• <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 ?

    改進孿生網絡的腦電信號處理方法

    2022-03-31 00:36:58楊懷花葉慶衛(wèi)羅慧艷陸志華
    計算機測量與控制 2022年3期
    關鍵詞:特征提取分類信號

    楊懷花,葉慶衛(wèi),羅慧艷,陸志華

    (寧波大學 信息科學與工程學院,浙江 寧波 315211)

    0 引言

    腦機接口(BCI,brain computer interface)是一種不依賴大腦外周神經與肌肉組成的正常輸出通路,通過對大腦活動產生的信號進行分析,提取其中包含的動作意圖,控制外部設備的新型人機交互方式[1]。腦機接口技術的研究對臨床康復[2]、信息交流[3]以及休閑娛樂等領域的發(fā)展均具有較高的價值。目前,腦機接口方向的研究眾多,運動想象腦電信號(MI-EEG,motor imagery electroenceph- alogram)作為自發(fā)性腦電一直以來受到研究學者的廣泛關注。MI-EEG信號是一種時變性很強的非平穩(wěn)信號,因此如何有效的對其進行特征提取和分類成為了目前研究的重點。

    當前腦電信號特征提取的研究主要分為4個方面:時域、頻域、時頻域以及空間域等,常見的分析方法主要包括小波變換[4](WT,wavelet transform)、希爾伯特黃變換[5](HHT,hilbert-huang transform)、公共空間模式[6-8](CSP,common spatial pattern)、獨立分量分析[9](ICA,independent component analysis)等,常用的分類方法主要包括線性判別分析[10](LDA,linear discriminant analysis)、支持向量機[11](SVM,support vector machines)、貝葉斯線性回歸[12]、卷積神經網絡[13](CNN,convolutional neural networks)等。由于深度學習的快速發(fā)展,神經網絡成為了腦電信號識別分類的重要方法。

    目前針對運動想象腦機接口系統(tǒng)中分類準確率低等問題,研究者們提出了很多改進方法。文獻[14]提出了一種基于滑動窗口信息極大化原則(Infomax,information maximization)算法的動態(tài)獨立分量分析方法。文獻[15]提出了一種優(yōu)化多球面支持向量數據(SVDD,support vector data description)的模糊聚類方法,并通過多個運動想象數據集的實驗,完成了對運動想象腦電信號數據的較好的表達。文獻[16]提出一種新的基于沃爾什哈達瑪變換的特征提取方法,將提取的特征通過人工神經網絡進行分類,得到較為準確的結果。文獻[17]提出將從腦電信號中提取的時間、頻率和位置信息,組合成2D信息輸入到卷積神經網絡(CNN,convolutional neural network)和堆棧自編碼器(SAE,stacked auto encoder)結合的深度網絡,得到較高的分類準確率。

    基于以上的研究內容,本文提出一種3個權重共享子網絡構成的改進孿生網絡,將經小波變換結合經驗模態(tài)分解預處理后的信號輸入此網絡,實現(xiàn)對腦電信號的特征提取和分類。通過對兩個數據集的仿真,相比現(xiàn)有算法均取得更好的分類準確率,表明此方法能更好的應用到MI-EEG信號的分類識別,并具有一定普遍性。

    1 算法原理

    1.1 孿生網絡改進原理

    經典孿生神經網絡由兩個子網絡構成,這兩個子網絡之間結構相同,并且共享權重和偏置等參數。若樣本(x1,x2)和標簽y輸入孿生神經網絡,其中輸入樣本類別相同標簽y為1,相反標簽為0,通過權重共享的子網絡提取樣本的低維特征,計算特征的距離度量樣本相似度。代價函數為對比損失函數公式如下:

    L(w,(y,x1,x2))=

    (1)

    其中:DW為輸入樣本經過孿生神經網絡提取的低維特征之間的歐式距離,公式為DW(x1,x2)=‖f(x1)-f(x2)‖,f(x1)、f(x2)分別表示樣本x1、x2經過神經網絡映射出的低維特征,y為樣本標簽,max表示最大值,m為設定的閾值。

    本文提出一種3個權重共享的子網絡孿生系統(tǒng)如圖1所示,其主要包括兩部分:特征提取和相似度計算。在特征提取部分,本文選取5層的全連接神經網絡。表1是網絡結構的詳細說明。為了防止過擬合現(xiàn)象,每層全連接層后使用dropout函數。對于大部分數據來說,ReLu 激活函數具有更好的擬合能力。因此隱藏層選取非線性的Relu作為激活函數,輸出層則使用sigmoid 激活函數,使得結果介于0到1。

    表1 網絡結構

    圖1 改進孿生網絡框架

    當輸入腦電信號樣本組合x1、x2、x3時,通過3個共享權值的子網絡提取低維特征,計算樣本特征之間的平均距離來表示樣本之間的差異,最后利用這個距離進行相似度判斷。本文提出一種新的距離函數,如公式2所示:

