• <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 ?

    基于機器學習的丙型肝炎肝纖維化預測算法對比研究

    2022-04-02 01:25:14劉懷進
    肇慶學院學報 2022年2期
    關鍵詞:丙型肝炎準確度梯度

    李 芳,劉懷進,田 慶

    (1.肇慶學院 計算機科學與軟件學院,廣東 肇慶 526061;2.華僑大學 計算機科學與技術學院,福建 廈門 361021)

    丙型肝炎病毒(HCV)感染在全球范圍內影響超過1億7 千萬人[1].中國是世界上丙型肝炎患病率最高的國家之一,其患病率達到13%~15%.HCV感染的特點是具有持續(xù)性和向慢性肝炎發(fā)展的高趨勢性,并在部分患者中發(fā)展為肝硬化或肝癌.迄今為止,尚無指標或可靠的標準來確定纖維化的進展速度,以及何時會發(fā)展為肝硬化.HCV的治療中連續(xù)肝活檢通常是診斷肝纖維化進展的“金標準”.肝活檢是侵入性的,伴有嚴重的并發(fā)癥,給患者帶來諸多困難且治療費用相當昂貴[2].最近機器學習技術在醫(yī)療領域的發(fā)展給肝纖維化預測帶來了前景,其目標是開發(fā)、評估和驗證一種替代侵入性技術的預測模型,并將預測模型作為預測肝纖維化進展的一種測量方法.首先采用ARIMA模型對全國2005年到2013年丙型肝炎進行建模,為今后丙型肝炎疾病的預防和控制提供了理論支持[3].基于隨機森林的丙型肝纖維化預測的分類模型,對123 例丙型肝炎的血清學指標進行分析預測得到的分類正確率為68.29%[4].基于K近鄰的肝炎預測模型對數(shù)據(jù)進行歸一化的分類正確率為79%[5].使用C4.5決策樹對3 719 例埃及慢性丙型肝炎患者的治療結果預測進行數(shù)據(jù)挖掘評估的分類準確性為73%[6].線性優(yōu)化最優(yōu)解(LP)和Bayesian 網絡分類法(BN)被用來評估和識別HCV序列與纖維化進展率(RFP)之間的關系,其最大分類準確率達到了85%[7].針對39 567名慢性丙型肝炎患者建立了預測纖維化風險的決策樹、遺傳算法、粒子群優(yōu)化和多線性回歸模型,對多種機器學習方法建模的分類準確度在66.3%~84.4%之間[8].通過減少錯誤技術構建的決策樹對427例丙型肝炎患者在預測晚期纖維化方面的準確率為88%[9].一種基于非侵入性方法的新模型對401 例慢性肝炎患者的預測分類準確率為85.9%[10].慢性丙型肝炎病毒(HCV)感染為發(fā)生肝纖維化及肝硬化的主要原因,但由于肝纖維化具有可逆性,若能及時干預對患者具有積極意義[11].大量研究表明,由于機器學習技術能夠從醫(yī)學數(shù)據(jù)庫中發(fā)現(xiàn)隱藏的預測模式,因此它是預測肝纖維化的強大工具.因此對HCV感染肝纖維化的準確評估,不僅有助于指導臨床醫(yī)師及時制定合理的治療方案,而且對改善患者病情具有重要的意義.

    1 方法

    1.1 丙型肝炎

    丙型肝炎由丙型肝炎病毒(HCV)感染所致,主要由血液和體液傳播.丙型肝炎是一種全球性傳染病,可導致慢性炎癥肝壞死和肝纖維化,最后發(fā)展為肝硬化甚至是肝癌.肝纖維化對丙型肝炎患者而言是一項重要的影響預后因素,肝活組織病理學檢查一直被認為是肝纖維化診斷的“金標準”,它可提供肝纖維化分期的重要信息[12].病理科醫(yī)師通過閱片進行肝纖維化程度劃分,分期標準參照肝纖維化分期法[13],共分為5 期(F0~F4),F(xiàn)0為無纖維化,F(xiàn)1為匯管區(qū)有纖維化但無纖維間隔形成,F(xiàn)2為匯管區(qū)纖維化伴少量纖維間隔形成,F(xiàn)3為大量纖維間隔形成,F(xiàn)4為肝硬化.

    1.2 數(shù)據(jù)集分析

    本研究展示的HCV肝纖維化數(shù)據(jù)集.數(shù)據(jù)中包括了1 741 名接受治療的丙型肝炎患者的數(shù)據(jù).患者的數(shù)據(jù)由埃及艾因沙姆斯大學醫(yī)學院在埃爾德梅爾達什醫(yī)院收集[14].患者接受干擾素-阿爾法和利巴韋林的聯(lián)合治療超過15 個月.所收集的數(shù)據(jù)有幾種形式和結構.因此,在專家建議的基礎上應用了改進的預處理階段.從診斷的角度來看,HCV 數(shù)據(jù)集包含1 741 條記錄和29 個數(shù)據(jù)特征屬性(包含28 個屬性特征和1 個分類標簽),所有的特征屬性都是數(shù)字,如表1所示.“基線組織學分期”是具有值{F0,F(xiàn)1,F(xiàn)2,F(xiàn)3,F(xiàn)4}的類別標簽.這些標簽代表了肝纖維化的不同等級,如下所示:無纖維化(F0)、門靜脈區(qū)纖維化(F1)、少數(shù)纖維間隔(F2)、大量纖維間隔(F3)、肝硬化(F4).

