• <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 ?

    改進殘差神經網絡實現(xiàn)心音分類*

    2022-08-20 01:39:26張俊飛張貴英
    計算機工程與科學 2022年8期
    關鍵詞:心音注意力準確率

    張俊飛,張貴英

    (1.廣州醫(yī)科大學信息與現(xiàn)代教育技術中心,廣東 廣州 511436;2.廣州醫(yī)科大學基礎醫(yī)學院,廣東 廣州 511436)

    1 引言

    心音信號是由心肌收縮、心臟瓣膜開閉和血液流動撞擊等引起的振動所產生的聲音。心音信號包含大量心臟生理信息,心音檢測結果可以比其他檢測結果更早表現(xiàn)器質性心臟病體征[1],因此對心音信號的有效分析有助于心臟疾病無創(chuàng)診斷。

    當前深度學習在心音分類領域已經得到大量的應用。根據當前心音分類領域深度學習神經網絡模型組合方式和訓練方法,深度學習應用在心音分類領域的模式可分為以下3種:(1)一種或多種神經網絡模型組合。許春冬等[2]通過構造心音功率譜密度特征矩陣,利用卷積神經網絡實現(xiàn)心音分類,基于2016年PhysioNet/CinC挑戰(zhàn)賽(簡稱CinC2016)數據的分類準確率、靈敏度和特異度分別為84.72%,77.63%和94.63%。李偉等[3]結合卷積神經網絡和循環(huán)神經網絡分別提取心音的頻域和時域特征進行訓練,基于CinC2016數據的分類準確率為85.70%。Noman等[4]基于心音原生數據和梅爾頻率倒譜系數MFCC(Mel-Frequency Cepstrum Coefficient)特征利用一維卷積和二維卷積神經網絡進行心音二分類,基于CinC2016數據的分類準確率、靈敏度和特異度分別為89.22%,89.94%和86.35%。Li等[5]將傳統(tǒng)的特征工程方法與設計的卷積神經網絡相結合,對心音進行自動分類,基于CinC2016數據的分類準確率、靈敏度和特異度分別為86.80%,87.00%和86.60%。Zabihi等[6]從原生心音數據的時間、頻率和時頻域維度提取特征,利用前饋神經網絡進行分類,基于CinC2016數據的分類平均準確率、靈敏度和特異度分別為85.90%、86.91%和84.90%。(2)機器學習和神經網絡模型組合。Potes等[7]從原生心音數據124個時頻特征和4個頻帶特征2個維度,分別應用AdaBoost分類器和一維卷積神經網絡進行訓練,最后結合決策,其基于CinC2016數據的分類平均準確率、靈敏度和特異度分別為86.02%,94.24%和77.81%。韓威等[8]改進文獻[7]分類模型中的一維卷積為二維卷積,其準確率、靈敏度和特異度分別為91.08%±1.79%,93.03%±3.12%和89.14%±1.92%。(3)輔助模塊參與的深度學習心音分類。Chen等[9]參照ECG信號利用隱馬爾可夫模型尋找心音信號中S1、S2、收縮期和舒張期確切位置,再進行心音分段并輸入到卷積神經網絡中,基于CinC2016數據的分類平均準確率、靈敏度和特異度分別為94.00%,95.00%和93.00%。Han等[10]首先對心音數據進行分段并提取每段MFCC特征,再在神經網絡模型中引入輔助閾值映射心音段類別到心音實例類別,基于CinC2016數據的分類平均準確率、靈敏度和特異度分別為91.50%,98.33%和84.67%。

    深度學習摒棄了傳統(tǒng)機器學習的特征工程環(huán)節(jié),為心音分類提供了簡單便捷的端到端模式,因此特征工程方式、機器學習與深度學習組合使得心音特征獲取、網絡模型結構過于復雜;輔助模塊的參與明顯提升了心音分類的準確度,但是輔助模塊需要更多的運算,也使模型變得復雜,偏離了深度學習理念。秉承特征獲取簡易、網絡模式簡單和分類準確率高的需求,本文利用ResNet152模型對CinC2016數據進行深度學習,應用CBAM(Convolutional Block Attention Module)注意力機制到心音特征提取中,使得特征更加有效;利用Focal Loss損失函數緩解心音數據不均衡帶來的分類不準確問題,同時有利于心音難例分析;利用多尺度心音特征使得心音信號表達更加準確。

    2 數據預處理

    2.1 數據介紹

    本文采用2016年PhysioNet/CinC挑戰(zhàn)賽中的比賽數據。該數據共由6個數據庫(A~F)組成,總計3 240個心音記錄,其中正常心音2 575個、異常心音665個。

    2.2 數據重采樣

    心音數據重采樣的目的是保留有效心臟活動聲音信號,減少數據量和后期運算時間。正常心音頻率一般在50 Hz到800 Hz[11],根據奈奎斯特采樣定理,本文采用2 000 Hz采樣頻率完整保留原始信號有效信息。

