• <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 ?

    基于多域特征結(jié)合CBAM模型的腦電信號(hào)抑郁識(shí)別

    2024-09-28 00:00:00陳宇胡秀秀王勝

    摘 要:目前腦電信號(hào)(EEG)的抑郁癥識(shí)別方法主要采用單一特征提取方法,無法覆蓋多域特征信息,導(dǎo)致現(xiàn)有模型分類性能不高,因此提出了一種多域特征結(jié)合CBAM模型(CNN-BiLSTM-attention mechanism)的抑郁癥識(shí)別算法。首先利用連續(xù)小波變換(CWT)提取時(shí)頻域特征,并結(jié)合腦電電極空間信息構(gòu)成2D特征圖像,共同保留腦電的空間、時(shí)間和頻率信息;然后使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)提取空間和頻域特征,再輸入雙向長短時(shí)記憶網(wǎng)絡(luò)(bidirectional long and short-term memory,BiLSTM)以捕獲時(shí)間信息;最后結(jié)合注意力機(jī)制(attention mechanism,AM),對(duì)網(wǎng)絡(luò)提取的多域特征賦予不同的權(quán)重,以篩選出更具代表性的抑郁特征,從而提高識(shí)別抑郁癥的準(zhǔn)確性。實(shí)驗(yàn)表明,本文提出的基于CBAM模型的抑郁癥識(shí)別算法在公共數(shù)據(jù)集上取得了99.10%的準(zhǔn)確率,為腦電信號(hào)抑郁癥識(shí)別研究提供了一種有效的新方法。

    關(guān)鍵詞:腦電圖;抑郁癥;卷積神經(jīng)網(wǎng)絡(luò);雙向長短時(shí)記憶網(wǎng)絡(luò);注意力機(jī)制

    DOI:10.15938/j.jhust.2024.03.001

    中圖分類號(hào): TP391

    文獻(xiàn)標(biāo)志碼: A

    文章編號(hào): 1007-2683(2024)03-0001-10

    EEG Depression Recognition Based on Multi-domain

    Features Combined with CBAM Model

    CHEN Yu, HU Xiuxiu, WANG Sheng

    (College of Computer and Control Engineering, Northeast Forestry University, Harbin 150040, China)

    Abstract:At present, the electroencephalogram (EEG) identification method for depression mainly uses a single feature extraction method, which cannot cover multi-domain feature information, resulting in poor classification performance of the existing model. Therefore, this paper proposes a depression recognition algorithm based on multi-domain features combined with CBAM model (CNN-BiLSTM-Attention Mechanism). Firstly, the continuous wavelet transform (CWT) is used to extract time-frequency domain features, and combined with the spatial information of EEG electrodes to form a 2D feature image, which jointly retains the spatial, time and frequency information of EEG; then the convolutional neural network (CNN) is used) to extract spatial and frequency domain features, and then input bidirectional long and short-term memory (BiLSTM) to capture time information; finally combined with attention mechanism (AM), different weights are assigned to the multi-domain features extracted from the network, enabling the selection of more representative depressive features, thereby improving the accuracy of identifying depression. Experiments show that the depression recognition algorithm based on the CBAM model proposed in this paper has achieved an accuracy rate of 99.10% on the public data set, which provides an effective new method for the research on depression recognition of EEG signals.

    Keywords:electroencephalogram (EEG); depression; CNN; BiLSTM; attention mechanism

    0 引 言

    抑郁癥是世界范圍內(nèi)的一種常見的精神疾病,根據(jù)世界衛(wèi)生組織的數(shù)據(jù),全球有超過3.5億人患有抑郁癥[1]。患者有嚴(yán)重的精神障礙和不良情緒,通常表現(xiàn)為悲傷、疲勞、絕望等。嚴(yán)重抑郁癥患者甚至可能有自殺行為。隨著抑郁癥患者的發(fā)病率和自殺率增高,用計(jì)算機(jī)輔助技術(shù)來診斷是否為抑郁癥,是對(duì)抑郁癥患者的疾病監(jiān)測,是最迫在眉睫的公共健康問題之一。

