• <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 ?

    基于小波分解和1D-GoogLeNet的心律失常檢測(cè)

    2021-10-31 06:21:12楊淑瑩桂彬彬陳勝勇
    電子與信息學(xué)報(bào) 2021年10期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)分類

    楊淑瑩 桂彬彬 陳勝勇

    (天津理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院 天津 300384)

    (計(jì)算機(jī)視覺與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室 天津 300384)

    1 引言

    影響人類生命健康的各種疾病中,心血管病是最主要的疾病之一,據(jù)國(guó)家心血管病中心報(bào)告,心血管病死亡率在各種疾病中居首位,占居民疾病死亡構(gòu)成的40%以上[1]。在心血管疾病的早期發(fā)作中,心律失常的癥狀已在臨床實(shí)踐和病理學(xué)研究中廣泛報(bào)道。心律失常的臨床診斷主要依靠心電圖(Electro Cardio Graph,ECG)。許多心臟結(jié)構(gòu)或電生理異常在ECG上都有對(duì)應(yīng),對(duì)其進(jìn)行識(shí)別可以幫助診斷心臟疾病。在獲得患者的ECG后,往往需要專業(yè)的心臟病醫(yī)生結(jié)合大量的專業(yè)知識(shí)和臨床經(jīng)驗(yàn)才能做出合理的診斷,這需要投入相當(dāng)大的人力和精力。隨著計(jì)算機(jī)科學(xué)的不斷發(fā)展,心律失常自動(dòng)檢測(cè)任務(wù)已成為研究熱點(diǎn),它為醫(yī)生提供了越來越有效和可靠的診斷依據(jù),緩解了醫(yī)生的人力投入。

    傳統(tǒng)上,ECG信號(hào)的自動(dòng)檢測(cè)任務(wù)通常需要3個(gè)步驟,即信號(hào)預(yù)處理、特征提取和模式分類[2]。ECG信號(hào)通常是經(jīng)過專用的心電記錄儀獲取的,因此原始信號(hào)中混雜了各種無效信號(hào)和噪聲信號(hào)。ECG信號(hào)中主要的噪聲包括心肌噪聲、基線漂移、工頻干擾、信道噪聲和運(yùn)動(dòng)偽影[3,4]。針對(duì) ECG信號(hào)比較典型的去噪方法包括低通濾波器、自適應(yīng)濾波器[5,6]。在最近的報(bào)道中,研究人員在去噪方法算法上做了新的研究,提出了如經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)、自適應(yīng)傅里葉分解和基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network,ANN)的去噪方法[7–9]。

    信號(hào)預(yù)處理之后就是提取ECG 的特征。ECG信號(hào)是一個(gè)關(guān)于時(shí)間的序列信號(hào)。通常一個(gè)心跳周期包括P波、QRS波和T波,這些波描述了一個(gè)心電周期的不同階段。ECG信號(hào)的形態(tài)學(xué)特征是其常見特征之一,如斜率、峰值、幅度、間隔。文獻(xiàn)[10]使用ECG信號(hào)的形態(tài)特征預(yù)先確定阻塞性睡眠呼吸暫停(Obstructive Sleep Apnea,OSA)程度。ECG的形態(tài)學(xué)特征可以使用Hermite變換、小波變換或離散余弦變化等算法得到[11,12]。此外諸如主成分分析、線性判別分析和獨(dú)立成分分析之類的特征選擇算法可從降低數(shù)據(jù)維度方面生成更高效、更緊湊的特征向量[13]。在新的研究中,Alquran等人[14]使用高階譜分析,計(jì)算ECG信號(hào)的雙譜和3階累積量得到2維圖像形式的特征信息,以便應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)進(jìn)行分類。取得ECG的特征之后,便是根據(jù)具體的檢測(cè)識(shí)別任務(wù)設(shè)計(jì)分類器。在現(xiàn)有的研究中,學(xué)者主要采用機(jī)器學(xué)習(xí)領(lǐng)域中的分類算法,例如線性與2次判別、支持向量機(jī)(Support Vector Machines,SVM)、隨機(jī)森林、貝葉斯網(wǎng)絡(luò)和ANN[15]。具體來講,文獻(xiàn)[16]在ECG的 (RR)間隔和小波變換特征上采用線性判別分析算法對(duì)3類ECG信號(hào)進(jìn)行檢測(cè)分類,并最終取得了93%的平均正確率。Nasiri等人[17]使用SVM和遺傳算法對(duì)從ECG信號(hào)提取的22維特征進(jìn)行分類,并在4分類心律失常檢測(cè)中達(dá)到了93%的正確率。Casas等人[18]在心室早期收縮(Premature Ventricular Contraction,PVC)檢測(cè)任務(wù)中提出了一種使用貝葉斯分類算法的技術(shù),在MIT-BIH數(shù)據(jù)庫的108,653個(gè)ECG分類搏動(dòng)中進(jìn)行訓(xùn)練測(cè)試并取得了95%的F1得分。Kumar等人[19]提出采用隨機(jī)森林算法進(jìn)行心律失常檢測(cè),并在六分類任務(wù)上獲得了92.16%準(zhǔn)確率的成績(jī)。

    以上用于心電信號(hào)分類檢測(cè)的方法其分類結(jié)果完全依賴從心電信號(hào)中提取手動(dòng)特征,特征的質(zhì)量對(duì)分類檢測(cè)的可靠性和性能有重大影響。而在機(jī)器學(xué)習(xí)算法中,通過ANN,可以做到無需信號(hào)預(yù)處理和專家知識(shí)對(duì)ECG進(jìn)行分析,從而避免了對(duì)生物標(biāo)志物先驗(yàn)信息的需求,并且可以幫助發(fā)現(xiàn)新知識(shí)。在基于ANN的心律失常檢測(cè)研究中,Rajpurkar等人[20]研究了一種基于34層卷積神經(jīng)網(wǎng)絡(luò)的心律失常檢測(cè)算法,算法的測(cè)試結(jié)果在召回率(Recall)和準(zhǔn)確性(Precision)方面均超過了心臟病專家的平均表現(xiàn)。Huang等人[2]提出一種基于快速壓縮殘差卷積神經(jīng)網(wǎng)絡(luò)(Fast Compression ResNet,FCResNet)的精確心律失常分類方法,該網(wǎng)絡(luò)結(jié)構(gòu)由快速下采樣殘差網(wǎng)絡(luò)、快速下采樣卷積網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)和分類網(wǎng)絡(luò)組成,將特征提取和分類進(jìn)行整合。文獻(xiàn)[14]應(yīng)用AlexNet神經(jīng)網(wǎng)絡(luò),將信號(hào)的雙譜圖作為其輸入,實(shí)驗(yàn)中得到了91.3%的平均準(zhǔn)確率。Mostayed等人[21]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的算法,該網(wǎng)絡(luò)由兩個(gè)雙向的長(zhǎng)短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)層組成,以檢測(cè)12導(dǎo)聯(lián)ECG信號(hào)中的病理。Singh等人[22]則比較了循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)、門控循環(huán)單元(Gated Recurrent Unit,GRU)、LSTM3種循環(huán)神經(jīng)網(wǎng)絡(luò)在心律失常分類上的表現(xiàn),分別得到了85.4%,82.5%和88.1%的準(zhǔn)確率。