    表1 描述數(shù)據(jù)集的特征

    2 非集成算法

    2.1 審查分類算法

    審查算法前并不知道哪些非集成分類算法對HCV問題最有效,所以需要通過一系列實驗進行驗證,以找到預測HCV問題最有效的算法.本文將選擇6 種經典的非集成分類算法(包括線性和非線性算法)對HCV問題進行預測,通過分類準確度(Accuracy)評估算法的結果.其中線性分類算法包括邏輯回歸(LR)[15]和線性判別分析(LDA)[16],非線性分類算法包括K近鄰(KNN)[17]、分類與回歸樹(CART)[18]、樸素貝葉斯(NB)[19]和支持向量機(SVM)[20].

    通過使用10折交叉驗證評估模型的預測性能,采用6種分類算法對原始數(shù)據(jù)進行建模,算法性能評估主要通過分類準確度的平均值和標準方差來比較.實驗結果如表2所示,從數(shù)據(jù)可以看出,LR和KNN值得進一步的分析和研究.

    表2 原始數(shù)據(jù)的分類準確度的平均值和標準方差

    為了更加準確分類算法,通常還需要查看所有算法每次得出的數(shù)據(jù)結果分布狀況.這里使用箱線圖來表示所有數(shù)據(jù)結果的分布情況,如圖1所示.

    圖1 非集成算法對原始數(shù)據(jù)預測結果分布狀況

    從圖1可以看出,KNN的執(zhí)行結果比較緊湊,說明算法對數(shù)據(jù)的處理比較準確.為了使原始數(shù)據(jù)分布均勻,我們對數(shù)據(jù)進行預處理,然后重新評估算法.表3為正態(tài)化數(shù)據(jù)處理后的算法比較結果.

    表3 正態(tài)化數(shù)據(jù)的分類準確度的平均值和標準方差

    從表3可以看出,KNN依然有較好的執(zhí)行結果,同時SVM的結果也有了極大的改善.我們再通過箱線圖來看一下所有算法每次執(zhí)行結果的分布情況,如圖2所示.

    圖2 非集成算法對正態(tài)化數(shù)據(jù)預測結果分布狀況

    從圖2可以看出,KNN和SVM的數(shù)據(jù)分布也是比較緊湊的.

    2.2 算法調參

    通過對6種算法的評估發(fā)現(xiàn)KNN和SVM值得進一步研究.如圖3所示.

    圖3 集群分類增強過程的可視化說明

    圖3中(a)為初始化的樣本集,(b)和(c)為在初始化樣本在目標集群下進行的搜索分類.通過遍歷計算未知點x與已知群集中點的歐指距離判斷是否屬于群集T1的類型,其中,T1={(x1,y1),(x2,y2),……(xn,yn)}.

    KNN的原理是,若一個樣本與數(shù)據(jù)集中的k個樣本最相似,且這k個樣本中的大多數(shù)屬于某一個類別,則該樣本也屬于這個類別.在判斷兩個樣本相似性時,一般使用的歐式距離,如公式(1)所示.

    綜上所述,對未知類型屬性的數(shù)據(jù)集中的每個點依次執(zhí)行以下操作:

    (1)計算已知類別數(shù)據(jù)集中的點與當前點之間的距離;

    (2)按照距離增序排序;

    (3)選取與當前點距離最近的k個點;

    (4)決定這k個點所屬類別的出現(xiàn)頻率;

    (5)返回前k個點出現(xiàn)頻率最高的類別作為當前點的預測分類.

    SVM是一種二類分類模型,如圖4(a)所示,其基本模型定義為特征空間上的間隔最大的線性分類器,其中,紅色集群為I1,藍色集群為I2,通過計算樣本的正負性判斷集群種類.然而,對某個實際問題函數(shù)來尋找一個二分類是非常困難的,因此使用合適的核函數(shù)對空間進行映射是非常有效的方法,如圖4(b)所示.

    圖4 SVM模型的說明

    SVM的工作流程主要有2種:第一種為線性可分SVM超平面:y=wx+b,通過非線性最優(yōu)化求使幾何間隔最大的分離超平面.第二種為線性不可分SVM超平面:將樣本映射到特征空間得到y(tǒng)k=wkx+b,通過非線性最優(yōu)化求使幾何間隔最大的分離超平面.

    下面分別對KNN 和SVM 算法進行調參,以進一步優(yōu)化算法模型.KNN 默認的鄰近點的個數(shù)(n_neighbors)是5,我們對n_neighbors從1到20的奇數(shù)進行網格搜索優(yōu)化參數(shù),以確定KNN算法的最優(yōu)參數(shù).執(zhí)行結果如表4所示,從執(zhí)行結果來看,最優(yōu)的n_neighbors數(shù)是1,準確度達到0.85.