    大量研究人員試圖利用傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)對(duì)腦電圖信號(hào)特征進(jìn)行診斷,從信號(hào)中提取相關(guān)特征是成功診斷抑郁癥的關(guān)鍵。近年來由于深度學(xué)習(xí)在計(jì)算方面的進(jìn)步而變得流行,且在抑郁識(shí)別領(lǐng)域得到了廣泛的應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)(CNN)已經(jīng)是腦電圖中學(xué)習(xí)高級(jí)特征的有效方法。如Sharmila 等[2]有效地將腦電圖信號(hào)轉(zhuǎn)化為光譜圖像,用CNN進(jìn)行檢測抑郁。但該模型的實(shí)驗(yàn)結(jié)果并不理想,主要是因?yàn)閱我坏腃NN模型只提取了腦電信號(hào)的頻域和空域特征,忽視了EEG的時(shí)域特征,導(dǎo)致模型最終的分類性能欠佳。由于大腦活動(dòng)是一個(gè)時(shí)間動(dòng)態(tài)的過程,從腦電時(shí)間序列中學(xué)習(xí)時(shí)間演化是比較重要的。因此,具有長短時(shí)記憶網(wǎng)絡(luò)(LSTM)的循環(huán)神經(jīng)網(wǎng)絡(luò)已成功應(yīng)用于神經(jīng)成像領(lǐng)域,Seal等[3]提出了一種基于CNN和雙向長短時(shí)記憶網(wǎng)絡(luò)(BiLSTM)深度混合模型,分別提取信號(hào)的頻率信息和序列關(guān)系,用于自動(dòng)分類抑郁癥和健康對(duì)照組,而只是用一維鏈狀時(shí)間序列進(jìn)行輸入到分類器,缺乏EEG電極的空間信息,無法捕捉到空域特征,最終獲得的準(zhǔn)確率并不理想。但對(duì)本文的研究具有參考價(jià)值,對(duì)于多域特征的融合,更能使模型深度挖掘相關(guān)信息。最后,注意力的概念[4]可以說是當(dāng)今深度學(xué)習(xí)領(lǐng)域中最強(qiáng)大的概念之一。不僅在自然語言處理任務(wù),如語音識(shí)別[5]和故障檢測[6],在EEG分類中也普遍應(yīng)用。Zheng等[7]提出了一種基于注意力的BiLSTM模型用于視覺分類,該模型利用注意力機(jī)制(AM)自動(dòng)捕獲整個(gè)腦電記錄中最重要的腦電片段,大大提高了視覺信息處理的準(zhǔn)確性,也為本文的識(shí)別抑郁癥工作提供了思路。為了有效地識(shí)別抑郁癥,顯著的特征和EEG電極是十分重要的。上述傳統(tǒng)的抑郁識(shí)別研究提取單一特征不足以描述EEG蘊(yùn)含的豐富信息,都沒有試圖共同保存腦電數(shù)據(jù)在空間、時(shí)間和頻率3個(gè)維度的結(jié)構(gòu),而且在準(zhǔn)確率上也沒有達(dá)到理想狀態(tài),因此本文的主要貢獻(xiàn)可以總結(jié)如下:

    1)采用了一種新穎的信號(hào)處理技術(shù),將復(fù)雜的腦電時(shí)間序列轉(zhuǎn)換為拓?fù)浔3值哪X地形圖序列(腦電時(shí)間樣本值轉(zhuǎn)化為二維特征圖像),結(jié)合連續(xù)小波變換(CWT)共同保留了腦電信號(hào)的空間、時(shí)間和頻率多域信息。

    2)提出了基于注意力機(jī)制的混合神經(jīng)網(wǎng)絡(luò)(CNN-BiLSTM-attention mechanism,CBAM),引入了注意力機(jī)制,對(duì)網(wǎng)絡(luò)提取的多域特征賦予不同的權(quán)重,從而篩選出更具代表性的抑郁特征,使得模型性能有了顯著提升。

    3)為了提高分類模型的泛化能力,在將多域特征輸入CBAM模型之前,使用數(shù)據(jù)增強(qiáng)方法來增加數(shù)據(jù)集的樣本量和多樣性。該方法在公共數(shù)據(jù)集上進(jìn)行了驗(yàn)證,提高了識(shí)別抑郁癥的精度。

    1 具體實(shí)現(xiàn)

