• <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DeepFM和XGBoost融合模型的靜脈血栓預測①

    2022-09-20 04:12:10莉,超,
    計算機系統(tǒng)應用 2022年9期
    關(guān)鍵詞:血栓神經(jīng)網(wǎng)絡(luò)樣本

    李 莉, 謝 超, 吳 迪

    (江蘇大學 計算機科學與通信工程學院, 鎮(zhèn)江 212013)

    1 引言

    外周穿刺置入中心靜脈導管(PICC)技術(shù)是一種從周圍靜脈導入且末端位于中心靜脈的深靜脈置管技術(shù), 已經(jīng)廣泛用于中長期靜脈治療手段. 隨著PICC置管技術(shù)的廣泛使用, 其產(chǎn)生的多種并發(fā)癥及不良反應被醫(yī)療工作者所發(fā)現(xiàn), 例如穿刺點出血或感染、穿刺形成靜脈炎癥或血栓、敗血癥和局部感染. Abdullah等人[1]提出PICC相關(guān)性血栓是PICC置管技術(shù)產(chǎn)生的常見且嚴重的并發(fā)癥之一. PICC相關(guān)性血栓多發(fā)生于置管的插入位置[2]以及插入過程由于穿刺、導管直接損傷血管內(nèi)膜或者基于患者自身基礎(chǔ)性疾病影響.因此, 在置管前進行及時的發(fā)現(xiàn)和干預能夠有效預防血栓的形成.

    機器學習方法被廣泛運用于醫(yī)療領(lǐng)域. Nafe等人[3]使用機器學習方法, 建立了一種新型的學習模型rML繪制血栓的風險概率, 根據(jù)風險對患者進行識別和分組, 具有重要的臨床意義. Ryan等人[4]使用梯度增強方法擬合決策樹, 并用XGBoost機器學習方法將多個決策樹結(jié)果進行組合, 從而獲得血栓風險預測概率.Liu等人[5]通過癌癥患者的數(shù)據(jù)收集, 提出了一種基于LASSO回歸的隨機森林方法構(gòu)建了LASSO-RF模型, 用于篩選與血栓形成有關(guān)的高風險因子, 能夠?qū)ICC相關(guān)性血栓進行更精確的評估, 以指導早期預防治療.Sukperm等人[6]使用邏輯回歸、決策樹、前饋神經(jīng)網(wǎng)絡(luò)、支持向量機和隨機森林5種機器學習方法, 對573例患者進行數(shù)據(jù)進行訓練, 通過模型效果對比得出支持向量機具有最佳的模型性能, 能夠進行有效血栓風險預測. 實驗結(jié)果證明, 使用多種機器學習方法構(gòu)建預測模型, 能夠有效地對血栓風險進行評估, 從而輔助臨床醫(yī)學診斷, 對于那些具有高PICC相關(guān)性血栓風險的患者, 提前作出判斷并盡早干預.

    本文提出了一種基于機器學習和深度神經(jīng)網(wǎng)絡(luò)方法的PICC相關(guān)性血栓預測模型, 構(gòu)建了一種基于DeepFM和XGBoost的融合模型, 并使用模型基本評價指標來對模型效果進行驗證. 本融合模型能夠有效地對PICC相關(guān)性靜脈血栓進行風險預測, 指導臨床識別血栓高危風險因素, 提前采取治療或護理措施對高?;颊哌M行藥物或者物理干預, 從而降低患者發(fā)生血栓的概率.

    2 數(shù)據(jù)預處理和模型方法

    2.1 數(shù)據(jù)集來源

    本研究中引入的所有模型均在同一數(shù)據(jù)集上進行驗證. 本數(shù)據(jù)集來自于某臨床醫(yī)學數(shù)據(jù), 每個實例有30個屬性. 包括有原發(fā)腫瘤部位、藥物性質(zhì)、深筋脈血栓史、C反應蛋白濃度等人體實際測量指標. 其中,原發(fā)腫瘤部位包含4個部位, 縱隔上、縱隔下、全身和頭頸部, 由整數(shù)1-4表示; 藥物性質(zhì)包含其他藥物、化療、血管生長抑制劑、表皮生長受體酪氨酸酶抑制劑、激素和內(nèi)分泌, 由整數(shù)0-5表示.

    2.2 數(shù)據(jù)預處理

    該數(shù)據(jù)集具有不完整性和維度差異, 因此針對缺失值數(shù)量對數(shù)據(jù)進行篩選. 將包含大量缺失值的患者數(shù)據(jù)進行剔除, 包含少量缺失特征的數(shù)據(jù)以及異常數(shù)據(jù)進行數(shù)據(jù)填補.

    使用隨機森林的方法, 通過對原有數(shù)據(jù)進行訓練來進行有誤數(shù)據(jù)的填補. 同時進行數(shù)據(jù)無量綱歸一化,能夠?qū)⒉煌烤V的數(shù)據(jù)進行處理, 使每個變量指標具有同等表現(xiàn)力.