    上述關(guān)于ANN對(duì)ECG信號(hào)進(jìn)行分類檢測(cè)的應(yīng)用中,各種神經(jīng)網(wǎng)絡(luò)模型利用其在知識(shí)發(fā)現(xiàn)上的特點(diǎn)將特征提取和分類整合,減少了在算法設(shè)計(jì)中對(duì)專家知識(shí)和傳統(tǒng)特征提取算法的依賴?;谏疃壬窠?jīng)網(wǎng)絡(luò)的心律失常自動(dòng)分類算法可以通過具有多個(gè)隱藏層的神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)ECG信號(hào)中的隱含特征。然而,現(xiàn)有的研究中基于深度神經(jīng)網(wǎng)絡(luò)的分類檢測(cè)算法仍然存在不足之處。

    (1)為了滿足現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)模型的2維輸入數(shù)據(jù)要求,通常采用ECG的2維圖像特征,該處理方法會(huì)破壞原始數(shù)據(jù)的一些有用信息和增加數(shù)據(jù)冗余,這會(huì)對(duì)模型的識(shí)別能力產(chǎn)生不利影響。

    (2)ECG數(shù)據(jù)是1維時(shí)間序列上的信號(hào),因此1維卷積神經(jīng)網(wǎng)絡(luò)模型中的局部感知域是在時(shí)間維度上劃分,缺乏頻域上的信息。

    (3)基于2維卷積的網(wǎng)絡(luò)參數(shù)太多,訓(xùn)練模型的時(shí)間成本很大,在進(jìn)行推理時(shí)實(shí)時(shí)性能較差。

    鑒于現(xiàn)有基于深度神經(jīng)網(wǎng)絡(luò)的心律失常自動(dòng)分類算法的不足,本文提出一種使用小波分解和1D-GoogLeNet模型結(jié)構(gòu)的ECG心律失常分類檢測(cè)方法。從ECG信號(hào)中選擇5種心律類型,信號(hào)在經(jīng)過小波分解后得到不同頻帶的子信號(hào),然后該結(jié)果用作1D-GoogLeNet的輸入,以便最終識(shí)別和檢測(cè)ECG心律失常類型。本文使用來自MIT-BIH心律失常數(shù)據(jù)庫的ECG記錄作為訓(xùn)練和測(cè)試數(shù)據(jù),分類結(jié)果表明,所提出的1D-GoogLeNet模型可以達(dá)到96.58%的平均準(zhǔn)確度。

    2 數(shù)據(jù)及數(shù)據(jù)預(yù)處理

    2.1 ECG數(shù)據(jù)集

    機(jī)器學(xué)習(xí)能夠在ECG分類任務(wù)上有大量的研究應(yīng)用,一個(gè)重要的原因在于研究人員能夠較容易地獲得各種公開的ECG數(shù)據(jù)集用于驗(yàn)證他們提出的眾多方法。例如MIT-BIH心律失常數(shù)據(jù)集(MITBIH arrhythmia database)[23],該數(shù)據(jù)集包含48個(gè)30 min時(shí)長(zhǎng)的雙通道動(dòng)態(tài)心電信號(hào)記錄,最初用于評(píng)估心律失常檢測(cè)器。其他的被廣泛采用的數(shù)據(jù)集還有Physionet’s Physiobank,INCART和 the American Heart Association database[24]。

    本文選擇MIT-BIH心律失常數(shù)據(jù)集(下文將以MIT-BIH代替)作為驗(yàn)證文中所提心律失常檢測(cè)算法的數(shù)據(jù)集。MI-BIH中的數(shù)據(jù)來自48個(gè)不同的被采集人員,每組都包含兩路不同導(dǎo)聯(lián)方式的ECG。本文選擇了樣本最多的MLⅡ型ECG信號(hào),共計(jì)46組MLⅡ型數(shù)據(jù)。MIT-BIH中的數(shù)據(jù)都有詳細(xì)的標(biāo)注,標(biāo)注信息主要包含了15種心跳類型。本文實(shí)驗(yàn)中檢測(cè)的心律類型包括左束支傳導(dǎo)阻滯(Left bundle branch block)、右束支傳導(dǎo)阻滯(Right bundle branch block)、心室早期收縮(Premature ventricular contraction)和心房過早收縮(Atrial premature contraction)4種心律失常類型及正常心跳(Normal beat),總共5種心跳類型。根據(jù)MIT-BIH中的標(biāo)注信息,本文分別采用L,R,V,A和N作為上述5種心跳類型的標(biāo)識(shí)。表1列出了46組30分鐘時(shí)長(zhǎng)的數(shù)據(jù)集中包L,R,V,A,N的統(tǒng)計(jì)結(jié)果。

    表1 MI-BIH中L,R,V,A和N統(tǒng)計(jì)結(jié)果

    2.2 數(shù)據(jù)預(yù)處理

    ECG信號(hào)是一個(gè)1維時(shí)間序列,信息維度低,且原始數(shù)據(jù)中包含了不必要的高頻噪聲信息,為了增加數(shù)據(jù)維度和去噪,本文采用多分辨率小波變換對(duì)數(shù)據(jù)進(jìn)行分解,既能得到各頻帶的子信號(hào)又增加了信號(hào)的維度,使后文提出的模型達(dá)到更好的心律失常檢測(cè)效果。

    在小波分解中通過尺度函數(shù)φ(t)和小波函數(shù)ψ(t)基將原始信號(hào)分解為不同頻帶的子信號(hào)。一個(gè)長(zhǎng)度為M的離散信號(hào)s(t)的小波近似系數(shù)a0(k)和小波細(xì)節(jié)系數(shù)dj(k)可以表示為