    表4 KNN參數(shù)遍歷結果

    接下來對SVM進行調參,SVM有兩個重要的參數(shù)分別是懲罰系數(shù)(C)和核函數(shù)(kernel),C參數(shù)默認的值是1,kernel 參數(shù)默認的值是rbf.我們同樣采用網格搜索算法遍歷參數(shù)C={0.1,0.3,…,1.7,2.0}和kernel={‘linear’ ,‘poly’ ,‘rbf’ ,‘sigmoid’ },以確定SVM 算法的最優(yōu)解.執(zhí)行結果如表5 所示,從執(zhí)行結果來看,最優(yōu)的C數(shù)是1.5,kernel數(shù)是rbf,準確度達到0.87.

    表5 SVM算法參數(shù)遍歷結果

    3 集成算法

    在機器學習中,除了算法調參提高分類準確度以外,還可以通過集成算法提高分類準確度.我們采用四種經典集成算法進行預測,分別是隨機森林(RF)[21]、極端隨機樹(ET)[22]、AdaBoost(AB)[23]和梯度提升機(GBM)[24].依然正態(tài)化數(shù)據(jù)和采用10折交叉驗證分離評估算法,執(zhí)行結果如表6所示.

    表6 集成算法分類準確度的平均值和標準方差

    通過箱線圖來查看集成算法預測數(shù)據(jù)結果的分布情況,如圖5 所示.從圖5 可以看出,GBM具有最高的準確度,且數(shù)據(jù)結果分布比較緊湊.GBM 默認的弱學習器的數(shù)量(n_estimators)是100,為了優(yōu)化模型,通過網格搜索算法對參數(shù)n_estimators 從10 到900 間隔為50 進行遍歷.最后執(zhí)行結果顯示n_estimators=500 時,GBM 達到最大準確度0.86.

    圖5 集成算法對正態(tài)化數(shù)據(jù)預測結果分布狀況

    綜合前面一系列的算法評估,我們最終得到非集成算法SVM對HCV預測具有最大的準確度.所以我們采用SVM 算法對訓練集進行建模,采用測試集來評估模型.在訓練模型過程中,對數(shù)據(jù)進行正態(tài)化處理,并設置SVM 的參數(shù)C=1,5和kernel=‘rbf’ .從執(zhí)行結果來看,優(yōu)化后的SVM模型對HCV分類準確度為87%.

    4 深度學習算法

    由于傳統(tǒng)的機器學習算法對HCV數(shù)據(jù)進行訓練預測并未達到期望的分類效果,本節(jié)將采用深度學習算法對HCV進行建模預測.由于卷積神經網絡適用于圖像分類,所以我們只選擇了多層感知機網絡(MLP)[25]和長短時記憶網絡(LSTM)[26]進行建模預測.

    首先我們構建一個4層的MLP,它包括一個輸入層、兩個隱藏層和一個輸出層,隱藏層使用Relu激活函數(shù),輸出層使用softmax激活函數(shù).基于MLP的HCV預測模型的網絡結構定義代碼如表7所示.

    在搭建LSTM網絡模型訓練HCV數(shù)據(jù)時,需要先處理一下原始的特征數(shù)據(jù)維度.我們將原來的二維特征數(shù)據(jù)(samples,n_features)變成了三維數(shù)據(jù)(samples,seq_steps,n_features),序列步長seq_steps設置為1,標簽數(shù)據(jù)維度保持不變.然后構建了一個3層的循環(huán)神經網絡(LSTM),它包括一個輸入層、一個隱藏層和一個輸出層,隱藏層使用sigmoid和tanh激活函數(shù),輸出層使用softmax激活函數(shù).基于LSTM的丙型肝炎預測模型的網絡結構的定義代碼如表7所示.

    表7 網絡模型結構定義

    除了自定義的MLP 網絡結構外,MLP 模型設置的具體網絡參數(shù)如表8所示,其中隱藏層神經元個數(shù)和學習速率是通過經驗和實驗調參相結合確定的最優(yōu)值.

    除了定義的LSTM網絡結構外,LSTM模型設置的具體網絡參數(shù)和MPL模型設置的網絡參數(shù)基本一樣,具體參考表8所示.

    表8 模型參數(shù)

    在定義好網絡模型之后,我們對HCV數(shù)據(jù)進行訓練和測試.從圖6的實驗結果對比來看,我們發(fā)現(xiàn)在隱藏層神經元個數(shù)為30,學習速率為0.01時,隨著迭代次數(shù)epoch的不斷增加,MLP模型在測試集上的分類精確度達到89.10%,LSTM模型在測試集上的分類精確度達到了90.48%.

    5 LSTM算法的改進

    在深入研究LSTM 算法的過程中,我們發(fā)現(xiàn)反向傳播算法可以進行優(yōu)化改進.如圖6 所示,在描述LSTM 反向傳播優(yōu)化算法之前,我們先簡單介紹一下LSTM 算法原理.LSTM 主要有細胞狀態(tài)、隱藏狀態(tài)和三個門控組成,門控包括遺忘門、輸入門和輸出門.LSTM 算法主要分為前向傳播算法和反向傳播算法,具體原理和算法請參考文獻[26].