    (1)缺失值處理

    本臨床醫(yī)學數(shù)據(jù)集在實際收集構(gòu)建的過程中, 會產(chǎn)生部分特征項遺漏的情況, 因此需要針對缺失特征數(shù)量進行部分刪除或者缺失值填補操作. 本數(shù)據(jù)集具有30維特征, 我們選擇直接刪除缺失特征數(shù)量大于5的實例, 將缺乏少量特征的數(shù)據(jù)實例使用隨機森林的方法進行缺失值填補, 利用隨機森林算法進行缺失值填補的流程如下:

    Step 1. 首先輸入不包含缺失值的PICC相關(guān)性血栓數(shù)據(jù)集作為樣本集S:

    S={(x1,y1),(x2,y2),···,(xM,yM)}

    其中, M為不包含缺失值的樣本數(shù).

    Step 2. 將數(shù)據(jù)劃分為訓練集和測試集, 進行n輪訓練(n ∈{1,2···,M}).

    Step 3. 在訓練的過程中進行n次Bootstrap采樣,得到采樣后的樣本集Sn.

    Step 4. 將第n個隨機采樣樣本集Sn輸入到第n個決策樹模型Gn(x)中. 在訓練決策樹時, 在樣本中選取效果較好的作為決策樹的左右子樹.

    Step 5. 將n輪訓練得到的回歸預測結(jié)果進行算術(shù)平均得到預測輸出.

    (2)無量綱歸一化處理

    本模型是基于DeepFM和XGBoost的融合模型,首先需要將連續(xù)特征按照統(tǒng)一方法縮放至[ 0,1]區(qū)間內(nèi),這樣能夠消除數(shù)據(jù)之間尺度和單位度量的影響, 使得不同量綱之間的數(shù)據(jù)處于同一量級, 加快梯度下降的收斂速度[7], 提高模型學習效率. 數(shù)據(jù)無量綱歸一化處理計算公式如式(1):

    x′和 x 分 別為歸一化前后數(shù)值, xmin和 xmax分別為同一特征最小值和最大值. 部分無量綱化數(shù)據(jù)如表1.

    表1 部分無量綱歸一化數(shù)據(jù)

    3 基于DeepFM和XGBoost的融合模型

    本PICC相關(guān)性血栓臨床醫(yī)學數(shù)據(jù)具有較多特征值為零的情況, 部分特征組合屬于稀疏數(shù)據(jù). 部分包含0的特征數(shù)據(jù)如表2所示.

    表2 部分稀疏數(shù)據(jù)

    針對這種稀疏數(shù)據(jù), 采用基于深度神經(jīng)網(wǎng)絡(luò)的DeepFM模型. DeepFM是一種集成了深度神經(jīng)網(wǎng)絡(luò)和FM模型的方法, 能夠進行稀疏數(shù)據(jù)的特征組合[8],避免過擬合情況. XGBoost模型同為線型分類器, 能夠在目標函數(shù)的定義中添加正則化項[9], 具有較好的稀疏感知能力, 適用于本PICC相關(guān)性血栓臨床醫(yī)學數(shù)據(jù).通過將DeepFM和XGBoost進行模型融合, 不僅能夠?qū)Ρ緮?shù)據(jù)集具有可解釋性, 還能夠具有更好的模型效果, 融合模型能夠保持較高準確性的情況下指導臨床識別血栓高危風險因素, 及時對血栓風險進行干預, 起到輔助診斷作用.

    3.1 DeepFM模型

    DeepFM模型是一種繼承了深度神經(jīng)網(wǎng)絡(luò)和FM模型的方法, 能夠有效地結(jié)合低階和高階的數(shù)據(jù)特征. 通過將同一數(shù)據(jù)分別輸入FM模型和DNN中, 并使用Sigmoid進行組合得到預測輸出.

    其中, yfm(x) 是 FM層的輸出, yDnn是 神經(jīng)網(wǎng)絡(luò)層的輸出.

    FM即因子分解機, 于2010年由Rendle[10]提出,它融合了SVM模型和因子分解法, 能夠?qū)W習到特征之間的相互關(guān)系. 特別是處理稀疏數(shù)據(jù)時, SVM等模型會產(chǎn)生過擬合現(xiàn)象, 此時FM能夠篩選出合適的特征組合. FM模型的思想是基于線性回歸模型[11], 一般的線性模型可表示為:

    而基于FM的特征融合模型在線性模型上考慮到了特征之間的關(guān)聯(lián)性. 以二階度量為例, 此時FM線性模型可表示為:

    其中, n 表示總項數(shù), w0表示偏置參數(shù), wi表示第i項的權(quán)重, xi表 示第i項的值, w′表示第i項與第i+1項之間的關(guān)系進行建模.

    其中, f表示[ 1,k]個 變量參數(shù), Vi,f·Vi+1,f表示系數(shù)矩陣V中第i和第i+1維向量的點積.

    Deep組件是一種深度神經(jīng)網(wǎng)絡(luò), 能夠發(fā)揮深度神經(jīng)網(wǎng)絡(luò)的特性進行高階稀疏數(shù)據(jù)的學習[12].

