• <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 ?

    基于加權(quán)軟投票融合模型的脈象信號識別研究*

    2024-01-22 08:16:10劉啟超林卓勝朱嘉健劉慧琳
    關(guān)鍵詞:脈象特征向量特征提取

    劉啟超,徐 紅,2,林卓勝,朱嘉健,劉慧琳,吳 欣,馮 躍**

    (1.五邑大學(xué)智能制造學(xué)部 江門 529020;2.維多利亞大學(xué)可持續(xù)工業(yè)與宜居城市研究所 墨爾本 8001;3.上海中醫(yī)藥大學(xué)基礎(chǔ)醫(yī)學(xué)院 上海 201203)

    脈診是中醫(yī)四診之一,對提示疾病的狀態(tài)有重要意義。脈診需要依靠醫(yī)生的經(jīng)驗進行判斷分析,主觀依賴性強[1]。為了推動脈診客觀化發(fā)展,許多研究者將機器學(xué)習(xí)和數(shù)據(jù)分析等人工智能技術(shù)應(yīng)用于脈診,展開了脈象信號數(shù)據(jù)釆集以及數(shù)據(jù)集構(gòu)建、提取脈象特征、分析與識別脈象信號等研究。

    脈象信號數(shù)據(jù)是脈診客觀化的基礎(chǔ),然而在數(shù)據(jù)釆集以及數(shù)據(jù)集構(gòu)建中數(shù)據(jù)類別不平衡問題在醫(yī)學(xué)領(lǐng)域非常普遍。Zheng 等[2]對此使用SMOTE Tomek 算法加以緩解,在基于Stacking 融合模型中準(zhǔn)確率提升了4.21%。王若佳等[3]指出數(shù)據(jù)不平衡將影響模型的分類結(jié)果,導(dǎo)致樣本數(shù)量大的類別預(yù)測準(zhǔn)確率較高、反之則準(zhǔn)確率較低的情況。

    目前,從時域、頻域、時頻域三部分提取脈象特征仍是研究的主要方向。張詩雨等[4]對脈象信號進行多尺度小波分解,根據(jù)所得高頻細(xì)節(jié)分量和低頻近似分量進行閾值量化處理,利用welch 法對其進行功率譜估計,然后利用小波多尺度分析、經(jīng)驗?zāi)B(tài)分解以及希爾伯特-黃變換3 種方法提取時-頻特征,最后在平脈、實脈、滑脈、弦脈4 種脈象數(shù)據(jù)中使用支持向量機(Support Vector Machines,SVM)和隨機森林(Random Forest,RF)精確率均達(dá)到93%。盡管這一方法在一定程度上提高了模型精確率,但是需要極其繁雜的特征提取和數(shù)據(jù)預(yù)處理,并對操作人員的專業(yè)背景要求高,在日常醫(yī)學(xué)應(yīng)用中常有眾多病人以及相應(yīng)的海量數(shù)據(jù),時間成本和操作難度都將是巨大挑戰(zhàn)。

    針對上述不足,本文首先對于醫(yī)學(xué)輔助信息進行探索性分析,并用熱圖形式呈現(xiàn),達(dá)到初步快速特征篩選得目的。此外,直接使用tsfresh 庫對巴特沃茲帶通濾波器處理后的脈象信號提取特征向量,簡化了提取過程。對于臨床數(shù)據(jù)不平衡問題,通過邊界合成少數(shù)類樣本過采樣技術(shù)(Borderline Synthetic Minority Oversampling Technique,Borderline SMOTE)解決。提出加權(quán)軟投票融合模型,其將LightGBM(Light Gradient Boosting Machine,LGBM)、RF、XGBoost、梯度提升決策樹(Gradien Boosting Decision Tree,GBDT)4 種機器學(xué)習(xí)算法進行融合并根據(jù)權(quán)重得出結(jié)果。因為本文數(shù)據(jù)集是表格數(shù)據(jù),具有特征不均勻、樣本量小等特點,所以對于這類型數(shù)據(jù)集深度學(xué)習(xí)很難找到相應(yīng)的不變量,進而對于這一領(lǐng)域的數(shù)據(jù)集常選用傳統(tǒng)機器學(xué)習(xí)方法[5-6],所構(gòu)建的模型有其優(yōu)勢所在。

    1 相關(guān)工作

    1.1 加權(quán)軟投票融合模型

    投票法是通過多個模型集成進而降低方差,不同算法集成可能會比單個算法獲得更好的效果[7]。軟投票(Soft Voting)是通過使用輸出類概率分類的投票法,為了進一步提升精度加入權(quán)重操作,使得原本軟投票的普通加和操作,改為加權(quán)求和操作,拓?fù)浣Y(jié)構(gòu)如圖1所示。軟投票在模型構(gòu)建中越來越受重視,如任師攀等[8]采用軟投票策略對XGBoost 和LGBM 這兩個模型進行融合,解決對客戶違約風(fēng)險評估的問題,最后在捷信集團公開的大規(guī)模消費信貸數(shù)據(jù)集上,取得了91.99%的準(zhǔn)確率。

    圖1 加權(quán)軟投票算法拓?fù)浣Y(jié)構(gòu)

    1.2 數(shù)據(jù)不平衡

    類別不平衡問題在醫(yī)學(xué)領(lǐng)域是普遍存在的且受到廣泛關(guān)注,眾多研究人員對此進行深入研究。如王江月[9]提出基于局部信息的K 近鄰引力平衡算法,意在算法層面對脈象數(shù)據(jù)不平衡進行解決。此外,在預(yù)測急性心肌梗死(AMI)<1 個月,全因死亡率<1 個月中使用了SMOTE和機器學(xué)習(xí)算法,同樣有效的緩解數(shù)據(jù)不平衡所帶來的精度問題[10]。所使用的Borderline SMOTE 是在SMOTE 基礎(chǔ)上改進的過采樣算法,該算法通過邊界上少數(shù)類樣本合成新樣本,從而改善樣本分布極其不均衡的情況。

    2 研究方法

    本文提出的脈象信號分類方法整體流程如圖2所示,將脈象信號先經(jīng)過預(yù)處理模塊進行去噪處理,然后經(jīng)過特征提取模塊提取特征向量,此外,使用Borderline SMOTE 算法降低由于數(shù)據(jù)不平衡對于精度的影響,最后將所篩選出來的特征向量作為輸入使用加權(quán)軟投票模塊對其進行分類,得出所屬脈象。