    2.3 數據去噪

    對于正常心音頻率區(qū)域外的高頻、低頻噪音信號,先由5階巴特沃斯帶通濾波器去噪;對于區(qū)域內的噪音信號,采用小波閾值去噪。

    5階巴特沃斯帶通濾波頻帶設為50~800 Hz,由其頻率響應(圖1)可知,基本保留了0.05~0.8 kHz區(qū)間信號。圖2展示了一條心音信號濾波前后頻譜對比,濾波后的心音數據在50 Hz之前和800 Hz之后均有所衰減。

    Figure 1 Frequency response diagram圖1 頻率響應圖

    Figure 2 Spectrum comparison圖2 頻譜對比圖

    小波閾值去噪選取Db8小波基,并采用軟閾值函數法對噪聲小波系數進行過濾。軟閾值函數計算見式(1),其中,w是小波系數;λ是閾值;wλ是施加閾值后的小波系數。λ值利用固定閾值估計法確定,具體如式(2)所示,其中,σ是噪聲標準差;Lsignal是信號長度。本文通過信噪比計算驗證小波閾值的有效性。信噪比RSN如式(3)所示:

    (1)

    (2)

    (3)

    其中,S′為濾波后的信號;S為濾波前的信號。

    2.4 心音特征圖

    MFCC特征目前被廣泛應用到心音處理,它首先把心音信號轉化為短時平穩(wěn)數據,再向人耳聽覺機理方面轉化從而提取心音特征。文獻[12,13]表示在卷積神經網絡應用中,梅爾頻率譜系數MFSC(Mel-Frequency Spectrum Coefficients)相對MFCC減少了離散余弦變換,使得特征表達更加豐富。心音信號是一維數據,為符合卷積神經網絡深度學習數據格式,本文把心音信號的MFSC特征圖及其一階差分(Δ)和二階差分(Δ-Δ)合并成3通道二維數據格式,如圖3所示。

    Figure 3 Heart sound feature map圖3 心音特征圖

    2.4.1 計算MFSC

    本文提取MFSC特征的步驟如下所示:

    (1)預加重。將心音信號進行高通濾波,提升高頻頻帶使心音頻譜變得平坦,且突出高頻共振峰。

    (2)分幀和加窗。利用漢寧窗函數對信號進行加窗和分幀處理,使得心音信號變得短時平穩(wěn),方便后期研究。使用漢寧窗函數減少了2幀之間變化引起的能量泄露,同時削弱了后期傅里葉變換引起的柵欄效應。分幀窗口長度為1 024,幀移為512,2幀之間50%的重疊保證了參數過渡自然。分幀數fn計算如式(4)所示:

    fn=(N-Noverlap)/Ninc

    (4)

    其中,N為幀長;Noverlap為2幀重疊部分;Ninc為幀移。

    (3)計算譜線能量。相較于在時域視角下表征,心音信號在頻域視角通過能量分布進行表征更為直觀,便于觀察,故對分幀和加窗后的各幀信號進行快速傅里葉變換,得到各幀的頻譜X(i,k),并對其取模平方得到語音信號的譜線能量E(i,k),其計算如式(5)所示:

    E(i,k)=|X(i,k)|2

    (5)

    其中,i為心音的幀數;k為譜線的頻率序號。

    (4)計算Mel濾波能量。通過Mel濾波器計算每幀譜線的濾波能量。把每幀的譜線能量乘以Mel濾波器的頻域響應并相加。Mel濾波能量的計算如式(6)所示:

    (6)

    其中,S(i,m)為心音第i幀對應的第m個Mel濾波器的能量;Hm為第m個Mel濾波器頻率響應;n為心音第i幀n條譜線。

    (5)Mel能量取對數得到MFSC。人耳感知是非線性的,通過對每幀Mel能量取對數來模擬非線性關系,描述人耳對心音判斷的感知特性。

    2.4.2 構建心音特征圖

    心音信號是連續(xù)的時序數據,分幀提取的特征信息具有時序局部性,為了保留心音時序特征增加了前后幀信息,采用一階差分(Δ)和二階差分(Δ-Δ)實現(xiàn)。心音數據集每個心音長度不一致,導致MFSC特征長度不一,為了對齊特征,將梅爾濾波器個數設為200,截取心音信號前200幀,去掉總幀數不夠的心音數據,最終得到大小為200×200的二維心音MFSC特征。對齊的MFSC特征取一階和二階差分,保留了心音信號時域連續(xù)性特征。將MFSC特征圖和一階、二階差分特征圖組織成3通道的三維數據格式,其大小為200×200×3。

    3 CBAM注意力機制

    對于輸入特征圖F大小為HⅹWⅹC(H為高度,W為寬度,C為通道數),CBAM依次推導出通道注意力圖Mc∈R1×1×C和空間注意力圖Ms∈RH×W×1,整體的注意力圖計算過程如式(7)和式(8)所示:

    F′=Mc(F)?F

    (7)

    F″=Ms(F)?F′

    (8)