    DW(x1,x2,x3)=

    (2)

    其中:x1和x2、x3為輸入的樣本序列,f(x1)、f(x2)和f(x3)為經過神經網絡提取的低維特征,DW(x1,x2,x3)為特征之間的平均距離,采用公式(1)作為損失函數進行訓練。此距離函數消除了樣本因隨機選取產生的偶然性誤差,使分類系統(tǒng)更加穩(wěn)定,一定程度的提高了分類的準確度。

    1.2 學習樣本集采樣算法

    設預處理后的訓練集為Xtrain、Ytrain,其中Xtrain為預處理后的小波分量訓練集信號,Ytrain為訓練集樣本標簽。

    (3)

    3)令i=1,…,n,因此可以得到包含n個樣本組的學習樣本集。

    1.3 測試集樣本采集

    設預處理后的測試集為Xtest、Ytest,其中:Xtest為預處理后的小波分量測試信號集,Ytest為測試集樣本標簽。

    (4)

    4)令i=1,…,l,其中l(wèi)為預測樣本長度。即依次對測試集Xtest中所有樣本進行上述操作,可得到Xtest的預測標簽。

    1.4 信號預處理過程

    腦電信號是一種非線性、非平穩(wěn)的信號,小波變換是在一種時頻域分析方法,更好的分析和處理了非平穩(wěn)信號,早在1996年就被應用于運動想象腦電信號的去噪處理。對信號x(t)進行分解,其離散小波函數表示為:

    (5)

    其中:ψj,k(t)為基本小波。

    由于腦電信號的電壓普遍在μV量級,這一特點導致EEG信號極易受到眼動、肌電、高頻噪聲等干擾。因眼動干擾處于低頻段并與腦電信號重疊,使得其去除較為復雜,而肌電和高頻噪聲則處于高頻段。若將噪聲相關的頻段直接去除,則會導致一部分重要信息丟失,因此本文選取小波分量的最低頻段和最高頻段進行經驗模態(tài)分解(EMD,empirical mode decomposition),通過自相關函數將EEG信號與噪聲信號盡可能進行分離。

    EMD分解是一種非線性濾波器,將信號分解為若干個IMF,其中IMF需要滿足以下兩個條件:

    1)整個數據中,極值點和過零點數目相等或最多相差為1。

    2)在任意一點,由局部極大值定義的包絡和由局部極小值定義的包絡的均值等于0。

    自相關函數選取的是腦電自身信號與時延后的信號之間的相似度,其表達式為:

    (6)

    其中:x(t)為原始運動想象腦電信號,Δτ為延時長度,Cov表示協(xié)方差,var則為方差。干擾噪聲一般表現(xiàn)為低頻、高幅度,因此對于含噪聲成分較高的IMF分量,自相關函數較高。而腦電信號具有隨機性較強、時變復雜等特點,因此其值較低。通過設定自相關閾值,篩選出腦電信號相關的IMFs分量進行重構,得到“純凈”的小波系數。

    1.5 總體算法流程

    算法流程如圖2所示,主要步驟為:

    圖2 算法流程

    1)將腦電信號進行預處理,然后經過5折交叉驗證法將信號集分成訓練數據和測試數據。

    2)根據1.2節(jié)學習樣本集采樣算法構建三樣本組合學習樣本集,將其作為三權值共享的孿生神經網絡的輸入,根據對比損失函數,利用全連接神經網絡更新權值和偏置等參數。當模型收斂或者到達設定次數時,模型訓練結束,保存模型。

    3)在測試過程中,根據1.3節(jié)依次對所有測試樣本構造正負測試樣本集,對比正負測試樣本集平均距離,選擇最小平均距離(即相似度最高)所對應的類別作為該待測樣本的類別號。

    2 實驗仿真與分析

    2.1 實驗數據

    本文提出的方法得到來自The largest SCP data of Motor-Imagery和BCI Competition II Data set III兩個數據集的驗證,接下來對其進行介紹。

    數據集1來自公開標準數據集BCI Competition II Data set III,該組數據是通過年齡為25歲的健康女性進行想象左右手實驗獲得的。本實驗共進行了7組,每組40次,共進行了280次試驗。每一次試驗持續(xù)時間為9秒, 在0~2秒時為休息時間;在第2秒時進行語音提示;第3秒開始屏幕上出現(xiàn)一個箭頭,同時要求受試者進行相應的運動想象。數據的采集電極放置在國際標準的10~20導聯(lián)系統(tǒng)c3、cz、c4位置,其中采樣頻率為128 Hz。實施示意圖如圖3所示。