    圖2 加權(quán)軟投票融合模型脈象信號分類實現(xiàn)流程

    2.1 預(yù)處理模塊

    脈搏波是由心臟持續(xù)不斷地跳動,進引起血液在血管中流動所造成脈的搏動,由于數(shù)據(jù)采集過程中易受外界干擾,所以需要對數(shù)據(jù)進行預(yù)處理,本文采用巴特沃茲帶通濾波器對脈象信號進行濾波,去除0.2-20 Hz以外的噪聲。

    2.2 特征提取模塊

    首先,將預(yù)處理模塊所得結(jié)果調(diào)用tsfresh 庫進行特征提取操作,其會對濾波后的脈象信號進行單周期分割,獲得脈象的單周期波形,進而tsfresh庫會自動提取出如峰值、最大值和平均值等較為簡單的特征,同時也會提取出如時間反轉(zhuǎn)對稱統(tǒng)計量等較為復(fù)雜的特征,此外tsfresh 庫還可以通過假設(shè)檢驗對特征進行消減,得出最能解釋趨勢的特征。通過使用tsfresh 進行特征提取和初步的特征篩選操作,得出468 列脈象特征構(gòu)成特征向量,其中包括脈搏波峰、波谷、最大值、最小值等特征。然后加入輔助醫(yī)學(xué)信息,但是其中蘊含大量空值和無用特征向量,所以需要對其進行特征列的空值處理和探索性分析,提高分類準(zhǔn)確率。使用tsfresh 庫從一維脈象信號中提取出468 列脈象特征,運用探索性數(shù)據(jù)分析從輔助醫(yī)學(xué)信息中得出9 列醫(yī)學(xué)輔助特征,結(jié)合兩者輸出構(gòu)成477 列特征向量進行特征篩選,選出重要性排名前21列特征向量作為輸入數(shù)據(jù),流程如圖3所示。

    圖3 特征提取模塊

    2.2.1 輔助醫(yī)學(xué)信息

    為了充分利用中醫(yī)信息采集設(shè)備所提供的信息,本文除脈診信號外,還將周期(Periode)、脈象壓力類型(Pulse pressure type)、脈搏率(Pulse rate)等由舌面脈經(jīng)穴信息采集管理系統(tǒng)所提供的信息作為輔助醫(yī)學(xué)信息,這些信息均是由信息采集管理系統(tǒng)在脈象釆集過程中自動生成并以.xlsx 表格形式存儲,通過特征篩選操作得出對分類準(zhǔn)確率最有力的9列醫(yī)學(xué)輔助特征。在醫(yī)學(xué)診斷中一些輔助醫(yī)學(xué)信息往往對于最后的分類結(jié)果有較大幫助,如Le 等[11]進行多模型融合后加入輔助信息使得最后結(jié)果得到提升,Wang 等[12]在模型中加入輔助信息RR間隔,在F1分?jǐn)?shù)中提高。

    2.2.2 空值處理以及探索性數(shù)據(jù)分析

    首先需對所有特征向量進行空值處理,直接刪除空值占比大于30%的特征向量,小于30%大于0%則用中位數(shù)填充,避免影響之后的特征篩選步驟。其次,由于醫(yī)學(xué)輔助信息中蘊含大量冗余和非必要特征向量,本文采用探索性分析達(dá)到初步特征篩選的目的,減輕特征篩選步驟中的操作復(fù)雜度。采用肯德爾相關(guān)系數(shù)(Kendall Correlation Coefficient,kendall’s r)繪制熱圖如圖4 中所示。相關(guān)性系數(shù)取值范圍包含-1-1,正值表示正相關(guān),負(fù)值表示負(fù)相關(guān),0 表示沒有相關(guān)性,數(shù)值越大表示相關(guān)性越強。對所有相關(guān)性系數(shù)取絕對值后,刪除與脈象信號類型(Pulse type)相關(guān)性數(shù)值小于0.05的特征向量,從22個初始醫(yī)學(xué)輔助信息中挑選出Pulse Pressure Type、Pulse Rate 等9列醫(yī)學(xué)輔助特征。

    2.2.3 特征篩選

    將提取到的468 列脈象信號特征向量和9 列醫(yī)學(xué)輔助特征,繪制成一個.xlsx格式文件,共477列特征向量。利用極度隨機樹(Extremely Randomized Trees Classifier ,ET)挑選出特征重要性排名前21 列特征向量,排名依據(jù)是該特征被使用的次數(shù)、使用該特征樹的平均信息增益以及使用該特征時的平均覆蓋率,結(jié)果如圖5所示。這種使用樹模型進行特征篩選的方法已被越來越多人使用,如劉云翔等[13]采用基于RF的特征篩選算法,在保證精度的前提下將特征集縮小為1/2。

    圖5 前21列特征向量,橫軸為重要性縱軸為最大值、中位數(shù)、Periode等特征向量

    2.2.4 歸一化

    為了使數(shù)據(jù)更具有適應(yīng)性,降低運算過程中數(shù)值復(fù)雜度,采用公式(1)中的歸一化方法。其中Xmin表示每列中的最小值組成的行向量,Xmax表示每列中的最大值組成的行向量,max表示要映射到的區(qū)間,最大值默認(rèn)是1,min 表示要映射到的區(qū)間,最小值默認(rèn)是0,X表示每一個特征值,Xscale為歸一化后的特征值。

    2.3 Borderline SMOTE算法

    實驗數(shù)據(jù)集存在明顯類別不平衡情況,最多類和最少類達(dá)到了1∶6.5 的比例,若采用不均衡樣本訓(xùn)練模型,將導(dǎo)致分類模型泛化能力差并且容易發(fā)生過擬合。本文對數(shù)據(jù)使用Borderline SMOTE 算法,其針對的目標(biāo)是和多數(shù)類混在一起的少數(shù)類樣本。需要注意的是算法不能用在整個數(shù)據(jù)集,不然會導(dǎo)致測試集和訓(xùn)練集的數(shù)據(jù)有關(guān)聯(lián),進而干擾分類準(zhǔn)確率,因而所用的Borderline SMOTE算法只用在訓(xùn)練集上。

    2.4 加權(quán)軟投票模塊

    由于數(shù)據(jù)集為表格數(shù)據(jù),所以選用的是在表格數(shù)據(jù)中表現(xiàn)良好的機器學(xué)習(xí)算法RF、XGBoost、LGBM、GBDT 四種模型[14-17],每種模型構(gòu)建兩個總共8 個模型,并且內(nèi)置不同參數(shù),這是為了增加模型多樣性提升精度。然后,采用加權(quán)軟投票算法進行融合,建立六類脈象信號的分類模型,并用測試集進行分類性能檢驗,過程如圖6 所示。由于軟投票算法對于模型準(zhǔn)確率提升有巨大幫助,所以得到廣泛應(yīng)用,如Yoo[18]等通過使用RAKEL 算法對SE-ResNet-34應(yīng)用軟投票模型,準(zhǔn)確率達(dá)到88.49%。

