• <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
    黄网站色视频无遮挡免费观看| 亚洲av成人av| 久久久久久久久久久久大奶| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av成人一区二区三| 嫩草影视91久久| 88av欧美| 亚洲五月婷婷丁香| 日韩欧美在线二视频| 欧美乱码精品一区二区三区| 伊人久久大香线蕉亚洲五| 99热只有精品国产| 日韩高清综合在线| 国产日韩一区二区三区精品不卡| 黑人巨大精品欧美一区二区mp4| 美女大奶头视频| 亚洲人成77777在线视频| 国产av又大| 制服人妻中文乱码| 亚洲五月色婷婷综合| 黄频高清免费视频| 久久中文字幕一级| av网站免费在线观看视频| 亚洲精华国产精华精| 欧美成狂野欧美在线观看| 午夜精品久久久久久毛片777| 一级作爱视频免费观看| 日韩高清综合在线| 欧美色欧美亚洲另类二区 | 成年版毛片免费区| 搞女人的毛片| 欧美精品亚洲一区二区| 日韩中文字幕欧美一区二区| 99久久久亚洲精品蜜臀av| av中文乱码字幕在线| 久久精品aⅴ一区二区三区四区| 长腿黑丝高跟| 香蕉丝袜av| 国产成人影院久久av| 亚洲人成电影免费在线| 成人三级做爰电影| 午夜福利影视在线免费观看| 国产精品香港三级国产av潘金莲| 欧美成人性av电影在线观看| 高清在线国产一区| 久久国产精品影院| 色综合亚洲欧美另类图片| 女性生殖器流出的白浆| 88av欧美| 日本精品一区二区三区蜜桃| 久久久国产成人免费| 人人澡人人妻人| 亚洲熟女毛片儿| 一区二区日韩欧美中文字幕| 久久性视频一级片| 啦啦啦观看免费观看视频高清 | 久久午夜亚洲精品久久| 亚洲欧洲精品一区二区精品久久久| 午夜激情av网站| av欧美777| 亚洲av熟女| 亚洲免费av在线视频| 中文字幕高清在线视频| 国产精品久久久久久亚洲av鲁大| 久久人妻熟女aⅴ| 首页视频小说图片口味搜索| 免费无遮挡裸体视频| 男女下面进入的视频免费午夜 | 欧美在线一区亚洲| 成人三级做爰电影| 激情视频va一区二区三区| 欧美激情 高清一区二区三区| 麻豆av在线久日| 国产精品一区二区在线不卡| 亚洲精品在线美女| 日韩三级视频一区二区三区| 99香蕉大伊视频| 亚洲 欧美一区二区三区| 亚洲成人久久性| 亚洲男人天堂网一区| 在线观看免费日韩欧美大片| 丁香六月欧美| 波多野结衣av一区二区av| 国产亚洲精品久久久久5区| 99久久精品国产亚洲精品| 国产伦一二天堂av在线观看| 最好的美女福利视频网| 亚洲av熟女| 丰满人妻熟妇乱又伦精品不卡| 在线观看66精品国产| 一进一出好大好爽视频| 如日韩欧美国产精品一区二区三区| 亚洲情色 制服丝袜| 色哟哟哟哟哟哟| 国产三级黄色录像| 国产成人欧美在线观看| 欧美成人午夜精品| 国产精品日韩av在线免费观看 | 国产真人三级小视频在线观看| 亚洲黑人精品在线| 丰满人妻熟妇乱又伦精品不卡| 午夜两性在线视频| 琪琪午夜伦伦电影理论片6080| 精品国产一区二区久久| 岛国在线观看网站| 日韩欧美三级三区| 性少妇av在线| 欧美绝顶高潮抽搐喷水| 日韩精品免费视频一区二区三区| 欧美乱妇无乱码| 脱女人内裤的视频| 久久人人精品亚洲av| 香蕉丝袜av| 熟女少妇亚洲综合色aaa.| 午夜激情av网站| 日韩欧美三级三区| 日韩有码中文字幕| 成人国产综合亚洲| 亚洲成av片中文字幕在线观看| 别揉我奶头~嗯~啊~动态视频| 91精品国产国语对白视频| av天堂在线播放| 18禁美女被吸乳视频| 熟女少妇亚洲综合色aaa.