    其中,?為逐元素相乘,F(xiàn)′為F施加通道注意力掩碼后的輸出,F(xiàn)″為F先后施加通道注意力和空間注意力掩碼后的輸出。

    CBAM可以無縫集成到任何CNN架構,強調或抑制輸入特征圖,并細化其局部特征,在保持較小開銷的前提下提升基線網絡性能。Woo等[14]通過消融實驗證明了對輸入特征圖先施加通道注意力后施加空間注意力運算,能夠更好地提取目標特征,且空間注意力卷積核大小為7×7時,效果更好。

    3.1 通道注意力

    Mc(F)=σ(MLP(AvgPool(F))+

    MLP(MaxPool(F)))=

    (9)

    3.2 空間注意力

    Ms(F)=σ(f7×7([AvgPool(F);MaxPool(F)]))=

    (10)

    4 Focal Loss損失函數

    衡量2個分布的差異,經常使用交叉熵CE(Cross Entropy) 損失函數,針對二分類問題CE損失函數計算如式(11)所示。其中,p表示預測樣本屬于1的概率;y表示真實標簽。為了表示簡便,用pt表示樣本屬于真實類別的概率,其表達如式(12)所示。由式(11)和式(12),可知CE函數表達如式(13)所示。在式(13)基礎上得到Focal Loss損失函數表達如式(14)和式(15)所示。其中,參數α解決了正負樣本之間的平衡問題,通過α值,調節(jié)標簽為1的樣本對損失的貢獻度;通過調節(jié)參數γ,使得樣本越易分類(pt值越大),損失貢獻越小,難例則相反。

    (11)

    (12)

    CE(p,y)=CE(pt)=-log (pt)

    (13)

    (14)

    FL(pt)=-αt(1-pt)γlog(pt)

    (15)

    5 實驗

    5.1 數據準備

    本文分別選取數據集中正常心音和異常心音的10%作為測試集(Test)。在剩下的90%數據中,分別選取正常心音和異常心音數據的80%作為訓練集(Train),20%作為驗證集(Validation)。數據劃分具體見表1。

    Table 1 Data partitioning表1 數據劃分

    5.2 實驗環(huán)境

    本文采用TensorFlow深度學習框架。訓練服務器參數為:CPU(3.2 GHz)、GPU(TITAN RTX 24 GB)、RAM(13 GB)。

    5.3 網絡模型及實驗設計

    5.3.1網絡模型

    ResNet152[15]以跨層連接瓶頸結構進行組合,解決了深層網絡梯度消失的問題。CBAM注意力機制通過改進瓶頸結構中殘差支路輸出,實現(xiàn)殘差特征圖細化,使得部分特征得到強調或抑制。瓶頸結構改進模型如圖4所示。當輸入X與輸出F″大小相同和不同時,瓶頸結構改進算法分別如式(16)和式(17)所示,為了簡便公式,忽略了偏差參數。

    y=CBAM(F(X,{Wi}))+X

    (16)

    y=CBAM(F(X,{Wi}))+WsX

    (17)

    其中,CBAM(·)表示通道注意力和空間注意力機制運算;F(X,{Wi})表示瓶頸結構中的3個卷積操作,卷積核分別為1×1,3×3和1×1;Wi為需要訓練獲得的權重矩陣;Ws為需要訓練獲得的使輸入X和輸出F″大小相同的卷積操作矩陣。

    Figure 4 Improved bottleneck圖4 改進的瓶頸結構

    淺層卷積操作可以獲取更多心音細節(jié)特征,深層卷積操作可以獲取更多心音包絡宏觀特征,多尺度特征可以更好地表征心音信號。多組不同通道數瓶頸結構組成4個網絡層,分別包含的瓶頸結構數為3,8,36和3,每層瓶頸結構卷積核1×1,3×3和1×1對應的通道數分別為(64,64,256),(128,128,512),(256,256,1 024)和(512,512,2 048)。4個網絡層輸出特征進行串聯(lián)即為心音多尺度特征。

    模型采用ReduceLROnPlateau學習率策略,每10次迭代后,如果驗證集損失沒有減少則初始學習率乘以系數0.8;更改ResNet152網絡分類層為二分類和激活函數為Sigmoid;利用Adam優(yōu)化器和Focal Loss損失函數(其中α為0.25、γ為2)進行模型編譯;網絡訓練批次大小設置為100,迭代500次。

    5.3.2 實驗設計

    為驗證CBAM注意力機制、Focal Loss損失函數和多尺度特征可以促進ResNet152模型正確分類心音數據,共設計5組對比消融實驗。通過與先前學者的心音分類效果橫向對比分析,來驗證改進后ResNet152模型的有效性。

    5.4 實驗評價指標

    本文采用靈敏度Se(Sensitivity)、Sp特異度(Specificity)和準確率Acc(Accuracy)作為分類評估指標,其計算如式(18)~式(20)所示:

    (18)

    (19)

    (20)

