• <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 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,不僅可能導致患者傷殘或死亡,也可能影響醫(yī)務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]提出了一種機器學習模型,來改進目前用于評估和預測多種慢性病相關(guān)的不良事件風險的技術(shù)。Dev等人[14]通過將傳統(tǒng)的機器學習與深度學習方法進行對比,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測的準確性,考慮利用深度學習的方法來處理自然語言任務。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先訓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,因此造成計算復雜度的增加,從而導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比較預測的標簽值和真實值來調(diào)整參數(shù),當在訓練集上表現(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,訓練SVM模型直到準確率最高,使用訓練時的參數(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)進行預處理后,隨機分為3個數(shù)據(jù)集,其中,訓練集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)學習過程中出現(xiàn)過擬合現(xiàn)象,利用交叉驗證(Cross-validation)[21]的方法,對訓練集每執(zhí)行1次訓練過程,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,并且訓練時間短,在實驗中經(jīng)常會產(chǎn)生很好的效果。

    學習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、適應于大數(shù)據(jù)集和高維空間的AdaMax自適應學習率算法[22]來選擇合適的學習率,在構(gòu)建的網(wǎng)絡(luò)模型上對不同的學習率進行實驗,最終選出合適的學習率。

    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?;谧址塁NN-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
    午夜免费男女啪啪视频观看| 一边亲一边摸免费视频| 91aial.com中文字幕在线观看| a级片在线免费高清观看视频| 欧美日韩av久久| 亚洲高清免费不卡视频| 丰满乱子伦码专区| 午夜福利影视在线免费观看| 亚洲欧美成人精品一区二区| 七月丁香在线播放| 免费大片黄手机在线观看| 久久鲁丝午夜福利片| 国产白丝娇喘喷水9色精品| 狠狠婷婷综合久久久久久88av| 在线天堂最新版资源| 纵有疾风起免费观看全集完整版| 99热这里只有是精品在线观看| 亚洲欧美成人综合另类久久久| 精品一品国产午夜福利视频| 精品午夜福利在线看| 久久人妻熟女aⅴ| 精品人妻偷拍中文字幕| 五月伊人婷婷丁香| 日韩三级伦理在线观看| 18禁在线播放成人免费| 精品久久蜜臀av无| 国产日韩欧美在线精品| 日韩成人av中文字幕在线观看| 天天操日日干夜夜撸| 日韩免费高清中文字幕av| 国产 一区精品| 性高湖久久久久久久久免费观看| av不卡在线播放| 一级毛片 在线播放| 亚洲精品色激情综合| 在线观看国产h片| 日本爱情动作片www.