| 女同久久另类99精品国产91| 国产三级黄色录像| 午夜福利成人在线免费观看| 变态另类成人亚洲欧美熟女 | 好看av亚洲va欧美ⅴa在| 国产在线观看jvid| 久久精品成人免费网站| 一级毛片高清免费大全| 国产又爽黄色视频| 国产精品久久视频播放| 黄色毛片三级朝国网站| 一区福利在线观看| 给我免费播放毛片高清在线观看| 麻豆一二三区av精品| 国产野战对白在线观看| av超薄肉色丝袜交足视频| 最近最新中文字幕大全电影3 | 日韩成人在线观看一区二区三区| 18禁裸乳无遮挡免费网站照片 | 国产精品乱码一区二三区的特点 | 国产精品野战在线观看| 国产精品久久久av美女十八| 久久精品成人免费网站| 每晚都被弄得嗷嗷叫到高潮| 18禁美女被吸乳视频| 久久久久精品国产欧美久久久| 色哟哟哟哟哟哟| 大陆偷拍与自拍| 国产成人啪精品午夜网站| 日本黄色视频三级网站网址| 欧美日韩亚洲综合一区二区三区_| 精品午夜福利视频在线观看一区| 国产一区二区三区视频了| 琪琪午夜伦伦电影理论片6080| 可以免费在线观看a视频的电影网站| av免费在线观看网站| 国产精品一区二区三区四区久久 | 最新在线观看一区二区三区| 老司机在亚洲福利影院| 国产精品爽爽va在线观看网站 | 中文字幕久久专区| 亚洲片人在线观看| x7x7x7水蜜桃| 国产乱人伦免费视频| 中文字幕人妻丝袜一区二区| www国产在线视频色| 久久香蕉精品热| 国产精品香港三级国产av潘金莲| 午夜福利视频1000在线观看 | av在线天堂中文字幕| 欧美成人免费av一区二区三区| 久热爱精品视频在线9| 国产精品一区二区三区四区久久 | 欧美黄色片欧美黄色片| or卡值多少钱| 色精品久久人妻99蜜桃| 热re99久久国产66热| 99re在线观看精品视频| 丝袜人妻中文字幕| 搡老熟女国产l中国老女人| 啦啦啦免费观看视频1| 久久九九热精品免费| 精品国产国语对白av| 亚洲片人在线观看| 日本vs欧美在线观看视频| 国产精品国产高清国产av| 国产成年人精品一区二区| aaaaa片日本免费| 亚洲专区国产一区二区| 国内毛片毛片毛片毛片毛片| 正在播放国产对白刺激| 99国产极品粉嫩在线观看| 国产亚洲欧美在线一区二区| 久久草成人影院| 夜夜看夜夜爽夜夜摸| 国产精品爽爽va在线观看网站 | 可以在线观看毛片的网站| 丁香欧美五月| 日韩高清综合在线| 亚洲国产日韩欧美精品在线观看 | 亚洲中文av在线| 国产成人欧美在线观看| 亚洲欧美激情在线| 91成年电影在线观看| 亚洲国产精品久久男人天堂| 国产男靠女视频免费网站| 免费看十八禁软件| 亚洲自偷自拍图片 自拍| 人人妻人人爽人人添夜夜欢视频| 午夜久久久在线观看| 久久久久久免费高清国产稀缺| 黄色视频,在线免费观看| av天堂久久9| 亚洲少妇的诱惑av| 国产av又大| 欧美精品啪啪一区二区三区| 黑丝袜美女国产一区| 最新美女视频免费是黄的| 婷婷精品国产亚洲av在线| 99riav亚洲国产免费| 国产精品野战在线观看| 国产高清激情床上av| 青草久久国产| 少妇 在线观看| 国产亚洲欧美在线一区二区| 女警被强在线播放| 一边摸一边抽搐一进一出视频| 久久中文看片网| 69精品国产乱码久久久| 亚洲午夜精品一区,二区,三区| 亚洲成av片中文字幕在线观看| 色综合欧美亚洲国产小说| 丝袜在线中文字幕| 十八禁人妻一区二区| 精品久久久精品久久久| av有码第一页| 级片在线观看| 久久人人精品亚洲av| 给我免费播放毛片高清在线观看| 一级a爱视频在线免费观看| 女性生殖器流出的白浆| 级片在线观看| 日本 av在线| 