    嵌入層 e1的結(jié)構(gòu)如圖1所示, 假設(shè)其神經(jīng)元數(shù)目k=3, Vi,f為FM層中潛在的特征向量, 將其作為網(wǎng)絡(luò)訓練權(quán)重, 則每個輸入只有一個神經(jīng)元有效, 其值為1.通過結(jié)合FM層的特征向量 Vi,f作為網(wǎng)絡(luò)權(quán)重輸入至深度神經(jīng)網(wǎng)絡(luò), 實現(xiàn)了一個端到端的模型. 嵌入層的輸出表示為:

    圖1 嵌入層結(jié)構(gòu)

    然后將其輸入到深度神經(jīng)網(wǎng)絡(luò), 可表示為:

    其中, al+1為 下一層的輸出值, σ為激活函數(shù), wl、al和bl分別為層數(shù)為l的權(quán)重、輸出和偏差項. 則最終預測輸出yDnn為:

    3.2 XGBoost模型

    XGBoost是基于梯度下降樹GBDT的機器學習方法, XGBoost是具有回歸樹結(jié)構(gòu)[13], 其決策規(guī)則與決策樹相同, 內(nèi)部節(jié)點代表著預測的貢獻值, 葉子結(jié)點代表著預測分數(shù), 最終的預測結(jié)果是所有樹的預測之和.

    首先定義目標函數(shù) O bj , 目標函數(shù)O bj 由損失函數(shù)和正則項組成.

    其中, Loss 是真實值yi與預測值之間的損失函數(shù),m為樣本數(shù)量, 其計算公式如式(10):

    Ω(fn)是抑制每棵樹復雜度的正則項, 其計算公式如下:

    其中, γ 和λ 為常數(shù)項系數(shù), T 為總?cè)~子結(jié)點的數(shù)目,wj為每個葉子結(jié)點預測的分數(shù), 則最終預測輸出

    其中, xi是 第i次訓練的樣本, fm(xi)是第n棵樹的訓練分數(shù).

    3.3 模型融合

    本PICC血栓預測模型是基于DeepFM和XGBoost的融合模型, 首先構(gòu)建DeepFM模型, 利用模型對線性模型的記憶能力和對深度神經(jīng)網(wǎng)絡(luò)的學習泛化能力的特點對數(shù)據(jù)進行訓練并預測. 在訓練過程中通過優(yōu)化其學習率、神經(jīng)元保留比率等參數(shù)使得模型效果達到最優(yōu); 然后構(gòu)建XGBoost模型, 通過調(diào)整正則化項等參數(shù)優(yōu)化模型效果; 最后進行模型融合, 使用單一模型DeepFM和XGBoost在測試集上進行血栓概率預測得到 Pd和 Px, 將兩個模型預測血栓概率值進行加權(quán)求和獲得融合模型血栓預測概率Pnew.

    其中, Pnew,i為融合模型獲得的第i個測試樣本的血栓預測概率, Pd,i和Px,i表示分別使用DeepFM和XGBoost對第i個測試樣本的血栓預測概率. 結(jié)合判定指標和預先設(shè)定的概率閾值判斷血栓發(fā)生情況.

    其中, Pset為試驗后確定的血栓患病概率閾值.

    使用上述判定指標獲得模型融合后的患者血栓預測情況, 將其與訓練真實值進行對比獲得模型評價指標. 實驗結(jié)果表明, 融合模型相比較DeepFM和XGBoost單一模型在效果上均獲得有效提升.

    4 模型實現(xiàn)流程

    對采集的數(shù)據(jù)集進行預處理, 填補缺失值和統(tǒng)一量綱, 在處理后的數(shù)據(jù)樣本中隨機抽取80%作為訓練集, 20%作為測試集, 分別輸入DeepFM和XGBoost并進行模型融合.

    4.1 模型評價

    融合模型目的是預測PICC相關(guān)性血栓的發(fā)生風險概率. 選取精確率、F1指標和AUC來評價模型效果. 在一個二分類問題中, 如果一個實例是正類, 且被預測為正類, 就是真正類(TP); 如果是負類, 被預測為正類, 為假正類(FP); 如果一個類是真負類被預測成負類, 稱為真負類(TN); 如果一個真正類被預測為負類,稱為假負類(FN).

    精確率(Acc)為預測的正例的總數(shù)和總樣本之比,計算公式為:

    F1是一種綜合評價模型指標, 能夠有效地展示精確率和召回率的情況, 計算公式為:

    ROC針對的是二分類模型[14], 即輸出結(jié)果只有兩類. ROC曲線的 x 軸 和y 軸分別為假正類(FP)的概率和真正類(TP)的概率. AUC是ROC曲線與 x軸圍成的面積[15], 隨機挑選一個正樣本以及一個負樣本, AUC 的值則為分類器判定正樣本的值高于負樣本的概率. 能夠有效地評價模型的預測性能, 其取值范圍一般在[ 0.1,1].

    4.2 模型對比

    將PICC相關(guān)性血栓臨床醫(yī)學數(shù)據(jù)輸入DNN、DeepFM、XGBoost以及其融合模型進行訓練. 經(jīng)過訓練得出DNN、DeepFM、XGBoost以及其融合模型的ROC曲線如圖2-圖5所示.

