• <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 ?

    基于學生行為數(shù)據(jù)的學生心理健康狀態(tài)預測

    2022-12-10 10:46:32楊華民底曉強梁鐘予張興旭
    吉林大學學報(信息科學版) 2022年5期
    關鍵詞:慣性全局權重

    楊華民, 于 志, 底曉強, 梁鐘予, 張興旭

    (長春理工大學 a. 計算機科學技術學院; b. 吉林省網(wǎng)絡與信息安全重點實驗室; c. 信息化中心, 長春 130012)

    0 引 言

    近年來, 大學生的心理健康得到了社會各界的普遍關注。然而, 大部分學生對心理障礙的認識較為模糊, 主動就診率較低且存在部分學生隨意填寫心理調查問卷, 導致心理調查問卷不能如實反映學生的心理健康狀態(tài)[1]。因此如何高效準確地發(fā)現(xiàn)存在心理健康問題的學生并進行及時干預與疏導是非常必要的。隨著高校信息化的發(fā)展, 學生在校內的行為逐漸被數(shù)據(jù)化, 保存在數(shù)據(jù)庫中, 這為排查有心理健康問題的學生提供了數(shù)據(jù)基礎?;谛@大數(shù)據(jù)的學生心理健康預測可避免傳統(tǒng)方法的抽樣誤差、 環(huán)境約束導致的數(shù)據(jù)采集偏差等問題, 還可大幅提高效率, 降低成本, 并從多維度、 多視角展現(xiàn)學生的行為屬性與個性特征, 實現(xiàn)評價的公正性、 效率性以及真實性。

    筆者利用某校學生日常行為數(shù)據(jù)以及學生開學一個月后測評的《大學生人格問卷UPI》(以下簡稱問卷)結果數(shù)據(jù), 分析學生日常行為與心理健康狀態(tài)的關系, 其中學生日常行為數(shù)據(jù)包括學生消費和上網(wǎng)數(shù)據(jù), 提取時間范圍為學生開學至學生進行心理測評期間, 學生心理測評問卷結果數(shù)據(jù)包括心理狀態(tài)正常和異常兩種結果。

    目前有關心理健康的研究主要關注兩個方面, 一個是心理問題的文本分析與治療, 另一個是關注心理健康的影響因素分析及預測。針對第1方面的研究, Chen等[2]收集了精神分裂癥群體、 抑郁癥群體以及心理健康群體等299人的語音數(shù)據(jù), 并基于該數(shù)據(jù)集提出了一種基于嵌入式混合特征堆疊稀疏自編碼器集成的心理健康語音識別算法, 實驗結果表明該算法可根據(jù)患者語音準確地對不同心理狀態(tài)的群體進行分類; Ahmed等[3]基于心理患者的文本描述提出了一種基于可解釋注意力網(wǎng)絡的深度自適應聚類模型, 實驗結果表明該方法有助于標記文本并提高對精神障礙癥狀的識別率; Li[4]基于人工智能在線技術設計了心理健康教育系統(tǒng), 可方便快捷地根據(jù)心理患者的文本描述信息查詢日常心理問題, 并且提供智能在線心理咨詢, 以幫助患者克服心理問題。

    針對第2方面的研究, Chen等[5]基于認知計算, 結合來自中國和美國不同地區(qū)學生的癥狀自評估量表(SCL_90), 社會評級規(guī)模和健康認知問卷(HCQ-127)測試數(shù)據(jù)分析心理健康的影響因素, 研究表明發(fā)達地區(qū)的學生更容易產生心理問題。Zhou[6]采用1 264名中國貴州大學新生的癥狀自評估量表(SCL_90)數(shù)據(jù), 使用決策樹C4.5算法對大學新生心理健康狀況進行分類, 分類結果表明, 軀體化和敵意是影響學生心理健康的重要因素。Liu等[7]基于學生心理、 個人基本信息和社會經(jīng)濟等數(shù)據(jù)應用BP(Back Propagation)神經(jīng)網(wǎng)絡預測學生的心理問題, 實驗結果表明該方法的預測精度較高, 可有效預測學生的心理問題。

    然而, 這些研究都未考慮行為與心理健康的關系。但校園大數(shù)據(jù)為心理學研究提供了新的契機, 隨著高校信息化的建設發(fā)展, 學生的日常行為數(shù)據(jù)都以記錄的形式逐條保存在學校信息化部門的數(shù)據(jù)庫中, 基于這些日常行為數(shù)據(jù), 并利用相關機器學習和深度學習方法, 可以實現(xiàn)心理學的預測和干預。筆者基于學生行為和學生心理測評結果數(shù)據(jù), 首先使用自定義公式法進行相關學生行為特征提取, 然后應用Jenks Natural Breaks算法對所提取的特征數(shù)據(jù)進行標簽化, 并應用Apriori算法分析學生行為特征與學生心理健康狀態(tài)的關系, 最后基于特征分析結果利用所提出的PDNN(Particle Difference Neural Network)神經(jīng)網(wǎng)絡模型預測學生的心理健康狀態(tài)。

    1 多維度學生行為特征提取及特征關聯(lián)分析

    筆者使用學生一卡通中的消費數(shù)據(jù)、 網(wǎng)管系統(tǒng)中的上網(wǎng)數(shù)據(jù)等學生日常行為數(shù)據(jù)進行研究。其中消費數(shù)據(jù)包括學號、 商家賬戶、 消費時間、 消費地點、 賬戶余額以及消費金額等信息; 上網(wǎng)數(shù)據(jù)包括學號、 登錄和登出時間、 總流量以及上網(wǎng)時長等信息。所用的學生行為數(shù)據(jù)集的基本統(tǒng)計信息如表1所示。

    表1 學生行為數(shù)據(jù)集的基本統(tǒng)計信息

    1.1 多維度學生行為特征提取

    1.1.1 學生消費特征提取

    消費行為是學生日常行為的重要組成部分, 學生的心理健康狀態(tài)可能會影響其在校的消費行為[8], 因此筆者對學生的消費數(shù)據(jù)進行特征提取以探究其與學生心理健康狀態(tài)的關系。

    1) 飲食規(guī)律性。在探究飲食規(guī)律性時, 將每日3餐按30 min的間隔劃分時間區(qū)間, 統(tǒng)計學生在每個時間區(qū)間內的消費次數(shù), 利用信息熵的計算公式, 得到學生的飲食規(guī)律性。每日3餐開放和關閉時間經(jīng)詢問食堂窗口相關人員, 劃分結果如表2所示。