    1.1 整體框架

    首先經(jīng)過腦電偽跡去除以及濾波等預(yù)處理后,使用連續(xù)小波變換(CWT)將預(yù)處理后的腦電信號(hào)進(jìn)一步分解為Theta、Alpha和Beta頻帶。在特征提取階段,提取3個(gè)頻段的平均功率,并將每個(gè)頻段產(chǎn)生的空間特征圖像作為三通道RGB腦電圖的一個(gè)分量,融合了空時(shí)頻多域特征。經(jīng)過數(shù)據(jù)增強(qiáng)后,送入到CBAM模型當(dāng)中訓(xùn)練,挖掘腦電信號(hào)中更能反映抑郁狀態(tài)的空間、時(shí)間和頻率信息。本文的另一個(gè)創(chuàng)新點(diǎn)是引入了注意力機(jī)制,對(duì)腦電圖中的抑郁信息起到了更強(qiáng)的關(guān)注。現(xiàn)有模型無法整合局部特征和全局特征信息,因此CBAM的組合來抽取不同維度特征信息。最終由Softmax分類器進(jìn)行抑郁識(shí)別,從而完成細(xì)粒度的分類,并取得良好的準(zhǔn)確率和魯棒性。整體框架如圖1所示。

    1.2 特征提取

    CWT技術(shù)是一種將原始的一維輸入信號(hào)轉(zhuǎn)換為時(shí)頻域的分析方法,它對(duì)分析非平穩(wěn)信號(hào)(如腦電圖)非常有效。小波變換具有多分辨率分析的特點(diǎn),能夠在時(shí)域和頻域上同時(shí)表示信號(hào)的局部特征,是信號(hào)時(shí)頻分析和處理的理想工具。本文對(duì)腦電信號(hào)S(t)進(jìn)行CWT處理,采用Morlet小波進(jìn)行時(shí)頻分析,其中ω0為小波中心頻率,本文設(shè)為1Hz,腦電信號(hào)得到的時(shí)頻信息計(jì)算過程如下:

    Ψ(t)=cos(ω0t)e-t22(1)

    Ψ(a,b)=eiω0(t-b)ae-(t-b)22a2(2)

    WS(b,a)=∫ ∞-∞S(t)Ψ(a,b(t))dt(3)

    Q(s)=‖WS(b,a)‖=∫ ∞-∞|WS(b,a)|2da2(4)

    式(1)給出了Morlet小波函數(shù)的一般數(shù)學(xué)形式,對(duì)其進(jìn)行移位和尺度變換,得到式(2),其中a為移位參數(shù),b為縮放參數(shù)??s放和移位參數(shù)連續(xù)變化,對(duì)信號(hào)的不同部分進(jìn)行母小波(式(1))卷積,并在不同參數(shù)下進(jìn)行分析,得到腦電信號(hào)的時(shí)頻信息Q(s)(式(3)、(4))。

    CWT通過小波函數(shù)的伸縮和平移將信號(hào)分解成不同尺度上的小波系數(shù),即采用三級(jí)小波分解提取的小波系數(shù)對(duì)應(yīng)于Theta頻帶(4~8Hz)、Alpha頻帶(8~16Hz)和Beta頻帶(16~32Hz),以此提供了頻率和時(shí)間信息,即在時(shí)頻域內(nèi)估計(jì)平均功率,體現(xiàn)了頭皮上功率測量值隨時(shí)間的變化。此外,已有文獻(xiàn)證實(shí)了Theta、Alpha和Beta頻段在抑郁癥識(shí)別中的存在作用[8]。

    1.3 腦電時(shí)序數(shù)據(jù)生成二維腦地形圖

    EEG信號(hào)采集采用了19電極通道,放置在受試者頭皮周圍,獲取大腦不同區(qū)域的腦電反應(yīng)。腦電活動(dòng)具有較高的時(shí)間分辨率,主要在時(shí)頻域特征空間進(jìn)行分析。從腦電數(shù)據(jù)中提取空域信息的一種方法是將腦電信號(hào)的空間維度與其時(shí)頻特征進(jìn)行整合,具體步驟如下:

    1)腦電電極從三維空間投影到二維空間:采用了方位角等距投影(AEP)[9]技術(shù),通過保持相鄰電極間的相對(duì)距離,將電極的位置從三維投影到二維,獲得腦電信號(hào)的空間特征。AEP后的三維EEG電極空間表示及二維表示如圖2所示,其中二維圖像的寬度和高度代表了大腦活動(dòng)在皮層上的空間分布。