    圖6 MLP和LSTM模型對HCV數(shù)據(jù)訓練過程

    在LSTM反向傳播算法過程中,通過梯度下降法更新算法參數(shù)的關鍵是計算出隱藏狀態(tài)的損失梯度誤差δth和細胞狀態(tài)的損失梯度誤差δtc.為了方便找到梯度的遞推模式,我們根據(jù)前向傳播算法簡單畫出了LSTM的數(shù)據(jù)前向流動示意圖,如圖7所示.

    圖7 LSMT數(shù)據(jù)流動示意圖

    其中,f(t)代表了遺忘上一層隱藏細胞狀態(tài)的概率,輸入門由兩部分組成,第一部分使用了sigmoid激活函數(shù),輸出為i(t),第二部分使用了tanh激活函數(shù),輸出a(t).如公式(5)所示,細胞狀態(tài)C(t)由兩部分組成,第一部分是C(t—1)和遺忘門輸出f(t)的乘積,第二部分是輸入門的i(t)和的乘積,其中°是Hadamard積:

    對于隱藏層h(t),它的更新由兩部分組成,第一部分是o(t),它由上一序列的隱藏狀態(tài)h(t—1)和本序列數(shù)據(jù)x(t),以及激活函數(shù)sigmoid得到,第二部分由隱藏狀態(tài)C(t)和tanh激活函數(shù)組成,即:

    由于δth的梯度誤差由本層的梯度誤差和下一層的梯度誤差共同決定,我們根據(jù)鏈式法則和全微分方程可以求出隱藏狀態(tài)的損失梯度誤差δth和細胞狀態(tài)的損失梯度誤差δtc,如公式(8)和(9)所示.

    對比文獻[26]求隱藏狀態(tài)的損失梯度誤差δth和細胞狀態(tài)的損失梯度誤差δtc,這里給出公式如(10)和(11)所示,明顯我們的反向傳播算法更加簡潔,計算復雜度更低.

    6 總結

    本文采用多種機器學習和深度學習分類算法對病人數(shù)據(jù)進行肝纖維化預測,以尋求優(yōu)質的算法模型運用到丙型肝炎預測中.經過正態(tài)化數(shù)據(jù)處理、交叉驗證調參優(yōu)化和網絡模型結構搭建之后,得到如下結論:

    (1)基于機器學習算法的非集成算法模型SVM和集成算法模型GBM,相對于其他傳統(tǒng)的機器學習算法在應用于HCV預測具有較好的分類性能,不過分類準確度并沒有達到預期效果.

    (2)基于深度學習算法的MLP和LSTM模型的分類預測效果要優(yōu)于傳統(tǒng)的機器學習算法,同時LSTM的分類精確度高于MLP模型,更適合HCV的預測.

    (3)通過對LSMT前向反向傳播算法分析和遞推,發(fā)現(xiàn)LSTM算法的反向傳播算法可以進一步優(yōu)化.通過數(shù)學鏈式法則和矩陣向量求導規(guī)則,我們推導的反向傳播算法更加簡潔,計算復雜度更低.