    表2 3餐的時間區(qū)間劃分

    學生飲食規(guī)律性計算公式為

    (1)

    其中D為學生在食堂進餐使用校園卡付款的天數(shù),Td為統(tǒng)計的總天數(shù),pi為學生在各個時間區(qū)間的消費頻率,n為所劃分的時間區(qū)間數(shù)量。

    2) 勤奮性。筆者將學生每天第1次校園卡消費記錄作為他們的第1項日?;顒印S捎谑程玫挠貌拖M占所有消費記錄的絕大部分, 因此計算了每個學生每天第1次用餐刷卡的時間, 然后將其作為衡量學生勤奮水平的標準。從而改變原始日期時間格式將其轉換為Unix時間戳。因此, 學生勤奮性SDG的計算方法為

    (2)

    其中T為學生刷卡消費的總天數(shù),tj為學生在第j天第1次用餐刷卡的時間。

    3) 共餐人數(shù)。假設如果兩名同學在同一班級, 吃飯時在同一樓層食堂窗口刷卡消費且刷卡間隔時間小于120 s, 則視為在一起吃飯。筆者統(tǒng)計了每個學院在各校區(qū)每個食堂窗口的學生共餐人數(shù)情況, 為防止部分同學通過手機支付、 定外賣或去外面吃飯對實驗結果造成的影響, 將一個月內在食堂刷卡消費次數(shù)低于30條記錄的同學移除, 之后將每個食堂窗口得到的統(tǒng)計結果根據(jù)學生學號對應相加, 進而得到最終的結果。其中在一個食堂窗口所有學生與其同班同學一起進餐的人數(shù)統(tǒng)計流程如下。

    算法1 學生共餐人數(shù)計算流程。

    輸入: 學生消費數(shù)據(jù)集C, 食堂窗口編號N和與N對應的該層的食堂窗口編號列表Nlist。

    輸出: 所有學生與其同班同學在該食堂窗口一起進餐的人數(shù)列表。

    1) 根據(jù)學生消費數(shù)據(jù)集C獲取班級列表major_class;

    2) 循環(huán)遍歷班級列表獲取一個班級的同學stu_major, 并根據(jù)消費日期得到該班同學的消費月份month;

    3) 循環(huán)遍歷month列表, 獲取該班學生在某個月份的消費記錄stu_month;

    4) 循環(huán)遍歷stu_month獲取一個學生在當前月份的消費記錄stu_one;

    5) 判斷stu_one長度是否大于等于30, 如果大于等于30, 循環(huán)遍歷stu_one, 得到食堂窗口編號等于N的消費數(shù)據(jù), 轉換其消費時間為Unix時間戳, 存入timestmp_1列表;

    6) 獲取除了該生以外的該班其他學生在與食堂窗口N所對應的該層食堂窗口Nlist的消費數(shù)據(jù)集, 將所獲取到的消費數(shù)據(jù)集中的時間轉化為戳列表timestmp_2;

    7) 循環(huán)遍歷timestmp_1列表和timestmp_2列表, 如果timestmp_1中的時間戳與timestmp_2中的時間戳相差小于等于120, 則計數(shù)器count加1;

    8) 將count存入學生與其同班同學在食堂窗口N一起進餐的人數(shù)列表consume_num, 并將count置0, 轉至步驟3), 直至所有循環(huán)執(zhí)行完成。

    1.1.2 學生上網(wǎng)特征提取

    研究表明, 學生的心理健康狀態(tài)與網(wǎng)絡成癮水平具有一定的相關性[9], 因此提取學生上網(wǎng)的相關特征以探究學生心理健康狀態(tài)與其上網(wǎng)習慣的關系。

    1) 工作日及周末平均上網(wǎng)時長。考慮到學生在工作日和周末的上網(wǎng)習慣不同, 因此將工作日和周末區(qū)分開提取學生的上網(wǎng)特征。學生每次的上網(wǎng)時長可由學生上網(wǎng)記錄數(shù)據(jù)集獲得, 學生工作日或周末平均上網(wǎng)時長

    (3)

    其中T為學生在工作日或者周末上網(wǎng)次數(shù),Ii為學生每次上網(wǎng)花費時間,Td為統(tǒng)計天數(shù)。

    2) 工作日及周末平均上網(wǎng)最晚下線時間。學生工作日或周末平均上網(wǎng)最晚下線時間指學生在工作日或周末最后一次登出校園網(wǎng)系統(tǒng)的時間平均值, 如果該日學生零點之前還未下線則將第2天最早下線時間作為當天最晚下線時間。將學生登出校園網(wǎng)的時間轉換為Unix時間戳的形式, 學生工作日或周末平均上網(wǎng)最晚下線時間

    (4)

    其中M為統(tǒng)計天數(shù),Li為學生在工作日或周末每天最后一次登出校園網(wǎng)系統(tǒng)的Unix時間戳。

    3) 工作日及周末日均使用流量數(shù)。學生工作日或周末日均使用的流量數(shù)的計算公式為

    (5)

    其流量單位為MByte。其中n為使用流量的總次數(shù),Fi為每次使用流量所消耗的流量數(shù),d為使用校園網(wǎng)流量的天數(shù)。

    1.2 特征關聯(lián)分析

    為探究心理健康與心理異常學生群體在相關行為上的差異, 首先應用Jenks Natural Breaks算法對上述提取的特征數(shù)據(jù)進行標簽化。Jenks Natural Breaks 算法又稱為自然間斷點分級法, 核心思想與聚類一樣: 使每組內部的相似性最大, 而外部組與組之間的相異性最大[10], 然后應用Apriori算法分別挖掘心理健康和心理異常學生群體的行為特征標簽化數(shù)據(jù)集, 并設置最小支持度閾值為0.5, 最小置信度閾值為0.5, 所得強關聯(lián)規(guī)則如表3所示。

    表3 Apriori算法產生的強關聯(lián)規(guī)則

    由表3可知, 心理異常學生群體通常呈現(xiàn)飲食較不規(guī)律、 較不勤奮、 共餐人數(shù)較少、 上網(wǎng)時長較長且使用流量數(shù)較多、 工作日上網(wǎng)下線時間較晚的特點; 而心理正常學生群體通常呈現(xiàn)飲食較為規(guī)律、 較為勤奮的特點。