    圖6 加權(quán)軟投票模塊

    3 實驗與分析

    3.1 實驗數(shù)據(jù)

    本文使用的六類脈象實驗數(shù)據(jù)一部分采集自600位參與者,由五邑大學(xué)智能醫(yī)學(xué)實驗室5位經(jīng)專業(yè)醫(yī)師培訓(xùn)的科研助理在符合醫(yī)學(xué)倫理委員會的倫理標(biāo)準(zhǔn)下完成。所使用的脈象采集設(shè)備是天津慧醫(yī)谷科技具有二類醫(yī)療器械注冊證的舌面脈經(jīng)穴信息采集管理系統(tǒng)(型號MT-SM-01),系統(tǒng)對所采集數(shù)據(jù)自動標(biāo)注,標(biāo)注格式輸出為.xlsx 表格格式。另一部分脈象數(shù)據(jù)則由采集設(shè)備廠商提供。本文實驗部分共使用1302 例樣本,其中數(shù)脈216 例、緩脈90 例、滑脈88例、沉脈433例、微脈63例、平脈412例,數(shù)據(jù)集文件是.xlsx文件格式存儲。由于使用Borderline SMOTE 算法合成少數(shù)類,均衡后的數(shù)據(jù)集總共包含2082 例數(shù)據(jù)。訓(xùn)練集、驗證集和測試集,所占比例為6∶2∶2。

    3.2 實驗評價指標(biāo)

    采用脈象分類模型研究中常用的準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)和F1分?jǐn)?shù)(F1-score)4種指標(biāo)來評價模型的整體性能。

    其中,TP 表示正樣本預(yù)測正確的個數(shù);FN 表示被錯分為負(fù)樣本的正樣本個數(shù);FP表示被錯分為正樣本的負(fù)樣本個數(shù);TN表示被正確預(yù)測的負(fù)樣本數(shù)。在這4 個評價指標(biāo)中,準(zhǔn)確率代表著整體預(yù)測準(zhǔn)確率,精確率代表對正樣本結(jié)果的預(yù)測準(zhǔn)確程度,召回率含義是在實際為正樣本中被預(yù)測為正樣本的概率,F(xiàn)1分?jǐn)?shù)則表示precision和recall調(diào)和平均值。

    3.3 實驗結(jié)果與分析

    3.3.1 特征提取結(jié)果與分析

    通過數(shù)據(jù)篩選得出對于分類結(jié)果大有裨益的重要性排名前21列特征向量,其中包含最大值、中位數(shù)、Periode、Pulse Pressure Type 等,這21 列特征向量便是模型輸入,輸出為具體脈象類別。此外醫(yī)學(xué)輔助信息的加入對于良好的分類準(zhǔn)確率也有巨大貢獻,這主要是因為Periode、Pulse Rate 等都與脈象信息有直接關(guān)系。在表1 中展示了加入醫(yī)學(xué)輔助特征的RF 與未加醫(yī)學(xué)輔助特征的RF 進行性能對比,加入之后的分類準(zhǔn)確率提高了43.21%,充分表明加入醫(yī)學(xué)特征是完全有必要的。此外,采用巴特沃茲帶通濾波器對脈象信號進行去噪處理,然后直接使用tsfresh 庫提取特征向量,相比于現(xiàn)今復(fù)雜的特征提取過程無疑是相當(dāng)簡潔的操作。

    表1 單一機器學(xué)習(xí)模型和加權(quán)軟投票融合模型性能對比

    表2 各融合算法以及benchmark性能結(jié)果

    為了驗證特征篩選的有效性,將未經(jīng)篩選的477 列特征向量和經(jīng)過篩選的21 列特征向量在RF 上進行測試,運行時間從原本8 s 降到現(xiàn)在的1.3084 s,減少了6.6916 s 即降低83.65%,可以預(yù)見的是在加權(quán)軟投票融合模型上的訓(xùn)練時間會減少的更多,經(jīng)過特征篩選后確實有效的減少了運算內(nèi)存占用和時間消耗。

    在特征向量選取個數(shù)中進行了實驗對比,以耗時少、準(zhǔn)確率高作為綜合性能判定標(biāo)準(zhǔn),選擇重要性排名前21 列特征向量。其他特征向量在加權(quán)軟投票模型中的性能表現(xiàn)如圖7所示。其中,200列特征向量準(zhǔn)確率是87.36%,耗時641.7755 s;65列特征向量的準(zhǔn)確率是89.65%,耗時232.4023 s;10列特征向量的準(zhǔn)確率為87.11%,耗時66.9019 s。實驗結(jié)果表明,其他三列特征向量數(shù)值相比于本文的90.04%的準(zhǔn)確率,以及65.9466 s的耗時,具有一定差距。

    圖7 不同數(shù)量特征向量性能表現(xiàn)

    為了驗證Borderline SMOTE 算法有效性,在RF 分類器中進行驗證,所用數(shù)據(jù)集為訓(xùn)練集和驗證集,分類準(zhǔn)確率由原本的86.20%上升為87.36%,如表1 所示,這一方式被證實是有效的。除了Borderline SMOTE 算法,還考慮使用其他合成少數(shù)類算法分別為:普通的過采樣SMOTE[19]、欠采樣Tomek Links、ENN算法,以及兩者的混合SMOTE+ENN 算法,但是由于本數(shù)據(jù)集的數(shù)據(jù)分布特點是與多數(shù)類混在一起的少數(shù)類較多,選擇使用Borderline SMOTE 算法,并比較了這幾類算法在RF 中的準(zhǔn)確率,Borderline SMOTE 算法取得最好的準(zhǔn)確率。