    圖3 實施示意圖

    數據集2來自2018年提出的國際標準腦電信號數據庫The largest SCP data of Motor-Imagery中的CLA左右手運動想象數據集,此數據集是由7名健康受試者(S1~S7)面對圖形用戶界面(eGUI)的相應提示執(zhí)行左手、右手運動想象。數據的采集電極放置符合10~20導聯(lián)標準,每組數據包含21個通道的EEG信號,采樣頻率為200 Hz。實驗過程中,圖形用戶界面上顯示一個左右手兩類刺激信號,動作信號在屏幕上保持1秒,同時受試者執(zhí)行了一次相應的心理意象,隨后暫停1.5~2.5 s后結束單次試驗,每段記錄持續(xù)50~55分鐘。對于7名實驗對象采集的數據信息如表2所示。

    表2 數據集信息

    2.2 預處理過程

    圖4分別為數據集1左右手運動想象時通道c3、cz、c4的平均能量。由圖(a)可知,cz通道的左右手想象運動能量幾乎沒有區(qū)別,由圖(b)和圖(c)可知c3、c4通道3.5~9時間段的平均能量差別較大,因此本文選取3.5~9時間段的c3、c4通道腦電信號進行小波變換。

    圖 4 各通道的信號平均能量圖

    在進行小波變換時,小波基[18-19]和自相關系數閾值的選取對腦電信號的處理影響較大。本文通過選取部分小波基用于離散小波變換,分別為dmey、db2、sym3、haar,經過多次實驗對比,發(fā)現(xiàn)選取demy小波基分類準確率更高,穩(wěn)定性更強。相關系數閾值是一個重要的參數,其值直接影響了偽跡與腦電信號的分離,在保持其他條件不變的情況下,采用不同閾值得到分類準確率。經過多次試驗當閾值等于0.9時,正確率高達90%以上,因此本文選取0.9為相關函數閾值。

    數據集1選取腦電信號樣本3.5~9時間段的C3、C4通道腦電信號分別進行4層小波變換,其中選用demy為小波基,然后對小波分量的低頻部分A4和高頻段D1進行經驗模態(tài)分解,將IMFs分量的自相關函數值小于0.9的進行重構,得到“干凈”的小波分量,然后將各個通道的小波分量進行串接。

    數據集2對21通道腦電信號進行5層小波變換,其中選用demy為小波基,然后對小波分量的低頻部分A4和高頻段D1進行經驗模態(tài)分解,將IMFs分量的自相關函數值小于0.9的進行重構,得到“干凈”的小波分量,然后將各個通道的小波分量進行串接。

    2.3 評價指標

    分類精準度被用來直接衡量信號分類的準確率,其公式為:

    (7)

    其中:TP和TN為左右手想象信號正確識別樣本數量,F(xiàn)P和FN為左右手想象信號錯誤識別樣本數量。

    Kappa值是一個信號分類一致性的評價指標,其公式為:

    (8)

    其中:p0是總的分類正確率。對于二分類而言,每一類實際樣本數為r1、r2,則每一個類別中預測樣本個數p1、p2,pe則為:

    (9)

    2.4 實驗結果

    下面運用數據集1,對腦電信號進行預處理后,分別通過經典孿生神經系統(tǒng)和改進后的孿生神經網絡進行腦電信號特征提取和分類,同時得到兩種方法在測試集上的分類混淆矩陣如圖5所示。由圖5可知,改進孿生網絡在左右手想象信號相比經典孿生網絡均具有更好的可分性,測試集上的識別精度更高。

    圖5 經典和改進后孿生網絡混淆矩陣

    將本文的算法與目前性能較高的現(xiàn)有算法進行對比,其中用到對比算法主要有文獻[14]中基于滑動窗口Infomax算法的動態(tài)獨立分量分析方法,記為 ICA,文獻 [15]使用AR算法和優(yōu)化多球面支持向量數據的模糊聚類方法相結合的方法,記為AR-SVDD。文獻[16] 中基于快速沃爾什哈達瑪變換的特征提取方法,并結合ANN分類器進行分類,記為FWHT-ANN。文獻[17]中CNN結合SAE提出的一個新的深度網絡,記為CNN-SAE算法。文獻[20] 提出的Renyi熵特征提取方法,結合BLDS分類器對信號進行處理,記為Renyi-BLDA。將經過小波變換結合經驗模態(tài)分解預處理后的信號,輸入經典孿生神經網絡進行特征提取和分類的方法,記為WT_emd_siamese。分類結果如表3所示。

    表3 不同特征提取算法的分類正確率

    從表3可知,本文算法分類準確率均高于其他算法,其準確率提高了4.29~13.06%,表明所提算法能更好地實現(xiàn)腦電信號處理。WT_emd_siamese算法分類正確率到達87.50%,進一步證明了小波變換、經驗模態(tài)分解結合孿生網絡方法的可行性,這為運動想象腦電信號處理提供了一種新思路。