    2 PDNN模型的構建

    BP神經(jīng)網(wǎng)絡的性能很大程度上取決于BP神經(jīng)網(wǎng)絡的層間權重, 如果初始化層間權重出現(xiàn)偏差, 網(wǎng)絡則會出現(xiàn)易陷入局部極小值以及收斂速度慢等問題。因此, 為解決神經(jīng)網(wǎng)絡層間權重選取不精準的問題, 筆者基于改進的粒子群優(yōu)化算法, 構建了PDNN(Particle Difference Neural Network)神經(jīng)網(wǎng)絡模型, 以此動態(tài)選取BP神經(jīng)網(wǎng)絡的層間權重, 進而根據(jù)學生行為實現(xiàn)對學生心理健康狀態(tài)的預測。以兩層隱藏層, 每層結點數(shù)都為5的BPNN(Back Propagation Neural Network)模型為例, 給出PDNN模型的總體結構如圖1所示。其中w1、w2和w3為輸入層與隱藏層1、 隱藏層1與隱藏層2、 隱藏層2與輸出層之間的權值矩陣, 該權值矩陣應用改進的粒子群優(yōu)化算法動態(tài)獲取。對應于圖1中PDNN模型的每個粒子構造如圖2所示。

    圖1 PDNN模型結構 圖2 粒子基本結構 Fig.1 PDNN model structure Fig.2 Basic structure of particles

    2.1 粒子群優(yōu)化算法

    粒子群優(yōu)化(PSO: Particle Swarm Optimization)算法源于人類對鳥類捕食行為的研究[11], 該算法基于從環(huán)境中獲得的適應度信息, 通過粒子群迭代尋找問題的最優(yōu)解, 粒子在迭代過程中利用局部最優(yōu)解與全局最優(yōu)解調整迭代速度與粒子位置, 以更新粒子群[12]。目前粒子群優(yōu)化算法已被廣泛應用于求解如路徑規(guī)劃、 優(yōu)化調度、 參數(shù)辨識、 圖像分割等實際優(yōu)化問題[13]。

    假設一組粒子在d維搜索空間中以一定的速度飛行, 則粒子i的當前位置為Xi=(xi1,xi2,…,xid), 當前速度為Vi=(vi1,vi2,…,vid)。粒子i所經(jīng)歷過的最優(yōu)位置為Pi_best=(Pi_best1,Pi_best2,…,Pi_bestd), 整個粒子群搜索到的最優(yōu)位置為Gbest=(Gbest1,Gbest2,…,Gbestd)。因此粒子i的速度與位置更新公式為

    (6)

    (7)

    其中w為慣性權重,Vi為當前粒子速度,c1為認知系數(shù),c2為社會系數(shù),r1和r2均為[0,1]之間的隨機數(shù),t為當前迭代次數(shù)。

    2.2 改進的粒子群優(yōu)化算法

    2.2.1 慣性權重的改進

    在粒子進行搜索過程中, 較大的慣性權重有利于對整個搜索空間進行探索, 并增加群體多樣性, 而較小的慣性權重則會提升種群的局部開發(fā)能力。因此, 慣性權重是平衡粒子群局部搜索和全局搜索的關鍵因素, 慣性權重的選取對算法的優(yōu)化效果具有一定的影響[14]。筆者結合慣性權重線性遞減和慣性權重非線性遞減方法[15], 提出了動態(tài)慣性權重, 其公式為

    (8)

    其中wmax為慣性權重的最大值,wmin為慣性權重的最小值,t為當前迭代次數(shù),T為最大迭代次數(shù), rand為產生隨機數(shù)函數(shù)。

    圖3給出了線性慣性權重、 非線性慣性權重以及動態(tài)慣性權重隨迭代次數(shù)的變化圖像, 其中線性慣性權重和非線性慣性權重的公式為

    (9)

    (10)

    圖3 不同的慣性權重對比Fig.3 Comparison of different inertia weights

    如圖3所示, 對線性慣性權重, 當開始迭代時, 線性慣性權重值較大, 粒子的速度也較大, 此時粒子具有較好的全局搜索能力。隨著迭代次數(shù)的增加, 線性慣性權重的值越來越小, 粒子的速度也越來越小, 此時粒子具有較好的局部搜索能力, 但由于斜率恒定, 所以速度的改變總是相同的。如果迭代初期沒有產生較好的初始值, 則隨著迭代次數(shù)的增加以及速度的迅速衰減最后很可能導致粒子陷入局部最優(yōu)解。對非線性慣性權重, 雖然其斜率相比于線性慣性權重下降較慢且斜率不斷改變。但隨著迭代次數(shù)的增加, 其慣性權重始終維持在一個較高水平, 不利于粒子的局部搜索。雖然在迭代后期慣性權重有所降低, 但仍難以找到全局最優(yōu)解。對動態(tài)慣性權重, 在迭代初期, 慣性權重取得較大的值并隨著迭代次數(shù)的增加逐漸下降, 有利于粒子對整個搜索空間進行探索。在迭代后期, 慣性權重快速減小, 有利于增強粒子的局部搜索能力。此外, 動態(tài)慣性權重隨著迭代次數(shù)的增加不斷發(fā)生改變, 可有效避免線性慣性權重或非線性慣性權重隨著迭代次數(shù)增加容易陷入局部最優(yōu)解或難以找到全局最優(yōu)解的情況。綜上所述, 筆者提出的動態(tài)慣性權重可以平衡粒子的全局搜索與局部搜索, 并且其權重隨著迭代次數(shù)的增加而交替改變, 滿足粒子在搜索過程中的復雜性以及快速收斂性。

    2.2.2 劣勢粒子的識別

    劣勢粒子是造成整個粒子群無法獲取全局最優(yōu)解的主要原因, 識別劣勢粒子并對劣勢粒子進行處理使其跳出局部最優(yōu)解, 可以有效優(yōu)化種群的尋優(yōu)。結合全局最優(yōu)粒子位置和個體歷史最優(yōu)粒子位置, 引入pinf參數(shù)對劣勢粒子進行識別,pinf的定義為

    (11)

    其中ba(i)為粒子a在第i次迭代下的歷史最優(yōu)位置,g(i)為粒子群在第i次迭代下的全局最優(yōu)位置,f為適應度函數(shù)。如果pinf<10-4, 則表示該粒子陷入了局部最優(yōu)解, 識別其為劣勢粒子; 如果pinf>104, 則表示全局最優(yōu)解暫無更新, 若pinf=NAN, 則表示整個種群陷入了局部最優(yōu)解, 對以上兩種情況, 則識別整個種群的粒子為劣勢粒子, 對整個種群的粒子進行變異處理。