在线观看| 亚洲色图综合在线观看| 精品久久久久久久久av| 国产精品三级大全| 日韩中文字幕视频在线看片| 人妻制服诱惑在线中文字幕| 韩国高清视频一区二区三区| 成人18禁高潮啪啪吃奶动态图 | 国产精品三级大全| 卡戴珊不雅视频在线播放| 热99国产精品久久久久久7| 久久久精品区二区三区| 国产一区有黄有色的免费视频| 国产精品99久久久久久久久| 亚洲性久久影院| 你懂的网址亚洲精品在线观看| 亚洲av欧美aⅴ国产| 亚洲欧美色中文字幕在线| 97精品久久久久久久久久精品| 亚洲国产欧美在线一区| 亚洲精品aⅴ在线观看| 日日啪夜夜爽| 国国产精品蜜臀av免费| 久久ye,这里只有精品| 天天躁夜夜躁狠狠久久av| 亚洲欧美精品自产自拍| 日本黄色日本黄色录像| 你懂的网址亚洲精品在线观看| 99视频精品全部免费 在线| 熟女电影av网| 欧美精品一区二区大全| 国产成人精品无人区| 午夜福利,免费看| 2021少妇久久久久久久久久久| 色吧在线观看| 哪个播放器可以免费观看大片| 久久久国产一区二区| 一本大道久久a久久精品| 国产日韩一区二区三区精品不卡 | 久久精品国产a三级三级三级| 老熟女久久久| 亚洲精品一二三| 国产av精品麻豆| 波野结衣二区三区在线| 伊人亚洲综合成人网| freevideosex欧美| 少妇丰满av| 大码成人一级视频| 伦理电影免费视频| 热re99久久国产66热| 在线 av 中文字幕| 成人二区视频| 精品一品国产午夜福利视频| 狂野欧美激情性bbbbbb| 国产精品久久久久久av不卡| 国产69精品久久久久777片| 考比视频在线观看| 满18在线观看网站| 最近最新中文字幕免费大全7| 日韩伦理黄色片| 蜜臀久久99精品久久宅男| 亚洲第一区二区三区不卡| 黄色一级大片看看| 国产成人一区二区在线| 中文天堂在线官网| 久久久久国产网址| 秋霞伦理黄片| 午夜影院在线不卡| 97在线人人人人妻| 午夜精品国产一区二区电影| 99热这里只有是精品在线观看| 美女cb高潮喷水在线观看| 一级片'在线观看视频| xxxhd国产人妻xxx| 多毛熟女@视频| 免费不卡的大黄色大毛片视频在线观看| 日韩av免费高清视频| 亚洲国产精品一区三区| 水蜜桃什么品种好| 国产一级毛片在线| 老熟女久久久| 亚洲丝袜综合中文字幕| 99re6热这里在线精品视频| 三级国产精品欧美在线观看| 国产极品粉嫩免费观看在线 | 99热全是精品| 亚洲欧美色中文字幕在线| 国产成人精品福利久久| 婷婷色麻豆天堂久久| 亚洲综合色网址| 美女福利国产在线| 99热6这里只有精品| 免费黄频网站在线观看国产| videosex国产| 欧美人与性动交α欧美精品济南到 | 狂野欧美白嫩少妇大欣赏| 尾随美女入室| 日韩大片免费观看网站| 建设人人有责人人尽责人人享有的| 不卡视频在线观看欧美| 国产男人的电影天堂91| 欧美成人精品欧美一级黄| 久久久久久久久久人人人人人人| 成人影院久久| 日日啪夜夜爽| 国产免费一级a男人的天堂| 国产视频首页在线观看| 丝瓜视频免费看黄片| 日本免费在线观看一区| 久久人人爽av亚洲精品天堂| 午夜福利视频在线观看免费| 国产极品天堂在线| 久久 成人 亚洲| av在线老鸭窝| 亚洲美女黄色视频免费看| 王馨瑶露胸无遮挡在线观看| 国产精品人妻久久久久久| 3wmmmm亚洲av在线观看| 亚洲高清免费不卡视频| 91精品一卡2卡3卡4卡| 免费观看a级毛片全部| 国模一区二区三区四区视频| 欧美激情 高清一区二区三区| 精品久久久久久久久亚洲| 亚洲精品国产av成人精品| 日韩欧美一区视频在线观看| 少妇人妻 视频| 国产片特级美女逼逼视频| 国产伦理片在线播放av一区| 久久久久视频综合| 特大巨黑吊av在线直播| 久久99一区二区三区| 亚洲av电影在线观看一区二区三区| 久久久久久久大尺度免费视频| 国产av码专区亚洲av| 丰满乱子伦码专区| 久久久国产欧美日韩av| av免费观看日本| 国产精品久久久久成人av| 国产精品人妻久久久久久| 成人国产麻豆网| 老司机亚洲免费影院| 国产精品不卡视频一区二区| 国产精品人妻久久久影院| 日韩一区二区三区影片| 欧美三级亚洲精品| 久久午夜综合久久蜜桃| av黄色大香蕉| 国产熟女午夜一区二区三区 | 