    圖2 DNN的ROC曲線

    圖3 DeepFM的ROC曲線

    圖4 XGBoost的ROC曲線

    圖5 DeepFM和XGBoost融合模型ROC曲線

    根據(jù)圖2和圖3對比可以看出單一的深度神經(jīng)網(wǎng)絡(luò)DNN在ROC的取值上低于融入深度神經(jīng)網(wǎng)絡(luò)和FM模型方法的DeepFM模型, 因此證明DeepFM模型能夠有效地解決過擬合問題.

    根據(jù)ROC曲線可得, 基于DeepFM和XGBoost的融合模型在利用PICC相關(guān)性血栓臨床醫(yī)學數(shù)據(jù)對血栓進行預測能夠在20%的假陽率下準確預測出83%的PICC相關(guān)性血栓數(shù)據(jù), 能夠為臨床置管前提供有效的輔助診斷.

    基于DeepFM和XGBoost的融合模型得出的重要性特征圖如圖6所示. 重要性特征圖能夠展示與PICC相關(guān)性血栓有關(guān)的特征重要程度[16], 從而輔助臨床醫(yī)護工作者判斷哪些特征對PICC相關(guān)性血栓產(chǎn)生更顯著的影響. 如圖6所示, 其中尖端是否最佳位置、轉(zhuǎn)移部位高危、深靜脈血栓史、急性感染等影響因素為模型所得重要特征, 與醫(yī)學先驗資料相符. 由于影響PICC相關(guān)性血栓的特征較多, 導致臨床醫(yī)護工作者很難從眾多病人數(shù)據(jù)中找到重要的影響因素, 因此可以結(jié)合本融合模型所得的特征重要性, 更加關(guān)注病人重要信息來提前采取預防措施和干預手段, 降低血栓對患者的影響.

    圖6 特征重要性

    根據(jù)實驗結(jié)果和ROC曲線得出模型精確率、F1指標和AUC對比如表4所示.

    表3 模型精確率、F1和AUC指標對比

    從表4可以看出, 針對PICC血栓預測融合模型,其精確率、F1指標和AUC均高于單個機器學習和深度神經(jīng)網(wǎng)絡(luò)模型. 融合模型在精確率上比DeepFM和XGBoost分別高出了1.929%和1.942%, 在F1指標上比DeepFM和XGBoost分別高出了1.941%和5.854%,在AUC上比DeepFM和XGBoost分別高出了3%和5%, 在模型效果上均有顯著提升.

    由上述模型評價指標可知, 基于DeepFM和XGBoost的融合模型相比較單一模型得到了最優(yōu)的效果, 證明模型融合的合理性和有效性, 因此可以使用基于DeepFM和XGBoost的融合模型進行PICC相關(guān)血栓風險的預測與評估, 有利于醫(yī)護人員對血栓高風險患者進行及時干預, 最大化降低患者由于置管血栓所造成的影響.

    5 結(jié)論

    本文是一種基于DeepFM和XGBoost的融合模型, 使用了機器學習和深度神經(jīng)網(wǎng)絡(luò)結(jié)合的方法對外周穿刺置入中心靜脈導管(PICC)置管血栓進行風險預測. 通過從患者入院檢查數(shù)據(jù)中進行選取有效特征,分別輸入DeepFM和XGBoost模型進行訓練, 然后使用模型融合方法對模型效果進行優(yōu)化.

    實驗結(jié)果表明, 基于DeepFM和XGBoost的融合模型在模型評價指標和效果上均優(yōu)于單一模型, 證明了融合模型的可行性. 本PICC血栓預測模型能夠幫助臨床在置管前對患者進行血栓風險預測, 對較大血栓風險的患者提早進行藥物或者物理干預, 最大化減小血栓對患者本身所帶來的影響, 在PICC置管血栓領(lǐng)域具有重要意義.