    2.5 算法在不同數據集的進一步驗證

    為了進一步驗證算法的有效性,對數據集2進行測試,并采用目前較為常用并取得較好結果的csp算法結合svm分類器辦法進行基準驗證,結果如表4所示。由結果可知,此方法平均分類正確率高達到90.36%,相對csp_svm分類性能提升了12.5%,且最高達到97.43%,去除數據集S2和S6實驗對象,平均分類準確率高達94.30%,進一步證明了此算法在腦電信號識別方面具有較好性能。此外,本文提出算法kappa值高達0.907,其具有較好的一致性,分類結果可靠。

    表4 數據集2所有受試者分類正確率

    圖6顯示了在數據集2上兩種算法測量的總分類混淆矩陣,如圖6中數據顯示,本文所提出的算法,相比csp_svm腦電信號處理辦法,無論在左手還是右手識別中精確度都得到極大地提升,其中左手識別精度到達96.7%,這也證明了本文算法在運動想象任務中發(fā)揮著積極地作用。

    圖6 混淆矩陣

    3 結束語

    本文提出一種3個權重系數共享子網絡構成的改進孿生網絡腦電信號的分類方法。通過小波變換結合經驗模態(tài)分解,對信號進行預處理,然后將預處理的小波分量通過改進的孿生神經網絡系統(tǒng)進行特征提取和分類。將改進后的孿生網絡與經典孿生網絡相比,利用新的距離函數消除了偶然誤差性,提高了分類正確率,使分類系統(tǒng)更加穩(wěn)定,同時在特征提取部分選擇簡單的全連接神經網絡,在保證了分類性能的同時,極大地降低了系統(tǒng)的復雜性。通過對BCI Competition II Data set III數據集進行仿真,本文提出的算法取得了94.29%的分類準確率,與現(xiàn)有的研究結果進行對比,可以更有效地進行運動想象腦電信號的分類。利用The largest SCP data of Motor-Imagery數據集進一步驗證,結果表明本文提出的方法在相同的數據類型下依舊保持優(yōu)異的性能。因此在接下來的研究過程中,可將此方法應用到其他類型的腦電信號分析,這為腦電信號處理提供了一種新思路。