欧美日韩成人在线一区二区| 欧美 亚洲 国产 日韩一| 亚洲精华国产精华液的使用体验| 日韩三级伦理在线观看| 18禁观看日本| 这个男人来自地球电影免费观看 | 久久久久久久久久久久大奶| 美女内射精品一级片tv| 日日摸夜夜添夜夜添av毛片| 精品久久蜜臀av无| 免费观看的影片在线观看| 午夜免费观看性视频| 26uuu在线亚洲综合色| 久久久久网色| 免费av不卡在线播放| 多毛熟女@视频| 99热这里只有精品一区| 超色免费av| 能在线免费看毛片的网站| 午夜免费男女啪啪视频观看| 国产精品人妻久久久影院| 亚洲成人一二三区av| 一级毛片黄色毛片免费观看视频| 亚洲色图综合在线观看| 18+在线观看网站| 日本wwww免费看| 精品人妻熟女av久视频| .国产精品久久| 欧美少妇被猛烈插入视频| 九九爱精品视频在线观看| av网站免费在线观看视频| 久久97久久精品| 在线观看免费视频网站a站| 又大又黄又爽视频免费| 亚洲精品成人av观看孕妇| 久久国产精品大桥未久av| 伦理电影免费视频| 欧美97在线视频| 日韩中字成人| 国产乱来视频区| 国产av精品麻豆| 99九九线精品视频在线观看视频| 免费人成在线观看视频色| 欧美日韩精品成人综合77777| 免费日韩欧美在线观看| 五月开心婷婷网| 精品久久国产蜜桃| av黄色大香蕉| 久久精品久久久久久噜噜老黄| 黄色视频在线播放观看不卡| 高清午夜精品一区二区三区| 卡戴珊不雅视频在线播放| 少妇被粗大的猛进出69影院 | 国产精品三级大全| 欧美精品高潮呻吟av久久| 免费观看a级毛片全部| 亚洲国产精品成人久久小说| 少妇高潮的动态图| 一级二级三级毛片免费看| 国产色爽女视频免费观看| 观看av在线不卡| 久久久久精品性色| 亚洲第一区二区三区不卡| 国产av国产精品国产| 国产色婷婷99| 亚洲一级一片aⅴ在线观看| 婷婷色av中文字幕| 亚洲精品乱码久久久久久按摩| 一区二区三区免费毛片| 精品人妻熟女毛片av久久网站| 在线观看三级黄色| 老女人水多毛片| 国产精品一国产av| 一级黄片播放器| 狠狠婷婷综合久久久久久88av| 国产高清国产精品国产三级| 日韩一区二区视频免费看| 精品久久久久久电影网| 久久久久久人妻| 欧美亚洲 丝袜 人妻 在线| 99久国产av精品国产电影| 黄色配什么色好看| 亚洲国产精品一区三区| 日韩一区二区视频免费看| 国产成人91sexporn| 亚洲精品中文字幕在线视频| 亚洲精品久久久久久婷婷小说| 中文字幕精品免费在线观看视频 | 亚洲欧美成人综合另类久久久| 日韩一区二区三区影片| 亚洲激情五月婷婷啪啪| 2021少妇久久久久久久久久久| 黄色一级大片看看| 免费观看性生交大片5| av专区在线播放| 亚洲综合色惰| 亚洲av在线观看美女高潮| 街头女战士在线观看网站| 女性被躁到高潮视频| 亚洲经典国产精华液单| 9色porny在线观看| 久久久欧美国产精品| 亚洲综合色惰| 国产乱人偷精品视频| 国产 一区精品| 狂野欧美激情性bbbbbb| 亚洲欧美一区二区三区黑人 | 校园人妻丝袜中文字幕| 日韩在线高清观看一区二区三区| a级毛片免费高清观看在线播放| 一个人免费看片子| 国产成人免费观看mmmm| 亚洲精品一区蜜桃| 亚洲欧美成人综合另类久久久| 超碰97精品在线观看| 亚洲精品亚洲一区二区| 狂野欧美白嫩少妇大欣赏| 成年美女黄网站色视频大全免费 | 亚洲av欧美aⅴ国产| 我要看黄色一级片免费的| 国产免费现黄频在线看| 男男h啪啪无遮挡| 国产成人freesex在线| av天堂久久9| 精品一品国产午夜福利视频| 免费久久久久久久精品成人欧美视频 | 免费看av在线观看网站| 久久99蜜桃精品久久| 久久久久国产精品人妻一区二区| 久久热精品热| 国产老妇伦熟女老妇高清| 99国产综合亚洲精品| 国产成人免费无遮挡视频| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲国产精品一区二区三区在线| 免费观看的影片在线观看| 国产男女超爽视频在线观看| 精品国产国语对白av| 五月开心婷婷网| 