• <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SVM-KNN算法的情緒腦電識別①

    2022-05-10 02:29:38滕凱迪譚浩然鄭金和董宜先單洪芳
    關(guān)鍵詞:超平面腦電識別率

    滕凱迪,趙 倩,譚浩然,鄭金和,董宜先,單洪芳

    (曲阜師范大學(xué) 工學(xué)院,日照 276826)

    情緒作為人的一種生理與心理狀態(tài),蘊(yùn)藏著性格喜好、身心狀態(tài)等諸多有價(jià)值的信息[1].情緒識別與日常生活的諸多領(lǐng)域都有很大聯(lián)系,例如在醫(yī)療護(hù)理方面,通過情緒識別可以獲取表達(dá)障礙患者的情緒狀態(tài),為深入探究抑郁癥、焦慮癥等的生理、病理機(jī)制提供了指南,有助于醫(yī)生對患者進(jìn)行相應(yīng)的治療使患者情緒向正性情緒和積極情感調(diào)節(jié)轉(zhuǎn)化[2].白芷嫣等人[3]研究發(fā)現(xiàn)部分時(shí)間段的腦電信號的Alpha、Beta 頻段具有可識別抑郁情緒傾向的特征值.在交通出行方面,情緒識別可用于實(shí)時(shí)監(jiān)測司機(jī)或者飛行員的情緒變化信息,當(dāng)駕駛?cè)藛T處于憤怒、焦慮、極度興奮等不穩(wěn)定情緒狀態(tài)時(shí),系統(tǒng)可以及時(shí)預(yù)警從而防止交通事故的發(fā)生,有利于出行安全,同時(shí)也可以播放調(diào)節(jié)駕駛員情緒的音樂,提升駕駛體驗(yàn)[4].在教育教學(xué)方面,通過實(shí)時(shí)監(jiān)測并分析學(xué)生的情緒狀態(tài)可以判斷其學(xué)習(xí)時(shí)的興趣程度及疲勞程度,從而適當(dāng)?shù)恼{(diào)整教學(xué)內(nèi)容和進(jìn)度,達(dá)到更好的學(xué)習(xí)效果.

    傳統(tǒng)的情緒識別大多基于易于獲取的人體面部表情、語音信號等身體表現(xiàn)[5].情緒的面部表情表現(xiàn)是指人們將情緒的內(nèi)在心理狀態(tài)通過面部表情外在表現(xiàn)出來,例如人在情緒愉悅時(shí)嘴角會朝外朝上擴(kuò)展,憤怒時(shí)會皺眉、眼睛變狹窄等.Shan 等人[6]采用局部二進(jìn)制模式(local binary pattern,LBP)提取了面部表情圖像的紋理特征,然后采用SVM 分類器進(jìn)行情緒識別.情緒的語音表現(xiàn)是指人們根據(jù)情緒的變化展現(xiàn)出不同的語言、語調(diào)表達(dá)形式,例如人在高興狀態(tài)時(shí)語調(diào)會比較輕松歡快,悲傷時(shí)語調(diào)會低沉壓抑.紀(jì)正飚等人[7]提取了語音信號的基音頻率、短時(shí)能量、短時(shí)幅度和短時(shí)過零率4 個(gè)特征參數(shù)后訓(xùn)練了KNN 分類模型進(jìn)行情緒識別.朱藝偉等人[8]提出了一種基于軌跡的時(shí)空特征的語音情緒識別方法.然而這些非生理信號的有效性和準(zhǔn)確識別性在實(shí)際應(yīng)用中有時(shí)難以保證[9],因?yàn)槿说拿娌勘砬榭梢詡窝b,例如人在悲傷時(shí)也能微笑等,另外對于情緒表達(dá)障礙者來說,獲取他們的非生理信號往往難以實(shí)現(xiàn).腦電信號(electroencephalogram,EEG)反映了大腦神經(jīng)元細(xì)胞的活動節(jié)律,不易受個(gè)體主觀意識控制,能夠客觀綜合地反映人體生理活動信息與心理認(rèn)知狀態(tài)信息[10],對研究情緒狀態(tài)分類具有重要意義.Khalil 等人[11]在研究中證實(shí)了腦電信號在情緒識別中的表現(xiàn)優(yōu)于其他生理信號.