    其中,TP表示陽性心音樣本判別為陽性的心音數,F(xiàn)N表示陽性心音樣本判別為陰性的心音數,F(xiàn)P表示陰性心音樣本判別為陽性的心音數,TN表示陰性心音樣本判別為陰性的心音數。

    5.5 實驗結果與分析

    表2為5組對比消融實驗在測試集上的測試結果,對其分析如下:

    (1)實驗2和實驗1對比可知,CBAM注意力機制提高了基線網絡ResNet152的分類準確率,但幅度不大。

    (2)實驗3和實驗1對比可知,F(xiàn)ocal Loss損失函數使基線網絡分類靈敏度提高2.55%,但特異度和準確率提高效果不太明顯。

    (3)實驗4和實驗1對比可知,多尺度特征使得基線網絡分類靈敏度和準確率分別提高了2.7%和2.64%,特異度提高效果不太明顯。

    (4)5個實驗對比可知,CBAM注意力機制、Focal Loss損失函數和多尺度特征共同使用達到基線網絡最好的分類效果,相對基線網絡,靈敏度、特異度和準確率分別提高了2.85%,3.35%和3.89%。

    Table 2 Experimental results表2 實驗結果 %

    基于CinC2016心音數據,橫向對比實驗5與其他學者采用深度學習方法實現(xiàn)的心音分類研究成果,因準確率計算公式不同,故只進行Se和Sp標準比較,結果如表3所示。

    Table 3 Comparison of classification results 表3 分類結果比較 %

    通過比較實驗5與3種深度學習心音分類模型的分類結果,可知:

    (1)相對于模式1,實驗5分類結果靈敏度比較高,能夠更準確判斷異常心音;實驗5特異度除了比文獻[2]中的模式1分類結果低3%,比其他都高,因此實驗5在保證高分類靈敏度的同時,能夠實現(xiàn)對正常心音信號的正確判斷。

    (2)相對于模式2,實驗5分類靈敏度偏低,但分類特異度相對于Potes等和韓威等的方法分別提高了13.82%和2.49%。由此可知,機器學習與深度學習模型組合、利用特征工程獲取心音特征可以提高心音分類準確度;利用CBAM注意力機制、Focal Loss和多尺度特征等技巧優(yōu)化深度學習模型,同樣可以達到不錯的心音分類效果。

    (3)相對于模式3,實驗5分類整體效果有些遜色。Chen等利用ECG信號準確分段心音信號,增強了心音段信號的有效性,但需要額外計算S1、S2、收縮期和舒張期確切位置;Han等引入閾值映射心音段類別到心音實例類別,增廣數據集的基礎上,還需額外訓練閾值,使得網絡模型變得復雜。由此可見,數據集的有效增強、增廣可以更好地實現(xiàn)心音信號分類,但實驗5滿足了特征獲取簡易、網絡模式簡單、分類準確率較高的需求。

    6 結束語

    以心音特征獲取簡易、深度學習網絡模型簡單為依據,本文改進了ResNet152殘差網絡對CinC2016心音數據進行深度學習,利用CBAM注意力機制改進殘差網絡中的瓶頸結構,使用Focal Loss損失函數獲取心音多尺度特征。通過5組消融實驗證實了CBAM注意力機制增強了提取特征的有效性;Focal Loss損失函數減弱了心音數據不均衡帶來的影響,同時促進了心音難例分析;多尺度特征提高了心音分類的準確度。與先前學者心音分類研究成果相比,本文設計的心音分類網絡具有較好的靈敏度和特異度,且具有特征獲取簡易、網絡模型簡單等特點。