    2.2.3 劣勢粒子的變異

    受差分進化算法[16]的思想啟發(fā), 對識別出的劣勢粒子進行變異。粒子的變異公式為

    XVi,g=Xr1,g+F(Xr2,g-Xr3,g)

    (12)

    在粒子變異過程中, 隨機選取當前迭代次數(shù)下的3個不同的粒子, 通過變異公式, 得到新的變異粒子, 以幫助劣勢粒子跳出局部最優(yōu)解, 繼續(xù)尋優(yōu)。其中Xr1,g、Xr2,g和Xr3,g為當前迭代次數(shù)下的3個隨機粒子,F為變異率。

    2.2.4 粒子的選擇

    在對劣勢粒子進行變異后, 計算原粒子和變異后粒子的適應度函數(shù)值, 如果變異后的粒子的適應度函數(shù)值小于原粒子的適應度函數(shù)值, 則將變異后的粒子放入到下一代粒子種群中。否則將原粒子放入到下一代粒子種群中, 并更新粒子的個體歷史最優(yōu)值和最優(yōu)位置, 粒子群的全局最優(yōu)值和最優(yōu)位置。

    2.2.5 螢火蟲擾動策略

    受螢火蟲算法[17]啟發(fā), 假設全局最優(yōu)解為最亮的螢火蟲, 其他的粒子為較暗的螢火蟲, 根據(jù)螢火蟲算法思想, 較暗的螢火蟲會朝著較亮的螢火蟲移動。因此整個螢火蟲種群都會朝著最亮的螢火蟲移動, 使粒子群逐漸向全局最優(yōu)解方向靠攏。而全局最優(yōu)解根據(jù)劣勢粒子的識別變異以及選擇策略不斷更新優(yōu)化, 進而使整個粒子群向優(yōu)化問題的最終全局最優(yōu)解收斂, 加速粒子尋優(yōu)。其粒子群位置更新如下

    (13)

    (14)

    2.3 PDNN模型

    該模型的構建過程如下。

    1) 根據(jù)數(shù)據(jù)集的特征數(shù)目確定神經(jīng)網(wǎng)絡的拓撲結構, 搭建神經(jīng)網(wǎng)絡模型。

    2) 初始化改進的粒子群優(yōu)化算法的最大迭代次數(shù)max_iter、 當前迭代次數(shù)i=1、 粒子變異率F、 粒子總數(shù)和粒子結構,并設定粒子速度范圍和位置范圍。

    3) 初始化粒子的歷史最優(yōu)位置, 應用BP神經(jīng)網(wǎng)絡的損失函數(shù)作為適應度函數(shù)初始化粒子歷史最優(yōu)值, 利用粒子群的最小歷史最優(yōu)值初始化粒子的全局最優(yōu)值, 使用粒子群的最小歷史最優(yōu)值對應的粒子位置初始化粒子群的全局最優(yōu)位置。

    4) 根據(jù)式(11)識別劣勢粒子, 如果滿足pinf>104、pinf<10-4或pinf=NAN條件則根據(jù)式(12)對劣勢粒子進行變異處理, 幫助其擺脫劣勢, 繼續(xù)尋優(yōu)。

    5) 根據(jù)式(6)~式(8)更新粒子速度與位置。

    6) 根據(jù)適應度函數(shù)值對原粒子和變異后的粒子進行選擇。

    7) 根據(jù)式(13)和式(14)加速粒子群向全局最優(yōu)解收斂。

    8) 更新粒子歷史最優(yōu)值與歷史最優(yōu)位置、 更新粒子全局最優(yōu)值和全局最優(yōu)位置, 迭代次數(shù)i=i+1。

    9) 若i≥max_iter, 則轉至步驟10); 否則, 轉至步驟4)。

    10) 得到全局最優(yōu)位置, 封裝BP神經(jīng)網(wǎng)絡的權值矩陣, 應用該權值訓練BP神經(jīng)網(wǎng)絡, PDNN模型構建完成。

    3 實驗方案與實驗結果

    3.1 實驗方案

    筆者選取特征關聯(lián)分析得到的強關聯(lián)規(guī)則特征數(shù)據(jù)進行實驗, 選擇70%的數(shù)據(jù)用于訓練模型, 30%的數(shù)據(jù)用于測試模型, 實驗評價指標采用加權平均, 權重為每個類別樣本數(shù)量在總樣本中的占比。在改進的粒子群優(yōu)化算法中設置粒子數(shù)量為5, 粒子群的最大迭代次數(shù)max_iter設為50, 慣性權重的最大值為0.9、 最小值為0.4, 粒子的變異率為0.6, 基于Eberhart的理論[18], 將認知系數(shù)c1和社會系數(shù)c2設為區(qū)間[1.494 45, 2]中的隨機數(shù), 粒子的速度范圍設為-3≤v≤3, 粒子的位置范圍設為-1≤p≤1, 粒子速度和位置的初始值均為[0,1]區(qū)間內的隨機數(shù)。為避免不同特征數(shù)據(jù)的數(shù)據(jù)范圍不一致對模型性能的影響, 在實驗前需要對特征數(shù)據(jù)進行標準化, 選取最大最小標準化方法對特征數(shù)據(jù)進行標準化, 使每個特征數(shù)據(jù)的范圍均落在[0,1]區(qū)間內。最大最小標準化方法為

    (15)

    3.2 實驗評測指標

    實驗評測指標采用準確率(a)、 精確率(p)、 召回率(r)以及F1分數(shù)(F1), 其表達式為

    (16)

    (17)

    (18)

    (19)

    其中TP為預測值為正, 實際值也為正的樣本數(shù)量;FP為預測值為正, 實際值為負的樣本數(shù)量;FN為預測值為負, 實際值為正的樣本數(shù)量;TN為預測值為負, 實際值也為負的樣本數(shù)量。

    3.3 實驗結果

    為避免模型對數(shù)據(jù)集劃分的依賴性, 每次實驗選擇不同的測試集和訓練集。具體過程, 將數(shù)據(jù)集按從前到后的順序平均劃分為10份, 假設每份的標號分別為1、2、3、…、9、10, 則第1次實驗將選取1~7份作為訓練集, 其余作為測試集。第2次實驗將選取2~8份作為訓練集, 其余作為測試集。以此類推, 直到取完第10次劃分為止, 然后取每個評價指標的平均值。實驗選用的對比模型為: Nave Bayes、 SVM(Support Vector Machines)、 邏輯回歸(LR: Logistic Regression)、 BPNN(Back Propagation Neural Network), 各模型的實驗結果如表4所示。