    近年來,隨著機(jī)器學(xué)習(xí)的廣泛應(yīng)用,腦電信號研究已經(jīng)獲得了前所未有的技術(shù)進(jìn)步,許多學(xué)者提出了基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法的分類模型,具有較好的非線性逼近能力,主要有支持向量機(jī)、K 近鄰、人工神經(jīng)網(wǎng)絡(luò)(artificial neural networks,ANN)和隨機(jī)森林(random forest,RF)等算法.在情緒識別方面,Liu 等人[12]提取了DEAP 數(shù)據(jù)集的時(shí)域、頻域、時(shí)頻域和多電極的特征,選用K 近鄰作為二分類器,最后得到愉悅度(valence)和喚醒度(arousal)平均準(zhǔn)確率分別為66.3%和68.4%.王鳳等人[13]在自采集的腦電數(shù)據(jù)集中提取了誘發(fā)腦電中晚期正電位特征,使用SVM 分類器進(jìn)行腦電情緒三分類實(shí)驗(yàn),平均識別率超過60%.Arnau-Gonzalez 等人[14]在對DEAP 數(shù)據(jù)集上提取了每個(gè)通道各頻段的相對能量、對數(shù)相對能量、功率譜以及互信息等特征,經(jīng)過降維后使用Sigmoid 核函數(shù)的SVM 進(jìn)行分類,愉悅度和喚醒度平均準(zhǔn)確率分別可達(dá)66.7%和69.6%.李娟等人[15]利用共空間模式算法對自采集的EEG 進(jìn)行特征提取并用SVM 分類,得到視頻刺激的識別率為88.97%,高于圖像刺激79.24%的識別率.Li 等人[16]在腦電情緒識別實(shí)驗(yàn)中,提取了峰-峰平均值、均方值、排列熵、Hjorth 參數(shù)等18 種特征,使用SVM 分類器對SEED 數(shù)據(jù)集做了分類實(shí)驗(yàn),平均識別率可達(dá)83.3%.張俊曉等人[17]運(yùn)用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)在輸出層對自采集的16 個(gè)通道的腦電數(shù)據(jù)實(shí)現(xiàn)正面和負(fù)面情緒的分類,最后FP2 通道(右額葉區(qū))的平均識別率為83.0%,FP1 通道(左額葉區(qū))的平均識別率為74.6%.Chen 等人[18]在DEAP 數(shù)據(jù)集上計(jì)算每段alpha和beta的能量、能量比率、Hjorth 參數(shù)等9 個(gè)特征,采用RF 作為分類器,最終平均正確識別率為70.04%.目前來看,使用以上單一算法對腦電情緒進(jìn)行識別的準(zhǔn)確率不夠理想,因?yàn)閱我凰惴ㄈ菀状嬖谧陨黼y以克服的缺陷,如SVM 對超平面附近點(diǎn)易錯(cuò)分,K 近鄰對樣本的分布是否平衡較敏感且數(shù)據(jù)集較大時(shí)訓(xùn)練時(shí)間復(fù)雜度高,ANN的網(wǎng)絡(luò)結(jié)構(gòu)難以確定,RF的計(jì)算成本和時(shí)間復(fù)雜度高等.為此,本文基于組合理論,充分結(jié)合SVM 分類器對距離超平面較遠(yuǎn)的樣本識別率高和KNN 分類器對可能含有類域交疊的較近樣本識別率高的優(yōu)點(diǎn),將SVM和KNN分類器進(jìn)行優(yōu)勢互補(bǔ),提出一種基于SVM-KNN融合算法的腦電信號分類方法,用于情緒類型識別,通過在SEED 情感數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)測試,以驗(yàn)證其有效性.

    1 SVM、KNN 分類器簡介

    1.1 SVM 分類器

    根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,Cortes 等人[19]于1995年提出了一種新的監(jiān)督式機(jī)器學(xué)習(xí)方法—支持向量機(jī),其對于新鮮樣本有較強(qiáng)的適應(yīng)能力,能較好的解決高維度與非線性的分類問題.

    對于線性問題,二維情況下線性可分的超平面如圖1所示,wTx+b=0為實(shí)數(shù)空間的一個(gè)最優(yōu)分類超平面,wTx+b=1和wTx+b=?1兩虛線間的距離(稱為分類間距)為2 /∥w∥.對于非線性問題,可以將樣本從低維空間映射到高維空間,即用核函數(shù) κ(xi,yi)代替點(diǎn)積〈xi,yi〉,使得樣本在高維屬性空間線性可分,繼而求出最優(yōu)分類超平面.

    圖1 最優(yōu)分類超平面

    徑向基函數(shù)(radial basis function,RBF)具有較好的高維數(shù)據(jù)分析能力[20],本文選擇RBF 函數(shù)作為核函數(shù),如式(1):

    其中,拉格朗日乘子αi≥0.

    1.2 KNN 分類器

    K 近鄰法是由Cover和Hart 于1967年提出的[21],該算法的基本思路是將測試集數(shù)據(jù)的屬性特征與訓(xùn)練集中對應(yīng)的屬性特征進(jìn)行比較,在訓(xùn)練集中找到與之最近的k個(gè)“鄰居”,看這k個(gè)近鄰多數(shù)屬于哪一類即可推出測試集樣本的類別[22].

    在這里,KNN 模型使用歐式距離來找到最近的“鄰居”,通常采用空間兩向量的歐式距離表示:

    2 SVM-KNN 分類器

    2.1 SVM-KNN 算法原理

    SVM 分類器對于距離超平面較遠(yuǎn)的樣本能準(zhǔn)確地分類,但是對于距離超平面較近的樣本(基本上是支持向量SVs),分類出錯(cuò)率較高;KNN 算法在分類決策上只與k個(gè)近鄰的類別有關(guān),對于那些含有類域交疊樣本的數(shù)據(jù)集其分類效果良好,但它是一種懶惰學(xué)習(xí)算法,當(dāng)訓(xùn)練的數(shù)據(jù)集較大時(shí),其產(chǎn)生的巨大的計(jì)算空間會導(dǎo)致算法運(yùn)行時(shí)間復(fù)雜度很高.結(jié)合兩者優(yōu)勢,本文采用 SVM和KNN 融合算法來提高情緒分類的準(zhǔn)確率.其基本思想是對距離分類超平面較遠(yuǎn)的樣本點(diǎn)選用SVM 算法進(jìn)行分類,較近的則選用KNN 算法進(jìn)行分類,具體遠(yuǎn)近通過設(shè)定的閾值ε 來判斷.閾值ε 越小,則表明SVM的貢獻(xiàn)率越大,當(dāng) ε小到0,SVM-KNN 算法就是SVM 算法;反之,閾值 ε越大,則表明KNN的貢獻(xiàn)率越大,當(dāng) ε大到無窮大時(shí),SVM-KNN 算法就是KNN 算法.因此,閾值ε的選取直接影響到識別準(zhǔn)確率的高低,應(yīng)對照實(shí)際情況靈活調(diào)整.根據(jù) SVM的反饋參數(shù)經(jīng)驗(yàn)值,ε一般設(shè)置在[0.4,0.8].