    猜你喜歡
    特征提取分類信號
    分類算一算
    信號
    鴨綠江(2021年35期)2021-04-19 12:24:18
    完形填空二則
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    分類討論求坐標
    基于FPGA的多功能信號發(fā)生器的設計
    電子制作(2018年11期)2018-08-04 03:25:42
    數據分析中的分類討論
    教你一招:數的分類
    一種基于LBP 特征提取和稀疏表示的肝病識別算法
    基于LabVIEW的力加載信號采集與PID控制
    国产精品久久视频播放| 99re在线观看精品视频| 91字幕亚洲| 久久久精品区二区三区| 欧美 亚洲 国产 日韩一| 国产1区2区3区精品| 欧美在线黄色| 不卡av一区二区三区| 午夜免费鲁丝| 免费久久久久久久精品成人欧美视频| 国产av精品麻豆| 精品国产乱码久久久久久男人| 久久久国产精品麻豆| 一区二区三区激情视频| 国产成人影院久久av| 少妇猛男粗大的猛烈进出视频| 国产xxxxx性猛交| 多毛熟女@视频| 99国产综合亚洲精品| 亚洲自偷自拍图片 自拍| 夜夜夜夜夜久久久久| 最近最新免费中文字幕在线| 一进一出抽搐gif免费好疼 | 亚洲熟女精品中文字幕| 一进一出好大好爽视频| www日本在线高清视频| 欧美人与性动交α欧美精品济南到| 久久天堂一区二区三区四区| 丰满饥渴人妻一区二区三| 精品久久久精品久久久| 国内久久婷婷六月综合欲色啪| 精品福利永久在线观看| 在线天堂中文资源库| 搡老岳熟女国产| 女同久久另类99精品国产91| 亚洲av片天天在线观看| 精品欧美一区二区三区在线| 欧美日韩一级在线毛片| 91av网站免费观看| 亚洲精品美女久久久久99蜜臀| 伊人久久大香线蕉亚洲五| 午夜日韩欧美国产| bbb黄色大片| 99精品欧美一区二区三区四区| 日本黄色视频三级网站网址 | 国产精品久久久人人做人人爽| 新久久久久国产一级毛片| 成年人午夜在线观看视频| 国产男女内射视频| 亚洲五月天丁香| 国产蜜桃级精品一区二区三区 | 人人妻人人爽人人添夜夜欢视频| 久久婷婷成人综合色麻豆| 窝窝影院91人妻| 人人妻人人澡人人看| 亚洲av成人av| www.自偷自拍.com| 又黄又粗又硬又大视频| 国产97色在线日韩免费| www.精华液| 69精品国产乱码久久久| 国产午夜精品久久久久久| 999久久久国产精品视频| 丝袜美足系列| 欧美黄色淫秽网站| 69av精品久久久久久| 无遮挡黄片免费观看| 色老头精品视频在线观看| 熟女少妇亚洲综合色aaa.| 夜夜爽天天搞| 91精品三级在线观看| 极品少妇高潮喷水抽搐| 午夜91福利影院| 女警被强在线播放| 在线观看午夜福利视频| 麻豆av在线久日| 国产成人精品久久二区二区91| 日韩 欧美 亚洲 中文字幕| 欧美精品亚洲一区二区| 精品一区二区三区av网在线观看| 日本wwww免费看| 精品国产一区二区三区久久久樱花| 国产深夜福利视频在线观看| 欧美日韩国产mv在线观看视频| 黄色丝袜av网址大全| 久久九九热精品免费| 亚洲精品粉嫩美女一区| 久久精品国产a三级三级三级| 午夜两性在线视频| 手机成人av网站| 黑人操中国人逼视频| 亚洲精品久久午夜乱码| 丁香六月欧美| 美女扒开内裤让男人捅视频| 久久九九热精品免费| 国产欧美亚洲国产| 亚洲欧美色中文字幕在线| 欧美不卡视频在线免费观看 | 动漫黄色视频在线观看| 亚洲欧美激情在线| 亚洲精品在线美女| 中文亚洲av片在线观看爽 | 亚洲一区二区三区欧美精品| 久久久久久久午夜电影 | 国产精品亚洲一级av第二区| 啦啦啦视频在线资源免费观看| 免费在线观看视频国产中文字幕亚洲| 在线观看免费午夜福利视频| 久久中文看片网| 久久婷婷成人综合色麻豆| 国产亚洲精品一区二区www | 欧美日韩中文字幕国产精品一区二区三区 | 久久婷婷成人综合色麻豆| 久久国产乱子伦精品免费另类| 日韩欧美一区视频在线观看| 99在线人妻在线中文字幕 | 又黄又粗又硬又大视频| 亚洲精品在线美女| 久久久国产欧美日韩av| 日韩欧美三级三区| 成在线人永久免费视频| 亚洲人成电影观看| 久久久久久亚洲精品国产蜜桃av| 亚洲欧洲精品一区二区精品久久久| 成人精品一区二区免费| 国产精品国产高清国产av | 老鸭窝网址在线观看| 国产精华一区二区三区| 操出白浆在线播放| 亚洲国产中文字幕在线视频| 欧美最黄视频在线播放免费 | 夜夜躁狠狠躁天天躁| 久久精品亚洲熟妇少妇任你| 久久久久久人人人人人| 日日爽夜夜爽网站| 一级黄色大片毛片| av视频免费观看在线观看| a级毛片在线看网站| 国产成人欧美在线观看 | 99精品欧美一区二区三区四区| а√天堂www在线а√下载 | 老熟妇仑乱视频hdxx| 亚洲视频免费观看视频| 一夜夜www| 国产国语露脸激情在线看| av一本久久久久| 韩国av一区二区三区四区| 精品国产亚洲在线| 精品国产一区二区三区四区第35| 大香蕉久久网| 又大又爽又粗| www.