    表4 各模型實驗結果

    如表4所示, 筆者提出的PDNN模型在4個評價指標中均取得了最優(yōu)結果, 并且其預測學生心理健康狀態(tài)的準確率為86%、 F1分數(shù)為0.86, 而LR模型的效果最差, 其準確率為82%, F1分數(shù)為0.82。

    此外, 在模型訓練過程中筆者還對比了GA-BPNN(Genetic Algorithm Back Propagation Neural Network)、 IPSONN(Improved Particle Swarm Optimization Neural Network)、 ABC-BPNN(Artificial Bee Colony Back Propagation Neural Network)、 BPNN和PDNN模型隨著迭代次數(shù)的增加損失函數(shù)值的變化。如圖4所示, 從圖4中可以發(fā)現(xiàn), 在模型訓練過程中BP神經(jīng)網(wǎng)絡的損失函數(shù)值大于其他模型, 因為智能算法已根據(jù)BP神經(jīng)網(wǎng)絡的損失函數(shù)值對其進行尋優(yōu), 將尋優(yōu)得到的權值賦給BP神經(jīng)網(wǎng)絡模型進行訓練, 因此經(jīng)過智能算法優(yōu)化得到的損失函數(shù)值小于按BP神經(jīng)網(wǎng)絡權重初始值得到的損失函數(shù)值。同時, 從圖4中還可以發(fā)現(xiàn), 在模型訓練過程中筆者提出的PDNN模型相比于其他模型其損失函數(shù)值一直保持最低的狀態(tài), 說明提出的改進粒子群優(yōu)化算法得到的BP神經(jīng)網(wǎng)絡的層間權重可以較好擬合數(shù)據(jù), 表明該模型學習能力和泛化能力較強, 可快速收斂并保持著較優(yōu)的結果。最后, 基于上述對數(shù)據(jù)集的劃分方法, 筆者還對比了GA-BPNN、IPSONN、ABC-BPNN、PDNN模型在各評價指標上的實驗結果, 如圖5所示。從圖5中可以發(fā)現(xiàn), 筆者提出的PDNN模型相較于其他智能算法優(yōu)化后的神經(jīng)網(wǎng)絡模型, 其效果仍是最優(yōu)的, 在accuracy、precision、recall以及F1-score等4個評價指標上均取得了最優(yōu)的結果, 其值分別為86%、87%、86%和0.86, 表明PDNN模型可以根據(jù)學生的日常行為更加有效地預測學生的心理健康狀態(tài), 以幫助學校及時發(fā)現(xiàn)有心理問題的學生, 并進行相關的干預與疏導, 使其重新回到正常的生活和學習, 具有一定的現(xiàn)實意義。

    圖4 各模型隨著迭代次數(shù)增加損失函數(shù)值的變化圖像 圖5 各智能優(yōu)化算法的模型實驗結果對比 Fig.4 Change image of loss function value of each model with the increase of iteration times Fig.5 Comparison of model experiment results of various intelligent optimization algorithms

    4 結 語

    筆者基于學生的日常行為數(shù)據(jù)預測學生的心理健康狀態(tài)。首先, 應用自定義公式法進行相關特征提??; 然后應用Jenks Natural Breaks算法和Apriori算法進行特征分類和挖掘, 特征關聯(lián)分析結果表明, 學生飲食規(guī)律性、 勤奮性、 共餐人數(shù)、 上網(wǎng)習慣與學生的心理健康狀態(tài)具有一定的相關性; 最后, 基于改進的粒子群優(yōu)化算法, 構建了PDNN神經(jīng)網(wǎng)絡模型, 用于預測學生的心理健康狀態(tài)。實驗結果表明, 筆者提出的PDNN神經(jīng)網(wǎng)絡模型相比于其他傳統(tǒng)機器學習和相關深度學習模型其準確率較高性能較好并且模型可快速收斂, 更加準確有效地預測學生的心理健康狀態(tài), 以幫助學校及時發(fā)現(xiàn)心理問題學生并進行相關的干預與疏導。