    具體來說,計(jì)算空間中待識別樣本x與兩類支持向量代表點(diǎn)x+和x?的距離差g(x),如果g(x)大于設(shè)定的閾值ε,即樣本點(diǎn)在圖2中所示的區(qū)域I和II,說明x離分類超平面較遠(yuǎn),則采用SVM 算法對其進(jìn)行分類;如果g(x) 小于設(shè)定的閾值ε,即樣本點(diǎn)在圖2中區(qū)域III,說明x離分類超平面較近,則把SVs 集作為測試集的近鄰樣本,采用KNN 分類器對其進(jìn)行分類.

    圖2 SVM-KNN 結(jié)合示意圖

    2.2 SVM-KNN 分類器的實(shí)現(xiàn)

    由上述的原理,可以將SVM-KNN 算法的分類訓(xùn)練實(shí)現(xiàn)步驟表示如算法1.

    算法1.SVM-KNN 分類訓(xùn)練算法輸入:訓(xùn)練集Train,測試集Test.輸出:測試集Test的分類結(jié)果,取值為{?1,0,1},?1 表示消極情緒,0 表示中性情緒,1 表示積極情緒.

    1)對Train 中的樣本用svmtrain 函數(shù)進(jìn)行訓(xùn)練,得到model的參數(shù),包括SVs、SVs 對應(yīng)的系數(shù)sv_ceof 及常數(shù)rho 等.x 2)從測試集Test 中取一個(gè)待識別樣本,若Test為空集,則分類步驟結(jié)束.x x+ x?g(x)=∑yiαiκ(x,xi)+b 3)計(jì)算空間中待識別樣本 與兩類支持向量代表點(diǎn)和的距離差,即svmpredict 函數(shù)的輸出項(xiàng)dec_values,其中,.g(x) ε |g(x)|>ε|g(x)|<ε yiαi=model.sv_ceofb=?model.rho 4)將 與設(shè)定的閾值 比較,若,則直接輸出SVM 識別結(jié)果;若,則調(diào)用KNN 分類算法,過程如下:計(jì)算待識別樣本 與所有SVs的距離,將得到的距離依據(jù)從小到大的順序排列,從中選出前 個(gè)小的距離,統(tǒng)計(jì)這 個(gè)近鄰對應(yīng)SVs的所屬類別,最后依據(jù)多數(shù)表決規(guī)則輸出的識別類別.5)更新測試集,返回步驟2.x k k x

    3 腦電-情緒分類實(shí)驗(yàn)及結(jié)果分析

    實(shí)驗(yàn)在PC 上進(jìn)行,環(huán)境為Windows 10 操作系統(tǒng),編程語言是Matlab,同時(shí)基于Libsvm-mat-3.24 工具箱[23].

    3.1 EEG 數(shù)據(jù)來源

    本文實(shí)驗(yàn)數(shù)據(jù)選自由上海交通大學(xué)計(jì)算機(jī)科學(xué)與工程系類腦計(jì)算與機(jī)器智能中心建立的情感數(shù)據(jù)庫(SJTUE emotion EEG dataset,SEED)[24].實(shí)驗(yàn)過程中,由從電影庫中選出的喜劇、悲劇及中性電影片段各5 個(gè)作為誘發(fā)情緒的刺激材料,分別對應(yīng)需誘發(fā)產(chǎn)生的3 種目標(biāo)情緒—積極情緒、中性情緒和消極情緒.該實(shí)驗(yàn)在安靜環(huán)境下進(jìn)行測試,采用NeuroScan ESI-128系統(tǒng)采集被試者在觀看影片片段時(shí)間段內(nèi)的EEG,該系統(tǒng)主要由刺激系統(tǒng)、濕電極帽、腦電信號放大系統(tǒng)和Scan 軟件組成.被試者由刺激系統(tǒng)誘發(fā)出相應(yīng)的情緒,經(jīng)涂有液態(tài)導(dǎo)電介質(zhì)的濕電極帽采集對應(yīng)情緒的EEG,并將其發(fā)送到腦電信號放大系統(tǒng)進(jìn)行EEG的放大和初步降噪,然后將其發(fā)送到Scan 軟件,實(shí)時(shí)監(jiān)測各電極當(dāng)前的阻抗值和所獲取的腦電數(shù)據(jù).實(shí)時(shí)監(jiān)測為實(shí)驗(yàn)數(shù)據(jù)的獲取提供了很大的可靠性和準(zhǔn)確性.本實(shí)驗(yàn)選用64 導(dǎo)的濕電極帽,其中有效電極數(shù)為62 導(dǎo),電極放置位置采用國際統(tǒng)一標(biāo)準(zhǔn)的10-20 系統(tǒng)如圖3所示,采樣頻率為1 000 Hz.為了保證實(shí)驗(yàn)結(jié)果的穩(wěn)定性,每位被試者參加3 次實(shí)驗(yàn),每次實(shí)驗(yàn)與上次實(shí)驗(yàn)時(shí)間間隔一周,因此每位被試者需要觀看45 段影片片段.以該數(shù)據(jù)庫提供者的研究數(shù)據(jù)為依據(jù),本文實(shí)驗(yàn)僅選取10 位健康被試者(男女各半)的腦電數(shù)據(jù),樣本數(shù)量總和為450,對情緒腦電進(jìn)行三分類.

    圖3 62 導(dǎo)10-20 系統(tǒng)電極分布圖

    3.2 實(shí)驗(yàn)步驟

    實(shí)驗(yàn)總體流程如圖4所示.