    2)用電極值插值腦電圖功率:為了最終以圖像的形式表示腦電圖數(shù)據(jù)的時(shí)間信息,采用雙三次插值技術(shù)[10],對(duì)二維腦電圖電極空間進(jìn)行CWT得到的每個(gè)波段功率插值,并估計(jì)32×32網(wǎng)格上電極對(duì)之間的功率值。雙三次插值產(chǎn)生一個(gè)平滑的地形圖,在每一幀中對(duì)Theta、Alpha和Beta頻段分別重復(fù)上述步驟,得到3個(gè)不同的地形圖,合并起來生成3通道32×32的腦電圖圖像,將樣本中的所有幀聚合在一起,形成腦電圖圖像序列,并提供給CBAM模塊作為輸入。

    1.4 數(shù)據(jù)增強(qiáng)

    在本研究中,在將特征數(shù)據(jù)輸入CBAM模型之前,使用了三種常用的圖像增強(qiáng)技術(shù):圖像加噪、圖像旋轉(zhuǎn)和圖像翻轉(zhuǎn)。在特征圖像加高斯噪聲。其概率密度函數(shù)如下:

    p(z)=12πee-(z-μ)22σ2(5)

    其中:z表示圖像像素值;μ表示圖像像素值的平均值;σ表示像素值的標(biāo)準(zhǔn)差。

    為了更公平的比較,將擴(kuò)增因子設(shè)置為2,即最多可以生成原始樣本量2倍的樣本數(shù)量。噪聲添加策略通過在0.5~1之間隨機(jī)選取兩個(gè)參數(shù)σ對(duì)數(shù)據(jù)進(jìn)行擴(kuò)展。對(duì)于圖像旋轉(zhuǎn)策略,設(shè)置逆時(shí)針和逆時(shí)針各90°。圖像翻轉(zhuǎn)操作只在x和y方向上進(jìn)行。還采用重疊策略,將窗口大小為4s(對(duì)應(yīng)一個(gè)樣本)、步長為1s(允許樣本之間重疊)的滑動(dòng)窗口技術(shù)應(yīng)用于每個(gè)腦電圖片段,具體分析見3.7節(jié)。

    2 基于CBAM分類模型

    本文利用CBAM模型學(xué)習(xí)腦電特征圖像序列的時(shí)空表征。具體地說,利用CNN提取與抑郁相關(guān)的空間和頻域特征,然后將其輸入到BiLSTM-AM層,進(jìn)一步學(xué)習(xí)EEG數(shù)據(jù)的時(shí)域特征,其中AM提取腦電信號(hào)的全局信息。

    2.1 CNN模塊

    在空間和頻域特征學(xué)習(xí)中,本文模型的第一個(gè)模塊,使用了一個(gè)有7層卷積的CNN結(jié)構(gòu),來提取重要的抑郁特征。對(duì)于所有卷積層,采用相同的步長為1像素和整流線性單元(ReLu)激活函數(shù),將每層的卷積核的大小設(shè)置為3×3,池化層的卷積核大小為2×2,采用最大池化(maxpool)策略。在該網(wǎng)絡(luò)結(jié)構(gòu)中,將3×32×32分辨率的RGB格式特征圖像輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。其中,卷積層的卷積核數(shù)分別為32、32、64、64、128、128、128,最終輸出的特征矩陣為128×4×4。表1給出了性能最好的配置。

    在每個(gè)CNN塊中執(zhí)行上述CNN架構(gòu),從腦電圖圖像序列學(xué)習(xí)空間和頻域特征。所有的CNN塊在幀之間共享參數(shù),以減少神經(jīng)網(wǎng)絡(luò)中的參數(shù)。每一幀腦電圖圖像作為每個(gè)CNN塊的輸入。將所有CNN塊的輸出重構(gòu)為特征向量序列,將其作為BiLSTM-AM層的輸入,用于學(xué)習(xí)腦電圖數(shù)據(jù)的時(shí)間變化。

    2.2 雙向LSTM(BiLSTM)模塊

    在時(shí)間特征學(xué)習(xí)中,將CNN網(wǎng)絡(luò)提取的深層特征向量輸入LSTM模型進(jìn)一步處理獲取時(shí)域特征。LSTM模型由LSTM單元組成,用于學(xué)習(xí)輸入序列中常見的時(shí)間關(guān)系,并從學(xué)習(xí)到的特征序列中尋找長期上下文關(guān)系。另外,3個(gè)門控制LSTM塊的功能。它們分別是輸入門、遺忘門和輸出門。當(dāng)輸入指向LSTM塊時(shí),它們控制并決定由LSTM塊執(zhí)行的函數(shù)。在每一個(gè)時(shí)間步中,內(nèi)存的狀態(tài)和輸出狀態(tài)都會(huì)被更新。方程如下:

    it=σ(Wi·[ct-1,ht-1,xt]+bi)(6)

    ft=σ(Wf·[cf-1,ht-1,xt]+bf)(7)

    ot=σ(Wo·[ct,ht-1,xt]+bo)(8)

    ct=ft·ct-1+it·t(9)

    ht=ot·tanh(ct)(10)