    針對Borderline SMOTE 算法在平衡數(shù)據(jù)集中的性能表現(xiàn),以及加權(quán)軟投票融合模型在平衡數(shù)據(jù)集中的表現(xiàn),進行表3 的實驗。實驗數(shù)據(jù)集是從原本的六類脈象數(shù)據(jù)集中選出沉脈和平脈兩類脈象數(shù)據(jù)進行二分類,將433例沉脈刪除21例,使其與412例平脈數(shù)量相等,然后選擇在單一模型表現(xiàn)突出的5 種模型與本文所構(gòu)建的加權(quán)軟投票融合模型進行對比實驗。模型輸入是兩類脈象的21列特征向量,輸出為具體脈象類型。表3 中的實驗結(jié)果表明,在平衡數(shù)據(jù)中加入Borderline SMOTE 算法并不會對模型性能有影響,這主要是因為該算法側(cè)重于合成少數(shù)類,而平衡數(shù)據(jù)集不存在少數(shù)類的說法,自然不能對模型結(jié)果產(chǎn)生影響。此外,由于數(shù)據(jù)集變小了很多,導(dǎo)致所有模型的性能普遍下降,但是加權(quán)軟投票融合模型仍能比GBDT準(zhǔn)確率高1.41%、比RF準(zhǔn)確率高2.83%。

    表3 平衡數(shù)據(jù)模型性能

    通過上述對脈象數(shù)據(jù)進行的預(yù)處理與特征提取操作,可以得出對于模型分類結(jié)果最有幫助的21列特征向量,較好地反映出不同脈象中蘊含的形態(tài)信息,且探索性數(shù)據(jù)分析和數(shù)據(jù)可視化使得數(shù)據(jù)間內(nèi)在關(guān)系得到充分挖掘,以清晰、準(zhǔn)確、高效的方式傳達(dá)數(shù)據(jù)模式以及洞察信息。此外,Borderline SMOTE 算法使得數(shù)據(jù)不平衡對于結(jié)果的影響得到有效緩解。

    3.3.2 加權(quán)軟投票融合模型實驗結(jié)果與分析

    模型訓(xùn)練環(huán)境cpu為i5-12500H,使用的編譯器是pycharm,模型架構(gòu)是pytorch。選用3種機器學(xué)習(xí)的加權(quán)軟投票融合模型,其中的單一模型為RF、GBDT、XGBoost 和LGBM,選用這4 個模型是由于Grinsztajn等[20]進行了大量實驗,結(jié)果證明對于表格數(shù)據(jù)集深度學(xué)習(xí)模型并沒有傳統(tǒng)機器學(xué)習(xí)模型中的樹模型性能好。隨后將12 種當(dāng)今熱門的機器學(xué)習(xí)模型應(yīng)用在訓(xùn)練集和驗證機中,分別為邏輯回歸(Logistics regression,LR)、決 策 樹(Decision tree,DT)、RF、AdaBoost、XGBoost、LGBM、CatBoost、ET、K 最近鄰(KNearest Neighbor,KNN)、SVM、GBDT 以 及MLP(Multilayer Perceptron),實驗結(jié)果如表1 所示,實驗結(jié)果顯示樹模型的各項指標(biāo)比起其他傳統(tǒng)機器學(xué)習(xí)模型普遍更高。

    此外,本文使用的是加權(quán)軟投票融合模型,表1的實驗結(jié)果顯示該模型精確率達(dá)94.61%、平均召回率達(dá)93.55%、F1 分?jǐn)?shù)達(dá)94.04%、準(zhǔn)確率達(dá)90.04%,且耗時僅13.4836 s。為了增加加權(quán)軟投票融合算法的說服力與現(xiàn)今熱門的多種模型融合算法做實驗對比,實驗中使用了5折交叉驗證分別評估每個模型在各性能指標(biāo)下的表現(xiàn)。與此同時,為了對比融合前后性能變化程度,選用了在單一模型中綜合性能表現(xiàn)最好的RF作為benchmark,與各融合模型進行對比如表2 所示。實驗結(jié)果顯示所使用的加權(quán)軟投票模型比未加權(quán)重的軟投票融合模型準(zhǔn)確率高0.77%,比添加權(quán)重的硬投票(Hard Voting)融合模型準(zhǔn)確率高0.39%,比基于Stacking 算法融合模型準(zhǔn)確率高0.77%,在六類脈象數(shù)據(jù)集上準(zhǔn)確率獲得90.04%的較好成績。實驗結(jié)果表明加權(quán)軟投票融合模型在脈象分類數(shù)據(jù)集上具有優(yōu)越性。

    加權(quán)軟投票融合模型模型的構(gòu)建主要分為兩步:第一步是構(gòu)建軟投票模型;第二步是設(shè)置權(quán)重。首先在驗證集中分別得出XGBoost、RF、GBDT、LGBM 四種模型在評價指標(biāo)下的性能結(jié)果;其次,對模型進行略微調(diào)參,過擬合模型融合后可能會加劇模型過擬合風(fēng)險,因此必須保證每個模型本身過擬合不嚴(yán)重,為此對模型進行抗過擬合處理主要方法就是設(shè)置模型中的參數(shù),對RF 選擇加入max_depth,對于GBDT 則選擇加入max_features,對于XGBoost 選擇增加迭代次數(shù),對于LGBM 選擇設(shè)置max_depth。最后,將4 種模型分別各構(gòu)建兩個,形成內(nèi)置參數(shù)不同的8個模型,增加模型之間的復(fù)雜度,相互之間獨立性越強,模型整體泛化能力越強。隨后,進行模型權(quán)重設(shè)置,設(shè)置方法如下:①先將驗證集中的準(zhǔn)確率作為權(quán)重;②如果準(zhǔn)確率沒有提高則稍微降低權(quán)重精度,由原來的小數(shù)點后四位變成現(xiàn)在的小數(shù)點后兩位;③加大精確率高的模型權(quán)重。