    圖4 基于SVM-KNN 算法的情緒腦電分類總體流程

    具體操作步驟如下所示:

    (1)SEED 數(shù)據(jù)集中的EEG 數(shù)據(jù)已經(jīng)經(jīng)過濾波、降噪等預(yù)處理,因此可以直接進(jìn)行特征提取.首先通過窗長為1 s的256 點(diǎn)短時(shí)傅里葉變換(short time Fourier transform,STFT)將腦電數(shù)據(jù)轉(zhuǎn)換到頻域,然后將頻域劃分為5 個(gè)頻段(Delta:1–4 Hz;Theta:4–8 Hz;Alpha:8–14 Hz;Beta:14–31 Hz;Gamma:31–50 Hz)并提取微分熵特征(differential entropy,DE).DE 作為情緒特征分類效果良好,2010年,Murugappan等人[25]通過腦電信號識別高興、恐懼、厭惡等6 種情緒,發(fā)現(xiàn)熵作為一種非線性特征量可以很好的表征不同情緒狀態(tài)的腦電波.2013年,Duan 等人[26]提取了腦電信號5 個(gè)頻段的DE 特征,對情緒進(jìn)行二分類,最后識別率為84.22%,說明DE 具有很好的情緒識別能力.DE 等于其在特定頻段上的能量譜的對數(shù)[27].

    其中,[a,b]表示特征信息取值的區(qū)間,p(x)表示連續(xù)特征信息的概率密度函數(shù).

    SEED 數(shù)據(jù)采集實(shí)驗(yàn)中有效電極數(shù)為62 導(dǎo),所以每次實(shí)驗(yàn)的特征向量包含62×5 維數(shù)據(jù).這310 維特征序列中,可能會摻雜其他大腦活動產(chǎn)生的偽跡和與情緒識別無關(guān)的信息,因此本實(shí)驗(yàn)通過滑動平均平滑算法(moving average,MA)降低無關(guān)成分對目標(biāo)特征造成的誤差,提高之后的情緒分類準(zhǔn)確率.

    (2)為避免有某些項(xiàng)的屬性值太大而吞掉了屬性值小的數(shù)據(jù)項(xiàng),需要對其進(jìn)行歸一化處理.這里利用Matlab 自帶的mapminmax 函數(shù)將訓(xùn)練集和測試集的樣本進(jìn)行歸一化處理,有助于提高后續(xù)情緒分類準(zhǔn)確度,其公式為:

    其中,[lower,upper]是歸一化范圍,xmax、xmin分別為特征值集最大值和最小值,x為原始的特征值,x′為歸一化后的特征值.這里設(shè)置歸一化范圍為[0,1].

    (3)由于腦電極帽排布緊密,相鄰電極采集到的EEG 信號相關(guān)性可能較高,為了提取到冗余度小且代表性強(qiáng)的情緒特征向量,本文利用最大相關(guān)最小冗余(max-relevance and min-redundancy,mRMR) 算法降低數(shù)據(jù)維度,有助于后續(xù)訓(xùn)練模型的準(zhǔn)確建立.

    (4)采用網(wǎng)格搜索算法(grid search,GS)獲取最佳的SVM 參數(shù).C參數(shù)的搜索范圍設(shè)置為g參數(shù)的搜索范圍為經(jīng)過不斷交叉測試驗(yàn)證,綜合考慮最高分類準(zhǔn)確率和最大化分類間隔,GS-SVM 分類器參數(shù)優(yōu)化結(jié)果如圖5和圖6所示,得出SVM的最佳參數(shù)值為C=4,g=0.659 75.

    圖5 網(wǎng)格搜索參數(shù)結(jié)果圖

    圖6 網(wǎng)格搜索參數(shù)等高圖

    (5)從降維后的特征集中隨機(jī)選取總樣本的80%作為Train,20%作為Test,建立訓(xùn)練模型.由于本實(shí)驗(yàn)要解決情緒三分類問題,而SVM 分類器是一個(gè)二分類器,因此本文采用基于SVM的“一對多”的方式構(gòu)建3 個(gè)SVM 分類器[28,29],可實(shí)現(xiàn)對3 種情緒類型的分類,如圖7所示.

    圖7 基于SVM的“一對多” 多類分類器

    (6)依據(jù)第2.2 節(jié)中SVM-KNN 分類訓(xùn)練算法對腦電-情緒特征集進(jìn)行訓(xùn)練,輸出情緒三分類結(jié)果.

    3.3 SVM-KNN 分類訓(xùn)練模型及結(jié)果分析

    將Train 樣本分別輸入SVM,KNN,SVM-KNN 分類器做對比實(shí)驗(yàn),建立相應(yīng)的情緒分類模型,然后在Test 樣本上測試,得到的情緒識別性能結(jié)果如表1所示.

    表1 3 種分類器的情緒識別正確率對比(%)

    對表1中實(shí)驗(yàn)數(shù)據(jù)結(jié)果進(jìn)行對比分析,SVM-KNN分類器平均識別正確率為88.84%,分別超過KNN和SVM 分類器 10.00%和5.56%,可以看出相對于單一的SVM和KNN 分類器,SVM 與KNN 融合算法的分類器獲得了更好的情緒分類效果.SVM-KNN 分類器克服了SVM 對分類面附近的情緒特征向量識別易出錯(cuò)以及KNN 計(jì)算時(shí)間復(fù)雜度高的缺陷,較好地結(jié)合了SVM和KNN 分類器的優(yōu)勢,對于基于EEG的情緒識別獲得了更優(yōu)的效果.

    4 結(jié)論與展望

    情緒識別是基于監(jiān)測和分析人類各種身體的外在表現(xiàn)及生理信號的模式識別任務(wù).本文將通過Neuro-Scan ESI-128 系統(tǒng)采集的SEED 情緒腦電數(shù)據(jù)集進(jìn)行特征量提取和降維后,建立了基于SVM 與KNN 融合算法的情緒腦電識別模型,實(shí)驗(yàn)結(jié)果表明,相對于單一的分類學(xué)習(xí)算法,SVM 與KNN 融合算法的分類方法識別效果更優(yōu),能更加準(zhǔn)確地輸出情緒類別.在醫(yī)療護(hù)理、交通出行、教育教學(xué)等方面,實(shí)時(shí)監(jiān)測被試者的腦電數(shù)據(jù),從中分離出情緒任務(wù)相關(guān)的成分,通過分析與處理這些成分可以持續(xù)辨識他們的情緒狀態(tài)變化,從而根據(jù)情緒反饋適當(dāng)?shù)恼{(diào)整方案和改進(jìn)措施.

