美激情极品国产一区二区三区| 制服人妻中文乱码| 久久久精品免费免费高清| 亚洲综合色网址| 丝袜喷水一区| 少妇人妻久久综合中文| 晚上一个人看的免费电影| 免费高清在线观看视频在线观看| 国产精品久久久久久精品电影小说| 国产有黄有色有爽视频| 久久青草综合色| 亚洲男人天堂网一区| www.熟女人妻精品国产| 国产成人精品一,二区| 精品国产一区二区久久| 久久久久久人人人人人| 精品人妻偷拍中文字幕| 五月天丁香电影| 中文字幕人妻丝袜制服| 丝袜美足系列| 精品酒店卫生间| 精品少妇久久久久久888优播| 国产精品不卡视频一区二区| 精品一区在线观看国产| 国产成人午夜福利电影在线观看| 欧美国产精品一级二级三级| 久热这里只有精品99| 日本猛色少妇xxxxx猛交久久| 精品国产一区二区三区四区第35| 免费不卡的大黄色大毛片视频在线观看| 99久久人妻综合| 国产精品秋霞免费鲁丝片| 男人舔女人的私密视频| 波多野结衣一区麻豆| 韩国高清视频一区二区三区| 久久久亚洲精品成人影院| 午夜激情av网站| a级毛片在线看网站| 水蜜桃什么品种好| 国产女主播在线喷水免费视频网站| 不卡av一区二区三区| 日本免费在线观看一区| 亚洲精品国产av成人精品| 欧美日韩综合久久久久久| av国产久精品久网站免费入址| 亚洲经典国产精华液单| 久久韩国三级中文字幕| av有码第一页| 午夜福利视频精品| 90打野战视频偷拍视频| 久久午夜福利片| 超碰成人久久|