    未來將進一步探究學生成績以及學生靜態(tài)特征, 如學生民族、 年齡、 來源省份、 性別等與學生心理健康狀態(tài)的關系。

    猜你喜歡
    慣性全局權重
    你真的了解慣性嗎
    Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
    量子Navier-Stokes方程弱解的全局存在性
    沖破『慣性』 看慣性
    權重常思“浮名輕”
    當代陜西(2020年17期)2020-10-28 08:18:18
    落子山東,意在全局
    金橋(2018年4期)2018-09-26 02:24:54
    為黨督政勤履職 代民行權重擔當
    人大建設(2018年5期)2018-08-16 07:09:00
    無處不在的慣性
    基于公約式權重的截短線性分組碼盲識別方法
    電信科學(2017年6期)2017-07-01 15:44:57
    普遍存在的慣性
    午夜免费激情av| 欧美xxxx黑人xx丫x性爽| 男人舔女人下体高潮全视频| 国产毛片a区久久久久| 直男gayav资源| 午夜老司机福利剧场| 日韩欧美三级三区| av在线蜜桃| 午夜视频国产福利| 国产亚洲av嫩草精品影院| 色吧在线观看| 天堂中文最新版在线下载 | 成人亚洲欧美一区二区av| 国产精品麻豆人妻色哟哟久久 | 免费一级毛片在线播放高清视频| 精品欧美国产一区二区三| 国产男人的电影天堂91| 看十八女毛片水多多多| 欧美成人精品欧美一级黄| av在线天堂中文字幕| 深夜a级毛片| 三级男女做爰猛烈吃奶摸视频| 蜜桃久久精品国产亚洲av| 成人无遮挡网站| 99久久精品热视频| 国产毛片a区久久久久| 国产精品久久电影中文字幕| 最近中文字幕高清免费大全6| 91aial.com中文字幕在线观看| 国产成人一区二区在线| 老司机福利观看| 免费搜索国产男女视频| 99热网站在线观看| 日本-黄色视频高清免费观看| 老师上课跳d突然被开到最大视频| 午夜免费激情av| 床上黄色一级片| 日韩av不卡免费在线播放| 久久久久久久久久成人| 99热这里只有精品一区| 一级毛片我不卡| 亚洲无线在线观看| 国产极品天堂在线| 不卡视频在线观看欧美| 久久久久久久久久久丰满| 免费观看的影片在线观看| 中文精品一卡2卡3卡4更新| 男女啪啪激烈高潮av片| 99热精品在线国产| 国产日本99.免费观看| 午夜亚洲福利在线播放| 男女做爰动态图高潮gif福利片| 国产精品久久久久久久电影| 国产精品电影一区二区三区| 可以在线观看的亚洲视频| 成人特级av手机在线观看| 亚洲成人精品中文字幕电影| 变态另类成人亚洲欧美熟女| 亚洲丝袜综合中文字幕| 极品教师在线视频| 老司机影院成人| 观看美女的网站| 国产精品人妻久久久影院| 波多野结衣高清无吗| 国语自产精品视频在线第100页| 青春草视频在线免费观看| 麻豆乱淫一区二区| 欧美xxxx黑人xx丫x性爽| 精品久久久久久久久av| 国产精品无大码| 成年女人看的毛片在线观看| 搞女人的毛片| 国产又黄又爽又无遮挡在线| 国产美女午夜福利| 日日干狠狠操夜夜爽| 天堂√8在线中文| 国产一区二区在线观看日韩| 一区二区三区高清视频在线| 亚洲国产精品合色在线| 国产在线精品亚洲第一网站| 老司机福利观看| 亚洲最大成人手机在线| 在线观看美女被高潮喷水网站| 日日撸夜夜添| 亚洲精品乱码久久久久久按摩| 婷婷亚洲欧美| 中国美白少妇内射xxxbb| 高清毛片免费看| 国产美女午夜福利| 嫩草影院入口| 中文字幕熟女人妻在线| 亚州av有码| av天堂在线播放| 91久久精品电影网| 狠狠狠狠99中文字幕| 亚洲国产精品sss在线观看| 国产亚洲精品久久久久久毛片| 国产精品不卡视频一区二区| 亚洲精华国产精华液的使用体验 | 看黄色毛片网站| 国产大屁股一区二区在线视频| 欧美3d第一页| 99在线视频只有这里精品首页| av视频在线观看入口| 色综合站精品国产| 国产男人的电影天堂91| 看非洲黑人一级黄片| 日韩av不卡免费在线播放| 在线天堂最新版资源| 中文资源天堂在线| 久久人妻av系列| 欧美3d第一页| 最近的中文字幕免费完整| 午夜福利视频1000在线观看| 亚洲av第一区精品v没综合| 有码 亚洲区| 免费不卡的大黄色大毛片视频在线观看 | 免费看av在线观看网站| 美女xxoo啪啪120秒动态图| 亚洲av免费在线观看| 亚洲成人中文字幕在线播放| ponron亚洲| 熟女电影av网| 伦理电影大哥的女人| 亚洲无线观看免费| 国产伦精品一区二区三区四那| 久久精品国产亚洲av天美| 国产美女午夜福利| 麻豆乱淫一区二区| 蜜桃亚洲精品一区二区三区| 久久99热6这里只有精品| 欧美一区二区国产精品久久精品| 岛国在线免费视频观看| 深爱激情五月婷婷| 日韩亚洲欧美综合| 国产在线精品亚洲第一网站| 国产黄片美女视频| 亚洲精品日韩av片在线观看| 大香蕉久久网| 搡女人真爽免费视频火全软件| 亚洲七黄色美女视频| 午夜激情福利司机影院| 十八禁国产超污无遮挡网站| 一级黄色大片毛片| eeuss影院久久| 舔av片在线| 人妻少妇偷人精品九色| 久久久a久久爽久久v久久| 亚洲色图av天堂| 黄片无遮挡物在线观看| 一级毛片电影观看 | 色吧在线观看| 免费人成视频x8x8入口观看| a级毛色黄片| 国产精品电影一区二区三区| 精品不卡国产一区二区三区| 哪个播放器可以免费观看大片| 日韩强制内射视频| 欧美色视频一区免费| 高清在线视频一区二区三区 | 女人被狂操c到高潮| 成人一区二区视频在线观看| 在线天堂最新版资源| 久久精品久久久久久噜噜老黄 | 久久精品影院6| 两个人视频免费观看高清| 成人av在线播放网站| 内地一区二区视频在线| 国产日韩欧美在线精品| 校园人妻丝袜中文字幕| 91久久精品国产一区二区三区| 欧美性猛交╳xxx乱大交人| 精品免费久久久久久久清纯| 国模一区二区三区四区视频| 亚洲七黄色美女视频| 一级毛片电影观看 | 晚上一个人看的免费电影| 成年免费大片在线观看| 狂野欧美白嫩少妇大欣赏| 老司机影院成人| 亚洲四区av| 