    除此之外,在腦電信號監(jiān)測方面,本文的EEG 數(shù)據(jù)集采集過程選用了濕電極技術(shù).目前新興的干電極技術(shù)無需涂抹液態(tài)導(dǎo)電介質(zhì),更加便捷、舒適,例如可穿戴設(shè)備Emotiv EPOC+[30].但是目前干電極技術(shù)還不夠成熟,且EEG 是一種非平穩(wěn)信號,采集過程中容易受到頭皮毛發(fā)的干擾而使獲得的信號不夠純凈穩(wěn)定.隨著技術(shù)的不斷完善和發(fā)展,相信干電極技術(shù)將日漸成熟完備,會為情緒識別應(yīng)用提供更便捷、可靠的腦電信號采集途徑.

    猜你喜歡
    超平面腦電識別率
    全純曲線的例外超平面
    涉及分擔(dān)超平面的正規(guī)定則
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    以較低截?cái)嘀財(cái)?shù)分擔(dān)超平面的亞純映射的唯一性問題
    提升高速公路MTC二次抓拍車牌識別率方案研究
    現(xiàn)代實(shí)用腦電地形圖學(xué)(續(xù))
    現(xiàn)代實(shí)用腦電地形圖學(xué)(續(xù))
    現(xiàn)代實(shí)用腦電地形圖學(xué)(續(xù)) 第五章 腦電地形圖的臨床中的應(yīng)用
    高速公路機(jī)電日常維護(hù)中車牌識別率分析系統(tǒng)的應(yīng)用
    一区二区三区高清视频在线| 精品久久久久久久人妻蜜臀av| 国产老妇女一区| 久久精品国产自在天天线| 日本欧美国产在线视频| 少妇的逼水好多| 高清日韩中文字幕在线| 色综合站精品国产| 国产大屁股一区二区在线视频| 天堂动漫精品| 国产色婷婷99| 午夜免费激情av| 91av网一区二区| 可以在线观看毛片的网站| 嫩草影院精品99| 男人舔奶头视频| 综合色丁香网| 22中文网久久字幕| 成人亚洲精品av一区二区| 国产av不卡久久| 国产探花在线观看一区二区| 久久精品人妻少妇| 久久6这里有精品| 校园春色视频在线观看| 不卡视频在线观看欧美| 高清日韩中文字幕在线| 午夜激情欧美在线| 成人av一区二区三区在线看| 一本一本综合久久| 亚洲电影在线观看av| 69人妻影院| 亚洲经典国产精华液单| 国内精品宾馆在线| 国产精品人妻久久久影院| 国产精品久久久久久久电影| 久久久久久久亚洲中文字幕| 亚洲aⅴ乱码一区二区在线播放| 免费看a级黄色片| 国产伦精品一区二区三区四那| 精品一区二区三区视频在线| 久久亚洲精品不卡| 变态另类成人亚洲欧美熟女| 天堂影院成人在线观看| 五月伊人婷婷丁香| 午夜精品国产一区二区电影 | 女人被狂操c到高潮| 日韩中字成人| 99久久精品一区二区三区| 18禁裸乳无遮挡免费网站照片| 亚洲真实伦在线观看| 亚洲av不卡在线观看| 淫秽高清视频在线观看| 亚洲国产高清在线一区二区三| 亚洲精品456在线播放app| 超碰av人人做人人爽久久| 久久热精品热| 亚洲不卡免费看| 性插视频无遮挡在线免费观看| 在线观看一区二区三区| 欧美日韩国产亚洲二区| 日本欧美国产在线视频| 亚洲欧美日韩无卡精品| 国产av麻豆久久久久久久| 国产麻豆成人av免费视频| 久久久久久久久久黄片| 精品一区二区三区人妻视频| 免费观看的影片在线观看| 国产精品无大码| 天堂影院成人在线观看| 国产国拍精品亚洲av在线观看| 久久久久久久久久成人| 毛片女人毛片| 日韩中字成人| 国产精品一区二区三区四区久久| 夜夜爽天天搞| 国产91av在线免费观看| 日本熟妇午夜| 国产精华一区二区三区| 最新中文字幕久久久久| 欧美最新免费一区二区三区| 国内久久婷婷六月综合欲色啪| 综合色丁香网| 在线观看一区二区三区| 中文亚洲av片在线观看爽| 午夜福利成人在线免费观看| 亚洲性夜色夜夜综合| 欧美+亚洲+日韩+国产| 亚洲av不卡在线观看| 欧美一区二区亚洲| 久久欧美精品欧美久久欧美| 欧美绝顶高潮抽搐喷水| 女人被狂操c到高潮| 97在线视频观看| 国产高清视频在线播放一区| 精品久久久久久久人妻蜜臀av| 国产黄色视频一区二区在线观看 | 九九爱精品视频在线观看| 一夜夜www| 亚洲成人av在线免费| 一级黄片播放器| 此物有八面人人有两片| 精品一区二区三区av网在线观看| 久久综合国产亚洲精品| 国产精品一区二区三区四区免费观看 | 丰满乱子伦码专区| 亚洲av二区三区四区| 国产真实乱freesex| 久久国产乱子免费精品| 国产精品永久免费网站| 51国产日韩欧美| 国产伦精品一区二区三区视频9| 欧美高清性xxxxhd video| 日韩欧美 国产精品| 