校园人妻丝袜中文字幕| 日韩,欧美,国产一区二区三区| 成人影院久久| 久热这里只有精品99| 五月玫瑰六月丁香| 精品久久久噜噜| 18禁裸乳无遮挡动漫免费视频| 亚洲精品一区蜜桃| 精品国产一区二区久久| 高清毛片免费看| 国产欧美日韩综合在线一区二区| 中文字幕制服av| 在线观看免费日韩欧美大片 | 视频区图区小说| 在现免费观看毛片| videosex国产| 一区二区三区免费毛片| 十八禁网站网址无遮挡| 日韩av免费高清视频| av在线app专区| 亚洲美女视频黄频| 国产乱人偷精品视频| 国产伦精品一区二区三区视频9| 欧美成人精品欧美一级黄| 制服诱惑二区| 在线亚洲精品国产二区图片欧美 | 国产高清三级在线| 国产成人精品婷婷| 久久这里有精品视频免费| 高清av免费在线| 中文字幕久久专区| 午夜久久久在线观看| 久久久久久久亚洲中文字幕| 在线观看三级黄色| 青春草国产在线视频| 男女边摸边吃奶| 最近2019中文字幕mv第一页| 最新的欧美精品一区二区| 黄色视频在线播放观看不卡| 婷婷色麻豆天堂久久| 亚洲欧美日韩另类电影网站| 国产精品偷伦视频观看了| 99热这里只有是精品在线观看| 汤姆久久久久久久影院中文字幕| 欧美丝袜亚洲另类| av福利片在线| 亚洲图色成人| 色吧在线观看| 中文字幕久久专区| 男女高潮啪啪啪动态图| 人妻一区二区av| 青青草视频在线视频观看| 麻豆成人av视频| 观看美女的网站| 免费看光身美女| 啦啦啦中文免费视频观看日本| 日本黄色日本黄色录像| 毛片一级片免费看久久久久| 久久国产精品大桥未久av| 亚洲国产最新在线播放| 免费观看av网站的网址| 色婷婷久久久亚洲欧美| 久久久亚洲精品成人影院| 日韩 亚洲 欧美在线| 久久久亚洲精品成人影院| 在线免费观看不下载黄p国产| 精品人妻偷拍中文字幕| 日本黄色片子视频| 欧美日韩精品成人综合77777| 狠狠精品人妻久久久久久综合| 日韩精品有码人妻一区| 精品亚洲成a人片在线观看| 我的女老师完整版在线观看| 亚洲欧美色中文字幕在线| 午夜激情久久久久久久| 国产成人午夜福利电影在线观看| 黄色怎么调成土黄色| 免费看光身美女| 久久 成人 亚洲| 国产精品一区二区在线观看99| 亚洲国产最新在线播放| 人妻夜夜爽99麻豆av| 国产精品99久久99久久久不卡 | 国产乱人偷精品视频| 亚洲av男天堂| 精品视频人人做人人爽| 亚洲av电影在线观看一区二区三区| 高清视频免费观看一区二区| 在线观看免费高清a一片| 国产精品一区二区在线观看99| 午夜老司机福利剧场| 永久网站在线| 秋霞在线观看毛片| 男人操女人黄网站| 国产乱人偷精品视频| 爱豆传媒免费全集在线观看| 精品人妻在线不人妻| 91久久精品国产一区二区三区| a级片在线免费高清观看视频| 久久综合国产亚洲精品| 国产在线免费精品| 亚洲综合精品二区| 伊人亚洲综合成人网| 国产乱来视频区| 69精品国产乱码久久久| videos熟女内射| 久久人人爽人人爽人人片va| 欧美激情 高清一区二区三区| 久久99热这里只频精品6学生| 性高湖久久久久久久久免费观看| 春色校园在线视频观看| 久久热精品热| 91精品国产九色| 精品久久久久久电影网| 美女中出高潮动态图| 国产视频首页在线观看| 91精品三级在线观看| 毛片一级片免费看久久久久| 欧美三级亚洲精品| 性色avwww在线观看| 欧美激情极品国产一区二区三区 | 国产无遮挡羞羞视频在线观看| 纵有疾风起免费观看全集完整版| 一级黄片播放器| 观看av在线不卡| 国产精品人妻久久久久久| 欧美精品国产亚洲| 97超碰精品成人国产| 啦啦啦中文免费视频观看日本| 成人亚洲欧美一区二区av| av不卡在线播放| 亚洲精品乱码久久久久久按摩| 999精品在线视频| 亚洲国产av新网站| 精品一品国产午夜福利视频| 久久久久久久精品精品| 人体艺术视频欧美日本| 最近的中文字幕免费完整| 免费观看a级毛片全部| 精品亚洲乱码少妇综合久久| 午夜久久久在线观看| 伦精品一区二区三区| av卡一久久| 天堂中文最新版在线下载| 亚洲精品成人av观看孕妇| av福利片在线| 