    3.3.3 深度學(xué)習(xí)模型對比

    不同于傳統(tǒng)機器學(xué)習(xí),深度學(xué)習(xí)的特征提取是直接由網(wǎng)絡(luò)結(jié)構(gòu)完成,這在一定程度上簡化了進行特征提取的繁瑣性,但是相比于本文使用tsfresh 庫進行的特征提取并無太多優(yōu)勢,此外在所對比的Resnet+LSTM+SE、Resnet+LSTM+CBAM、Resnet+LSTM+ ECA、Resnet+LSTM+SE+ECA+CBAM、 Resnet+LSTM+SE+ECA+CBAM+多通道融合、ConvNeXt_tiny5個神經(jīng)網(wǎng)絡(luò)中,訓(xùn)練時的模型參數(shù)都超過了百萬,這導(dǎo)致訓(xùn)練時間非常漫長,epoch 僅設(shè)置為500,在參數(shù)最少的Resnet+LSTM+SE 上使用五折交叉驗證耗費8 h。模型輸入與本文一致也是六類經(jīng)過巴特沃茲帶通濾波去噪的一維脈象信號和9 列經(jīng)過篩選的醫(yī)學(xué)輔助信息,文件以.xlsx 格式存儲,輸出為模型分類得出的具體脈象類型,所用損失函數(shù)為交叉熵,優(yōu)化器為adam,學(xué)習(xí)率設(shè)置為0.0001,實驗結(jié)果如表4 所示??梢钥闯霰姸喈?dāng)今熱門的深度學(xué)習(xí)模型精度,與本文所用方法相比仍有較大差距。主要有兩點原因:首先,傳統(tǒng)機器學(xué)習(xí)中的樹模型相比于深度學(xué)習(xí)模型更能處理特征不均勻、樣本量小的數(shù)據(jù)[20],而通過加權(quán)軟投票算法將多模型融合的操作再次提升了模型性能;其次,本文設(shè)計了較為完善的特征提取、篩選流程,能夠得出對最終分類結(jié)果最為重要的特征向量。

    表4 對比深度學(xué)習(xí)模型精度

    綜上所述,本文采用六類一維脈象信號和輔助醫(yī)學(xué)信息作為數(shù)據(jù)集,利用tsfresh庫和探索性數(shù)據(jù)分析,分別得出脈象特征和醫(yī)學(xué)輔助特征,相結(jié)合后進行特征篩選,將經(jīng)過特征篩選的21列特征向量直接作為加權(quán)軟投票融合模型的輸入,這一過程有效保留了脈象信號中的形態(tài)信息剔除其中冗余信息,并且簡單易操作的特征提取過程是一大優(yōu)勢。對于訓(xùn)練集采用Borderline SMOTE 算法解決數(shù)據(jù)不平衡問題,再構(gòu)建加權(quán)軟投票融合模型對算法處理后的數(shù)據(jù)進行訓(xùn)練,構(gòu)建脈象分類模型,輸出具體脈象類型。再者,為了解Borderline SMOTE 算法用在平衡數(shù)據(jù)集中的作用進行了實驗驗證,結(jié)果證明該算法對于平衡數(shù)據(jù)集并沒有實際意義,更多的是用來解決數(shù)據(jù)類別不平衡問題。該模型由4 種機器學(xué)習(xí)算法,共8 個模型融合而成,可以達(dá)到較好的分類效果。此外,構(gòu)建實驗對比了當(dāng)今熱門的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如注意力+Resnet+LSTM、ConvNeXt 等,實驗結(jié)果顯示本文所設(shè)計方法在各項評價指標(biāo)上仍有較大優(yōu)勢。

    4 結(jié)論

    針對現(xiàn)存眾多文章脈象信號特征提取繁雜,往往需要用到小波變換去噪、基于能量比的自適應(yīng)級聯(lián)濾波器去漂移、希爾伯特-黃變換提取時-頻特征等方法,忽略了操作的復(fù)雜性和臨床醫(yī)學(xué)所需的實用性。此外,脈象信號數(shù)據(jù)不平衡問題一直是影響準(zhǔn)確度的重要因素。本文在特征提取領(lǐng)域選擇對去噪后的數(shù)據(jù)直接采用tsfresh 庫構(gòu)造特征向量的方法,避免復(fù)雜的特征提取流程,隨后加入選出的9 列醫(yī)學(xué)輔助特征提升準(zhǔn)確度。通過特征篩選得出重要性前21列特征向量,在簡化數(shù)據(jù)集的同時盡量保留更多的細(xì)節(jié)特征。使用Borderline SMOTE 算法運用在訓(xùn)練集上,改善數(shù)據(jù)不平衡對分類準(zhǔn)確度的影響。最后所提出的加權(quán)軟投票融合模型,相比現(xiàn)存研究,在一定程度上緩解了單一模型的性能上限低和過擬合風(fēng)險高的問題,可以獲得更高的準(zhǔn)確率。實驗結(jié)果表明,所提出的脈象分類方法是有效的,為脈象信號的分析與識別研究開辟了新的視角和方法。在后續(xù)工作中,將進一步研究更具臨床實用性的脈象信號分析方法,提高脈象信號的識別率。