    猜你喜歡
    血栓神經(jīng)網(wǎng)絡(luò)樣本
    防栓八段操 讓你遠離深靜脈血栓
    中老年保健(2021年8期)2021-12-02 23:55:49
    用樣本估計總體復習點撥
    血栓會自己消除么? 記住一個字,血栓不上身!
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    血栓最容易“栓”住哪些人
    推動醫(yī)改的“直銷樣本”
    隨機微分方程的樣本Lyapunov二次型估計
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    村企共贏的樣本
    復數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應用
    欧美日韩视频精品一区| 成人美女网站在线观看视频| 人妻制服诱惑在线中文字幕| 亚洲精品乱码久久久久久按摩| 欧美日韩精品成人综合77777| 国产男人的电影天堂91| 亚洲国产最新在线播放| 九九爱精品视频在线观看| 亚洲,欧美,日韩| 国产爱豆传媒在线观看| 一级毛片 在线播放| 91精品伊人久久大香线蕉| 国产精品久久久久久精品古装| 国产精品麻豆人妻色哟哟久久| 岛国毛片在线播放| 亚洲欧美成人综合另类久久久| 激情五月婷婷亚洲| 99热全是精品| 中国美白少妇内射xxxbb| 久久热精品热| 大片电影免费在线观看免费| 在线免费十八禁| 亚洲在线观看片| 色5月婷婷丁香| 午夜日本视频在线| 亚洲国产欧美人成| 亚洲欧美一区二区三区国产| av专区在线播放| 身体一侧抽搐| 精品一区在线观看国产| 国产精品国产三级国产专区5o| 天堂网av新在线| 国产黄片美女视频| 日韩制服骚丝袜av| 插阴视频在线观看视频| 在线观看人妻少妇| 日韩欧美一区视频在线观看 | 永久网站在线| 欧美xxⅹ黑人| 国内精品美女久久久久久| 亚洲经典国产精华液单| 欧美日韩综合久久久久久| 99视频精品全部免费 在线| 97人妻精品一区二区三区麻豆| 国产一区二区亚洲精品在线观看| 久久久久国产精品人妻一区二区| 日韩电影二区| 成人毛片60女人毛片免费| 午夜福利在线在线| 日本色播在线视频| 黄片无遮挡物在线观看| 精华霜和精华液先用哪个| 少妇被粗大猛烈的视频| 色播亚洲综合网| 欧美成人精品欧美一级黄| 国产成人一区二区在线| 又大又黄又爽视频免费| 免费观看的影片在线观看| 中文字幕制服av| 内射极品少妇av片p| 日本色播在线视频| 欧美xxxx黑人xx丫x性爽| 成人亚洲精品av一区二区| 久久精品国产亚洲av涩爱| 亚洲精品,欧美精品| 在线观看国产h片| 亚洲欧美日韩另类电影网站 | 秋霞伦理黄片| 欧美精品人与动牲交sv欧美| 听说在线观看完整版免费高清| 国产黄色视频一区二区在线观看| 国产探花在线观看一区二区| 国产高清不卡午夜福利| 亚洲欧美日韩无卡精品| 女人久久www免费人成看片| 亚洲精品一区蜜桃| 久久久欧美国产精品| 久久久久久久久久人人人人人人| 国产精品久久久久久久电影| 亚洲精品自拍成人| 亚洲伊人久久精品综合| 久久影院123| 日韩亚洲欧美综合| 一区二区三区乱码不卡18| 又爽又黄无遮挡网站| 91精品伊人久久大香线蕉| 亚洲精品中文字幕在线视频 | 国产精品国产av在线观看| 一个人看的www免费观看视频| 三级国产精品欧美在线观看| 国产爱豆传媒在线观看| 中国三级夫妇交换| 亚洲av免费高清在线观看| 亚洲丝袜综合中文字幕| 日韩欧美精品v在线| 一级二级三级毛片免费看| 久久99热6这里只有精品| 国产成人一区二区在线| 两个人的视频大全免费| 日韩人妻高清精品专区| 91aial.com中文字幕在线观看| 深夜a级毛片| 亚洲欧洲日产国产| 大片免费播放器 马上看| 国产精品嫩草影院av在线观看| 国产精品嫩草影院av在线观看| 国产中年淑女户外野战色| 国产一级毛片在线| 成年av动漫网址| 一级毛片aaaaaa免费看小| 亚洲色图av天堂| 男人舔奶头视频| 日韩不卡一区二区三区视频在线| 麻豆国产97在线/欧美| 在现免费观看毛片| 久热这里只有精品99| 91久久精品电影网| 亚洲欧美日韩卡通动漫| 老师上课跳d突然被开到最大视频| 最近中文字幕2019免费版| 国产亚洲91精品色在线| 少妇熟女欧美另类| 国产成人精品福利久久| 久久人人爽人人爽人人片va| 极品教师在线视频| 日本黄大片高清| .