    猜你喜歡
    心音注意力準確率
    讓注意力“飛”回來
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準確率比較探討
    2015—2017 年寧夏各天氣預報參考產品質量檢驗分析
    高速公路車牌識別標識站準確率驗證法
    基于雙閾值的心音快速分段算法及其應用研究
    雙聲道心音能量熵比的提取與識別研究
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    基于香農熵的心音信號檢測方法研究
    A Beautiful Way Of Looking At Things
    九九在线视频观看精品| 五月玫瑰六月丁香| 岛国在线免费视频观看| 人妻系列 视频| 欧美最黄视频在线播放免费| 中文亚洲av片在线观看爽| 精品人妻视频免费看| 九九热线精品视视频播放| av女优亚洲男人天堂| 99热这里只有精品一区| 国产探花极品一区二区| 此物有八面人人有两片| 亚洲最大成人av| 乱系列少妇在线播放| 老师上课跳d突然被开到最大视频| 亚洲性久久影院| 亚洲精品自拍成人| a级毛片a级免费在线| 成人性生交大片免费视频hd| 免费人成在线观看视频色| 国产极品精品免费视频能看的| 国产精品久久久久久精品电影| 国产高清有码在线观看视频| 亚洲美女搞黄在线观看| 欧美日韩国产亚洲二区| 97人妻精品一区二区三区麻豆| 舔av片在线| 久久精品夜色国产| 亚洲无线观看免费| 少妇人妻一区二区三区视频| 欧美一区二区亚洲| 久久精品国产99精品国产亚洲性色| 国产精品人妻久久久久久| 国内少妇人妻偷人精品xxx网站| 爱豆传媒免费全集在线观看| 日本一二三区视频观看| 中文在线观看免费www的网站| 国产精品一区二区在线观看99 | 欧美区成人在线视频| 亚洲电影在线观看av| 亚洲国产精品sss在线观看| 国产精品三级大全| 夜夜爽天天搞| 日韩成人伦理影院| 成人无遮挡网站| 国内精品宾馆在线| 欧美3d第一页| 99热这里只有是精品50| av在线亚洲专区| 精品不卡国产一区二区三区| 91午夜精品亚洲一区二区三区| 哪个播放器可以免费观看大片| 长腿黑丝高跟| 狂野欧美激情性xxxx在线观看| 亚洲人成网站在线播| 最近的中文字幕免费完整| 晚上一个人看的免费电影| 久久精品国产鲁丝片午夜精品| 国产精品麻豆人妻色哟哟久久 | 我要看日韩黄色一级片| 日日摸夜夜添夜夜爱| 国产精品嫩草影院av在线观看| 人妻少妇偷人精品九色| 麻豆精品久久久久久蜜桃| 色尼玛亚洲综合影院| 天堂av国产一区二区熟女人妻| 九草在线视频观看| 欧美bdsm另类| 久久久久九九精品影院| 国产精品野战在线观看| 国产精品无大码| 日韩成人av中文字幕在线观看| 干丝袜人妻中文字幕| 熟妇人妻久久中文字幕3abv| 97人妻精品一区二区三区麻豆| av在线播放精品| 精品日产1卡2卡| 欧美激情久久久久久爽电影| 男女做爰动态图高潮gif福利片| 免费搜索国产男女视频| 高清毛片免费看| 变态另类成人亚洲欧美熟女| 99在线人妻在线中文字幕| 国产精品久久久久久精品电影小说 | 亚洲人与动物交配视频| 精品久久久久久久久久久久久| 亚洲精华国产精华液的使用体验 | 欧美在线一区亚洲| 国产淫片久久久久久久久| 亚洲在线观看片| 成年版毛片免费区| 国产午夜福利久久久久久| 亚洲乱码一区二区免费版| 免费不卡的大黄色大毛片视频在线观看 | 国产真实乱freesex| 99久国产av精品国产电影| 欧美另类亚洲清纯唯美| 国产精品福利在线免费观看| 久久久精品大字幕| 97在线视频观看| 九草在线视频观看| 观看美女的网站| 99riav亚洲国产免费| 51国产日韩欧美| 亚洲精品乱码久久久v下载方式| 啦啦啦韩国在线观看视频| 美女脱内裤让男人舔精品视频 | 岛国在线免费视频观看| a级毛色黄片| 欧美最黄视频在线播放免费| 亚洲av二区三区四区| 免费看a级黄色片| 热99在线观看视频| 97超视频在线观看视频| 99九九线精品视频在线观看视频| 国产亚洲精品久久久com| 久久草成人影院| 99热这里只有是精品50| 欧美激情久久久久久爽电影| 大型黄色视频在线免费观看| 色综合亚洲欧美另类图片| 日韩强制内射视频| 毛片女人毛片| 欧美成人免费av一区二区三区| 亚洲丝袜综合中文字幕| 亚洲经典国产精华液单| 欧美日韩一区二区视频在线观看视频在线 | 亚洲国产欧美在线一区| 久久精品夜色国产| 久久久久国产网址| АⅤ资源中文在线天堂| 一级av片app| 