    其中:輸入序列用xt表示;輸出序列用ht表示;ct為記憶體在t時(shí)刻的狀態(tài);下角標(biāo)i表示輸入門,f表示遺忘門,o表示輸出門,為單元激活。所有這些值的大小與輸入向量的大小相同。

    符號(hào)σ表示非線性sigmoid函數(shù)。

    標(biāo)準(zhǔn)的LSTM按照時(shí)間順序處理序列,忽略了未來的信息。BiLSTM通過引入第二層擴(kuò)展了單向LSTM網(wǎng)絡(luò),其中隱藏的連接按時(shí)間順序反向流動(dòng)。在BiLSTM中CNN輸出的特征向量x=(x1,x2,…,xT)作為輸入,計(jì)算隱藏向量序列h=(h1,h2,…,hT)的公式如下:

    ht=H(Wxhxt+Whhht-1+bh)(11)

    yt=Whyht+by(12)

    其中:H為隱層激活函數(shù);b項(xiàng)為偏置向量;W項(xiàng)為權(quán)重矩陣。

    BiLSTM由兩個(gè)方向相反的子網(wǎng)絡(luò)組成,分別表示向前和向后的通道。左右相連后成為BiLSTM的輸出hi,第ith幀的計(jì)算公式如下:

    hi=[hihi](13)

    其中:表示按元素求和,將前后傳遞的輸出組合起來;hi為t時(shí)刻向前LSTM層的狀態(tài);hi為t時(shí)刻向后LSTM層的狀態(tài)。

    本文使用BiLSTM來捕捉CNN層的激活序列是一個(gè)合理的選擇,因?yàn)榇竽X活動(dòng)是一個(gè)時(shí)間動(dòng)態(tài)過程,跨時(shí)間框架的變化可能包含額外的信息。全局信息只能在看到LSTM層的整個(gè)幀序列之后才能被捕獲。與LSTM而言,BiLSTM能夠訪問過去和未來的信息,所有時(shí)期的輸出都被作為預(yù)測提供。本文的BiLSTM模型由兩層BiLSTM組成,每層的存儲(chǔ)單元數(shù)量不同,分別為64和32個(gè)堆疊的LSTM塊。

    2.3 注意力機(jī)制(AM)模塊

    AM能夠有效增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型對(duì)局部特征的關(guān)注,通過為BiLSTM產(chǎn)生的輸出分配自適應(yīng)注意權(quán)重來關(guān)注最具區(qū)別性的時(shí)段,BiLSTM所產(chǎn)生的輸出向量H=[h1,h2,…,hT]用作注意層的輸入,注意層的輸出由以下公式計(jì)算:

    M=tanh(H)(14)

    α=softmax(wTM)(15)

    r=HαT(16)

    h*=tanh(r)(17)

    其中:w為訓(xùn)練好的權(quán)向量,wT為轉(zhuǎn)置;采用SoftMax函數(shù)計(jì)算各個(gè)分量M的權(quán)重,得到的α表示權(quán)重重要性;r為輸入向量的加權(quán)和。最后,注意力層的輸出h*融合了空時(shí)頻多域特征,作為FC層的輸入,經(jīng)過Softmax分類器中得到最終分類結(jié)果,從而進(jìn)行準(zhǔn)確地抑郁識(shí)別,如圖3所示。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集