国产精品久久| 久久热精品热| 天美传媒精品一区二区| av线在线观看网站| 国产老妇女一区| 97人妻精品一区二区三区麻豆| 美女主播在线视频| 精品一区二区免费观看| 亚洲av福利一区| 成人特级av手机在线观看| 亚洲高清免费不卡视频| 欧美丝袜亚洲另类| 精品一区二区三卡| 久久久久久久久久人人人人人人| 啦啦啦在线观看免费高清www| 丝袜脚勾引网站| kizo精华| 3wmmmm亚洲av在线观看| 成年人午夜在线观看视频| 少妇的逼水好多| 国产午夜精品久久久久久一区二区三区| 国产精品女同一区二区软件| 国产成人a区在线观看| 神马国产精品三级电影在线观看| 一区二区三区四区激情视频| 国产亚洲av片在线观看秒播厂| 免费观看在线日韩| 久久综合国产亚洲精品| 久久精品国产鲁丝片午夜精品| 国产熟女欧美一区二区| 精品久久国产蜜桃| 内地一区二区视频在线| 男女边摸边吃奶| 嫩草影院新地址| 97在线人人人人妻| 亚洲av欧美aⅴ国产| 我的女老师完整版在线观看| 少妇裸体淫交视频免费看高清| 美女cb高潮喷水在线观看| 久久久久国产精品人妻一区二区| 成人鲁丝片一二三区免费| 亚洲av不卡在线观看| 大又大粗又爽又黄少妇毛片口| 国产精品.久久久| 三级国产精品欧美在线观看| 中国三级夫妇交换| 六月丁香七月| 亚洲av不卡在线观看| 黄色配什么色好看| 精品人妻偷拍中文字幕| 日韩精品有码人妻一区| 亚洲色图综合在线观看| 97在线视频观看| 国产男人的电影天堂91| 超碰av人人做人人爽久久| 男插女下体视频免费在线播放| 日韩亚洲欧美综合| 男女那种视频在线观看| 成人高潮视频无遮挡免费网站| 国产乱人视频| 日韩三级伦理在线观看| 高清欧美精品videossex| 成人美女网站在线观看视频| 日韩精品有码人妻一区| 久久99热6这里只有精品| av天堂中文字幕网| 狂野欧美激情性xxxx在线观看| 一级av片app| 亚洲国产高清在线一区二区三| 自拍欧美九色日韩亚洲蝌蚪91 | 国产亚洲最大av| 亚洲不卡免费看| 色网站视频免费| 色哟哟·www| 晚上一个人看的免费电影| 天堂中文最新版在线下载 | 国产免费又黄又爽又色| 国产有黄有色有爽视频| 观看美女的网站| 高清毛片免费看| 国内少妇人妻偷人精品xxx网站| 综合色丁香网| 免费少妇av软件| 亚洲欧美精品专区久久| 国产 精品1| 久久久久国产网址| 激情 狠狠 欧美| 国产在线一区二区三区精| 日韩一本色道免费dvd| 国产成人免费无遮挡视频| 一级毛片aaaaaa免费看小| 欧美bdsm另类| 国产精品一区www在线观看| 黄色一级大片看看| 亚洲最大成人av| 久久久久久久久久久丰满| 亚洲激情五月婷婷啪啪| 国产精品熟女久久久久浪| 久久久久久久久久成人| 亚洲国产欧美人成| 狠狠精品人妻久久久久久综合| 亚洲欧美一区二区三区黑人 | 色哟哟·www| 亚洲不卡免费看| 婷婷色麻豆天堂久久| 欧美zozozo另类| 精品一区二区三卡| 日日撸夜夜添| 国产乱来视频区| 内射极品少妇av片p| 亚洲精品久久久久久婷婷小说| 国产精品人妻久久久影院| 69av精品久久久久久| 免费黄网站久久成人精品| 少妇高潮的动态图| 国产精品成人在线| 九色成人免费人妻av| 亚洲国产最新在线播放| 国产成人a区在线观看| 亚洲av日韩在线播放| 欧美激情在线99| 一级毛片aaaaaa免费看小| 草草在线视频免费看| 麻豆成人午夜福利视频| 久久女婷五月综合色啪小说 | 亚洲不卡免费看| 蜜臀久久99精品久久宅男| 亚洲综合精品二区| 免费av不卡在线播放| 久久久久久国产a免费观看| 欧美极品一区二区三区四区| 亚洲av欧美aⅴ国产| 久久午夜福利片| 97超碰精品成人国产| 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 | 老司机影院毛片| 久久人人爽av亚洲精品天堂 | 真实男女啪啪啪动态图| 少妇高潮的动态图| av免费观看日本| 国产精品女同一区二区软件| 另类亚洲欧美激情| 日本猛色少妇xxxxx猛交久久| 精品99又大又爽又粗少妇毛片| 纵有疾风起免费观看全集完整版| 日日摸夜夜添夜夜爱| 97超碰精品成人国产| av又黄又爽大尺度在线免费看| 色视频www国产| 欧美日韩一区二区视频在线观看视频在线 | 校园人妻丝袜中文字幕| 91精品一卡2卡3卡4卡| 精品午夜福利在线看| 亚洲人成网站在线播| 汤姆久久久久久久影院中文字幕| 国产淫片久久久久久久久| 国产精品一区二区在线观看99| 欧美少妇被猛烈插入视频| 亚洲精华国产精华液的使用体验| 国产精品福利在线免费观看| 在线免费观看不下载黄p国产| 欧美区成人在线视频| 最近中文字幕高清免费大全6| 成年女人在线观看亚洲视频 | 可以在线观看毛片的网站| 久久99热这里只有精品18| 99热这里只有是精品在线观看| 亚洲国产高清在线一区二区三| 黄色怎么调成土黄色| 午夜视频国产福利| 欧美国产精品一级二级三级 | 日本黄色片子视频| 男女啪啪激烈高潮av片| 中文乱码字字幕精品一区二区三区| 日本熟妇午夜| 精品一区在线观看国产| 精品视频人人做人人爽| 日韩三级伦理在线观看| 久久久久久久亚洲中文字幕| 中国三级夫妇交换| 亚洲欧美日韩另类电影网站 | 国产视频内射| 伦精品一区二区三区| 国产精品一区二区三区四区免费观看| 亚洲av欧美aⅴ国产| 国产av不卡久久| av.