欧美一级a爱片免费观看看| 国产高清国产精品国产三级| 看十八女毛片水多多多| 久久久久网色| 亚洲天堂av无毛| 乱码一卡2卡4卡精品| 免费av中文字幕在线| 欧美激情 高清一区二区三区| 午夜福利视频精品| 国产女主播在线喷水免费视频网站| 丰满饥渴人妻一区二区三| 亚洲美女视频黄频| h视频一区二区三区| 午夜免费鲁丝| 国产熟女欧美一区二区| 韩国av在线不卡| 又大又黄又爽视频免费| 久久狼人影院| av在线播放精品| 欧美xxⅹ黑人| 国产无遮挡羞羞视频在线观看| 亚洲国产精品专区欧美| 亚洲人成网站在线观看播放| 男男h啪啪无遮挡| 国产成人精品无人区| 婷婷色av中文字幕| 各种免费的搞黄视频| 久久这里有精品视频免费| 国产黄片视频在线免费观看| 欧美三级亚洲精品| 国产69精品久久久久777片| 亚洲综合色惰| 日韩在线高清观看一区二区三区| 18禁在线无遮挡免费观看视频| 伊人亚洲综合成人网| 国产精品蜜桃在线观看| 又粗又硬又长又爽又黄的视频| 人人妻人人爽人人添夜夜欢视频| 日韩免费高清中文字幕av| 最新的欧美精品一区二区| 亚洲不卡免费看| 国产国拍精品亚洲av在线观看| 亚洲性久久影院| 国产在视频线精品| 久久99蜜桃精品久久| 丁香六月天网| 国产精品女同一区二区软件| 夜夜看夜夜爽夜夜摸| 国产精品一区www在线观看| 3wmmmm亚洲av在线观看| 日韩精品免费视频一区二区三区 | 五月天丁香电影| 国产 一区精品| 久久久久久久亚洲中文字幕| 在线观看美女被高潮喷水网站| 一级毛片黄色毛片免费观看视频| 国产亚洲一区二区精品| 一本色道久久久久久精品综合| 亚洲无线观看免费| 我要看黄色一级片免费的| 国产精品成人在线| 久久久久久久亚洲中文字幕| 日本av手机在线免费观看| 亚洲欧美一区二区三区黑人 | 国产日韩欧美视频二区| 亚洲伊人久久精品综合| 久久久欧美国产精品| av国产久精品久网站免费入址| 亚洲av欧美aⅴ国产| 免费黄网站久久成人精品| 国产精品欧美亚洲77777| 色94色欧美一区二区| 少妇 在线观看| 少妇人妻久久综合中文| 日韩成人伦理影院| 高清欧美精品videossex| 如日韩欧美国产精品一区二区三区 | 99国产综合亚洲精品| 国产视频内射| 免费不卡的大黄色大毛片视频在线观看| 人妻一区二区av| 国内精品宾馆在线| 少妇被粗大猛烈的视频| 秋霞伦理黄片| 久久午夜福利片| 免费人妻精品一区二区三区视频| 在线观看人妻少妇| 校园人妻丝袜中文字幕| 天天操日日干夜夜撸| 晚上一个人看的免费电影| 在线观看三级黄色| 99国产精品免费福利视频| 免费观看的影片在线观看| 日本与韩国留学比较| 久久久国产欧美日韩av| 人人妻人人添人人爽欧美一区卜| 成年美女黄网站色视频大全免费 | 国产亚洲午夜精品一区二区久久| 国产精品.久久久| 亚洲人与动物交配视频| 国产精品秋霞免费鲁丝片| h视频一区二区三区| 久久 成人 亚洲| 美女大奶头黄色视频| 纯流量卡能插随身wifi吗| 欧美精品国产亚洲| 国产欧美亚洲国产| 丝袜脚勾引网站| 视频区图区小说| 午夜视频国产福利| 久久 成人 亚洲| 精品人妻偷拍中文字幕| 久久精品国产亚洲av天美| 亚洲精品国产色婷婷电影| 色网站视频免费| 天堂俺去俺来也www色官网| 七月丁香在线播放| 人人妻人人爽人人添夜夜欢视频| 精品少妇内射三级| 日韩av在线免费看完整版不卡| 久久久久久久久久久丰满| 久久久久人妻精品一区果冻| 在线天堂最新版资源| 成人二区视频| 久久久国产一区二区| 伦理电影大哥的女人| 国产精品99久久99久久久不卡 | 亚洲人与动物交配视频| 国产一区二区在线观看av| 91精品一卡2卡3卡4卡| 最近手机中文字幕大全| 国产 一区精品| 久久国产精品男人的天堂亚洲 | 亚洲精品成人av观看孕妇| 七月丁香在线播放| 欧美激情国产日韩精品一区| 嫩草影院入口| 只有这里有精品99| 国产高清三级在线| 啦啦啦视频在线资源免费观看| 欧美精品人与动牲交sv欧美| 亚洲美女搞黄在线观看| 91久久精品国产一区二区三区| 插逼视频在线观看| 丝袜在线中文字幕|