精华液| 成人永久免费在线观看视频| 12—13女人毛片做爰片一| 久久精品aⅴ一区二区三区四区| 欧美黄色片欧美黄色片| 成在线人永久免费视频| 日韩有码中文字幕| 久久热在线av| 亚洲欧美精品综合一区二区三区| 一级a爱片免费观看的视频| 亚洲人成77777在线视频| 国产欧美日韩一区二区精品| www.熟女人妻精品国产| 欧美精品亚洲一区二区| 精品久久久久久,| 午夜福利在线免费观看网站| 久久午夜亚洲精品久久| 亚洲精品国产色婷婷电影| 99国产精品一区二区三区| 人人妻,人人澡人人爽秒播| 亚洲精品美女久久久久99蜜臀| 麻豆av在线久日| 人妻久久中文字幕网| 香蕉久久夜色| 99久久人妻综合| 十八禁网站免费在线| 18禁裸乳无遮挡免费网站照片 | 老司机午夜福利在线观看视频| 色播在线永久视频| 老熟妇仑乱视频hdxx| 深夜精品福利| 国产精品久久视频播放| 人妻久久中文字幕网| 欧美 亚洲 国产 日韩一| 国产在线一区二区三区精| 亚洲久久久国产精品| 亚洲国产欧美一区二区综合| 少妇的丰满在线观看| 国产免费男女视频| 欧美在线黄色| 亚洲aⅴ乱码一区二区在线播放 | 亚洲一码二码三码区别大吗| 首页视频小说图片口味搜索| 美女福利国产在线| 成人国产一区最新在线观看| 欧美激情极品国产一区二区三区| 大香蕉久久成人网| 欧美中文综合在线视频| 美女国产高潮福利片在线看| 欧美精品高潮呻吟av久久| 亚洲人成77777在线视频| 亚洲人成电影免费在线| 日日摸夜夜添夜夜添小说| 婷婷成人精品国产| 国产免费av片在线观看野外av| 亚洲一区二区三区欧美精品| 最近最新中文字幕大全电影3 | av欧美777| 精品国产乱码久久久久久男人| bbb黄色大片| 欧美最黄视频在线播放免费 | 免费在线观看视频国产中文字幕亚洲| 亚洲国产毛片av蜜桃av| 欧美激情高清一区二区三区| 国产麻豆69| 99久久99久久久精品蜜桃| 久久人人97超碰香蕉20202| av有码第一页| 午夜老司机福利片| 丝袜美足系列| 婷婷精品国产亚洲av在线 | 精品久久久精品久久久| 新久久久久国产一级毛片| 欧美日韩亚洲综合一区二区三区_| 性少妇av在线| 一本综合久久免费| 91成人精品电影| 欧美激情高清一区二区三区| 中文字幕色久视频| 欧美精品啪啪一区二区三区| 国产又色又爽无遮挡免费看| 久久久久久久久久久久大奶| 99久久综合精品五月天人人| 久久精品亚洲精品国产色婷小说| 村上凉子中文字幕在线| 久久中文字幕人妻熟女| 亚洲欧美激情综合另类| 亚洲色图综合在线观看| 丝袜在线中文字幕| 大香蕉久久网| 久久久久国产一级毛片高清牌| 久久香蕉精品热| 亚洲熟妇熟女久久| 亚洲综合色网址| 午夜激情av网站| 欧美午夜高清在线| 桃红色精品国产亚洲av| 午夜免费鲁丝| 丝瓜视频免费看黄片| 俄罗斯特黄特色一大片| 精品久久蜜臀av无| 亚洲午夜精品一区,二区,三区| 午夜福利欧美成人| 久久精品91无色码中文字幕| 中文字幕最新亚洲高清| 老汉色∧v一级毛片| 亚洲av日韩精品久久久久久密| 女警被强在线播放| 天天躁日日躁夜夜躁夜夜| 国产又爽黄色视频| 色精品久久人妻99蜜桃| 丰满迷人的少妇在线观看| 热re99久久精品国产66热6| 岛国毛片在线播放| 亚洲第一欧美日韩一区二区三区| 变态另类成人亚洲欧美熟女 | 亚洲欧美精品综合一区二区三区| 日韩熟女老妇一区二区性免费视频| 亚洲成a人片在线一区二区| 国产在视频线精品| 美女午夜性视频免费| a级毛片在线看网站| 国产aⅴ精品一区二区三区波| 久久婷婷成人综合色麻豆| 久久香蕉国产精品| 欧美黄色淫秽网站| av免费在线观看网站| 国产三级黄色录像| 99热国产这里只有精品6| 在线十欧美十亚洲十日本专区| 另类亚洲欧美激情| 成人黄色视频免费在线看| 丝袜美足系列| 精品一区二区三卡| 欧美亚洲 丝袜 人妻 在线| 啦啦啦在线免费观看视频4| 亚洲成人免费av在线播放| 最近最新中文字幕大全免费视频| 亚洲欧洲精品一区二区精品久久久| 国产精品综合久久久久久久免费 | av一本久久久久| 丝袜在线中文字幕| 俄罗斯特黄特色一大片| 熟女少妇亚洲综合色aaa.