在线天堂| 五月玫瑰六月丁香| 少妇人妻精品综合一区二区| 成人毛片60女人毛片免费| 国产在视频线精品| 日本免费在线观看一区| 欧美日韩国产mv在线观看视频 | 2021天堂中文幕一二区在线观| 男插女下体视频免费在线播放| 国产欧美亚洲国产| 女人十人毛片免费观看3o分钟| 精品久久久久久久人妻蜜臀av| 亚洲综合色惰| 高清毛片免费看| 街头女战士在线观看网站| 六月丁香七月| a级一级毛片免费在线观看| 黄片无遮挡物在线观看| 丰满少妇做爰视频| 欧美成人午夜免费资源| 人体艺术视频欧美日本| 国国产精品蜜臀av免费| 久久久久精品性色| 内射极品少妇av片p| 五月玫瑰六月丁香| 五月天丁香电影| 尾随美女入室| 99久久精品热视频| 国产免费一区二区三区四区乱码| 国产日韩欧美亚洲二区| 国产免费一级a男人的天堂| 男男h啪啪无遮挡| 看免费成人av毛片| 女人十人毛片免费观看3o分钟| 亚洲欧美成人精品一区二区| 欧美性感艳星| av在线亚洲专区| 舔av片在线| 午夜免费观看性视频| 国产亚洲91精品色在线| av专区在线播放| 日韩av免费高清视频| 青春草视频在线免费观看| 大码成人一级视频| 大又大粗又爽又黄少妇毛片口| 高清日韩中文字幕在线| 亚洲人成网站高清观看| 一本色道久久久久久精品综合| 亚洲人成网站在线播| 日韩伦理黄色片| 国产精品蜜桃在线观看| 又大又黄又爽视频免费| 又爽又黄a免费视频| 亚洲伊人久久精品综合| 丝袜喷水一区| 九九久久精品国产亚洲av麻豆| 免费看日本二区| 日产精品乱码卡一卡2卡三| 久久人人爽人人片av| 2022亚洲国产成人精品| 国产乱来视频区| 国产亚洲5aaaaa淫片| 国产视频内射| 亚洲精品久久久久久婷婷小说| 黄色视频在线播放观看不卡| av福利片在线观看| 亚洲国产欧美人成| 亚洲人与动物交配视频| 亚洲精品色激情综合| 听说在线观看完整版免费高清| 久久精品国产亚洲av天美| 我的老师免费观看完整版| 欧美国产精品一级二级三级 | av国产免费在线观看| 久久6这里有精品| 秋霞伦理黄片| 看非洲黑人一级黄片| 国产成人aa在线观看| 伊人久久精品亚洲午夜| 国产欧美另类精品又又久久亚洲欧美| 久久久久国产精品人妻一区二区| 女人久久www免费人成看片| 久久ye,这里只有精品| 99热这里只有是精品50| 亚洲欧美日韩无卡精品| 国产成人aa在线观看| 成人亚洲精品一区在线观看 | 99久久精品热视频| 久久人人爽人人片av| 亚洲欧美一区二区三区黑人 | 五月开心婷婷网| 在线观看国产h片| 大又大粗又爽又黄少妇毛片口| 26uuu在线亚洲综合色| 亚洲国产精品成人久久小说| 伦理电影大哥的女人| 综合色丁香网| 成人欧美大片| 国产精品秋霞免费鲁丝片| 国产黄色视频一区二区在线观看| 欧美人与善性xxx| 一级片'在线观看视频| 日日啪夜夜爽| 美女主播在线视频| 麻豆乱淫一区二区| 99精国产麻豆久久婷婷| 国产高清有码在线观看视频| 欧美变态另类bdsm刘玥| 又粗又硬又长又爽又黄的视频| 97精品久久久久久久久久精品| 国产黄片美女视频| 中国国产av一级| 人妻 亚洲 视频| 免费av毛片视频| 日韩一区二区三区影片| 亚洲经典国产精华液单| 久久久国产一区二区| 国产91av在线免费观看| 亚洲av中文av极速乱| 日韩亚洲欧美综合| 色网站视频免费| 国产免费视频播放在线视频| 国产精品99久久久久久久久| 国产国拍精品亚洲av在线观看| 国产精品国产三级国产专区5o| 欧美精品人与动牲交sv欧美| 欧美3d第一页| eeuss影院久久| av黄色大香蕉| 99久久中文字幕三级久久日本| 男女那种视频在线观看| 国产黄a三级三级三级人| 欧美潮喷喷水| 国产伦精品一区二区三区视频9| 国产精品99久久99久久久不卡 | 99热全是精品| 亚洲经典国产精华液单| 色哟哟·www| 天堂网av新在线| 少妇被粗大猛烈的视频| 亚洲成人一二三区av| 