    利用Mumtaz等[11]提供的公共數(shù)據(jù)集對(duì)提出的基于EEG信號(hào)的抑郁癥診斷方法進(jìn)行評(píng)價(jià)。該數(shù)據(jù)集來自兩組受試者:①重度抑郁癥患者(MDD)33例(平均年齡為40.33,SD=±12.86);②年齡匹配的健康對(duì)照組(HC)30例(平均年齡為38.23,SD=±15.64)。參與者來自馬來西亞圣馬來西亞大學(xué)(HUSM)醫(yī)院的門診診所。分別記錄了受試者在靜息狀態(tài)時(shí)閉眼(5min)、睜眼(5min)的記錄腦電圖信號(hào),該信號(hào)由國際標(biāo)準(zhǔn)10-20系統(tǒng)擴(kuò)展導(dǎo)線記錄[12],采樣率為256Hz,共采集19個(gè)通道,如圖4所示。包括額區(qū)(Fp1、F3、F7、Fz、Fp2、F4、F8)、中央?yún)^(qū)(C3、C4、Cz)、頂葉區(qū)(P3、Pz、P4)、枕區(qū)(O1、O2)、顳區(qū)(T3、T4、T5、T6)。

    3.2 數(shù)據(jù)預(yù)處理

    原始腦電圖信號(hào)總是伴隨著偽影和噪聲,包括眼電圖(EOG)、肌電圖(EMG)和數(shù)據(jù)采集相關(guān)的噪聲。針對(duì)這個(gè)問題,首先從靜息狀態(tài)5min的腦電信號(hào)記錄中截取95~215s的120s片段作為實(shí)驗(yàn)的腦電圖數(shù)據(jù)。在應(yīng)用特征提取技術(shù)之前,采用帶通濾波的方法提取4~32Hz的頻帶,再通過獨(dú)立分量分析(ICA)算法進(jìn)一步去除腦電信號(hào)中多余的偽影和噪聲。

    本文使用4s的滑動(dòng)窗口將預(yù)處理后每個(gè)被試者的2min腦電數(shù)據(jù)切成30個(gè)片段(幀),每個(gè)片段包含1024個(gè)采樣點(diǎn),最終獲得了3780個(gè)樣本,抑郁癥患者有1980(33×30×2)個(gè)樣本,健康有1800(30×30×2)個(gè)樣本。經(jīng)過添加高斯噪聲的數(shù)據(jù)增強(qiáng)方法,樣本數(shù)擴(kuò)充到7560個(gè)。詳細(xì)信息如表2所示。

    3.3 實(shí)驗(yàn)參數(shù)

    本研究的模型訓(xùn)練過程使用交叉熵?fù)p失函數(shù),交叉熵函數(shù)定義如下:

    Loss=-1m∑mj=1∑ni=1yjilogji(18)

    其中:m為樣本個(gè)數(shù);n為類別;yji為類別的真概率;ji為預(yù)測概率。

    整個(gè)實(shí)驗(yàn)流程如圖5所示,本文實(shí)驗(yàn)采用了在訓(xùn)練CNN和多層神經(jīng)網(wǎng)絡(luò)時(shí)收斂速度相對(duì)較快的Adam[13],學(xué)習(xí)率設(shè)置為0.0001,epoch數(shù)量設(shè)置為50。在數(shù)據(jù)集的劃分上,將總體數(shù)據(jù)按照8∶1∶1的原則分別得到訓(xùn)練集、驗(yàn)證集和測試集。使用基于python的PyTorch工具包完成網(wǎng)絡(luò)構(gòu)建和訓(xùn)練,用于加速的GPU為NVIDIA GeForce RTX 3090。

    3.4 評(píng)價(jià)指標(biāo)

    由于假陽性和假陰性樣本的存在,僅用準(zhǔn)確率來衡量分類器的性能是遠(yuǎn)遠(yuǎn)不夠的。本文采用了準(zhǔn)確率和F1Score來實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)分類的評(píng)價(jià)。Accurary和F1Score的計(jì)算方法如下公式:

    Accurary=TP+TNTP+FP+TN+FN(19)

    F1Score=2TP(2TP)+FP+FN(20)

    其中:真陽性(TP)表示被正確分類為抑郁癥的MDD數(shù)量;假陽性(FP)表示被錯(cuò)誤分類為抑郁癥的HC數(shù)量;真陰性(TN)表示被正確分類為健康的HC數(shù)量;假陰性(FN)表示被錯(cuò)誤分類為健康的MDD數(shù)量。

    3.5 實(shí)驗(yàn)對(duì)比結(jié)果

    為了驗(yàn)證本文模型的有效性,評(píng)估了傳統(tǒng)機(jī)器學(xué)習(xí)分類算法和深度學(xué)習(xí)模型對(duì)抑郁和正常腦電圖信號(hào)的識(shí)別性能,表3將CBAM與基于手工特征的基線方法進(jìn)行了比較,這些傳統(tǒng)的分類算法被廣泛應(yīng)用于EEG的抑郁癥識(shí)別研究。這些方法的詳細(xì)信息和參數(shù)設(shè)置如下:

    1)支持向量機(jī)(SVM)是一種監(jiān)督廣義線性分類器。采用徑向基函數(shù)核,通過網(wǎng)格搜索在訓(xùn)練集上交叉驗(yàn)證得到最優(yōu)支持向量機(jī)參數(shù)(C={0.01,0.1,1,10,100},C={0.1,0.2,…,1,2,…,10})。

    2)決策樹(RF)是一個(gè)非參數(shù)監(jiān)督學(xué)習(xí)分類器。該算法由一組獨(dú)立的決策樹組成,并對(duì)最終結(jié)果進(jìn)行投票。在集合{5,10,20,50,100,500,1000}內(nèi)選擇RF的估計(jì)量。

    3)邏輯回歸(LR)是一個(gè)監(jiān)督廣義線性分類器。該算法采用極大似然法對(duì)模型參數(shù)進(jìn)行估計(jì)。選擇L1正則化在LR中引入稀疏性,在訓(xùn)練集上通過交叉驗(yàn)證找到最優(yōu)正則化參數(shù)C。

    4)k-最近鄰(KNN)是一種監(jiān)督非參數(shù)分類器。該算法采用K個(gè)最近鄰的多數(shù)票對(duì)輸入數(shù)據(jù)進(jìn)行分類。

    5)深度信念網(wǎng)絡(luò)(DBN)是一個(gè)概率分類器。由三層組成,第一層為高斯二進(jìn)制RBM,另外兩層為二進(jìn)制RBM。

    表4展示了CBAM和其他深度學(xué)習(xí)模型在抑郁癥識(shí)別的數(shù)據(jù)集上的分類性能,證明了本文構(gòu)建模型的有效性,能夠充分學(xué)習(xí)EEG空域、時(shí)域和頻域特征,相較于單獨(dú)的網(wǎng)絡(luò)結(jié)構(gòu)有著很高的性能,識(shí)別抑郁癥的準(zhǔn)確率高達(dá)99.10%,比CNN[14]、BiLSTM[15]、CNN-BiLSTM[16]模型的準(zhǔn)確率和F1Score分別高出了13.48%、11.60%,5.10%、1.85%和4.10%、1.77%。由此可以看出,腦電圖的空間、時(shí)間和頻率信息作為CBAM模型的輸入十分關(guān)鍵。

    3.6 消融實(shí)驗(yàn)研究

    為了驗(yàn)證AM模塊對(duì)本模型的影響,本文進(jìn)行了必要的消融實(shí)驗(yàn),與CNN-BiLSTM相比,在其基礎(chǔ)上加入AM,獲取腦電信號(hào)中最重要的局部信息,充分挖掘序列的依賴性,通過全連接網(wǎng)絡(luò)實(shí)現(xiàn)抑郁癥的準(zhǔn)確識(shí)別。另外,還對(duì)比了其準(zhǔn)確率、參數(shù)量和訓(xùn)練時(shí)間。為避免單次實(shí)驗(yàn)結(jié)果的偶然性,重復(fù)進(jìn)行10次實(shí)驗(yàn)求取平均值作為最終結(jié)果,如表5所示。

    對(duì)比CNN-BiLSTM模型和本文模型,AM將計(jì)算資源集中在權(quán)重較大的特征上,從而減少了時(shí)間開銷,而且在準(zhǔn)確率上得到進(jìn)一步提升了4.62%。

    圖6展示了CNN-BiLSTM和CBAM模型的準(zhǔn)確率和損失函數(shù)的變化過程。其中,CBAM模型訓(xùn)練過程更穩(wěn)定,識(shí)別抑郁的準(zhǔn)確率最終穩(wěn)定在99.10%的位置,明顯優(yōu)于CNN-BiLSTM模型。通過消融實(shí)驗(yàn)說明,添加注意力機(jī)制模塊保證了較高的識(shí)別率,模型能將注意力更多地集中在抑郁特征明顯的區(qū)域,從而起到了關(guān)鍵性的作用。