中国国产av一级| 精品熟女少妇av免费看| 老女人水多毛片| 91在线精品国自产拍蜜月| 搡老岳熟女国产| 亚洲无线观看免费| 亚洲欧美清纯卡通| 亚洲国产精品合色在线| 欧美在线一区亚洲| 99国产极品粉嫩在线观看| 国产激情偷乱视频一区二区| 国产亚洲欧美98| 卡戴珊不雅视频在线播放| 免费电影在线观看免费观看| 婷婷亚洲欧美| 黄色欧美视频在线观看| 亚洲国产精品成人久久小说 | 97超级碰碰碰精品色视频在线观看| 99在线人妻在线中文字幕| 美女免费视频网站| 九九在线视频观看精品| 久久久a久久爽久久v久久| 51国产日韩欧美| 黄色视频,在线免费观看| 国产真实伦视频高清在线观看| 不卡视频在线观看欧美| 久久精品国产亚洲av天美| 午夜免费激情av| 亚洲av第一区精品v没综合| 亚洲av免费在线观看| 99久久久亚洲精品蜜臀av| 亚洲欧美日韩东京热| 亚洲精品乱码久久久v下载方式| 亚洲欧美日韩卡通动漫| 免费av毛片视频| 天天躁夜夜躁狠狠久久av| 欧美激情国产日韩精品一区| aaaaa片日本免费| 欧美性感艳星| 最新中文字幕久久久久| 成人av一区二区三区在线看| av在线亚洲专区| 免费黄网站久久成人精品| 校园人妻丝袜中文字幕| www.色视频.com| 亚洲激情五月婷婷啪啪| 国产探花极品一区二区| 久久人妻av系列| 麻豆乱淫一区二区| 欧美成人a在线观看| АⅤ资源中文在线天堂| 久久久午夜欧美精品| 在线天堂最新版资源| 亚洲av中文字字幕乱码综合| 午夜激情福利司机影院| 成人特级av手机在线观看| 2021天堂中文幕一二区在线观| 精品国内亚洲2022精品成人| 蜜桃亚洲精品一区二区三区| 国产黄a三级三级三级人| 国产精品久久久久久亚洲av鲁大| 亚洲国产精品合色在线| 美女内射精品一级片tv| 亚洲av美国av| 大型黄色视频在线免费观看| 国产亚洲精品综合一区在线观看| 男女视频在线观看网站免费| avwww免费| 亚洲色图av天堂| 十八禁国产超污无遮挡网站| 国产美女午夜福利| 丝袜美腿在线中文| 一级毛片电影观看 | av在线天堂中文字幕| 五月伊人婷婷丁香| 精品久久久噜噜| 熟女人妻精品中文字幕| av卡一久久| 老熟妇乱子伦视频在线观看| 黄色欧美视频在线观看| 国产 一区 欧美 日韩| 精品久久久久久成人av| 久久午夜福利片| 国产精品一区二区三区四区久久| 国产午夜精品久久久久久一区二区三区 | 久久综合国产亚洲精品| 欧美+亚洲+日韩+国产| 日本熟妇午夜| 99久久精品一区二区三区| 成年av动漫网址| 久久午夜亚洲精品久久| 免费大片18禁| 菩萨蛮人人尽说江南好唐韦庄 | 天天躁日日操中文字幕| 精品久久国产蜜桃| 亚洲一级一片aⅴ在线观看| 国产不卡一卡二| 亚洲乱码一区二区免费版| 又黄又爽又免费观看的视频| 久久亚洲国产成人精品v| 国产精品永久免费网站| 男人和女人高潮做爰伦理| 久久久久久久午夜电影| 国产一区二区三区av在线 | 久久久久久久久久成人| 桃色一区二区三区在线观看| 一边摸一边抽搐一进一小说| www.色视频.com| 亚洲av中文av极速乱| 国产午夜福利久久久久久| 伊人久久精品亚洲午夜| 国产精品人妻久久久久久| 99精品在免费线老司机午夜| 天堂网av新在线| 99久久成人亚洲精品观看| 又爽又黄a免费视频| 成年女人毛片免费观看观看9| 男人狂女人下面高潮的视频| 久久精品夜色国产| 日韩 亚洲 欧美在线| 最近在线观看免费完整版| 春色校园在线视频观看| 精品久久久久久久末码| 一区二区三区四区激情视频 | 久久久a久久爽久久v久久| 俺也久久电影网| 美女内射精品一级片tv| 亚洲精品影视一区二区三区av| 免费大片18禁| 欧美性猛交黑人性爽| 九九久久精品国产亚洲av麻豆| av女优亚洲男人天堂| 男人和女人高潮做爰伦理| 免费人成视频x8x8入口观看| 免费观看的影片在线观看| 日韩欧美 国产精品| 欧美人与善性xxx| 国产午夜精品论理片| 国产精品99久久久久久久久| 日韩国内少妇激情av| 欧美日韩国产亚洲二区| 久久鲁丝午夜福利片| 欧美绝顶高潮抽搐喷水| 91狼人影院| 别揉我奶头 嗯啊视频| 成年av动漫网址| 亚洲av不卡在线观看| 欧美丝袜亚洲另类| 国产精品一区www在线观看| 欧美中文日本在线观看视频| 国产av一区在线观看免费| 国产伦精品一区二区三区四那| 欧美绝顶高潮抽搐喷水| 九九在线视频观看精品| 亚洲av中文av极速乱| 国产精品国产三级国产av玫瑰| 日韩强制内射视频| 午夜激情福利司机影院| 大又大粗又爽又黄少妇毛片口| av在线亚洲专区| 国产黄片美女视频| 久久久午夜欧美精品| 国产私拍福利视频在线观看| 一级a爱片免费观看的视频| av中文乱码字幕在线| 深夜a级毛片| 