    猜你喜歡
    脈象特征向量特征提取
    二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計——以特征值和特征向量為例
    克羅內(nèi)克積的特征向量
    基于時間序列和時序卷積網(wǎng)絡(luò)的脈象信號識別研究
    瞬時波強技術(shù)對人迎、寸口脈象研究的意義探討
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    一類特殊矩陣特征向量的求法
    EXCEL表格計算判斷矩陣近似特征向量在AHP法檢驗上的應(yīng)用
    Bagging RCSP腦電特征提取算法
    105例弦脈的“計算機脈象儀”脈圖參數(shù)分析
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    日韩强制内射视频| 日韩精品青青久久久久久| 直男gayav资源| 中文字幕精品亚洲无线码一区| 欧美日韩乱码在线| 久久久久久国产a免费观看| 亚洲婷婷狠狠爱综合网| 欧美成人精品欧美一级黄| 在线播放无遮挡| 22中文网久久字幕| 有码 亚洲区| 高清毛片免费观看视频网站| 午夜精品国产一区二区电影 | 搡女人真爽免费视频火全软件| 少妇裸体淫交视频免费看高清| 国产美女午夜福利| 人人妻人人看人人澡| av在线蜜桃| 国产成年人精品一区二区| 卡戴珊不雅视频在线播放| 日韩亚洲欧美综合| 最后的刺客免费高清国语| 精品国产三级普通话版| 亚洲精品日韩在线中文字幕 | 久久精品综合一区二区三区| 少妇丰满av| 国产午夜精品久久久久久一区二区三区| 日韩精品有码人妻一区| 亚洲欧洲日产国产| 国产精品美女特级片免费视频播放器| 精品久久久久久久久久免费视频| 国产精品一区二区性色av| 免费电影在线观看免费观看| 男人的好看免费观看在线视频| 人妻久久中文字幕网| 亚洲第一电影网av| 国产真实乱freesex| 久久精品国产清高在天天线| 色噜噜av男人的天堂激情| 蜜臀久久99精品久久宅男| 欧美日韩一区二区视频在线观看视频在线 | 熟女人妻精品中文字幕| 日本av手机在线免费观看| 国内揄拍国产精品人妻在线| 少妇人妻一区二区三区视频| 亚洲精品成人久久久久久| 日本黄大片高清| 色哟哟哟哟哟哟| 国产私拍福利视频在线观看| 久久久久网色| 久久久久久久久中文| 亚洲激情五月婷婷啪啪| 欧美一区二区亚洲| 国产v大片淫在线免费观看| 国产伦一二天堂av在线观看| 免费观看a级毛片全部| 日本免费a在线| 久久99热6这里只有精品| 尾随美女入室| 国产精品1区2区在线观看.| 亚洲一区二区三区色噜噜| 99久久精品热视频| 男女视频在线观看网站免费| 在线免费观看不下载黄p国产| 久久九九热精品免费| 日韩欧美三级三区| 久久人人精品亚洲av| 国产精品综合久久久久久久免费| 久久精品国产亚洲av涩爱 | 日日啪夜夜撸| 天天躁夜夜躁狠狠久久av| 国产极品精品免费视频能看的| 亚洲自拍偷在线| 亚洲最大成人av| 99热全是精品| 久久久久国产网址| 国产蜜桃级精品一区二区三区| 国模一区二区三区四区视频| 色尼玛亚洲综合影院| 可以在线观看毛片的网站| 日韩欧美国产在线观看| 最近的中文字幕免费完整| 亚洲欧美日韩高清专用| 久久久久九九精品影院| 在现免费观看毛片| 男人和女人高潮做爰伦理| 国产片特级美女逼逼视频| 内地一区二区视频在线| 人妻制服诱惑在线中文字幕| 日韩欧美三级三区| 免费在线观看成人毛片| 国语自产精品视频在线第100页| 亚洲欧美成人综合另类久久久 | 青春草国产在线视频 | 成年女人永久免费观看视频| 午夜爱爱视频在线播放| 在线播放国产精品三级| 国产在视频线在精品| 午夜福利在线观看吧| 听说在线观看完整版免费高清| 亚洲国产精品成人综合色| 免费大片18禁| 免费搜索国产男女视频| 在线观看美女被高潮喷水网站| 成年女人永久免费观看视频| 搡老妇女老女人老熟妇| 国产69精品久久久久777片| 日韩国内少妇激情av| 欧美bdsm另类| 美女cb高潮喷水在线观看| 真实男女啪啪啪动态图| 中文字幕av成人在线电影| 在线免费观看的www视频| 深夜精品福利| 国产成人福利小说| 国产亚洲5aaaaa淫片| 精品熟女少妇av免费看| 亚洲欧美日韩东京热| 亚洲欧美日韩东京热| 国产亚洲精品av在线| 欧美激情国产日韩精品一区| 夫妻性生交免费视频一级片| 国产爱豆传媒在线观看| 久久欧美精品欧美久久欧美| 国产白丝娇喘喷水9色精品| 亚洲无线观看免费| 免费观看精品视频网站| 国产 一区 欧美 日韩| 欧美3d第一页| 女的被弄到高潮叫床怎么办| 国产伦理片在线播放av一区 | 亚洲欧美日韩高清在线视频| 精品人妻一区二区三区麻豆| 国产精品一区www在线观看| 熟女人妻精品中文字幕| 美女 人体艺术 gogo| 成年免费大片在线观看| 狂野欧美白嫩少妇大欣赏| 免费黄网站久久成人精品| kizo精华| 黄片wwwwww| 哪里可以看免费的av片| 在线观看午夜福利视频| 国产成人aa在线观看| 卡戴珊不雅视频在线播放| 亚洲欧美中文字幕日韩二区| 日韩强制内射视频| 亚洲av熟女| 亚洲熟妇中文字幕五十中出| 美女黄网站色视频| 欧美zozozo另类| 秋霞在线观看毛片| 日韩大尺度精品在线看网址| 国产av一区在线观看免费| 久久久国产成人精品二区| 人妻久久中文字幕网| 亚洲人成网站高清观看| 麻豆成人av视频| 一级黄色大片毛片| av免费观看日本| 卡戴珊不雅视频在线播放| 久久精品国产鲁丝片午夜精品| 欧美激情久久久久久爽电影| 日韩人妻高清精品专区| 你懂的网址亚洲精品在线观看 | 久久精品国产99精品国产亚洲性色| 国产视频内射| 直男gayav资源| 国产精品野战在线观看| 免费看光身美女| 欧美日本亚洲视频在线播放| 日韩成人av中文字幕在线观看| 人妻系列 视频| 国产高清三级在线| 国产探花极品一区二区| 男人舔奶头视频| av又黄又爽大尺度在线免费看 | 成人午夜精彩视频在线观看| 日韩在线高清观看一区二区三区| 成年女人看的毛片在线观看| 亚洲精品乱码久久久久久按摩| 久久精品国产亚洲av香蕉五月| 青春草亚洲视频在线观看| 精品无人区乱码1区二区| 18+在线观看网站| 