99在线视频只有这里精品首页| 亚洲国产色片| 午夜激情欧美在线| 久久人人爽人人片av| 又爽又黄无遮挡网站| 国内精品宾馆在线| 亚洲精品久久国产高清桃花| 久久久色成人| 国产乱人视频| 国产亚洲精品久久久久久毛片| 日本与韩国留学比较| 久久久久久国产a免费观看| 成人无遮挡网站| 成年av动漫网址| 亚洲性久久影院| 99久久久亚洲精品蜜臀av| 丰满的人妻完整版| av卡一久久| 久久99热6这里只有精品| 国产精品麻豆人妻色哟哟久久 | 成人特级av手机在线观看| 国产成人a∨麻豆精品| 欧美xxxx性猛交bbbb| 一本精品99久久精品77| 青春草视频在线免费观看| 婷婷亚洲欧美| 只有这里有精品99| 久久久久久伊人网av| 日本av手机在线免费观看| 精品人妻熟女av久视频| 久久久精品大字幕| 欧美日韩综合久久久久久| 看非洲黑人一级黄片| 成人特级av手机在线观看| 久久韩国三级中文字幕| 最近2019中文字幕mv第一页| 老师上课跳d突然被开到最大视频| 伦精品一区二区三区| 精品一区二区三区人妻视频| 国产高清激情床上av| 长腿黑丝高跟| 岛国在线免费视频观看| 51国产日韩欧美| 男女那种视频在线观看| 少妇熟女aⅴ在线视频| 伦理电影大哥的女人| 色5月婷婷丁香| 熟妇人妻久久中文字幕3abv| 麻豆成人av视频| 成人高潮视频无遮挡免费网站| 国产成人午夜福利电影在线观看| 亚洲av中文字字幕乱码综合| 99精品在免费线老司机午夜| 日韩欧美国产在线观看| 久久精品国产99精品国产亚洲性色| 免费在线观看成人毛片| 美女高潮的动态| 欧美丝袜亚洲另类| 欧美xxxx性猛交bbbb| 精品一区二区三区视频在线| 色视频www国产| 又黄又爽又刺激的免费视频.| 不卡视频在线观看欧美| 亚洲精品自拍成人| 久久婷婷人人爽人人干人人爱| 亚洲欧美日韩卡通动漫| 欧美丝袜亚洲另类| 国产探花极品一区二区| 91av网一区二区| 久久午夜福利片| 性欧美人与动物交配| 午夜精品一区二区三区免费看| 国产精品一区二区三区四区免费观看| 日产精品乱码卡一卡2卡三| 欧美bdsm另类| 欧美zozozo另类| 午夜激情福利司机影院| 精品日产1卡2卡| 亚洲av成人精品一区久久| 熟女电影av网| 色综合亚洲欧美另类图片| 亚洲五月天丁香| 国产单亲对白刺激| 国产精品人妻久久久久久| 国产极品精品免费视频能看的| 亚洲精品成人久久久久久| 成人漫画全彩无遮挡| 亚洲欧美清纯卡通| 亚洲av电影不卡..在线观看| 久久久精品大字幕| 国产精品.久久久| 亚洲欧美精品专区久久| 亚洲精品粉嫩美女一区| 99riav亚洲国产免费| 一卡2卡三卡四卡精品乱码亚洲| 中文字幕久久专区| 一个人看的www免费观看视频| 只有这里有精品99| 国产成人精品婷婷| 性插视频无遮挡在线免费观看| 国产片特级美女逼逼视频| 久久精品国产99精品国产亚洲性色| 中文字幕av在线有码专区| 久久精品91蜜桃| 亚洲国产欧美在线一区| 免费观看人在逋| 99热这里只有精品一区| 国语自产精品视频在线第100页| 黄片wwwwww| 亚洲欧美日韩卡通动漫| 日本黄色片子视频| 亚洲精华国产精华液的使用体验 | 免费电影在线观看免费观看| 老女人水多毛片| 三级经典国产精品| 少妇被粗大猛烈的视频| 国产一区二区激情短视频| videossex国产| 久久精品国产99精品国产亚洲性色| 国产精品不卡视频一区二区| 久久久久久九九精品二区国产| 菩萨蛮人人尽说江南好唐韦庄 | 淫秽高清视频在线观看| 深爱激情五月婷婷| 最近手机中文字幕大全| 尤物成人国产欧美一区二区三区| 黄色一级大片看看| 久久久久久九九精品二区国产| www.色视频.com| 午夜福利视频1000在线观看| 99热这里只有精品一区| 一个人看视频在线观看www免费| 不卡视频在线观看欧美| 亚洲精品久久久久久婷婷小说 | 国产精品.久久久| 久久99精品国语久久久| 噜噜噜噜噜久久久久久91| 亚洲成人久久爱视频| 国产欧美日韩精品一区二区| 亚洲欧美精品自产自拍| 久久婷婷人人爽人人干人人爱| 亚洲国产欧美人成| 一个人免费在线观看电影| 给我免费播放毛片高清在线观看| 国产一级毛片在线| 黄色欧美视频在线观看| 麻豆成人av视频| 1000部很黄的大片| 日韩制服骚丝袜av| 欧美性猛交黑人性爽| 最近手机中文字幕大全| 蜜桃亚洲精品一区二区三区| 日韩视频在线欧美| 欧美日韩综合久久久久久| 欧美日韩在线观看h| 丰满乱子伦码专区| 国产真实乱freesex| av在线老鸭窝| 国产精品一区二区三区四区免费观看| av天堂在线播放| 亚洲av男天堂| 卡戴珊不雅视频在线播放| 欧美极品一区二区三区四区| 白带黄色成豆腐渣| 成人三级黄色视频| 国国产精品蜜臀av免费| 国产精华一区二区三区| 国产乱人偷精品视频| 久久久久国产网址| 97人妻精品一区二区三区麻豆| 最近视频中文字幕2019在线8| 非洲黑人性xxxx精品又粗又长| 97超碰精品成人国产| 久久久午夜欧美精品| av在线天堂中文字幕| 午夜爱爱视频在线播放| 欧美激情久久久久久爽电影| www日本黄色视频网| 中文精品一卡2卡3卡4更新| 一边亲一边摸免费视频| 久久久精品欧美日韩精品| 国产精品嫩草影院av在线观看| 亚洲久久久久久中文字幕| av在线亚洲专区| 欧美+亚洲+日韩+国产| a级毛片免费高清观看在线播放| 精品免费久久久久久久清纯| 99久国产av精品国产电影| 久久草成人影院| 亚洲人成网站高清观看| 久久亚洲国产成人精品v| 亚洲人成网站在线播放欧美日韩| 五月伊人婷婷丁香| 国产精品爽爽va在线观看网站| 1024手机看黄色片| 久久久久久久亚洲中文字幕| 白带黄色成豆腐渣| 成人三级黄色视频| 青青草视频在线视频观看| 热99re8久久精品国产| 精品国内亚洲2022精品成人| 九九在线视频观看精品| 婷婷色综合大香蕉| 在线观看美女被高潮喷水网站| 少妇熟女欧美另类| kizo精华| 亚洲真实伦在线观看| 欧美少妇被猛烈插入视频| 在线 av 中文字幕| 99久久精品一区二区三区| 这个男人来自地球电影免费观看 | 免费高清在线观看视频在线观看| 亚洲欧洲精品一区二区精品久久久 | 中国美白少妇内射xxxbb| 国产精品国产三级专区第一集| av一本久久久久| 国产乱来视频区| 不卡视频在线观看欧美| 成人黄色视频免费在线看| 中文字幕av电影在线播放| 成人二区视频| 日韩电影二区| 欧美日韩综合久久久久久| 中文欧美无线码| 日韩强制内射视频| 亚洲欧美中文字幕日韩二区| 丝袜脚勾引网站| 国产欧美日韩一区二区三区在线 | 国产精品 国内视频| xxx大片免费视频| 国产精品熟女久久久久浪| 久久久国产欧美日韩av| 永久网站在线| 大码成人一级视频| 国产精品一二三区在线看| 免费高清在线观看日韩| 我的女老师完整版在线观看| 91精品国产国语对白视频| 在线观看免费日韩欧美大片 | 亚洲精品乱码久久久v下载方式| .