| 动漫黄色视频在线观看| 国产精品自产拍在线观看55亚洲 | 精品视频人人做人人爽| 国产熟女午夜一区二区三区| 欧美乱色亚洲激情| 亚洲精品在线观看二区| 成在线人永久免费视频| 热99re8久久精品国产| av免费在线观看网站| 十八禁网站免费在线| 极品人妻少妇av视频| 超碰成人久久| 国产蜜桃级精品一区二区三区 | 老司机靠b影院| 国产成人精品在线电影| 校园春色视频在线观看| 日韩中文字幕欧美一区二区| 成人免费观看视频高清| 老司机福利观看| 精品一区二区三区视频在线观看免费 | 美国免费a级毛片| 久久亚洲精品不卡| 欧美精品一区二区免费开放| 色播在线永久视频| 国产精品国产av在线观看| 久久久国产成人免费| 国产精品久久久久成人av| 久久狼人影院| 在线观看免费午夜福利视频| 国产免费男女视频| 久久精品aⅴ一区二区三区四区| 99久久精品国产亚洲精品| 老汉色∧v一级毛片| 国产精品久久视频播放| 免费在线观看视频国产中文字幕亚洲| 久久久水蜜桃国产精品网| 亚洲精品国产色婷婷电影| 一级黄色大片毛片| 免费女性裸体啪啪无遮挡网站| 窝窝影院91人妻| 国产精品久久久人人做人人爽| 日本撒尿小便嘘嘘汇集6| 国产精品一区二区精品视频观看| 90打野战视频偷拍视频| 黄色丝袜av网址大全| 欧美日韩av久久| 19禁男女啪啪无遮挡网站| 中出人妻视频一区二区| 国产精品久久久久久精品古装| 狠狠婷婷综合久久久久久88av| 搡老乐熟女国产| 嫩草影视91久久| 最新的欧美精品一区二区| 一本综合久久免费| 黄片小视频在线播放| 日本一区二区免费在线视频| av免费在线观看网站| 天天添夜夜摸| xxxhd国产人妻xxx| 欧美老熟妇乱子伦牲交| 国产单亲对白刺激| 国产深夜福利视频在线观看| 青草久久国产| 曰老女人黄片| 免费女性裸体啪啪无遮挡网站| 99国产精品99久久久久| 亚洲久久久国产精品| 国产激情久久老熟女| 伊人久久大香线蕉亚洲五| 18在线观看网站| 国产激情欧美一区二区| 久久久精品免费免费高清| 无人区码免费观看不卡| 九色亚洲精品在线播放| 国产一区二区三区在线臀色熟女 | 成人18禁在线播放| 久久精品国产a三级三级三级| 最近最新免费中文字幕在线| 精品高清国产在线一区| 热99久久久久精品小说推荐| 女警被强在线播放| 欧美日韩av久久| 五月开心婷婷网| 国产人伦9x9x在线观看| 国产男靠女视频免费网站| 十八禁人妻一区二区| 美国免费a级毛片| 99国产精品免费福利视频| 国产成人欧美在线观看 | 国产成人精品在线电影| 国产在线精品亚洲第一网站| 国产野战对白在线观看| 国产色视频综合| 国产亚洲av高清不卡| 老鸭窝网址在线观看| 国产精品乱码一区二三区的特点 | 日本欧美视频一区| 欧美丝袜亚洲另类 | 性色av乱码一区二区三区2| 脱女人内裤的视频| 久久精品国产a三级三级三级| 中文欧美无线码| 黄网站色视频无遮挡免费观看| 中国美女看黄片| 九色亚洲精品在线播放| 一级片'在线观看视频| 亚洲伊人色综图| 在线观看免费高清a一片| 天天躁日日躁夜夜躁夜夜| 又紧又爽又黄一区二区| 两个人看的免费小视频| 女人爽到高潮嗷嗷叫在线视频| 国产99白浆流出| 精品亚洲成a人片在线观看| 国产欧美亚洲国产| 一级,二级,三级黄色视频| 少妇的丰满在线观看| 啦啦啦在线免费观看视频4| 亚洲国产毛片av蜜桃av| 黄片大片在线免费观看| 中文字幕精品免费在线观看视频| 久久中文看片网| 精品一区二区三区四区五区乱码| 人妻丰满熟妇av一区二区三区 | 又紧又爽又黄一区二区| 一a级毛片在线观看| 大陆偷拍与自拍| 国产精品秋霞免费鲁丝片| 精品国内亚洲2022精品成人 | 丝瓜视频免费看黄片| 一区二区日韩欧美中文字幕| 中文字幕人妻丝袜制服| 99热网站在线观看| 搡老熟女国产l中国老女人| 亚洲精品久久成人aⅴ小说| 丝袜美腿诱惑在线| 成人国语在线视频| 好看av亚洲va欧美ⅴa在| 搡老岳熟女国产| 在线看a的网站| 亚洲综合色网址| 岛国在线观看网站| 无遮挡黄片免费观看| 国产有黄有色有爽视频| 操美女的视频在线观看| 热re99久久国产66热| 12—13女人毛片做爰片一| 国产一区二区三区综合在线观看| 中文字幕人妻熟女乱码| 久久国产亚洲av麻豆专区| videos熟女内射| 国产亚洲精品久久久久5区| 欧美成人免费av一区二区三区 | videosex国产| 久久精品91无色码中文字幕| 国产精品免费大片| 亚洲午夜精品一区,二区,三区| 一级a爱片免费观看的视频| 狠狠婷婷综合久久久久久88av| 很黄的视频免费| netflix在线观看网站| 