婷婷精品国产亚洲av| 黑人高潮一二区| 日韩 亚洲 欧美在线| 国产伦在线观看视频一区| 欧美日韩精品成人综合77777| 欧美日韩一区二区视频在线观看视频在线 | 国产综合懂色| 久久久久久久久久成人| 午夜福利在线观看免费完整高清在 | 少妇猛男粗大的猛烈进出视频 | av在线亚洲专区| 成人特级黄色片久久久久久久| 久久久成人免费电影| 午夜老司机福利剧场| 99精品在免费线老司机午夜| 边亲边吃奶的免费视频| 亚洲熟妇中文字幕五十中出| 国国产精品蜜臀av免费| 少妇裸体淫交视频免费看高清| 亚洲欧美日韩高清专用| 国产麻豆成人av免费视频| 日韩欧美国产在线观看| 少妇的逼水好多| 欧美日韩一区二区视频在线观看视频在线 | 成人高潮视频无遮挡免费网站| 亚洲成人久久性| 亚州av有码| 成人无遮挡网站| 精品日产1卡2卡| 日韩成人伦理影院| 丰满人妻一区二区三区视频av| 精品人妻熟女av久视频| 夫妻性生交免费视频一级片| 嫩草影院精品99| 免费黄网站久久成人精品| 国产一级毛片七仙女欲春2| 综合色av麻豆| 午夜精品国产一区二区电影 | 久久6这里有精品| 久久人妻av系列| 日韩一本色道免费dvd| 精品免费久久久久久久清纯| 天堂网av新在线| 村上凉子中文字幕在线| 久久久国产成人免费| 亚洲,欧美,日韩| 在线观看一区二区三区| 欧美性猛交╳xxx乱大交人| 99热全是精品| 成人一区二区视频在线观看| 日韩欧美 国产精品| 五月玫瑰六月丁香| 美女内射精品一级片tv| 麻豆乱淫一区二区| 国产色爽女视频免费观看| 日韩欧美国产在线观看| 免费看光身美女| 九九在线视频观看精品| 色吧在线观看| 久久草成人影院| 国产一级毛片七仙女欲春2| 综合色丁香网| 亚洲丝袜综合中文字幕| 久久精品国产清高在天天线| 成人二区视频| 国产乱人视频| 亚洲欧美清纯卡通| 黄色配什么色好看| 一边亲一边摸免费视频| 九九爱精品视频在线观看| 一进一出抽搐gif免费好疼| 综合色丁香网| a级一级毛片免费在线观看| 日韩中字成人| 99热全是精品| 国产女主播在线喷水免费视频网站 | 大又大粗又爽又黄少妇毛片口| 97超碰精品成人国产| 人妻夜夜爽99麻豆av| 九九久久精品国产亚洲av麻豆| 我要看日韩黄色一级片| 久久国内精品自在自线图片| 免费黄网站久久成人精品| 久久鲁丝午夜福利片| 国产精品福利在线免费观看| 在线观看美女被高潮喷水网站| 色视频www国产| 一级黄色大片毛片| 两个人视频免费观看高清| 欧美最黄视频在线播放免费| 国内揄拍国产精品人妻在线| 久久久国产成人精品二区| 在线天堂最新版资源| 国产精品女同一区二区软件| 亚洲av中文字字幕乱码综合| 搡女人真爽免费视频火全软件| 午夜爱爱视频在线播放| 全区人妻精品视频| 国产黄色小视频在线观看| 久久久精品大字幕| www.色视频.com| 久久99热6这里只有精品| 夜夜看夜夜爽夜夜摸| 天美传媒精品一区二区| 国产在线男女| 日韩欧美三级三区| 中文字幕免费在线视频6| 日韩一本色道免费dvd| 午夜福利在线观看吧| 欧美日本视频| 国产精品日韩av在线免费观看| 日本三级黄在线观看| 此物有八面人人有两片| 亚洲国产色片| 人人妻人人澡人人爽人人夜夜 | 国产精品福利在线免费观看| 国产精品美女特级片免费视频播放器| 久久精品91蜜桃| 国产黄色小视频在线观看| 欧美潮喷喷水| 亚洲自偷自拍三级| 午夜久久久久精精品| 精品人妻视频免费看| 国产真实乱freesex| 婷婷精品国产亚洲av| 18禁在线播放成人免费| 天堂av国产一区二区熟女人妻| 免费av毛片视频| 亚洲一区高清亚洲精品| 22中文网久久字幕| 久久久久网色| 日本成人三级电影网站| 日日摸夜夜添夜夜爱| 国产精品人妻久久久久久| 99热只有精品国产| 内地一区二区视频在线| 日韩中字成人| 蜜桃亚洲精品一区二区三区| 国产三级在线视频| 少妇熟女欧美另类| 国产精品一区二区性色av| 亚洲五月天丁香| 国产伦在线观看视频一区| 国产国拍精品亚洲av在线观看| 亚洲久久久久久中文字幕| 久久99精品国语久久久| 热99re8久久精品国产| 日本黄色视频三级网站网址| 久久久久九九精品影院| 欧美在线一区亚洲| 国产探花极品一区二区| 成人特级av手机在线观看| 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 | 免费观看精品视频网站| 国产亚洲精品久久久久久毛片| 色综合亚洲欧美另类图片| 亚洲最大成人手机在线| 亚洲在线观看片| 又粗又爽又猛毛片免费看| 我要看日韩黄色一级片| 