99热网站在线观看| 美女xxoo啪啪120秒动态图| 精品久久久久久久末码| 国产淫片久久久久久久久| 亚洲精品456在线播放app| a级一级毛片免费在线观看| 18+在线观看网站| 日韩精品中文字幕看吧| 身体一侧抽搐| 亚洲国产精品sss在线观看| 一a级毛片在线观看| 亚洲自偷自拍三级| 免费搜索国产男女视频| 亚洲人与动物交配视频| 如何舔出高潮| 成人综合一区亚洲| 欧美激情国产日韩精品一区| 三级男女做爰猛烈吃奶摸视频| 亚洲av中文av极速乱| 99久久中文字幕三级久久日本| 超碰av人人做人人爽久久| 春色校园在线视频观看| 99热这里只有是精品在线观看| 久久精品国产亚洲av天美| 99久久精品一区二区三区| 99久久九九国产精品国产免费| 国产精品无大码| 丰满乱子伦码专区| 1024手机看黄色片| 久久久a久久爽久久v久久| 亚洲国产精品合色在线| 午夜福利18| 亚洲熟妇熟女久久| 成年女人永久免费观看视频| 欧美日韩乱码在线| 久久午夜亚洲精品久久| 欧美3d第一页| 九九爱精品视频在线观看| 国产欧美日韩精品一区二区| .国产精品久久| 日日摸夜夜添夜夜添av毛片| 可以在线观看毛片的网站| 成人一区二区视频在线观看| 国产成人freesex在线 | 悠悠久久av| 99热网站在线观看| 亚洲婷婷狠狠爱综合网| 国产视频内射| 直男gayav资源| 欧美激情国产日韩精品一区| 蜜臀久久99精品久久宅男| 国产精品三级大全| 99久久精品国产国产毛片| 国产单亲对白刺激| 日日摸夜夜添夜夜添av毛片| 中文字幕av成人在线电影| www.色视频.com| 日韩欧美精品免费久久| 午夜精品一区二区三区免费看| 亚洲成人精品中文字幕电影| 国内精品宾馆在线| 日本爱情动作片www.在线观看 | 又黄又爽又免费观看的视频| 日韩中字成人| 床上黄色一级片| 在线观看午夜福利视频| 亚洲无线观看免费| 国产欧美日韩精品亚洲av| 国产单亲对白刺激| 亚洲成人久久性| 岛国在线免费视频观看| 久久久久久久久久久丰满| 成人毛片a级毛片在线播放| 舔av片在线| 亚洲久久久久久中文字幕| 欧美日韩一区二区视频在线观看视频在线 | 日本熟妇午夜| 精品无人区乱码1区二区| 国产探花在线观看一区二区| 国内精品美女久久久久久| 美女黄网站色视频| 一边摸一边抽搐一进一小说| 欧洲精品卡2卡3卡4卡5卡区| 色综合色国产| 亚洲av.av天堂| 亚洲欧美清纯卡通| 黄色欧美视频在线观看| 日本黄大片高清| 久久中文看片网| 99riav亚洲国产免费| 最近最新中文字幕大全电影3| 黄色日韩在线| av国产免费在线观看| 性插视频无遮挡在线免费观看| 色av中文字幕| 亚洲av二区三区四区| 99久久精品热视频| 亚洲av熟女| 国内久久婷婷六月综合欲色啪| 波野结衣二区三区在线| 国产精品免费一区二区三区在线| 国产亚洲av嫩草精品影院| 黄色欧美视频在线观看| 久久久久久九九精品二区国产| 久久久久久国产a免费观看| 国产日本99.免费观看| 中文字幕av在线有码专区| 此物有八面人人有两片| 亚洲av熟女| 美女被艹到高潮喷水动态| 国产爱豆传媒在线观看| 国产一区二区在线av高清观看| 在现免费观看毛片| 免费人成在线观看视频色| 中文字幕av成人在线电影| 久久久久久九九精品二区国产| 丰满人妻一区二区三区视频av| 午夜免费激情av| 国产色婷婷99| 国产乱人视频| 久久精品综合一区二区三区| 欧美色欧美亚洲另类二区| 亚洲无线观看免费| 午夜福利18| 校园人妻丝袜中文字幕| 久久精品国产亚洲av天美| 免费av不卡在线播放| 久久精品国产清高在天天线| 六月丁香七月| 高清毛片免费看| 欧美日韩一区二区视频在线观看视频在线 | 少妇熟女aⅴ在线视频| 色噜噜av男人的天堂激情| 日日干狠狠操夜夜爽| 国产久久久一区二区三区| 网址你懂的国产日韩在线| 日本精品一区二区三区蜜桃| 国产淫片久久久久久久久| 免费av观看视频| 少妇被粗大猛烈的视频| 一级毛片我不卡| 老师上课跳d突然被开到最大视频| 国产亚洲精品久久久久久毛片| 亚洲av成人av| 日本撒尿小便嘘嘘汇集6| h日本视频在线播放| 免费高清视频大片| 性欧美人与动物交配| 亚洲欧美日韩东京热| 亚洲av.av天堂| av女优亚洲男人天堂| 午夜日韩欧美国产| 一区福利在线观看| 午夜福利视频1000在线观看| 精品久久久久久久人妻蜜臀av| 国产 一区精品| 六月丁香七月| 天堂av国产一区二区熟女人妻| 日日啪夜夜撸| 男女之事视频高清在线观看| 老女人水多毛片| 国产乱人视频| 欧美性感艳星| 国内久久婷婷六月综合欲色啪| 欧美区成人在线视频| 国产一区二区激情短视频| 韩国av在线不卡| 免费av不卡在线播放| 国国产精品蜜臀av免费| 