久久鲁丝午夜福利片| 色综合色国产| 久久精品人妻少妇| 91av网一区二区| 精品午夜福利在线看| 精品免费久久久久久久清纯| 久久久久九九精品影院| 夜夜夜夜夜久久久久| 亚洲成人av在线免费| 97在线视频观看| 一卡2卡三卡四卡精品乱码亚洲| 亚洲电影在线观看av| 亚洲自偷自拍三级| 性色avwww在线观看| 国产精品伦人一区二区| 亚洲一区高清亚洲精品| 国产精品永久免费网站| 久久久久久久亚洲中文字幕| 婷婷亚洲欧美| 久久99精品国语久久久| АⅤ资源中文在线天堂| 欧美成人一区二区免费高清观看| 国产午夜精品论理片| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 18禁裸乳无遮挡免费网站照片| 国产v大片淫在线免费观看| 乱码一卡2卡4卡精品| 午夜视频国产福利| 亚洲国产高清在线一区二区三| 精华霜和精华液先用哪个| 久久久久久久久大av| 舔av片在线| 在线免费观看的www视频| 欧美性猛交╳xxx乱大交人| 毛片一级片免费看久久久久| 午夜精品在线福利| 99久国产av精品| 欧美潮喷喷水| 国产熟女欧美一区二区| 五月伊人婷婷丁香| 国产精品三级大全| 一本久久精品| 亚洲性久久影院| 99久久精品热视频| 欧美成人免费av一区二区三区| 亚洲第一区二区三区不卡| 亚洲av男天堂| 夜夜爽天天搞| 欧美xxxx性猛交bbbb| 中文字幕制服av| 亚洲成av人片在线播放无| 身体一侧抽搐| 国产伦精品一区二区三区视频9| 激情 狠狠 欧美| 毛片一级片免费看久久久久| 国产色婷婷99| 色噜噜av男人的天堂激情| 亚洲最大成人手机在线| 99精品在免费线老司机午夜| 中文亚洲av片在线观看爽| 神马国产精品三级电影在线观看| 看非洲黑人一级黄片| 狂野欧美激情性xxxx在线观看| 亚洲四区av| 日韩一区二区视频免费看| 免费av不卡在线播放| 婷婷色综合大香蕉| 成人无遮挡网站| 欧美日韩国产亚洲二区| av免费观看日本| 好男人视频免费观看在线| 午夜精品国产一区二区电影 | 男女边吃奶边做爰视频| 天天躁日日操中文字幕| 亚洲av电影不卡..在线观看| 亚洲精华国产精华液的使用体验 | 亚洲欧美中文字幕日韩二区| 一个人看的www免费观看视频| 免费av毛片视频| 久久午夜亚洲精品久久| 国产真实乱freesex| 91精品国产九色| 少妇的逼水好多| 亚洲人成网站在线播放欧美日韩| 五月伊人婷婷丁香| 免费人成视频x8x8入口观看| 欧美3d第一页| 97超碰精品成人国产| 成人三级黄色视频| 亚洲成a人片在线一区二区| 不卡视频在线观看欧美| 看非洲黑人一级黄片| 国产精品爽爽va在线观看网站| 97热精品久久久久久| 观看免费一级毛片| 高清午夜精品一区二区三区 | 久久6这里有精品| 性欧美人与动物交配| 久久久欧美国产精品| 一进一出抽搐gif免费好疼| 国产精品免费一区二区三区在线| 日韩亚洲欧美综合| 国产色爽女视频免费观看| 国产伦一二天堂av在线观看| 中文亚洲av片在线观看爽| 久久精品国产自在天天线| 中国美女看黄片| 国产久久久一区二区三区| 国产激情偷乱视频一区二区| 成人综合一区亚洲| 色综合色国产| 国产不卡一卡二| 听说在线观看完整版免费高清| 韩国av在线不卡| 亚洲成av人片在线播放无| 美女大奶头视频| 午夜福利在线观看吧| 亚洲在线观看片| 亚洲精品日韩在线中文字幕 | 女人被狂操c到高潮| 一级毛片aaaaaa免费看小| 亚洲欧美精品自产自拍| 爱豆传媒免费全集在线观看| 欧美zozozo另类| 天堂影院成人在线观看| 国产乱人视频| 一个人免费在线观看电影| 夜夜夜夜夜久久久久| 久久亚洲国产成人精品v| 搡女人真爽免费视频火全软件| 热99re8久久精品国产| 亚洲av二区三区四区| 欧美性感艳星| 内地一区二区视频在线| 在线观看av片永久免费下载| 少妇裸体淫交视频免费看高清| 久久久久网色| 亚洲精品乱码久久久v下载方式| 天堂中文最新版在线下载 | 国产欧美日韩精品一区二区| 日韩av不卡免费在线播放| 午夜亚洲福利在线播放| 日韩欧美在线乱码| 亚洲精品国产成人久久av| 亚洲人成网站在线播| 欧美一区二区精品小视频在线| 国产成人精品婷婷| 免费人成视频x8x8入口观看| 麻豆成人午夜福利视频| 日韩欧美国产在线观看| 黄色日韩在线| 国产成人91sexporn| 一级毛片我不卡| 别揉我奶头 嗯啊视频| 国语自产精品视频在线第100页| 国产一区亚洲一区在线观看| 欧美另类亚洲清纯唯美| 26uuu在线亚洲综合色| 国产v大片淫在线免费观看| 久久人人精品亚洲av| 少妇人妻精品综合一区二区 | 亚洲av免费在线观看| 久久久久久久久久久丰满| 午夜福利在线在线| 欧美xxxx性猛交bbbb| 国内少妇人妻偷人精品xxx网站| 99在线视频只有这里精品首页| 国产午夜福利久久久久久| 日日摸夜夜添夜夜爱| 日韩视频在线欧美| www日本黄色视频网| 精品一区二区三区视频在线| 国产伦精品一区二区三区四那| 国产乱人视频| 观看美女的网站| 婷婷色av中文字幕| 三级男女做爰猛烈吃奶摸视频| 国产精品一区二区三区四区久久| 可以在线观看的亚洲视频| 亚洲成av人片在线播放无| 色综合亚洲欧美另类图片| 亚洲国产精品久久男人天堂| 免费av毛片视频| 又爽又黄a免费视频| eeuss影院久久| 国产亚洲精品久久久com| 国产精品人妻久久久久久| 欧美日韩在线观看h| а√天堂www在线а√下载| 欧美另类亚洲清纯唯美| 午夜福利在线观看免费完整高清在 | 深夜精品福利| 久久精品国产亚洲网站| www.av在线官网国产| 欧美精品国产亚洲| 成人一区二区视频在线观看| 一边亲一边摸免费视频| 亚洲国产精品国产精品| 最好的美女福利视频网| 男人的好看免费观看在线视频| 亚洲第一电影网av| 在线天堂最新版资源| 国产精品一区二区三区四区久久| 日本欧美国产在线视频| 99久久精品一区二区三区| 在线观看一区二区三区| 久久午夜亚洲精品久久| 成人一区二区视频在线观看| 美女大奶头视频| 1024手机看黄色片| 亚洲成人久久性| 国产人妻一区二区三区在| 久久鲁丝午夜福利片| 国产精品日韩av在线免费观看| av在线老鸭窝| 亚洲欧美日韩无卡精品| 一个人观看的视频www高清免费观看| 国产成人影院久久av| 亚洲丝袜综合中文字幕| 日韩中字成人| 男插女下体视频免费在线播放| 中国美白少妇内射xxxbb| 波多野结衣高清作品| 麻豆成人午夜福利视频| 不卡视频在线观看欧美| АⅤ资源中文在线天堂| 日韩大尺度精品在线看网址| 国产视频首页在线观看| 99久久精品一区二区三区| av又黄又爽大尺度在线免费看 | 国产精品人妻久久久影院| 如何舔出高潮| 22中文网久久字幕| 国产一区二区激情短视频| 久久精品国产亚洲网站| 国产高清不卡午夜福利| 天堂√8在线中文| 亚洲va在线va天堂va国产| 久久久久久久久久成人| 国产一区二区激情短视频| 人妻久久中文字幕网| 夜夜看夜夜爽夜夜摸| 亚洲aⅴ乱码一区二区在线播放| 精品久久久久久久人妻蜜臀av| 久久久久久久久大av| 99热这里只有是精品在线观看| av.