    猜你喜歡
    丙型肝炎準確度梯度
    圍剿暗行者——丙型肝炎
    肝博士(2022年3期)2022-06-30 02:48:54
    一個改進的WYL型三項共軛梯度法
    一種自適應Dai-Liao共軛梯度法
    一類扭積形式的梯度近Ricci孤立子
    幕墻用掛件安裝準確度控制技術
    建筑科技(2018年6期)2018-08-30 03:40:54
    動態(tài)汽車衡準確度等級的現(xiàn)實意義
    α-干擾素聯(lián)合利巴韋林治療慢性丙型肝炎
    丙型肝炎治療新藥 Simeprevir
    慢性丙型肝炎中醫(yī)治療進展
    高爐重量布料準確度的提高
    天津冶金(2014年4期)2014-02-28 16:52:58
    大型av网站在线播放| 国产午夜精品久久久久久| 一本综合久久免费| 国产成人免费观看mmmm| 久久久国产精品麻豆| 亚洲久久久国产精品| 国产成人系列免费观看| 丰满饥渴人妻一区二区三| 一边摸一边抽搐一进一出视频| 日日摸夜夜添夜夜添小说| aaaaa片日本免费| 18禁美女被吸乳视频| 一个人免费看片子| 在线十欧美十亚洲十日本专区| 亚洲性夜色夜夜综合| 97在线人人人人妻| 手机成人av网站| 啦啦啦在线免费观看视频4| 狂野欧美激情性xxxx| 男女之事视频高清在线观看| 亚洲视频免费观看视频| 亚洲少妇的诱惑av| kizo精华| 中文字幕另类日韩欧美亚洲嫩草| 女警被强在线播放| 青青草视频在线视频观看| av国产精品久久久久影院| 久久精品亚洲熟妇少妇任你| 极品少妇高潮喷水抽搐| www.999成人在线观看| 国产成人精品在线电影| 最黄视频免费看| 熟女少妇亚洲综合色aaa.| 国产精品电影一区二区三区 | 黄频高清免费视频| 国产精品美女特级片免费视频播放器 | 丝袜在线中文字幕| 午夜福利乱码中文字幕| 大陆偷拍与自拍| 18在线观看网站| 国产成人一区二区三区免费视频网站| 天天躁日日躁夜夜躁夜夜| 亚洲精品成人av观看孕妇| 大型黄色视频在线免费观看| 国产欧美日韩一区二区三| 亚洲av第一区精品v没综合| 免费在线观看黄色视频的| 欧美国产精品一级二级三级| 啦啦啦视频在线资源免费观看| 成年版毛片免费区| 99国产极品粉嫩在线观看| 国产精品免费一区二区三区在线 | 日日摸夜夜添夜夜添小说| 成人18禁在线播放| 亚洲情色 制服丝袜| 亚洲精品国产区一区二| 丝瓜视频免费看黄片| 久久久国产欧美日韩av| 国产亚洲欧美在线一区二区| 老鸭窝网址在线观看| 久久久精品国产亚洲av高清涩受| 精品久久久久久电影网| 最新美女视频免费是黄的| 亚洲自偷自拍图片 自拍| 一区二区三区激情视频| 下体分泌物呈黄色| 69av精品久久久久久 | 日韩中文字幕欧美一区二区| 午夜91福利影院| 脱女人内裤的视频| 亚洲av成人一区二区三| 精品少妇久久久久久888优播| 成年人午夜在线观看视频| 丝瓜视频免费看黄片| 亚洲成av片中文字幕在线观看| 久久99一区二区三区| cao死你这个sao货| 亚洲七黄色美女视频| 国产男女超爽视频在线观看| 啦啦啦 在线观看视频| 考比视频在线观看| 在线亚洲精品国产二区图片欧美| 久久久精品94久久精品| 黄色视频,在线免费观看| 亚洲久久久国产精品| 99re在线观看精品视频| 丝瓜视频免费看黄片| 成年版毛片免费区| 免费一级毛片在线播放高清视频 | 1024香蕉在线观看| 国产成人欧美| 色老头精品视频在线观看| 久久影院123| 精品国产乱码久久久久久男人| 国产高清视频在线播放一区| 亚洲熟女毛片儿| 亚洲精品一卡2卡三卡4卡5卡| 精品少妇内射三级| 男女高潮啪啪啪动态图| 久久精品国产99精品国产亚洲性色 | 中文字幕色久视频| 天天影视国产精品| 91大片在线观看| 两性夫妻黄色片| 999久久久精品免费观看国产| 久久这里只有精品19| 色精品久久人妻99蜜桃| 91成人精品电影| 一进一出抽搐动态| 亚洲少妇的诱惑av| 亚洲国产欧美网| 一夜夜www| 久久精品熟女亚洲av麻豆精品| 成年女人毛片免费观看观看9 | 国产av又大| 在线永久观看黄色视频| 91成人精品电影| 久久久久久久国产电影| 黄色 视频免费看| 亚洲成人免费av在线播放| 99在线人妻在线中文字幕 | 视频区图区小说| 午夜激情久久久久久久| 欧美性长视频在线观看| 韩国精品一区二区三区| 丝袜喷水一区| 久久人人爽av亚洲精品天堂| 亚洲avbb在线观看| 亚洲avbb在线观看| 成人国语在线视频| 中文字幕人妻丝袜制服| 国产av精品麻豆| 中国美女看黄片| 午夜激情久久久久久久| 