    式(1)和式(2)中的j和k分別表示子信號(hào)在頻域上的伸縮和時(shí)域上的平移。然后根據(jù)近似系數(shù)和細(xì)節(jié)系數(shù)又可以重構(gòu)出原始信號(hào)

    上述使用小波變換對(duì)信號(hào)進(jìn)行多分辨率分析的過程,就是本文中對(duì)ECG信號(hào)進(jìn)行分解,實(shí)現(xiàn)數(shù)據(jù)增維的基礎(chǔ)。使用小波分析對(duì)信號(hào)進(jìn)行處理時(shí),可供選擇的小波函數(shù)眾多且變換后得到的結(jié)果各不相同,因此需要根據(jù)分析的目的選擇合適的小波函數(shù)。本文選擇Daubechies小波函數(shù)族中的Db6作為實(shí)驗(yàn)的小波函數(shù)。Daubechies小波函數(shù)族的形狀與ECG信號(hào)中的QRS波相似,并且它們的能譜集中在低頻附近[25]。圖1是實(shí)驗(yàn)中MI-BIH的ECG信號(hào)經(jīng)過8級(jí)小波分解后的結(jié)果,包括原始信號(hào)s,第8級(jí)近似信號(hào)a8和1~8級(jí)細(xì)節(jié)信號(hào)d1~d8。

    圖1 Db6 8級(jí)ECG信號(hào)的多分辨率分解

    MI-BIH中的ECG信號(hào)時(shí)長(zhǎng)為30 min,采樣頻率是360 Hz,而標(biāo)注的方式則是將心跳類型標(biāo)注到心電周期中的R波處。在本文中,經(jīng)過多分辨率小波分解后需進(jìn)一步從每一個(gè)ECG序列中截取出L,R,V,A,N 5類標(biāo)注所在的心電周期,組成實(shí)驗(yàn)所需的數(shù)據(jù)集。在處理每一位被采集者的ECG信號(hào)時(shí),因?yàn)樾穆筛鞑幌嗤越厝〉囊粋€(gè)完整心電周期的數(shù)據(jù)長(zhǎng)度也各不相同,為了統(tǒng)一每一個(gè)數(shù)據(jù)樣本的長(zhǎng)度,在本文中,采用線性插值將所有截取出的原始樣本縮放到360個(gè)數(shù)據(jù)的長(zhǎng)度。同時(shí)為了減弱ECG信號(hào)中包含的人員信息對(duì)檢測(cè)結(jié)果的影響,對(duì)L,R,V,A,N 5種類型分別從總數(shù)據(jù)樣本中隨機(jī)抽取8000例、7000例、7000例、2500例和8000例,然后各類以4:1分為訓(xùn)練集和測(cè)試集后再隨機(jī)排序。最終文中將數(shù)據(jù)集用數(shù)學(xué)符號(hào)表示為

    其中,xi表 示長(zhǎng)度為L(zhǎng)的 心電信號(hào),yi∈(1,2,...,C),為xi對(duì)應(yīng)的心跳類別標(biāo)簽編號(hào),C為分類總數(shù),N為數(shù)據(jù)集中樣本的總個(gè)數(shù)。

    3 1D-GoogLeNet

    GoogLeNet最開始由Christian Szegedy等人在ILSVRC 2014年提出,并且在分類挑戰(zhàn)賽(Classification Challenge)和目標(biāo)檢測(cè)挑戰(zhàn)賽(Detection Challenge)中均取得頭籌[26]。近幾年人們對(duì)CNN的研究方向主要集中于改進(jìn)網(wǎng)絡(luò)的深度、寬度和基數(shù)3個(gè)方面,以提升網(wǎng)絡(luò)的性能[27]。GoogLeNet的主要特點(diǎn)就是改進(jìn)網(wǎng)絡(luò)的寬度使得網(wǎng)絡(luò)能提取更豐富的特征。在GoogLeNet的結(jié)構(gòu)中引入了名為Inception的模塊,通過該模塊增加卷積網(wǎng)絡(luò)在提取深層特征時(shí)的網(wǎng)絡(luò)寬度。該團(tuán)隊(duì)在后續(xù)的工作中又對(duì)GoogLeNet進(jìn)行了改進(jìn),依次提出了Inception V2,Inception V3,Inception V4與Inception-Res-Net-V2 4種改進(jìn)網(wǎng)絡(luò),從加速訓(xùn)練、減少參數(shù)規(guī)模、防止梯度彌散這幾個(gè)方面進(jìn)行了優(yōu)化[28–30]。

    GoogLeNet最開始出現(xiàn)于計(jì)算機(jī)視覺領(lǐng)域,應(yīng)用于目標(biāo)分類和識(shí)別等方向,由于圖像是一個(gè)2維數(shù)據(jù),所以GoogLeNet的卷積模塊中各個(gè)卷積核都是2維卷積核。在本文中,待檢測(cè)的數(shù)據(jù)——ECG信號(hào),是典型的1維時(shí)間序列。在本文的研究中,為了將Inception強(qiáng)大的特征提取能力應(yīng)用到心律失常檢測(cè)中,遂提出了1維GoogLeNet(1D-GoogLeNet)。在1D-GoogLeNet的結(jié)構(gòu)中依然以Inception為核心實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的拓寬,而卷積核則由原始的2維卷積核替換為1維卷積核。此外,在本文的研究中還對(duì)Inception的結(jié)構(gòu)做了優(yōu)化,使得網(wǎng)絡(luò)在心律失常檢測(cè)任務(wù)中有更優(yōu)的表現(xiàn)。詳細(xì)來講主要有以下幾點(diǎn):首先,由于本文中最終的檢測(cè)類別只有5類,遠(yuǎn)遠(yuǎn)小于GoogLeNet設(shè)定的1000類分類結(jié)果,為了減小過擬合現(xiàn)象,本文在不改變特征提取層輸出大小的情況下減少了1D-GoogLeNet中學(xué)習(xí)參數(shù)的規(guī)模,主要通過重新調(diào)整每個(gè)Inception中卷積層的卷積核數(shù)量和網(wǎng)絡(luò)的深度;其次,在分類器模塊中,新增加了一層全連接以提高分類器的非線性;最后,精簡(jiǎn)了只在多維卷積中才會(huì)出現(xiàn)的特異結(jié)構(gòu),如在InceptionV3中用兩個(gè)前后相繼的1維卷積代替2維卷積。圖2、圖3給出了1D-GoogLeNet的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。其中 “S”標(biāo)志該神經(jīng)網(wǎng)絡(luò)模塊的stride=2,否則為1;括號(hào)內(nèi)的數(shù)字表示卷積核的大小,括號(hào)外的數(shù)字表示卷積核的數(shù)量。