91精品国产九色| 一级黄色大片毛片| 91麻豆精品激情在线观看国产| 插阴视频在线观看视频| 亚洲欧美日韩高清在线视频| 亚洲激情五月婷婷啪啪| 一夜夜www| 亚洲第一电影网av| 日本黄大片高清| 欧美在线一区亚洲| 国产精品一区二区三区四区免费观看| 搡老妇女老女人老熟妇| 欧美人与善性xxx| 久久久久久久午夜电影| 久久这里有精品视频免费| 爱豆传媒免费全集在线观看| 国产亚洲av片在线观看秒播厂 | 亚洲av二区三区四区| 观看美女的网站| 人人妻人人看人人澡| 长腿黑丝高跟| 精品国内亚洲2022精品成人| 变态另类丝袜制服| 国产欧美日韩精品一区二区| 亚洲欧洲日产国产| 国产欧美日韩精品一区二区| 久久久久久国产a免费观看| 午夜精品一区二区三区免费看| 久久婷婷人人爽人人干人人爱| 女人被狂操c到高潮| 99国产极品粉嫩在线观看| 亚洲成人久久爱视频| 色哟哟哟哟哟哟| 男人的好看免费观看在线视频| 三级经典国产精品| 欧美在线一区亚洲| 网址你懂的国产日韩在线| 国产黄色小视频在线观看| 老师上课跳d突然被开到最大视频| 永久网站在线| 久久99热这里只有精品18| 免费搜索国产男女视频| 真实男女啪啪啪动态图| 寂寞人妻少妇视频99o| 久久综合国产亚洲精品| 国产69精品久久久久777片| 少妇高潮的动态图| 国产男人的电影天堂91| 国产精品一区www在线观看| 日韩国内少妇激情av| 婷婷六月久久综合丁香| 人妻少妇偷人精品九色| 欧美人与善性xxx| 免费av毛片视频| 成人性生交大片免费视频hd| 老熟妇乱子伦视频在线观看| 深夜精品福利| 亚洲精品456在线播放app| 身体一侧抽搐| 成人性生交大片免费视频hd| 日韩人妻高清精品专区| 久久人人爽人人片av| 日本免费一区二区三区高清不卡| 少妇人妻精品综合一区二区 | 春色校园在线视频观看| 色哟哟哟哟哟哟| 在现免费观看毛片| 国产免费男女视频| 免费不卡的大黄色大毛片视频在线观看 | 日韩一区二区视频免费看| 看非洲黑人一级黄片| 午夜福利在线观看吧| 午夜精品一区二区三区免费看| 日本与韩国留学比较| 99riav亚洲国产免费| 色5月婷婷丁香| 国产私拍福利视频在线观看| 麻豆乱淫一区二区| 欧美最新免费一区二区三区| 亚洲18禁久久av| 中出人妻视频一区二区| 99视频精品全部免费 在线| a级毛片a级免费在线| 国产 一区 欧美 日韩| 蜜臀久久99精品久久宅男| 国产精品久久视频播放| 国产色婷婷99| eeuss影院久久| 久久久久网色| 久久久久国产网址| 综合色av麻豆| 国产午夜精品论理片| 超碰av人人做人人爽久久| 国产成人一区二区在线| 99国产精品一区二区蜜桃av| 欧美最新免费一区二区三区| 国产亚洲精品久久久com| 不卡一级毛片| 能在线免费观看的黄片| 只有这里有精品99| 晚上一个人看的免费电影| 国产不卡一卡二| 午夜福利成人在线免费观看| 美女国产视频在线观看| 国产成人精品一,二区 | 少妇熟女aⅴ在线视频| 女人十人毛片免费观看3o分钟| 伦理电影大哥的女人| 性插视频无遮挡在线免费观看| 三级经典国产精品| 禁无遮挡网站| 国产乱人视频| 又爽又黄无遮挡网站| 日韩中字成人| 级片在线观看| 床上黄色一级片| 少妇的逼水好多| 日韩强制内射视频| 成人高潮视频无遮挡免费网站| 一个人观看的视频www高清免费观看| av福利片在线观看| 老司机影院成人| 精品人妻偷拍中文字幕| 麻豆精品久久久久久蜜桃| 亚洲国产精品sss在线观看| 亚洲av电影不卡..在线观看| www.色视频.com| 十八禁国产超污无遮挡网站| 变态另类丝袜制服| av在线亚洲专区| 岛国在线免费视频观看| 99视频精品全部免费 在线| 亚洲av免费高清在线观看| 我的老师免费观看完整版| 欧美xxxx性猛交bbbb| 免费看a级黄色片| 如何舔出高潮| 国产私拍福利视频在线观看| 国产av麻豆久久久久久久| 我要看日韩黄色一级片| 亚洲国产日韩欧美精品在线观看| 国产一区亚洲一区在线观看| 老师上课跳d突然被开到最大视频| 亚洲美女视频黄频| 国产精品久久久久久久久免| av天堂在线播放| 老司机影院成人| av福利片在线观看| 亚洲七黄色美女视频| 久久久欧美国产精品| 亚洲av免费在线观看| 蜜桃久久精品国产亚洲av| 日本与韩国留学比较| 久99久视频精品免费| av.