十八禁高潮呻吟视频| 亚洲性夜色夜夜综合| 久久久久视频综合| 丰满饥渴人妻一区二区三| 国产一区二区三区综合在线观看| 国产熟女午夜一区二区三区| 天天躁日日躁夜夜躁夜夜| 美女午夜性视频免费| 超色免费av| 中文字幕av电影在线播放| 国产精品久久久久久精品古装| 亚洲av成人av| 免费不卡黄色视频| 老司机深夜福利视频在线观看| 日韩成人在线观看一区二区三区| 黄频高清免费视频| 自拍欧美九色日韩亚洲蝌蚪91| 在线观看66精品国产| 黄片小视频在线播放| tocl精华| 午夜91福利影院| 亚洲国产毛片av蜜桃av| av超薄肉色丝袜交足视频| svipshipincom国产片| 国产精品香港三级国产av潘金莲| cao死你这个sao货| 免费av中文字幕在线| 亚洲精品国产区一区二| 欧美激情极品国产一区二区三区| 日韩一卡2卡3卡4卡2021年| 99国产精品一区二区三区| 精品一品国产午夜福利视频| 欧美精品人与动牲交sv欧美| 国产精品 欧美亚洲| 国产精品98久久久久久宅男小说| 深夜精品福利| 99热国产这里只有精品6| 又黄又粗又硬又大视频| 亚洲片人在线观看| 欧美日韩视频精品一区| 色综合婷婷激情| 天天躁狠狠躁夜夜躁狠狠躁| 夜夜爽天天搞| 人人妻人人添人人爽欧美一区卜| 女人被躁到高潮嗷嗷叫费观| 18禁美女被吸乳视频| 人妻丰满熟妇av一区二区三区 | 91成人精品电影| 国产成人精品久久二区二区91| 久久人妻av系列| 国产欧美日韩一区二区三区在线| 老司机影院毛片| 国产精品 欧美亚洲| 成人av一区二区三区在线看| 欧美日韩亚洲综合一区二区三区_| 欧美中文综合在线视频| 纯流量卡能插随身wifi吗| 人成视频在线观看免费观看| 亚洲成人手机| 1024香蕉在线观看| 成人国语在线视频| 欧美亚洲日本最大视频资源| 亚洲七黄色美女视频| 久久国产亚洲av麻豆专区| 宅男免费午夜| 精品久久蜜臀av无| 每晚都被弄得嗷嗷叫到高潮| 国产精品 国内视频| 日韩免费高清中文字幕av| 国产精品自产拍在线观看55亚洲 | 亚洲男人天堂网一区| 可以免费在线观看a视频的电影网站| 18禁观看日本| 热99re8久久精品国产| 丝瓜视频免费看黄片| 精品一区二区三区四区五区乱码| 不卡一级毛片| 久久99一区二区三区| 亚洲av片天天在线观看| 丰满的人妻完整版| 亚洲综合色网址| 亚洲伊人色综图| 欧美日韩视频精品一区| 国产精品99久久99久久久不卡| 露出奶头的视频| 成人18禁高潮啪啪吃奶动态图| 日本五十路高清| 国产熟女午夜一区二区三区| 久热爱精品视频在线9| 日韩欧美免费精品| 99精品在免费线老司机午夜| 精品国产美女av久久久久小说| 女人精品久久久久毛片| 亚洲国产欧美日韩在线播放| 亚洲一区二区三区欧美精品| 日韩免费高清中文字幕av| 在线天堂中文资源库| 丰满人妻熟妇乱又伦精品不卡| av电影中文网址| 成年人免费黄色播放视频| 国内久久婷婷六月综合欲色啪| 男女午夜视频在线观看| 欧美日韩福利视频一区二区| 女同久久另类99精品国产91| 亚洲七黄色美女视频| 丝袜美足系列| 亚洲精品美女久久久久99蜜臀| 美女扒开内裤让男人捅视频| 国产日韩欧美亚洲二区| 69精品国产乱码久久久| 在线观看免费视频日本深夜| 99国产精品一区二区蜜桃av | a级片在线免费高清观看视频| 中文字幕色久视频| 午夜影院日韩av| 18禁黄网站禁片午夜丰满| 久久久久久免费高清国产稀缺| 超色免费av| 亚洲精品成人av观看孕妇| 在线看a的网站| 欧美日韩瑟瑟在线播放| 亚洲欧美一区二区三区黑人| 国产成人精品久久二区二区免费| 天堂√8在线中文| 精品少妇久久久久久888优播| 国产一卡二卡三卡精品| 免费久久久久久久精品成人欧美视频| 免费黄频网站在线观看国产| av片东京热男人的天堂| 嫩草影视91久久| 欧美日韩一级在线毛片| 久久久久久免费高清国产稀缺| 大香蕉久久成人网| 少妇粗大呻吟视频| 午夜精品久久久久久毛片777| 老汉色∧v一级毛片| 国产精品成人在线| 欧美日韩黄片免| 久久午夜亚洲精品久久| 999精品在线视频| 免费观看a级毛片全部| 亚洲国产欧美日韩在线播放| 欧美成狂野欧美在线观看| 妹子高潮喷水视频| 国产av又大| ponron亚洲| 99久久精品国产亚洲精品| 黑人巨大精品欧美一区二区蜜桃| 99精品久久久久人妻精品| 国产欧美日韩一区二区三区在线| 久99久视频精品免费| 91字幕亚洲| 国产区一区二久久| 丁香欧美五月| 国产精品久久电影中文字幕 | 黄色视频,在线免费观看| 色播在线永久视频| 日韩欧美免费精品| 老司机亚洲免费影院|