老司机午夜十八禁免费视频| 每晚都被弄得嗷嗷叫到高潮| 青草久久国产| 国产视频一区二区在线看| 国产精品爽爽va在线观看网站 | 亚洲天堂国产精品一区在线| 在线视频色国产色| 精品无人区乱码1区二区| 在线观看免费视频日本深夜| 99国产精品一区二区蜜桃av| 亚洲专区字幕在线| 露出奶头的视频| 国产精品一区二区免费欧美| 1024香蕉在线观看| 美女扒开内裤让男人捅视频| 久久人人精品亚洲av| 69精品国产乱码久久久| 999久久久精品免费观看国产| 国产高清有码在线观看视频 | 国产区一区二久久| 天天躁夜夜躁狠狠躁躁| 69精品国产乱码久久久| 日本黄色视频三级网站网址| 亚洲精品久久国产高清桃花| 欧美不卡视频在线免费观看 | 欧美日本中文国产一区发布| 欧美大码av| 美女午夜性视频免费| 可以在线观看的亚洲视频| 一边摸一边做爽爽视频免费| 男女之事视频高清在线观看| 香蕉久久夜色| 极品教师在线免费播放| 亚洲av成人一区二区三| 成人亚洲精品一区在线观看| 91精品国产国语对白视频| 精品乱码久久久久久99久播| www.熟女人妻精品国产| 一级a爱片免费观看的视频| 一进一出抽搐动态| 精品国产亚洲在线| 丝袜人妻中文字幕| 久热爱精品视频在线9| 搡老妇女老女人老熟妇| svipshipincom国产片| 老熟妇乱子伦视频在线观看| 亚洲久久久国产精品| 久久久国产成人精品二区| 欧美性长视频在线观看| 在线观看一区二区三区| 一级片免费观看大全| 丝袜美足系列| 久久久久久国产a免费观看| 最新美女视频免费是黄的| 国产在线观看jvid| 极品人妻少妇av视频| 亚洲精品国产区一区二| 久久午夜亚洲精品久久| 侵犯人妻中文字幕一二三四区| 99国产综合亚洲精品| 黄色a级毛片大全视频| 日韩欧美一区视频在线观看| 国产亚洲欧美精品永久| 国产在线观看jvid| 久久久久国产一级毛片高清牌| 日韩精品青青久久久久久| 香蕉国产在线看| 欧美不卡视频在线免费观看 | 久久久水蜜桃国产精品网| 级片在线观看| 国产精品免费一区二区三区在线| 多毛熟女@视频| 97人妻精品一区二区三区麻豆 | www.精华液| 久久国产乱子伦精品免费另类| 人人妻人人澡人人看| 欧美亚洲日本最大视频资源| 18美女黄网站色大片免费观看| 中文字幕精品免费在线观看视频| 大陆偷拍与自拍| 可以在线观看毛片的网站| 国产精品,欧美在线| 免费不卡黄色视频| 亚洲专区中文字幕在线| 91国产中文字幕| 一级黄色大片毛片| 18禁裸乳无遮挡免费网站照片 | 国产高清视频在线播放一区| 午夜精品久久久久久毛片777| 亚洲国产高清在线一区二区三 | 操出白浆在线播放| 老司机靠b影院| 一本久久中文字幕| 亚洲中文字幕日韩| 男人的好看免费观看在线视频 | 欧美乱码精品一区二区三区| 大陆偷拍与自拍| 波多野结衣巨乳人妻| АⅤ资源中文在线天堂| 久久国产精品人妻蜜桃| 18禁国产床啪视频网站| 国产aⅴ精品一区二区三区波| 在线观看一区二区三区| 欧美国产日韩亚洲一区| av视频免费观看在线观看| 色av中文字幕| 国产一区在线观看成人免费| 法律面前人人平等表现在哪些方面| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲第一欧美日韩一区二区三区| 亚洲国产精品999在线| 久久久精品国产亚洲av高清涩受| 久久久久亚洲av毛片大全| 人人妻人人澡人人看| 午夜视频精品福利| 一进一出抽搐动态| 欧美+亚洲+日韩+国产| 亚洲人成电影免费在线| 乱人伦中国视频| 日韩有码中文字幕| 日韩免费av在线播放| 欧美人与性动交α欧美精品济南到| 