    圖2 1D-GoogLeNet中的Inception模塊

    圖3(c)是1D-GoogLeNet的整體網(wǎng)絡(luò)結(jié)構(gòu)圖,左側(cè)為數(shù)據(jù)流向,右側(cè)為該節(jié)點(diǎn)數(shù)據(jù)輸出尺寸,數(shù)字c表示訓(xùn)練數(shù)據(jù)的輸入通道。網(wǎng)絡(luò)主要由特征提取器和分類器組成。特征提取器由各個(gè)Inception和Stem構(gòu)成;分類器由兩層全連接和dropout組成,括號(hào)內(nèi)給出了該層所用的激活函數(shù)。

    圖3 1D-GoogLeNet中的InceptionE,Stem模塊和整體網(wǎng)絡(luò)結(jié)構(gòu)圖

    4 實(shí)驗(yàn)

    4.1 模型訓(xùn)練

    在實(shí)驗(yàn)階段,用PyTorch1.5實(shí)現(xiàn)了本文所提1D-GoogLeNet,并在Nvidia GTX 1080 GPU上訓(xùn)練該模型。訓(xùn)練中將數(shù)據(jù)集D按照4:1劃分為訓(xùn)練集和測(cè)試集,采用交叉熵作為網(wǎng)絡(luò)的損失函數(shù),使用學(xué)習(xí)率為10–5的Adam優(yōu)化策略[31],小批量(minibatch)大小為32,共訓(xùn)練24輪。

    4.2 實(shí)驗(yàn)結(jié)果

    在實(shí)驗(yàn)結(jié)果評(píng)估上,本文采用精確率(Precision)、召回率(Recall)和F1-score來衡量1DGoogLeNet模型在各個(gè)類上的檢測(cè)性能。每一類的精確率、召回率和F1-score可以通過式(5)和式(6)得到

    式(5)、式(6)和式(7)中P,R和 F1分別為精確率、召回率和F1-score;TP表示將正類樣本預(yù)測(cè)為正類的頻次,TN表示將負(fù)類樣本預(yù)測(cè)為負(fù)類的頻次,F(xiàn)P表 示將負(fù)類樣本預(yù)測(cè)為正類的頻次,F(xiàn)N表示將正類樣本預(yù)測(cè)為負(fù)類的頻次。對(duì)于本文心律失常檢測(cè)而言,是一個(gè)多分類任務(wù),每一種心律型的TPi,FPi,FNi(i=1,2,...,5)具體表示的意義可以由圖4說明,圖為1D-GoogLeNet檢測(cè)心律失常得到的混淆矩陣。圖4中紅色邊框所圍的藍(lán)色區(qū)域表示左束支傳導(dǎo)阻滯(L)的 TP,紅色和橙色區(qū)域分別為其FN,FP,數(shù)值代表對(duì)應(yīng)的頻次,如(N,R)的值為1,意味著模型將測(cè)試集中的N類樣本預(yù)測(cè)為R類的頻次為1。

    圖4 檢測(cè)結(jié)果的混淆矩陣

    對(duì)于模型的整體性能,則采用訓(xùn)練時(shí)耗(time)、準(zhǔn)確率(Accuracy)以及每一種心律類型Pi,Ri,F 1i(i=1,2,...,5)的宏平均值(macro-average)PM,RM和F 1M作為度量標(biāo)準(zhǔn),式(8)和式(9)是其具體的數(shù)學(xué)表達(dá)式

    其中,n表示心跳類別數(shù),在本文中n的具體數(shù)值為5。在實(shí)驗(yàn)中,本文探討了由不同小波分解信號(hào)組合成的輸入數(shù)據(jù)對(duì)實(shí)驗(yàn)結(jié)果的影響,此外還驗(yàn)證了本文所提1D-GoogLeNet和已有的分類模型的性能差異,以展示基于小波分解和1D-GoogLeNet在心律失常檢測(cè)任務(wù)上的有效性。

    首先確定了小波分解所得分量的各種組合方式:含有所有分量的D1={a8,b1-b8}、除去高頻細(xì)節(jié)分量與近似分量的D2={b2-b8}與D3={b3-b8}和只含有部分細(xì)節(jié)分量的D4={b2-b7},以及原始數(shù)據(jù)D5={s},各種組合方式的分量形成具有不同通道數(shù)的輸入數(shù)據(jù)。通過訓(xùn)練測(cè)試,表2記錄了詳細(xì)的實(shí)驗(yàn)結(jié)果,用粗體標(biāo)注了各個(gè)度量標(biāo)準(zhǔn)的最大值。從表2數(shù)據(jù)可以明顯看出,分解得到的多通道數(shù)據(jù)在各類指標(biāo)上都優(yōu)于原始數(shù)據(jù)。具體講,原始數(shù)據(jù)在關(guān)鍵指標(biāo)Acc上取得了95.00%的成績(jī),對(duì)應(yīng)的多通道分解數(shù)據(jù)中D4取得了96.58%的最高成績(jī),比原始數(shù)據(jù)高出了1.58%,此外D4數(shù)據(jù)在召回率和F1-score指標(biāo)上也取得了最優(yōu)表現(xiàn)。雖然D3數(shù)據(jù)在精確率上的表現(xiàn)最優(yōu),但對(duì)于本文的心律失常檢測(cè)任務(wù),召回率比精確率更具有參考意義。實(shí)驗(yàn)還對(duì)比了其他數(shù)據(jù)預(yù)處理算法對(duì)實(shí)驗(yàn)結(jié)果的影響,表3展示了離散傅里葉變換(Discrete Fourier Transform,DFT)、經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)和小波分解(Wavelet Decomposition,WD)對(duì)分類檢測(cè)結(jié)果的影響。從表3可以看出,經(jīng)過 DFT和EMD方法預(yù)處理的數(shù)據(jù)都能取得較好的檢測(cè)結(jié)果,但相較于小波分解后的數(shù)據(jù),在檢測(cè)準(zhǔn)確率上都有大約2%的差異。

    表2 基于小波分解和1D-GoogLeNet的分類檢測(cè)結(jié)果(%)