777久久人妻少妇嫩草av网站| 精品亚洲成国产av| 51午夜福利影视在线观看| 国产不卡一卡二| 黄色视频,在线免费观看| 午夜老司机福利片| 一本大道久久a久久精品| 999久久久国产精品视频| 日本黄色日本黄色录像| 精品国产乱码久久久久久小说| 美国免费a级毛片| 久久精品aⅴ一区二区三区四区| 大香蕉久久成人网| 日韩免费高清中文字幕av| 久久精品熟女亚洲av麻豆精品| 亚洲国产欧美一区二区综合| 欧美日韩亚洲国产一区二区在线观看 | 久久久国产精品麻豆| 精品国产一区二区三区四区第35| 黄色毛片三级朝国网站| 黄片播放在线免费| 精品久久久久久电影网| 日本五十路高清| 岛国在线观看网站| 后天国语完整版免费观看| 日韩欧美三级三区| 黑人巨大精品欧美一区二区蜜桃| 丝袜人妻中文字幕| 高清黄色对白视频在线免费看| 满18在线观看网站| 久久中文字幕一级| 免费观看人在逋| 最近最新中文字幕大全免费视频| 欧美亚洲 丝袜 人妻 在线| 桃花免费在线播放| 不卡av一区二区三区| 久久久国产欧美日韩av| 中文字幕人妻丝袜制服| 欧美一级毛片孕妇| 免费日韩欧美在线观看| 欧美日本中文国产一区发布| tocl精华| 精品福利观看| 99国产综合亚洲精品| 18禁裸乳无遮挡动漫免费视频| 国产精品98久久久久久宅男小说| 99在线人妻在线中文字幕 | 大片电影免费在线观看免费| 大型黄色视频在线免费观看| 精品国产一区二区三区久久久樱花| 99久久精品国产亚洲精品| 亚洲午夜理论影院| 日本欧美视频一区| 久久中文字幕人妻熟女| 亚洲九九香蕉| 天堂动漫精品| 在线天堂中文资源库| 国产一区二区三区视频了| 窝窝影院91人妻| 国产熟女午夜一区二区三区| videosex国产| 欧美变态另类bdsm刘玥| 新久久久久国产一级毛片| 老司机亚洲免费影院| 成人永久免费在线观看视频 | 国产精品欧美亚洲77777| 欧美日韩成人在线一区二区| 国产国语露脸激情在线看| 精品久久久久久电影网| av天堂久久9| 日韩一区二区三区影片| 日韩熟女老妇一区二区性免费视频| 精品一区二区三区四区五区乱码| 国产精品电影一区二区三区 | 午夜福利视频在线观看免费| 亚洲九九香蕉| 制服人妻中文乱码| 亚洲精品在线美女| 国产av一区二区精品久久| 亚洲精品中文字幕一二三四区 | 精品视频人人做人人爽| 视频在线观看一区二区三区| 精品国产一区二区久久| 在线 av 中文字幕| avwww免费| 欧美在线一区亚洲| 大片电影免费在线观看免费| 欧美 亚洲 国产 日韩一| 国产成人系列免费观看| 99国产综合亚洲精品| 国产精品免费一区二区三区在线 | 欧美激情久久久久久爽电影 | 丝瓜视频免费看黄片| a级片在线免费高清观看视频| 搡老岳熟女国产| 精品人妻在线不人妻| 成人免费观看视频高清| 国产免费现黄频在线看| 美女午夜性视频免费| 免费在线观看视频国产中文字幕亚洲| 两人在一起打扑克的视频| 日韩欧美一区视频在线观看| 我要看黄色一级片免费的| 黄色视频在线播放观看不卡| 大型黄色视频在线免费观看| 搡老岳熟女国产| 天天躁夜夜躁狠狠躁躁| 亚洲欧美一区二区三区久久| 性少妇av在线| 男女床上黄色一级片免费看| 亚洲国产毛片av蜜桃av| 999久久久国产精品视频| 午夜激情av网站| 午夜精品国产一区二区电影| 国产男女内射视频| 国产精品.久久久| 一个人免费看片子| 正在播放国产对白刺激| 国产片内射在线| 男女边摸边吃奶| 热99re8久久精品国产| 国产真人三级小视频在线观看| 久久精品国产亚洲av高清一级| bbb黄色大片| 一区二区三区乱码不卡18| 亚洲国产看品久久| av片东京热男人的天堂| 91字幕亚洲| 亚洲av国产av综合av卡| 9热在线视频观看99| 日韩视频一区二区在线观看| 啦啦啦视频在线资源免费观看| 考比视频在线观看| 欧美日韩亚洲国产一区二区在线观看 | 午夜激情久久久久久久| 自线自在国产av| 一区二区三区精品91| www日本在线高清视频| 色94色欧美一区二区| 欧美一级毛片孕妇| 一个人免费看片子| 女人精品久久久久毛片| 人人妻,人人澡人人爽秒播| 成人手机av| 欧美人与性动交α欧美软件| 久久人妻福利社区极品人妻图片| 国产精品电影一区二区三区 | 天天操日日干夜夜撸| 黑人操中国人逼视频| 天堂动漫精品| 国产在线精品亚洲第一网站| 国产又色又爽无遮挡免费看| 老司机午夜福利在线观看视频 | 免费人妻精品一区二区三区视频| 一级黄色大片毛片| 免费女性裸体啪啪无遮挡网站| 国产av国产精品国产| 欧美老熟妇乱子伦牲交| 法律面前人人平等表现在哪些方面| 在线亚洲精品国产二区图片欧美| 久9热在线精品视频| 