在线天堂| 91久久精品国产一区二区三区| 97超碰精品成人国产| 最近中文字幕高清免费大全6| 搞女人的毛片| 99九九线精品视频在线观看视频| 可以在线观看毛片的网站| 搡女人真爽免费视频火全软件| 久久久色成人| 日韩成人伦理影院| 色综合亚洲欧美另类图片| 秋霞在线观看毛片| 熟女电影av网| 国产男人的电影天堂91| 蜜桃亚洲精品一区二区三区| 激情 狠狠 欧美| 狠狠狠狠99中文字幕| 久久久久免费精品人妻一区二区| 九九热线精品视视频播放| 内射极品少妇av片p| 亚洲高清免费不卡视频| 成年女人看的毛片在线观看| 中文字幕精品亚洲无线码一区| 成人三级黄色视频| 中文字幕人妻熟人妻熟丝袜美| 天堂√8在线中文| 日韩成人伦理影院| 亚洲高清免费不卡视频| 亚洲成人久久性| 桃色一区二区三区在线观看| 男女做爰动态图高潮gif福利片| 久久久久久久亚洲中文字幕| 我要看日韩黄色一级片| 婷婷精品国产亚洲av| 久久国内精品自在自线图片| 神马国产精品三级电影在线观看| 亚洲人成网站在线播| 亚州av有码| 在线国产一区二区在线| 久久6这里有精品| 亚洲电影在线观看av| 午夜激情福利司机影院| 久久精品久久久久久噜噜老黄 | 国产伦一二天堂av在线观看| 淫秽高清视频在线观看| 亚洲人成网站在线观看播放| 亚洲熟妇中文字幕五十中出| 午夜精品国产一区二区电影 | 中文资源天堂在线| 日日撸夜夜添| 高清毛片免费看| 欧美日韩精品成人综合77777| 三级毛片av免费| ponron亚洲| 99久久精品国产国产毛片| 成人特级黄色片久久久久久久| 国产精品嫩草影院av在线观看| 亚洲真实伦在线观看| 免费看日本二区| 亚洲精品成人久久久久久| 久久草成人影院| 2021天堂中文幕一二区在线观| 男人和女人高潮做爰伦理| 国产黄片美女视频| 97在线视频观看| 99久久成人亚洲精品观看| 日日啪夜夜撸| 国产精品一区www在线观看| 亚洲欧美精品自产自拍| 99久久精品国产国产毛片| 白带黄色成豆腐渣| 两个人视频免费观看高清| 伊人久久精品亚洲午夜| or卡值多少钱| 成年版毛片免费区| av女优亚洲男人天堂| 日韩av不卡免费在线播放| 最近的中文字幕免费完整| 波多野结衣高清无吗| 亚洲成人久久爱视频| av在线蜜桃| 一个人观看的视频www高清免费观看| 国产伦理片在线播放av一区 | 乱人视频在线观看| 美女被艹到高潮喷水动态| 中文精品一卡2卡3卡4更新| 观看免费一级毛片| 男女做爰动态图高潮gif福利片| 亚洲美女搞黄在线观看| 久久亚洲精品不卡| 国产高清三级在线| 青青草视频在线视频观看| 熟女电影av网| 男人和女人高潮做爰伦理| 99久久久亚洲精品蜜臀av| 人妻少妇偷人精品九色| 大型黄色视频在线免费观看| 国产亚洲精品久久久com| 人人妻人人澡人人爽人人夜夜 | 精品无人区乱码1区二区| 国产女主播在线喷水免费视频网站 | 又黄又爽又刺激的免费视频.| 国产精品免费一区二区三区在线| 国产激情偷乱视频一区二区| 国产精品久久久久久av不卡| 免费av不卡在线播放| 一级毛片我不卡| 国产亚洲精品久久久久久毛片| 国产高清有码在线观看视频| 久久精品国产亚洲av涩爱 | 亚洲人成网站高清观看| 美女国产视频在线观看| 亚洲av电影不卡..在线观看| 日本色播在线视频| 干丝袜人妻中文字幕| 国产真实伦视频高清在线观看| 免费在线观看成人毛片| 欧美+亚洲+日韩+国产| 麻豆乱淫一区二区| 亚洲欧美精品专区久久| 国产av一区在线观看免费| 噜噜噜噜噜久久久久久91| 亚洲国产日韩欧美精品在线观看| 久久精品综合一区二区三区| 91精品一卡2卡3卡4卡| 美女xxoo啪啪120秒动态图| 日韩成人伦理影院| 久久久精品欧美日韩精品| 日韩大尺度精品在线看网址| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 国产高清激情床上av| 一卡2卡三卡四卡精品乱码亚洲| av免费观看日本| 久久精品国产亚洲av天美| 久久精品综合一区二区三区| 看十八女毛片水多多多| 亚洲欧美日韩高清专用| 久久热精品热| 99热这里只有是精品在线观看| 2022亚洲国产成人精品| 国产精品久久久久久精品电影小说 | 成人午夜高清在线视频| 成人永久免费在线观看视频| 国产成人福利小说| 欧美一级a爱片免费观看看| 麻豆国产97在线/欧美| 日韩视频在线欧美| 国产精品人妻久久久影院| 青春草视频在线免费观看| 亚洲精品粉嫩美女一区| 色5月婷婷丁香| 好男人视频免费观看在线| 国产一级毛片七仙女欲春2| 成人av在线播放网站| 男的添女的下面高潮视频| 日韩亚洲欧美综合| 一区二区三区高清视频在线| 一进一出抽搐动态| 少妇被粗大猛烈的视频| 亚洲人成网站高清观看| 色哟哟·www| 中文资源天堂在线| 搡老妇女老女人老熟妇| 欧美+日韩+精品| 91久久精品国产一区二区成人| 色综合色国产| 亚洲高清免费不卡视频| 成人亚洲欧美一区二区av| 久久九九热精品免费| 国产爱豆传媒在线观看| 精品无人区乱码1区二区| 午夜福利在线在线| 国产中年淑女户外野战色| 久久人人精品亚洲av| 女人被狂操c到高潮| 99久久精品热视频| 国产探花在线观看一区二区| 日韩强制内射视频| 国产精品一区二区三区四区免费观看| 亚洲成人久久爱视频| 国产精品久久久久久精品电影| 精品少妇黑人巨大在线播放 | 女人十人毛片免费观看3o分钟| 人体艺术视频欧美日本|