国产精品久久| 免费播放大片免费观看视频在线观看| 午夜福利视频精品| 如何舔出高潮| 国产免费现黄频在线看| 自拍欧美九色日韩亚洲蝌蚪91| 一区二区三区免费毛片| 欧美 日韩 精品 国产| 国产探花极品一区二区| 九九久久精品国产亚洲av麻豆| 成人无遮挡网站| 久久久国产欧美日韩av| 亚洲精品自拍成人| 综合色丁香网| 久久精品国产亚洲网站| 欧美人与善性xxx| 国产熟女午夜一区二区三区 | 久久久久久久亚洲中文字幕| 99精国产麻豆久久婷婷| 亚洲伊人久久精品综合| 亚洲高清免费不卡视频| 乱人伦中国视频| 免费观看av网站的网址| 777米奇影视久久| 老司机影院成人| 精品亚洲成国产av| 美女脱内裤让男人舔精品视频| 亚洲精品国产色婷婷电影| 免费黄色在线免费观看| 久久精品国产a三级三级三级| 久久久久久久久久人人人人人人| 成人国产av品久久久| 久久精品久久久久久久性| a级片在线免费高清观看视频| 欧美精品一区二区大全| 久久久国产一区二区| 亚洲精品日本国产第一区| 尾随美女入室| 欧美日韩视频精品一区| 亚洲av电影在线观看一区二区三区| 国产精品久久久久成人av| 人人妻人人添人人爽欧美一区卜| 丝袜在线中文字幕| 高清午夜精品一区二区三区| 欧美少妇被猛烈插入视频| 如何舔出高潮| 国产成人精品久久久久久| 91久久精品国产一区二区三区| 香蕉精品网在线| 国产精品久久久久久久电影| 男女高潮啪啪啪动态图| 蜜桃久久精品国产亚洲av| 男女免费视频国产| 在线观看国产h片| 久久精品国产a三级三级三级| 精品人妻偷拍中文字幕| 天堂8中文在线网| tube8黄色片| 亚洲天堂av无毛| 亚洲综合精品二区| 亚洲精华国产精华液的使用体验| 亚洲国产精品专区欧美| 国产乱来视频区| 九九在线视频观看精品| 黄片播放在线免费| 国产成人精品一,二区| 91国产中文字幕| 插阴视频在线观看视频| 亚洲精华国产精华液的使用体验| 一区二区av电影网| 在线免费观看不下载黄p国产| 亚洲国产日韩一区二区| 最近最新中文字幕免费大全7| 天堂俺去俺来也www色官网| 色网站视频免费| 欧美国产精品一级二级三级| 亚洲人成网站在线播| 亚洲激情五月婷婷啪啪| 一级毛片我不卡| 国产毛片在线视频| 又粗又硬又长又爽又黄的视频| 18禁观看日本| 亚洲精品视频女| 一级毛片我不卡| 尾随美女入室| 国产男女内射视频| 亚洲精品国产av蜜桃| 精品人妻偷拍中文字幕| 国产精品久久久久成人av| 日韩成人伦理影院| 最近最新中文字幕免费大全7| 久久精品久久久久久久性| 国产免费福利视频在线观看| 国产高清有码在线观看视频| 熟妇人妻不卡中文字幕| 两个人的视频大全免费| 男男h啪啪无遮挡| 国产精品国产av在线观看| 十分钟在线观看高清视频www| 国产亚洲一区二区精品| 日本黄大片高清| 午夜福利视频精品| 在线播放无遮挡| 欧美精品国产亚洲| 九九爱精品视频在线观看| 18在线观看网站| 黄色视频在线播放观看不卡| 午夜福利在线观看免费完整高清在| 91在线精品国自产拍蜜月| 日韩成人伦理影院| 久久久国产一区二区| 国产日韩欧美亚洲二区| 又大又黄又爽视频免费| 97精品久久久久久久久久精品| 亚洲欧美精品自产自拍| 美女福利国产在线| 中国美白少妇内射xxxbb| 日韩av免费高清视频| 久久久a久久爽久久v久久| 看非洲黑人一级黄片| 另类精品久久| 久久99精品国语久久久| 三级国产精品片| 亚洲激情五月婷婷啪啪| 亚洲精品日本国产第一区| 国产高清不卡午夜福利| 久久影院123| 国产午夜精品一二区理论片| 午夜激情久久久久久久| 亚洲av成人精品一区久久| 亚洲国产av影院在线观看| 特大巨黑吊av在线直播| 国产精品一国产av| 久久99热6这里只有精品| 男女无遮挡免费网站观看| 看非洲黑人一级黄片| 国产乱来视频区| 日韩av在线免费看完整版不卡| 狂野欧美白嫩少妇大欣赏| 在线观看免费日韩欧美大片 | 国产在线视频一区二区| 在线观看美女被高潮喷水网站| 日韩成人伦理影院| 午夜免费鲁丝| 不卡视频在线观看欧美| 狂野欧美激情性xxxx在线观看| 国产一区有黄有色的免费视频| 女人精品久久久久毛片| 久久精品国产a三级三级三级| 观看av在线不卡| 建设人人有责人人尽责人人享有的| 制服丝袜香蕉在线| 老司机亚洲免费影院| 久久热精品热| 性色av一级| 午夜av观看不卡| 黑人巨大精品欧美一区二区蜜桃 | 成人手机av| a级毛片黄视频| 91午夜精品亚洲一区二区三区| 狂野欧美白嫩少妇大欣赏| 精品人妻偷拍中文字幕| 亚洲国产精品成人久久小说| 边亲边吃奶的免费视频| 亚洲欧美中文字幕日韩二区| 日本免费在线观看一区| 最后的刺客免费高清国语| 国产精品久久久久久久电影| 春色校园在线视频观看| 国产成人精品久久久久久| 老司机影院成人| 永久网站在线| 日本欧美国产在线视频| 亚洲欧美一区二区三区黑人 | 97超碰精品成人国产| 日韩强制内射视频| 亚洲性久久影院| 亚洲色图综合在线观看| 色网站视频免费| 午夜福利影视在线免费观看| 人人妻人人澡人人爽人人夜夜| 亚洲婷婷狠狠爱综合网| 久久国产精品大桥未久av| 欧美性感艳星| 欧美一级a爱片免费观看看| 大片电影免费在线观看免费| 精品一区二区三卡| √禁漫天堂资源中文www| 欧美变态另类bdsm刘玥| 中文字幕最新亚洲高清| 91精品一卡2卡3卡4卡| 一级二级三级毛片免费看| 亚洲在久久综合| 日日摸夜夜添夜夜爱|