黄色成人免费大全| 久久免费观看电影| 水蜜桃什么品种好| a级毛片在线看网站| 亚洲自偷自拍图片 自拍| 视频区欧美日本亚洲| 黄片播放在线免费| 人妻一区二区av| 欧美中文综合在线视频| 午夜福利乱码中文字幕| 91麻豆av在线| 搡老岳熟女国产| 免费不卡黄色视频| 韩国精品一区二区三区| 久久久精品国产亚洲av高清涩受| 丝袜在线中文字幕| 欧美人与性动交α欧美精品济南到| 国产在视频线精品| 久久精品人人爽人人爽视色| 国产1区2区3区精品| 欧美av亚洲av综合av国产av| 久久精品亚洲av国产电影网| 亚洲综合色网址| 大片电影免费在线观看免费| 在线观看www视频免费| 啦啦啦 在线观看视频| 99热网站在线观看| 欧美精品啪啪一区二区三区| 亚洲av成人不卡在线观看播放网| 肉色欧美久久久久久久蜜桃| 午夜成年电影在线免费观看| 激情视频va一区二区三区| 色94色欧美一区二区| 男女高潮啪啪啪动态图| 美女视频免费永久观看网站| 狠狠婷婷综合久久久久久88av| 久久人妻av系列| 韩国精品一区二区三区| 免费观看人在逋| 国产精品 欧美亚洲| av天堂在线播放| 色精品久久人妻99蜜桃| 精品国产乱子伦一区二区三区| 日本欧美视频一区| 国产精品成人在线| 亚洲成人手机| 精品国产亚洲在线| 午夜福利在线免费观看网站| 99热国产这里只有精品6| 免费在线观看日本一区| 12—13女人毛片做爰片一| 亚洲av美国av| 菩萨蛮人人尽说江南好唐韦庄| 黑人巨大精品欧美一区二区mp4| 在线看a的网站| 99国产精品一区二区三区| 90打野战视频偷拍视频| 啦啦啦视频在线资源免费观看| 国产一区二区三区综合在线观看| 我的亚洲天堂| 久久av网站| 成人影院久久| 免费在线观看完整版高清| 国产片内射在线| 少妇被粗大的猛进出69影院| 黄色丝袜av网址大全| 欧美黑人精品巨大| 国产人伦9x9x在线观看| 久久中文看片网| 黄色丝袜av网址大全| 国产精品久久久av美女十八| 中文字幕色久视频| 欧美在线黄色| 国产激情久久老熟女| 日本欧美视频一区| 可以免费在线观看a视频的电影网站| 午夜福利视频在线观看免费| av网站在线播放免费| videos熟女内射| 99香蕉大伊视频| 中文字幕av电影在线播放| 91老司机精品| 久久精品国产a三级三级三级| 大型av网站在线播放| 国产成人av激情在线播放| 少妇精品久久久久久久| 69av精品久久久久久 | 丁香欧美五月| 久久香蕉激情| 国产精品99久久99久久久不卡| 国产精品av久久久久免费| 亚洲免费av在线视频| 午夜两性在线视频| 色在线成人网| 午夜福利免费观看在线| 菩萨蛮人人尽说江南好唐韦庄| 国产亚洲一区二区精品| 一个人免费在线观看的高清视频| 黑人欧美特级aaaaaa片| 啦啦啦免费观看视频1| 久久午夜亚洲精品久久| 亚洲一区中文字幕在线| 午夜福利免费观看在线| 日本av手机在线免费观看| 日韩精品免费视频一区二区三区| 老司机午夜福利在线观看视频 | www.999成人在线观看| 丰满迷人的少妇在线观看| 国产精品国产av在线观看| 亚洲综合色网址| 天天躁狠狠躁夜夜躁狠狠躁| 精品国产一区二区久久| 国产欧美日韩一区二区三区在线| cao死你这个sao货| 久久精品国产综合久久久| 91麻豆精品激情在线观看国产 | av网站免费在线观看视频| 亚洲精品久久午夜乱码| 80岁老熟妇乱子伦牲交| 成人国语在线视频| 成人国产一区最新在线观看| 一区二区三区精品91| 老司机在亚洲福利影院| 国产一区二区三区在线臀色熟女 | 国产精品一区二区在线观看99| 国产成人av教育| 色播在线永久视频| 国产在线观看jvid| 大型黄色视频在线免费观看| 亚洲av日韩精品久久久久久密| 色尼玛亚洲综合影院| 99国产极品粉嫩在线观看| 汤姆久久久久久久影院中文字幕| 欧美性长视频在线观看| 日本黄色日本黄色录像| 国产精品 欧美亚洲| 少妇精品久久久久久久| 午夜老司机福利片| 久久婷婷成人综合色麻豆| 男女之事视频高清在线观看| 国产成人av激情在线播放| 精品人妻在线不人妻| 少妇的丰满在线观看| 女人被躁到高潮嗷嗷叫费观| av片东京热男人的天堂| 欧美在线黄色| 日韩视频一区二区在线观看| 一边摸一边抽搐一进一出视频| 男女边摸边吃奶| 热re99久久精品国产66热6| 欧美精品一区二区免费开放| 老熟女久久久| 免费久久久久久久精品成人欧美视频| 午夜福利,免费看| 精品国内亚洲2022精品成人 | 欧美激情 高清一区二区三区| 国产成人av激情在线播放| 成人免费观看视频高清| 老司机亚洲免费影院| 国产黄色免费在线视频| 亚洲全国av大片| 一本—道久久a久久精品蜜桃钙片| 在线观看一区二区三区激情| 搡老乐熟女国产| 国产午夜精品久久久久久| 一区二区三区乱码不卡18| 天天操日日干夜夜撸| 久久久精品区二区三区| 亚洲国产av新网站| 在线观看免费视频网站a站| 久久久久久久久免费视频了| 天天添夜夜摸| 亚洲欧美精品综合一区二区三区| 别揉我奶头~嗯~啊~动态视频| 新久久久久国产一级毛片| www.