中文亚洲av片在线观看爽| av网站免费在线观看视频| 9热在线视频观看99| 日本a在线网址| 欧美 亚洲 国产 日韩一| 欧美激情高清一区二区三区| 欧美乱色亚洲激情| 黄频高清免费视频| 又黄又爽又免费观看的视频| 夜夜爽天天搞| 国产精品一区二区精品视频观看| 麻豆av在线久日| 女同久久另类99精品国产91| 在线观看免费日韩欧美大片| 色哟哟哟哟哟哟| 国产欧美日韩一区二区精品| 日本免费一区二区三区高清不卡 | 天天躁狠狠躁夜夜躁狠狠躁| 国产成人欧美在线观看| 亚洲精品久久成人aⅴ小说| 自拍欧美九色日韩亚洲蝌蚪91| 国产野战对白在线观看| 校园春色视频在线观看| 国产不卡一卡二| 欧美中文日本在线观看视频| 男女下面进入的视频免费午夜 | 啦啦啦观看免费观看视频高清 | 久久精品亚洲精品国产色婷小说| 性色av乱码一区二区三区2| 9191精品国产免费久久| 嫩草影院精品99| 国产成+人综合+亚洲专区| 亚洲性夜色夜夜综合| 亚洲av片天天在线观看| 亚洲欧美一区二区三区黑人| 亚洲最大成人中文| 久久久久久久精品吃奶| 亚洲中文字幕日韩| 国产精华一区二区三区| 精品一区二区三区视频在线观看免费| 日韩有码中文字幕| 国产男靠女视频免费网站| 日韩一卡2卡3卡4卡2021年| 天天躁狠狠躁夜夜躁狠狠躁| 成人三级做爰电影| 丰满的人妻完整版| 黄色a级毛片大全视频| 国产精品一区二区三区四区久久 | 91九色精品人成在线观看| 嫩草影院精品99| 9191精品国产免费久久| 中文字幕另类日韩欧美亚洲嫩草| www日本在线高清视频| 日韩av在线大香蕉| 麻豆成人av在线观看| 久久精品成人免费网站| 少妇粗大呻吟视频| 国产精品秋霞免费鲁丝片| 91成人精品电影| 大码成人一级视频| 精品国产一区二区三区四区第35| 亚洲精品国产色婷婷电影| 久久精品国产清高在天天线| 黄色a级毛片大全视频| 成人免费观看视频高清| 韩国av一区二区三区四区| 免费女性裸体啪啪无遮挡网站| 久久久久国产精品人妻aⅴ院| а√天堂www在线а√下载| 亚洲av五月六月丁香网| 午夜精品在线福利| 18禁观看日本| 亚洲免费av在线视频| 男女下面进入的视频免费午夜 | 精品国内亚洲2022精品成人| av有码第一页| 久久精品亚洲熟妇少妇任你| 亚洲av熟女| 老熟妇乱子伦视频在线观看| 国产午夜福利久久久久久| 国产精品久久久久久人妻精品电影| 老司机在亚洲福利影院| 午夜免费激情av| 黄色 视频免费看| 亚洲人成伊人成综合网2020| 亚洲国产精品sss在线观看| 午夜福利成人在线免费观看| 国产精品,欧美在线| 亚洲国产精品成人综合色| 国产精品98久久久久久宅男小说| 欧美色视频一区免费| 18禁观看日本| 亚洲欧美精品综合久久99| 日本 av在线| 日韩欧美国产在线观看| 成人免费观看视频高清| 久久精品亚洲精品国产色婷小说| 亚洲五月天丁香| 免费在线观看影片大全网站| 午夜老司机福利片| 一a级毛片在线观看| 国产精品永久免费网站| 中文字幕人妻丝袜一区二区| 国产亚洲精品一区二区www| 国产伦人伦偷精品视频| 黑人巨大精品欧美一区二区mp4| 亚洲一卡2卡3卡4卡5卡精品中文| 老汉色∧v一级毛片| 美女 人体艺术 gogo| 亚洲国产看品久久| 亚洲avbb在线观看| 亚洲熟妇熟女久久| 精品卡一卡二卡四卡免费| 国内毛片毛片毛片毛片毛片| 在线观看免费视频日本深夜| 一区二区三区精品91| 亚洲全国av大片| 亚洲一区高清亚洲精品| 亚洲国产精品sss在线观看| svipshipincom国产片| 欧美日本中文国产一区发布| 成人永久免费在线观看视频| 日韩大码丰满熟妇| 