神马国产精品三级电影在线观看| 99久久精品国产国产毛片| 伦理电影大哥的女人| 大片免费播放器 马上看| 欧美xxⅹ黑人| 麻豆乱淫一区二区| 一区二区av电影网| 成人一区二区视频在线观看| 久久ye,这里只有精品| 十八禁网站网址无遮挡 | 男女边吃奶边做爰视频| 精品久久久久久久人妻蜜臀av| 亚洲欧洲国产日韩| 国产久久久一区二区三区| 久久久久精品久久久久真实原创| 国产日韩欧美亚洲二区| 国产成人精品婷婷| 亚洲性久久影院| 久久韩国三级中文字幕| 1000部很黄的大片| 麻豆精品久久久久久蜜桃| 中文欧美无线码| 亚洲精品一区蜜桃| 久久久久久久午夜电影| 亚洲在久久综合| 丰满少妇做爰视频| 亚洲av中文av极速乱| 国产欧美日韩一区二区三区在线 | 男人添女人高潮全过程视频| 国产精品女同一区二区软件| 大陆偷拍与自拍| 亚洲成人久久爱视频| 日本与韩国留学比较| 嘟嘟电影网在线观看| 菩萨蛮人人尽说江南好唐韦庄| 国产一区有黄有色的免费视频| 精品久久国产蜜桃| 九草在线视频观看| 成年人午夜在线观看视频| 亚洲欧美精品专区久久| 老师上课跳d突然被开到最大视频| 国产成人精品婷婷| 国产成人freesex在线| 久久久久九九精品影院| av在线观看视频网站免费| 成年av动漫网址| 国产国拍精品亚洲av在线观看| 日韩在线高清观看一区二区三区| 日本爱情动作片www.在线观看| 国产精品一区二区在线观看99| 日本欧美国产在线视频| 欧美日韩在线观看h| 国产亚洲av片在线观看秒播厂| 国产成人福利小说| 亚洲在久久综合| 春色校园在线视频观看| 中文欧美无线码| 国产综合懂色| 久久精品综合一区二区三区| 亚洲国产日韩一区二区| 色婷婷久久久亚洲欧美| 97人妻精品一区二区三区麻豆| 日日啪夜夜爽| 激情 狠狠 欧美| 在线a可以看的网站| 简卡轻食公司| 又大又黄又爽视频免费| 久热这里只有精品99| 亚洲国产精品成人综合色| 国产午夜福利久久久久久| 99热全是精品| 一级毛片 在线播放| 国产精品不卡视频一区二区| 能在线免费看毛片的网站| 亚洲av国产av综合av卡| 国产日韩欧美亚洲二区| 国产精品女同一区二区软件| 欧美三级亚洲精品| 麻豆精品久久久久久蜜桃| 亚洲av男天堂| 日韩在线高清观看一区二区三区| 国产精品久久久久久av不卡| 中文字幕av成人在线电影| 亚洲美女搞黄在线观看| 亚洲精品国产成人久久av| 国产高清不卡午夜福利| 青春草国产在线视频| 亚洲av.av天堂| 尾随美女入室| 2021少妇久久久久久久久久久| 国产精品国产三级专区第一集| 蜜桃久久精品国产亚洲av| 亚洲av免费在线观看| 波多野结衣巨乳人妻| 亚洲aⅴ乱码一区二区在线播放| 午夜福利在线观看免费完整高清在| 国产精品久久久久久精品电影小说 | 国产白丝娇喘喷水9色精品| 一级毛片我不卡| 寂寞人妻少妇视频99o| 欧美xxxx性猛交bbbb| 亚洲av成人精品一二三区| 波多野结衣巨乳人妻| 少妇猛男粗大的猛烈进出视频 | 天堂俺去俺来也www色官网| 美女国产视频在线观看| 高清视频免费观看一区二区| 国产亚洲av嫩草精品影院| 日本与韩国留学比较| 老师上课跳d突然被开到最大视频| 综合色av麻豆| av天堂中文字幕网| 99热6这里只有精品| 日韩制服骚丝袜av| 国产毛片在线视频| 国产老妇伦熟女老妇高清| 又大又黄又爽视频免费| 欧美高清成人免费视频www| av卡一久久| 久久久午夜欧美精品| tube8黄色片| 免费观看性生交大片5| 91久久精品电影网| 伊人久久国产一区二区| 少妇裸体淫交视频免费看高清| 肉色欧美久久久久久久蜜桃 | www.色视频.com| 日日摸夜夜添夜夜添av毛片| 日本一二三区视频观看| 亚洲自拍偷在线| 成人一区二区视频在线观看| 免费观看无遮挡的男女| 久久久亚洲精品成人影院| 乱码一卡2卡4卡精品| 少妇裸体淫交视频免费看高清| 欧美xxⅹ黑人| 成年av动漫网址| 国产精品精品国产色婷婷| 国产av码专区亚洲av| 欧美成人精品欧美一级黄| 久久精品综合一区二区三区| 黄色日韩在线| 韩国av在线不卡| 国产精品人妻久久久影院| 五月开心婷婷网| 三级国产精品片| 欧美精品国产亚洲| 国产精品.久久久| 国产亚洲一区二区精品| 亚洲内射少妇av| 欧美区成人在线视频| 久久久久精品性色| 日韩欧美精品v在线| 成人亚洲精品av一区二区| 久久精品久久久久久噜噜老黄| 欧美成人午夜免费资源| 久久久成人免费电影| 免费黄频网站在线观看国产| 色视频在线一区二区三区| 国产永久视频网站| 中文在线观看免费www的网站| 国产精品女同一区二区软件|