欧美极品一区二区三区四区| 精品一区二区三区人妻视频| 最近视频中文字幕2019在线8| 亚洲国产精品国产精品| 麻豆久久精品国产亚洲av| av在线天堂中文字幕| 久久精品国产鲁丝片午夜精品| 在线观看av片永久免费下载| 狠狠狠狠99中文字幕| 免费观看精品视频网站| 精品人妻视频免费看| 午夜福利视频1000在线观看| 亚洲性久久影院| 日韩欧美三级三区| 99热这里只有是精品在线观看| 欧美日韩综合久久久久久| 97在线视频观看| 亚洲精品乱码久久久v下载方式| 亚洲中文字幕日韩| 国产精品女同一区二区软件| 亚洲精品乱码久久久v下载方式| 女生性感内裤真人,穿戴方法视频| 在线看三级毛片| 看十八女毛片水多多多| 欧美性猛交黑人性爽| 亚洲不卡免费看| av天堂在线播放| 国产亚洲av嫩草精品影院| 一个人看视频在线观看www免费| 久久久久久伊人网av| 久久精品国产99精品国产亚洲性色| 国产成人精品久久久久久| 欧美zozozo另类| 中文字幕av在线有码专区| 91麻豆精品激情在线观看国产| 一级黄片播放器| 变态另类成人亚洲欧美熟女| 久久综合国产亚洲精品| 成人美女网站在线观看视频| 无遮挡黄片免费观看| 欧美成人a在线观看| 尾随美女入室| 日本精品一区二区三区蜜桃| 校园春色视频在线观看| 又粗又爽又猛毛片免费看| 午夜老司机福利剧场| 日韩在线高清观看一区二区三区| 国产一区亚洲一区在线观看| 麻豆精品久久久久久蜜桃| 在线观看66精品国产| 露出奶头的视频| av在线老鸭窝| 精品一区二区免费观看| 性欧美人与动物交配| 人妻夜夜爽99麻豆av| 日日干狠狠操夜夜爽| 看黄色毛片网站| 日韩欧美三级三区| 色av中文字幕| 亚洲激情五月婷婷啪啪| 欧美成人一区二区免费高清观看| 尾随美女入室| АⅤ资源中文在线天堂| 老司机福利观看| 亚洲精品在线观看二区| 久久久色成人| 免费无遮挡裸体视频| 综合色丁香网| 免费观看精品视频网站| 久久久久久伊人网av| 国产中年淑女户外野战色| 欧美日韩综合久久久久久| 少妇裸体淫交视频免费看高清| 欧美潮喷喷水| 亚洲av.av天堂| 欧美另类亚洲清纯唯美| 赤兔流量卡办理| 日日撸夜夜添| 国产v大片淫在线免费观看| 波多野结衣高清无吗| av女优亚洲男人天堂| 欧美区成人在线视频| 亚洲欧美日韩卡通动漫| 亚洲国产日韩欧美精品在线观看| 国产精品,欧美在线| 国产精品一二三区在线看| 一区二区三区高清视频在线| 美女cb高潮喷水在线观看| 人人妻人人澡人人爽人人夜夜 | 成人毛片a级毛片在线播放| 91久久精品国产一区二区成人| 少妇的逼水好多| 亚洲熟妇熟女久久| 国产在视频线在精品| 婷婷色综合大香蕉| 国产单亲对白刺激| 男女啪啪激烈高潮av片| 久久久色成人| 日本-黄色视频高清免费观看| 亚洲av熟女| 国产免费男女视频| 久久久久久久午夜电影| 级片在线观看| 人人妻,人人澡人人爽秒播| 69人妻影院| 国产又黄又爽又无遮挡在线| 国产女主播在线喷水免费视频网站 | 非洲黑人性xxxx精品又粗又长| 日本-黄色视频高清免费观看| 男女之事视频高清在线观看| 亚洲国产日韩欧美精品在线观看| 国产一区二区在线av高清观看| 精品一区二区三区av网在线观看| 精品国产三级普通话版| 欧美极品一区二区三区四区| 国产三级在线视频| 久久久久性生活片| 国产av在哪里看| 亚洲av免费高清在线观看| 欧美日韩综合久久久久久| 91久久精品国产一区二区成人| 日韩国内少妇激情av| 日韩强制内射视频| 国产在线男女| 免费高清视频大片| 天堂网av新在线| 亚洲18禁久久av| 亚洲人成网站高清观看| 最新中文字幕久久久久| 特大巨黑吊av在线直播| 无遮挡黄片免费观看| 干丝袜人妻中文字幕| 最好的美女福利视频网| 欧美xxxx性猛交bbbb| 日韩人妻高清精品专区| 国产精品嫩草影院av在线观看| 亚洲电影在线观看av| 国产精华一区二区三区| 欧美区成人在线视频| 毛片一级片免费看久久久久| 白带黄色成豆腐渣| 18禁在线无遮挡免费观看视频 | 麻豆国产97在线/欧美| 国产高清三级在线| 久久精品国产亚洲av香蕉五月| 亚洲国产精品久久男人天堂| 18禁黄网站禁片免费观看直播| 如何舔出高潮| 少妇被粗大猛烈的视频| 色av中文字幕| 精品国产三级普通话版| 蜜桃久久精品国产亚洲av| avwww免费| 久久久久久久久久久丰满| avwww免费| 蜜桃久久精品国产亚洲av| 国产精品av视频在线免费观看| 极品教师在线视频| 日韩精品有码人妻一区| 日韩欧美国产在线观看| 亚州av有码| 成人一区二区视频在线观看| 99在线人妻在线中文字幕| 成人一区二区视频在线观看| 97超视频在线观看视频| 男女那种视频在线观看| 变态另类丝袜制服|