一进一出抽搐gif免费好疼| 久久久久久亚洲精品国产蜜桃av| 国产av一区二区精品久久| 成人18禁高潮啪啪吃奶动态图| 久久久久久国产a免费观看| 午夜日韩欧美国产| 国产av精品麻豆| 欧美日韩瑟瑟在线播放| 亚洲五月婷婷丁香| 午夜福利高清视频| 精品日产1卡2卡| 国产精品二区激情视频| 亚洲午夜理论影院| 亚洲五月天丁香| ponron亚洲| 国产精品亚洲av一区麻豆| 1024香蕉在线观看| 99国产精品99久久久久| 久久精品国产亚洲av高清一级| 精品国产亚洲在线| 老司机午夜十八禁免费视频| 男女做爰动态图高潮gif福利片 | 国产高清激情床上av| 一级毛片女人18水好多| 久久人妻福利社区极品人妻图片| 精品不卡国产一区二区三区| 很黄的视频免费| 一a级毛片在线观看| 我的亚洲天堂| 亚洲欧美一区二区三区黑人| 中文亚洲av片在线观看爽| 欧美色欧美亚洲另类二区 | 国产精品野战在线观看| 高清黄色对白视频在线免费看| 亚洲成人免费电影在线观看| 亚洲免费av在线视频| 两个人免费观看高清视频| 国产激情欧美一区二区| 免费女性裸体啪啪无遮挡网站| 国产精品免费视频内射| 国内精品久久久久久久电影| 巨乳人妻的诱惑在线观看| 久久人人爽av亚洲精品天堂| 成在线人永久免费视频| 亚洲欧美精品综合一区二区三区| 三级毛片av免费| 亚洲片人在线观看| 免费一级毛片在线播放高清视频 | 亚洲一区二区三区色噜噜| 女人精品久久久久毛片| 日韩欧美一区视频在线观看| 国产激情欧美一区二区| 亚洲国产欧美一区二区综合| 麻豆久久精品国产亚洲av| 欧美成人免费av一区二区三区| 在线免费观看的www视频| 99久久99久久久精品蜜桃| 久久久久久久久久久久大奶| 一区二区三区高清视频在线| 午夜久久久在线观看| 国产精品九九99| 国产精品98久久久久久宅男小说| 无人区码免费观看不卡| 久久天堂一区二区三区四区| 亚洲国产日韩欧美精品在线观看 | 国产在线精品亚洲第一网站| 91av网站免费观看| 国产午夜福利久久久久久| 中出人妻视频一区二区| 男女床上黄色一级片免费看| www日本在线高清视频| 成年人黄色毛片网站| 亚洲国产精品999在线| 国产99久久九九免费精品| 国内毛片毛片毛片毛片毛片| 亚洲精品中文字幕在线视频| 女人被狂操c到高潮| 长腿黑丝高跟| 一边摸一边抽搐一进一出视频| 中文字幕人妻熟女乱码| 久久精品国产亚洲av香蕉五月| 亚洲中文日韩欧美视频| 在线观看午夜福利视频| 嫩草影视91久久| 国产aⅴ精品一区二区三区波| 天天添夜夜摸| 国产一区二区三区视频了| 狂野欧美激情性xxxx| 国产精品一区二区三区四区久久 | 国产99白浆流出| 老司机午夜福利在线观看视频| 天堂√8在线中文| 一边摸一边抽搐一进一出视频| 久久久国产成人免费| 久久精品国产亚洲av香蕉五月| 国产亚洲精品综合一区在线观看 | 免费人成视频x8x8入口观看| 身体一侧抽搐| 亚洲国产精品久久男人天堂| 国产一区二区三区在线臀色熟女| 欧美成人午夜精品| 91麻豆av在线| www.999成人在线观看| 老司机在亚洲福利影院| 人人妻人人澡人人看| 在线免费观看的www视频| 成人永久免费在线观看视频| 波多野结衣一区麻豆| 日韩精品免费视频一区二区三区| 窝窝影院91人妻| 国产成人影院久久av| 国产在线观看jvid| 波多野结衣巨乳人妻| 欧美成人一区二区免费高清观看 | av天堂久久9| 日本免费a在线| 动漫黄色视频在线观看| 精品久久久久久成人av| 亚洲av电影在线进入| 久久久久久免费高清国产稀缺| 中出人妻视频一区二区| 午夜福利免费观看在线| 亚洲欧美激情在线|