    表3 各預(yù)處理方法在心律失常檢測(cè)任務(wù)中的比較

    通過上述實(shí)驗(yàn)結(jié)果,驗(yàn)證了當(dāng)采用小波分解后的數(shù)據(jù)作為1D-GoogLeNet的輸入,模型取得了更優(yōu)異的表現(xiàn)。圖5給出了當(dāng)D4數(shù)據(jù)作為輸入時(shí),模型訓(xùn)練的表現(xiàn),圖6和表4記錄了其測(cè)試集的詳細(xì)結(jié)果,圖6中,主對(duì)角線的數(shù)值即為各類的召回率。在結(jié)果中A類型的心律檢測(cè)結(jié)果明顯劣于其他類型,導(dǎo)致該現(xiàn)象的主要原因來自數(shù)據(jù)不平衡——A類型的樣本明顯少于其他各類。

    表4 D4數(shù)據(jù)作為1D-GoogLeNet的輸入,各類的測(cè)試結(jié)果(%)

    圖5 D4數(shù)據(jù)作為輸入時(shí)1D-GoogLeNet的實(shí)驗(yàn)結(jié)果

    圖6 D4 數(shù)據(jù)測(cè)試集的混淆矩陣

    其次,本文在輸入數(shù)據(jù)確定的情況下,對(duì)文中所提1D-GoogLeNet和簡(jiǎn)單1維化的GoogLeNet兩者的性能做實(shí)驗(yàn)比較。簡(jiǎn)單1維化的GoogLeNet是指在保證GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)不變的情況下,將原始的2維卷積核替換為1維卷積核所得的網(wǎng)絡(luò)模型。同時(shí)還比較了相同輸入情況下不同分類檢測(cè)模型的檢測(cè)性能。主要比較了同為卷積神經(jīng)網(wǎng)絡(luò)的LeNet和能處理順序數(shù)據(jù)(sequential data)的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)。實(shí)驗(yàn)結(jié)果如表5所示,表5列舉了各個(gè)模型以D4數(shù)據(jù)作為輸入時(shí),在準(zhǔn)確率、精確率、召回率、F1-score、訓(xùn)練時(shí)耗和學(xué)習(xí)參數(shù)規(guī)模(params)上的結(jié)果。從表5所示的對(duì)比結(jié)果中可以看出,本文所提1D-GoogLeNet在準(zhǔn)確率、精確率、召回率和F1-score度量標(biāo)準(zhǔn)上都優(yōu)于其他3種模型。其中在準(zhǔn)確率(AccM)上1D-GoogLeNet比其他三者分別高出4.4%,2.6%,3.8%;訓(xùn)練時(shí)長(zhǎng)方面1D-GoogLeNet相較于簡(jiǎn)單1維化GoogLeNet,得益于學(xué)習(xí)參數(shù)規(guī)模小,將時(shí)長(zhǎng)減少了1/2以上,使訓(xùn)練更快。

    表5 1D-GoogLeNet與其他分類模型的實(shí)驗(yàn)比較

    5 結(jié)論

    本文提出了一種使用Db6小波分解和1DGoogLeNet卷積神經(jīng)網(wǎng)絡(luò)的心電圖心律失常檢測(cè)方法。從MIT-BIH心律失常數(shù)據(jù)庫中選取了N,L,R,V,A 5種不同類型的ECG信號(hào),共計(jì) 32500條記錄。在該方法中,首先使用Db6對(duì)ECG的時(shí)域信號(hào)進(jìn)行8級(jí)分解,然后包含一個(gè)完整心電周期為準(zhǔn)則對(duì)信號(hào)切割后再使用線性插值統(tǒng)一縮放到360個(gè)數(shù)值長(zhǎng)度,組合成多通道的信號(hào)樣本,最后將5種心律失常類型的樣本用作1D-GoogLeNet的輸入,以確定ECG心律失常類型。經(jīng)過詳細(xì)實(shí)驗(yàn)驗(yàn)證,結(jié)果表明:分解后的多通道數(shù)據(jù)檢測(cè)效果優(yōu)于未分解的;不同小波分量組合方式之間,檢測(cè)結(jié)果有差異,當(dāng)輸入數(shù)據(jù)由{d2-d7}組合時(shí),所提出的1DGoogLeNet模型可以達(dá)到最高的96.58%平均準(zhǔn)確率;1D-GoogLeNet和簡(jiǎn)單1維化GoogLeNet相對(duì)比,結(jié)構(gòu)更簡(jiǎn)單、參數(shù)更少的1D-GoogLeNet的準(zhǔn)確率比后者提高了4.7%,訓(xùn)練效率提高了118%。以上結(jié)論最終驗(yàn)證了本文所提將多通道小波分量ECG信號(hào)樣本作為輸入的1D-GoogLeNet分類器可以在心律失常檢測(cè)任務(wù)上取得優(yōu)異表現(xiàn)。