精华液| 99国产精品免费福利视频| 黑人操中国人逼视频| 大型av网站在线播放| 曰老女人黄片| 男人操女人黄网站| 国产精品麻豆人妻色哟哟久久| av一本久久久久| 国产一区二区激情短视频| 久久精品亚洲精品国产色婷小说| 丝袜人妻中文字幕| 动漫黄色视频在线观看| av片东京热男人的天堂| 他把我摸到了高潮在线观看 | 91精品三级在线观看| 99九九在线精品视频| 大型av网站在线播放| 日本黄色视频三级网站网址 | 亚洲中文日韩欧美视频| 久久99一区二区三区| 亚洲欧美激情在线| 国产欧美日韩综合在线一区二区| 女人高潮潮喷娇喘18禁视频| 欧美中文综合在线视频| 捣出白浆h1v1| 一本综合久久免费| 国产黄色免费在线视频| 国产欧美日韩一区二区三区在线| 色婷婷av一区二区三区视频| 亚洲国产看品久久| 看免费av毛片| 男女之事视频高清在线观看| 亚洲专区国产一区二区| 亚洲人成电影免费在线| 国产淫语在线视频| 久久久久精品国产欧美久久久| 亚洲久久久国产精品| 亚洲欧美一区二区三区久久| 最近最新免费中文字幕在线| 亚洲国产成人一精品久久久| 成年女人毛片免费观看观看9 | 久久久精品免费免费高清| 国产精品免费大片| 欧美黑人欧美精品刺激| 一区二区三区乱码不卡18| 免费看十八禁软件| 99国产极品粉嫩在线观看| 丰满人妻熟妇乱又伦精品不卡| 性高湖久久久久久久久免费观看| 不卡av一区二区三区| 青草久久国产| 精品亚洲成a人片在线观看| 国产人伦9x9x在线观看| 成人亚洲精品一区在线观看| 热99国产精品久久久久久7| 嫁个100分男人电影在线观看| 久久婷婷成人综合色麻豆| 在线av久久热| 久久精品国产亚洲av香蕉五月 | 色综合婷婷激情| 岛国毛片在线播放| 91精品国产国语对白视频| 国产精品香港三级国产av潘金莲| 成人三级做爰电影| 女同久久另类99精品国产91| 国产精品 国内视频| 久久青草综合色| 日本黄色日本黄色录像| 成人18禁高潮啪啪吃奶动态图| 80岁老熟妇乱子伦牲交| 成人18禁在线播放| 午夜视频精品福利| 日本一区二区免费在线视频| 成人国产一区最新在线观看| 国产一区二区在线观看av| 在线观看人妻少妇| 中文字幕色久视频| 久久亚洲精品不卡| 亚洲精品国产色婷婷电影| 在线观看一区二区三区激情| 久久天堂一区二区三区四区| 成人国产av品久久久| 午夜福利乱码中文字幕| 午夜成年电影在线免费观看| 欧美精品啪啪一区二区三区| 18禁国产床啪视频网站| 午夜成年电影在线免费观看| 国产伦理片在线播放av一区| 久久中文字幕人妻熟女| 香蕉久久夜色| 香蕉丝袜av| 美国免费a级毛片| 91av网站免费观看| 一区二区三区乱码不卡18| 精品久久久久久久毛片微露脸| 国产精品美女特级片免费视频播放器 | 精品福利永久在线观看| 国产精品99久久99久久久不卡| 亚洲五月婷婷丁香| 丝袜在线中文字幕| 99热国产这里只有精品6| 国产男靠女视频免费网站| 夜夜夜夜夜久久久久| 精品国产一区二区三区四区第35| www.精华液| 久久精品国产亚洲av香蕉五月 | 免费观看a级毛片全部| 麻豆乱淫一区二区| 欧美乱妇无乱码| 国产亚洲精品第一综合不卡| 成人18禁高潮啪啪吃奶动态图| 性高湖久久久久久久久免费观看| 我要看黄色一级片免费的| 国产av又大| 丝袜喷水一区| 日本av手机在线免费观看| 久久久久久久久久久久大奶| 亚洲 国产 在线| av又黄又爽大尺度在线免费看| 久久久水蜜桃国产精品网| 一二三四在线观看免费中文在| 日本撒尿小便嘘嘘汇集6| 国产精品久久久人人做人人爽| 日日夜夜操网爽| 中亚洲国语对白在线视频| 男人舔女人的私密视频| 两人在一起打扑克的视频| 亚洲男人天堂网一区| 欧美人与性动交α欧美软件| 国产成人影院久久av| 涩涩av久久男人的天堂| 国产精品一区二区免费欧美| 少妇裸体淫交视频免费看高清 | 国产免费视频播放在线视频| 1024视频免费在线观看| 三上悠亚av全集在线观看| 2018国产大陆天天弄谢| 国产免费现黄频在线看| 亚洲色图av天堂| 欧美日韩一级在线毛片| 国产又色又爽无遮挡免费看| 精品少妇内射三级| 亚洲av国产av综合av卡| 十八禁高潮呻吟视频| 精品国产乱子伦一区二区三区|