在线天堂| 亚洲精品影视一区二区三区av| 一级二级三级毛片免费看| 可以在线观看毛片的网站| 在线免费观看的www视频| 一卡2卡三卡四卡精品乱码亚洲| 亚洲国产精品sss在线观看| 亚洲欧美日韩高清专用| 国产精品一区二区在线观看99 | 色视频www国产| 男的添女的下面高潮视频| а√天堂www在线а√下载| 国产成人午夜福利电影在线观看| 亚洲熟妇中文字幕五十中出| 亚洲自偷自拍三级| 青春草视频在线免费观看| 综合色av麻豆| 伦理电影大哥的女人| 春色校园在线视频观看| 国产精品久久久久久亚洲av鲁大| 老司机福利观看| 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 | eeuss影院久久| 国产综合懂色| or卡值多少钱| 国产白丝娇喘喷水9色精品| 亚洲精品国产av成人精品| 精品人妻偷拍中文字幕| 女的被弄到高潮叫床怎么办| 美女黄网站色视频| 亚洲人成网站在线观看播放| 两个人视频免费观看高清| 中文亚洲av片在线观看爽| 国产成人aa在线观看| 哪个播放器可以免费观看大片| 精品久久久久久久久久久久久| 国产成人福利小说| 国内精品一区二区在线观看| 国内精品宾馆在线| 黄片无遮挡物在线观看| 亚洲第一电影网av| 色综合站精品国产| 色综合色国产| 久久久色成人| 97人妻精品一区二区三区麻豆| 老师上课跳d突然被开到最大视频| 欧美一区二区国产精品久久精品| 色综合色国产| 亚洲国产精品成人久久小说 | 国产 一区 欧美 日韩| 淫秽高清视频在线观看| 国产精品99久久久久久久久| 观看美女的网站| 久久精品国产亚洲av涩爱 | 免费一级毛片在线播放高清视频| 自拍偷自拍亚洲精品老妇| 日韩 亚洲 欧美在线| 国产爱豆传媒在线观看| 国产老妇伦熟女老妇高清| 日本黄色视频三级网站网址| 最后的刺客免费高清国语| 色综合色国产| 天美传媒精品一区二区| av在线亚洲专区| 美女xxoo啪啪120秒动态图| 18+在线观看网站| 久久久精品94久久精品| 天堂网av新在线| 亚洲精品色激情综合| 国产成人a区在线观看| 99热只有精品国产| av在线老鸭窝| 97超视频在线观看视频| 国产色爽女视频免费观看| 深夜精品福利| 免费观看精品视频网站| 亚洲内射少妇av| 国产精品人妻久久久久久| 淫秽高清视频在线观看| 国产高清不卡午夜福利| 欧美xxxx性猛交bbbb| 亚洲美女视频黄频| 中文字幕av在线有码专区| 乱人视频在线观看| 欧美人与善性xxx| 亚洲av第一区精品v没综合| 九草在线视频观看| 亚洲七黄色美女视频| 特级一级黄色大片| 91久久精品国产一区二区成人| 大香蕉久久网| 一个人免费在线观看电影| 国产精品不卡视频一区二区| 中文字幕熟女人妻在线| 日日摸夜夜添夜夜添av毛片| 乱人视频在线观看| 一个人看视频在线观看www免费| 两个人视频免费观看高清| 三级经典国产精品| 能在线免费看毛片的网站| 国产一级毛片七仙女欲春2| 国产真实乱freesex| 亚洲精品乱码久久久久久按摩| 欧美3d第一页| 波多野结衣高清作品| 日韩,欧美,国产一区二区三区 | 青春草视频在线免费观看| 成人午夜高清在线视频| 22中文网久久字幕| 亚洲国产精品国产精品| 黄色视频,在线免费观看| 国产老妇女一区| 成年免费大片在线观看| 免费不卡的大黄色大毛片视频在线观看 | 人妻系列 视频| 亚洲一级一片aⅴ在线观看| 国产成人一区二区在线| 久久久色成人| 日韩精品有码人妻一区| 中文字幕av在线有码专区| 日韩高清综合在线| 日本与韩国留学比较| 天堂网av新在线| 亚洲aⅴ乱码一区二区在线播放| 中文字幕av成人在线电影| 亚洲国产精品国产精品| 国产精品女同一区二区软件| 色哟哟哟哟哟哟| 精品99又大又爽又粗少妇毛片| 97在线视频观看| 国产老妇女一区| 性欧美人与动物交配| 国产精品人妻久久久影院| 欧美人与善性xxx| 麻豆成人午夜福利视频| 久久婷婷人人爽人人干人人爱| 中国美白少妇内射xxxbb| 亚洲av免费高清在线观看| 少妇丰满av| 少妇的逼水好多| 亚洲欧美清纯卡通| 日韩中字成人| 在线国产一区二区在线| 国产精华一区二区三区| 欧美bdsm另类| 欧美高清成人免费视频www| 久久久久九九精品影院| www日本黄色视频网| 久久久久久久久中文| 日本一二三区视频观看| 欧美bdsm另类| 国产亚洲精品av在线| 精品欧美国产一区二区三| 国产高清激情床上av| 91狼人影院| 国产淫片久久久久久久久| 日韩欧美一区二区三区在线观看| 国产精品99久久久久久久久| 人妻少妇偷人精品九色| 国产精品一及| 少妇熟女aⅴ在线视频| 午夜激情福利司机影院| 美女黄网站色视频| 大香蕉久久网| 亚洲成a人片在线一区二区| 国产亚洲91精品色在线| 欧美最新免费一区二区三区| 成人二区视频|