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)分類
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    分類算一算
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    教你一招:數(shù)的分類
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    中文乱码字字幕精品一区二区三区| 国产精品麻豆人妻色哟哟久久| 久久婷婷青草| 高清黄色对白视频在线免费看| 精品久久久久久电影网| 99久久综合免费| 欧美亚洲日本最大视频资源| 欧美老熟妇乱子伦牲交| 亚洲精品视频女| 午夜久久久在线观看| 欧美人与性动交α欧美软件 | 精品久久久久久电影网| 亚洲高清免费不卡视频| 男女午夜视频在线观看 | 国产老妇伦熟女老妇高清| 91成人精品电影| 久久久久国产网址| 少妇人妻 视频| 久久97久久精品| 99热这里只有是精品在线观看| 国产av一区二区精品久久| 亚洲欧美一区二区三区黑人 | 午夜91福利影院| 18禁观看日本| 亚洲人成77777在线视频| 日韩中字成人| 亚洲 欧美一区二区三区| 韩国高清视频一区二区三区| 欧美激情国产日韩精品一区| 99热国产这里只有精品6| 欧美日韩视频高清一区二区三区二| 在线免费观看不下载黄p国产| 成年动漫av网址| 亚洲欧美精品自产自拍| 精品久久蜜臀av无| 亚洲国产色片| 午夜福利乱码中文字幕| 国产黄色免费在线视频| 精品少妇久久久久久888优播| a级毛色黄片| 国产不卡av网站在线观看| 伊人亚洲综合成人网| 啦啦啦在线观看免费高清www| 亚洲欧美清纯卡通| 亚洲国产看品久久| 这个男人来自地球电影免费观看 | 少妇的丰满在线观看| 免费观看无遮挡的男女| 国产亚洲精品第一综合不卡 | 一级黄片播放器| 精品人妻在线不人妻| 高清黄色对白视频在线免费看| 在线观看三级黄色| 少妇人妻精品综合一区二区| 久久精品国产亚洲av涩爱| 在线观看免费日韩欧美大片| 午夜免费鲁丝| 伊人久久国产一区二区| 熟女电影av网| 99久久中文字幕三级久久日本| 日韩欧美精品免费久久| 精品国产一区二区三区四区第35| 伊人亚洲综合成人网| 欧美另类一区| 久久99热6这里只有精品| kizo精华| 观看av在线不卡| 久久97久久精品| 久久久久久人妻| videosex国产| 极品人妻少妇av视频| 亚洲成人手机| 国产免费又黄又爽又色| 欧美亚洲 丝袜 人妻 在线| 日本黄色日本黄色录像| 日韩精品有码人妻一区| 欧美人与性动交α欧美软件 | 免费大片18禁| 久久精品国产a三级三级三级| 99视频精品全部免费 在线| 日日撸夜夜添| 国产亚洲精品久久久com| 丝袜喷水一区| 男女边摸边吃奶| 国产亚洲最大av| 欧美成人午夜精品| 亚洲,欧美精品.| 街头女战士在线观看网站| 黑人欧美特级aaaaaa片| 欧美 日韩 精品 国产| 免费大片黄手机在线观看| 国产国语露脸激情在线看| 嫩草影院入口| 精品视频人人做人人爽| 国产成人精品无人区| 久久人人爽人人爽人人片va| 麻豆精品久久久久久蜜桃| 欧美+日韩+精品| 一区在线观看完整版| 一区二区三区四区激情视频| 中文字幕免费在线视频6| 成人免费观看视频高清| 少妇的逼好多水| 亚洲精品成人av观看孕妇| 尾随美女入室| 少妇人妻久久综合中文| 午夜激情av网站| 久久毛片免费看一区二区三区| 国产精品国产三级专区第一集| 久久久久久久精品精品| 欧美成人午夜免费资源| 永久免费av网站大全| 欧美国产精品一级二级三级| 欧美日韩亚洲高清精品| 欧美xxⅹ黑人| 人人妻人人添人人爽欧美一区卜| 久久久a久久爽久久v久久| 亚洲欧美一区二区三区黑人 | 麻豆精品久久久久久蜜桃| 欧美日本中文国产一区发布| 亚洲欧洲国产日韩| 在现免费观看毛片| 亚洲精品美女久久久久99蜜臀 | 免费人成在线观看视频色| 日韩人妻精品一区2区三区| 中国国产av一级| 婷婷色av中文字幕| 免费av不卡在线播放| 亚洲一级一片aⅴ在线观看| a级毛片黄视频| 少妇被粗大的猛进出69影院 | 亚洲欧美日韩另类电影网站| 性高湖久久久久久久久免费观看| 国产激情久久老熟女| 三级国产精品片| 九草在线视频观看| 一级a做视频免费观看| 国产精品国产三级国产专区5o| 亚洲精品美女久久久久99蜜臀 | 蜜桃在线观看..| 如日韩欧美国产精品一区二区三区| 国精品久久久久久国模美| 国产日韩欧美亚洲二区| 亚洲av中文av极速乱| 一区二区三区四区激情视频| 又黄又爽又刺激的免费视频.| 亚洲精品视频女| 国精品久久久久久国模美| 国产亚洲av片在线观看秒播厂| 精品人妻偷拍中文字幕| 卡戴珊不雅视频在线播放| 久久久国产欧美日韩av| 亚洲精品视频女| 啦啦啦视频在线资源免费观看| 精品亚洲成国产av| 国产黄色免费在线视频| 最后的刺客免费高清国语| 久久精品aⅴ一区二区三区四区 | 黑人高潮一二区| 午夜激情av网站| 亚洲久久久国产精品| 久久这里只有精品19| 2021少妇久久久久久久久久久| 成人午夜精彩视频在线观看| 视频区图区小说| 国产精品久久久久成人av| 久热这里只有精品99| 欧美精品一区二区免费开放| 春色校园在线视频观看| 亚洲性久久影院| 久久这里只有精品19| 曰老女人黄片| 国产白丝娇喘喷水9色精品| 一本色道久久久久久精品综合| 熟女人妻精品中文字幕| 亚洲在久久综合| 日本vs欧美在线观看视频| 久久久久精品性色| 亚洲成色77777| 又粗又硬又长又爽又黄的视频| 99热6这里只有精品| 欧美日本中文国产一区发布| √禁漫天堂资源中文www| 国产精品蜜桃在线观看| av网站免费在线观看视频| 久久综合国产亚洲精品| 老女人水多毛片| 亚洲一区二区三区欧美精品| 一本久久精品| 亚洲成av片中文字幕在线观看 | 91久久精品国产一区二区三区| 晚上一个人看的免费电影| 午夜福利在线观看免费完整高清在| 男女国产视频网站| 丁香六月天网| 丝袜人妻中文字幕| 国语对白做爰xxxⅹ性视频网站| 国产xxxxx性猛交| 国产成人精品无人区| 黑人高潮一二区| 亚洲欧美日韩另类电影网站| 日韩,欧美,国产一区二区三区| 国产精品 国内视频| 亚洲av电影在线观看一区二区三区| 久热久热在线精品观看| 国产精品.久久久| 国产国语露脸激情在线看| 咕卡用的链子| 国产精品久久久av美女十八| 全区人妻精品视频| 免费不卡的大黄色大毛片视频在线观看| 亚洲高清免费不卡视频| 亚洲国产看品久久| 一区二区三区乱码不卡18| 天堂俺去俺来也www色官网| 日韩在线高清观看一区二区三区| 婷婷色麻豆天堂久久| xxxhd国产人妻xxx| av黄色大香蕉| 午夜福利在线观看免费完整高清在| xxx大片免费视频| av国产久精品久网站免费入址| 纯流量卡能插随身wifi吗| 99视频精品全部免费 在线| 成人漫画全彩无遮挡| 中文字幕免费在线视频6| 香蕉丝袜av| 日韩视频在线欧美| 肉色欧美久久久久久久蜜桃| 亚洲av.av天堂| 婷婷色综合www| 精品国产一区二区三区四区第35| 亚洲av欧美aⅴ国产| 啦啦啦在线观看免费高清www| 欧美精品亚洲一区二区| 久久这里有精品视频免费| 精品福利永久在线观看| 国产精品人妻久久久影院| 9191精品国产免费久久| 精品人妻一区二区三区麻豆| 大香蕉久久网| 亚洲国产av影院在线观看| av国产久精品久网站免费入址| 午夜老司机福利剧场| 欧美 日韩 精品 国产| 午夜福利,免费看| 亚洲av.av天堂| 999精品在线视频| 亚洲第一区二区三区不卡| 视频中文字幕在线观看| 精品一品国产午夜福利视频| 婷婷色综合大香蕉| 麻豆精品久久久久久蜜桃| 亚洲欧美精品自产自拍| av电影中文网址| 久久久久精品人妻al黑| 国产片内射在线| 国产日韩欧美亚洲二区| 视频区图区小说| 亚洲精品成人av观看孕妇| 精品熟女少妇av免费看| 成人无遮挡网站| 99re6热这里在线精品视频| 亚洲国产欧美在线一区| 久久精品国产a三级三级三级| 久久99蜜桃精品久久| 国内精品宾馆在线| 中文字幕另类日韩欧美亚洲嫩草| 久久精品久久精品一区二区三区| 精品人妻在线不人妻| 成人国产av品久久久| 在线观看三级黄色| 自线自在国产av| 日韩一本色道免费dvd| 最近手机中文字幕大全| 久久女婷五月综合色啪小说| 一二三四中文在线观看免费高清| 免费看光身美女| 国产高清国产精品国产三级| 两个人免费观看高清视频| 99热网站在线观看| 亚洲国产欧美日韩在线播放| 丝袜人妻中文字幕| 免费黄色在线免费观看| 日韩一本色道免费dvd| 午夜福利影视在线免费观看| 夫妻性生交免费视频一级片| 91在线精品国自产拍蜜月| av视频免费观看在线观看| 十分钟在线观看高清视频www| 在线亚洲精品国产二区图片欧美| av免费观看日本| 欧美xxxx性猛交bbbb| 中文字幕人妻丝袜制服| 亚洲国产最新在线播放| 久久精品人人爽人人爽视色| 日日爽夜夜爽网站| 欧美日本中文国产一区发布| 最近中文字幕高清免费大全6| 一区二区日韩欧美中文字幕 | 18禁观看日本| 26uuu在线亚洲综合色| 久久久久精品性色| 欧美精品一区二区大全| av电影中文网址| 国产免费现黄频在线看| 在线观看免费高清a一片| 18禁国产床啪视频网站| 中国国产av一级| 久久久精品免费免费高清| 自拍欧美九色日韩亚洲蝌蚪91| 韩国精品一区二区三区 | 国产精品麻豆人妻色哟哟久久| 国产精品秋霞免费鲁丝片| 亚洲精品中文字幕在线视频| 大香蕉久久成人网| 一边摸一边做爽爽视频免费| 超色免费av| 久久久久精品性色| 美女大奶头黄色视频| 我要看黄色一级片免费的| 国产男女超爽视频在线观看| 精品国产国语对白av| www.av在线官网国产| 美女xxoo啪啪120秒动态图| 亚洲丝袜综合中文字幕| 一级片'在线观看视频| 又黄又爽又刺激的免费视频.| www.色视频.com| 中文字幕亚洲精品专区| 五月伊人婷婷丁香| 久久久久久人人人人人| 观看av在线不卡| 国产精品久久久久久精品古装| 1024视频免费在线观看| 人妻系列 视频| a级毛片在线看网站| a 毛片基地| 人成视频在线观看免费观看| 亚洲四区av| 中文字幕另类日韩欧美亚洲嫩草| 欧美人与性动交α欧美软件 | 韩国av在线不卡| av网站免费在线观看视频| 国产老妇伦熟女老妇高清| 永久网站在线| 9热在线视频观看99| 男女下面插进去视频免费观看 | 亚洲色图 男人天堂 中文字幕 | 91午夜精品亚洲一区二区三区| 男人爽女人下面视频在线观看| 亚洲欧美一区二区三区黑人 | 成年动漫av网址| 大片电影免费在线观看免费| 国产淫语在线视频| 有码 亚洲区| 国产色婷婷99| 欧美国产精品一级二级三级| 18禁国产床啪视频网站| 午夜免费鲁丝| 伦理电影大哥的女人| 日日爽夜夜爽网站| 亚洲人成77777在线视频| 亚洲婷婷狠狠爱综合网| 99视频精品全部免费 在线| 一级毛片我不卡| 亚洲人成77777在线视频| 精品卡一卡二卡四卡免费| 亚洲成色77777| 大片免费播放器 马上看| 久久女婷五月综合色啪小说| 一本久久精品| 最近最新中文字幕大全免费视频 | 国产xxxxx性猛交| 大码成人一级视频| 久热这里只有精品99| 丰满乱子伦码专区| 国产精品人妻久久久久久| 97在线视频观看| 国产av一区二区精品久久| 久久久精品94久久精品| 宅男免费午夜| 日韩成人av中文字幕在线观看| 久久精品国产亚洲av涩爱| 免费观看性生交大片5| 91精品三级在线观看| 校园人妻丝袜中文字幕| 亚洲经典国产精华液单| 一级毛片我不卡| 狠狠婷婷综合久久久久久88av| 精品久久久精品久久久| 久久人妻熟女aⅴ| 欧美国产精品va在线观看不卡| 永久网站在线| 大香蕉97超碰在线| 九九在线视频观看精品| 精品一区二区三区视频在线| 最近最新中文字幕大全免费视频 | 日本与韩国留学比较| 婷婷色av中文字幕| 亚洲美女视频黄频| 久久精品国产鲁丝片午夜精品| 精品国产一区二区久久| 乱人伦中国视频| 成人国产av品久久久| 啦啦啦啦在线视频资源| 少妇被粗大猛烈的视频| 乱码一卡2卡4卡精品| 日韩三级伦理在线观看| 考比视频在线观看| 美女xxoo啪啪120秒动态图| 久久久久精品人妻al黑| av国产久精品久网站免费入址| 一级毛片黄色毛片免费观看视频| 精品一区二区三区视频在线| 日产精品乱码卡一卡2卡三| 蜜桃国产av成人99| 精品一区二区免费观看| 亚洲国产看品久久| 亚洲欧洲精品一区二区精品久久久 | 视频区图区小说| 亚洲少妇的诱惑av| 九色成人免费人妻av| 少妇的逼水好多| 青青草视频在线视频观看| 看免费成人av毛片| 性色avwww在线观看| 免费观看在线日韩| 99热6这里只有精品| 日本av免费视频播放| 精品99又大又爽又粗少妇毛片| 美女国产视频在线观看| 久久精品熟女亚洲av麻豆精品| 多毛熟女@视频| av视频免费观看在线观看| 国产精品女同一区二区软件| 亚洲经典国产精华液单| 五月天丁香电影| 亚洲一区二区三区欧美精品| 亚洲国产成人一精品久久久| 成人国语在线视频| 国产午夜精品一二区理论片| 久久久久久久精品精品| 插逼视频在线观看| 国产精品一区www在线观看| 视频在线观看一区二区三区| 国产日韩欧美视频二区| 亚洲av中文av极速乱| 麻豆乱淫一区二区| 91国产中文字幕| 天天躁夜夜躁狠狠躁躁| 精品午夜福利在线看| 欧美变态另类bdsm刘玥| 日日爽夜夜爽网站| 国产成人精品在线电影| 亚洲国产精品成人久久小说| 黄片无遮挡物在线观看| 国产深夜福利视频在线观看| 2018国产大陆天天弄谢| 国产毛片在线视频| 亚洲成人手机| 中文天堂在线官网| 亚洲精品第二区| 99香蕉大伊视频| 日本91视频免费播放| 大码成人一级视频| 中国三级夫妇交换| tube8黄色片| 自拍欧美九色日韩亚洲蝌蚪91| 国产亚洲精品第一综合不卡 | 久久久久久久国产电影| 亚洲一级一片aⅴ在线观看| 久久久精品免费免费高清| 校园人妻丝袜中文字幕| 国产熟女欧美一区二区| 国产精品熟女久久久久浪| 插逼视频在线观看| 秋霞在线观看毛片| 久久这里只有精品19| 青春草视频在线免费观看| 9色porny在线观看| 免费高清在线观看日韩| 水蜜桃什么品种好| 欧美bdsm另类| 亚洲三级黄色毛片| 久久99热这里只频精品6学生| 欧美最新免费一区二区三区| 亚洲国产精品成人久久小说| 日本午夜av视频| av在线老鸭窝| 久久ye,这里只有精品| 国产欧美亚洲国产| 老司机亚洲免费影院| 蜜臀久久99精品久久宅男| 日韩制服丝袜自拍偷拍| 免费久久久久久久精品成人欧美视频 | 男女啪啪激烈高潮av片| 18禁观看日本| 日本猛色少妇xxxxx猛交久久| 十八禁网站网址无遮挡| av不卡在线播放| 亚洲av国产av综合av卡| 老熟女久久久| 男女高潮啪啪啪动态图| 成人亚洲精品一区在线观看| 久久久久精品性色| 少妇被粗大猛烈的视频| 免费人成在线观看视频色| 日本爱情动作片www.在线观看| 精品熟女少妇av免费看| 婷婷色av中文字幕| xxx大片免费视频| 欧美+日韩+精品| 国产在视频线精品| 日本与韩国留学比较| 涩涩av久久男人的天堂| 国产日韩一区二区三区精品不卡| 久久女婷五月综合色啪小说| 少妇人妻精品综合一区二区| 日韩制服骚丝袜av| 成人午夜精彩视频在线观看| 热re99久久国产66热| 母亲3免费完整高清在线观看 | 涩涩av久久男人的天堂| 久久热在线av| 欧美激情极品国产一区二区三区 | 波野结衣二区三区在线| 精品少妇内射三级| 中文字幕人妻丝袜制服| 下体分泌物呈黄色| av在线观看视频网站免费| 久久99热6这里只有精品| 一区在线观看完整版| 日韩制服丝袜自拍偷拍| 亚洲成国产人片在线观看| 国产xxxxx性猛交| 男女高潮啪啪啪动态图| 人人妻人人爽人人添夜夜欢视频| 日日爽夜夜爽网站| 人人妻人人澡人人爽人人夜夜| 嫩草影院入口| 在线看a的网站| 亚洲欧美日韩另类电影网站| 丝袜人妻中文字幕| 妹子高潮喷水视频| 美女主播在线视频| 亚洲欧美色中文字幕在线| 校园人妻丝袜中文字幕| 国产免费一级a男人的天堂| 欧美亚洲日本最大视频资源| 午夜激情久久久久久久| 五月开心婷婷网| 国产精品99久久99久久久不卡 | 91aial.com中文字幕在线观看| 一个人免费看片子| 国产综合精华液| 欧美日韩一区二区视频在线观看视频在线| 热re99久久精品国产66热6| 十分钟在线观看高清视频www| 人妻一区二区av| 免费日韩欧美在线观看| 精品国产乱码久久久久久小说| 一区二区日韩欧美中文字幕 | 国产欧美日韩一区二区三区在线| 日韩精品有码人妻一区| tube8黄色片| 男女边吃奶边做爰视频| 午夜免费观看性视频| 久久午夜综合久久蜜桃| 中文字幕另类日韩欧美亚洲嫩草| 欧美亚洲日本最大视频资源| 日本猛色少妇xxxxx猛交久久| 色94色欧美一区二区| www日本在线高清视频| 日韩av不卡免费在线播放| 另类精品久久| 人人妻人人澡人人看| 日本91视频免费播放| 黄色怎么调成土黄色| 大话2 男鬼变身卡| 久久人人97超碰香蕉20202| av天堂久久9| 狠狠婷婷综合久久久久久88av| 如何舔出高潮| 男女高潮啪啪啪动态图| 全区人妻精品视频| 女人被躁到高潮嗷嗷叫费观| 一级毛片电影观看| 亚洲成人av在线免费| 丰满饥渴人妻一区二区三| 久久久国产一区二区| 夫妻性生交免费视频一级片| 另类精品久久| 精品久久国产蜜桃| 插逼视频在线观看| 女人被躁到高潮嗷嗷叫费观| 精品一区在线观看国产| 人体艺术视频欧美日本| 亚洲成人一二三区av| 黑人高潮一二区| 日韩熟女老妇一区二区性免费视频| 国产精品国产三级国产专区5o| av又黄又爽大尺度在线免费看| 伦理电影大哥的女人| 三级国产精品片| 国产男人的电影天堂91| 亚洲av电影在线进入| 国产精品一二三区在线看| 一边亲一边摸免费视频| 精品国产一区二区三区久久久樱花| 韩国高清视频一区二区三区| 国产男女内射视频| 美女脱内裤让男人舔精品视频| 久久久久久久大尺度免费视频| 国产高清国产精品国产三级|