    為了驗(yàn)證模型的先進(jìn)性,本文將分類結(jié)果與2017至2021年最先進(jìn)的抑郁識(shí)別算法進(jìn)行了比較,所有算法的使用的數(shù)據(jù)集都是HUSM數(shù)據(jù)集。另一方面,為了進(jìn)行公平的比較,所有方法均采用10倍交叉驗(yàn)證技術(shù)進(jìn)行驗(yàn)證,如表6所示。

    從表6可以看出,本文提出的方法分類性能依舊表現(xiàn)最佳。其中,在小波變換+LR和 Alpha能量+DBN或SVM的機(jī)器學(xué)習(xí)方法上,輸入的特征太過單一,無法蘊(yùn)含豐富的EEG抑郁特征,模型識(shí)別率過低,分類性能較差;在與1DCNN+LSTM的比較上,突顯了注意力機(jī)制的對(duì)局部信息的捕捉,CBAM在準(zhǔn)確率上提升了3.13%;在不對(duì)稱圖像+CNN的比較上,由于單一的CNN模型只提取了腦電信號(hào)的空域和頻域特征,忽視了EEG的時(shí)域特征。綜合來看,本文提出的方法比其他網(wǎng)絡(luò)表現(xiàn)性能最高。另外,混淆矩陣是二分類任務(wù)中常見的評(píng)價(jià)指標(biāo),使用訓(xùn)練好的模型對(duì)測試集756個(gè)樣本進(jìn)行分類效果測試?;煜仃嚾鐖D7所示,由混淆矩陣計(jì)算得模型的單次測試準(zhǔn)確率為99.10%。

    3.7 數(shù)據(jù)增強(qiáng)的結(jié)果

    第1.4節(jié)詳細(xì)描述了圖像領(lǐng)域常用的4種數(shù)據(jù)增強(qiáng)方法,因?yàn)閷?duì)數(shù)據(jù)進(jìn)行簡單的空間變化(翻轉(zhuǎn)、滑動(dòng)、旋轉(zhuǎn))或數(shù)值變化(噪聲相加),簡單易行。還有其他的數(shù)據(jù)增強(qiáng)方法,如GAN[22]和AutoAugment[23]等,但是考慮到場景的適用性,本文只比較了四種常用的數(shù)據(jù)增強(qiáng)方法。

    在本實(shí)驗(yàn)中,加噪增強(qiáng)方法優(yōu)勢最為明顯,因?yàn)樵摲椒▽?duì)空間特征分布的影響最小,降低了網(wǎng)絡(luò)過擬合的風(fēng)險(xiǎn),準(zhǔn)確率為99.10%,比基本精度提高了4.80%?;瑒?dòng)窗口策略比原本提高了1.80%。而采用的翻轉(zhuǎn)和旋轉(zhuǎn)兩種增強(qiáng)方法精度下降2.2%~4.2%。圖8詳細(xì)顯示了不同數(shù)據(jù)增強(qiáng)對(duì)實(shí)驗(yàn)準(zhǔn)確率的影響。

    造成這一現(xiàn)象的原因是添加噪聲策略優(yōu)化了特征的空域分布。因?yàn)樯窠?jīng)網(wǎng)絡(luò)很可能會(huì)學(xué)習(xí)到無用的高頻特征,比如地形圖中不良電極引起的高頻噪聲導(dǎo)致過擬合的現(xiàn)象。均值為0的高斯噪聲在所有頻率點(diǎn)上都有數(shù)據(jù),可以有效緩解高頻噪聲的影響,在一定程度上增強(qiáng)學(xué)習(xí)能力。同樣認(rèn)為滑動(dòng)窗口策略也引入了一些無關(guān)但有用的噪聲,這些噪聲會(huì)影響腦地形圖的分布,增強(qiáng)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。另外,本文采用的翻轉(zhuǎn)和旋轉(zhuǎn)策略降低了模型的性能,因?yàn)橐钟舢a(chǎn)生的特征在大腦不同區(qū)域是不對(duì)稱的,這是網(wǎng)絡(luò)需要學(xué)習(xí)的內(nèi)容。這兩種方法生成的特征圖像包含了大量的空域信息,而且會(huì)破壞特征的空間分布。

    4 結(jié) 論

    在這項(xiàng)工作中,本文提出了一個(gè)新的二元分類模型,提取EEG的空域、時(shí)域和頻域特征。采用CWT信號(hào)處理方法,將得到的空間、頻率和時(shí)間信息與CBAM模型相結(jié)合進(jìn)行分類。同時(shí),為了減少數(shù)據(jù)樣本量小引起的過擬合問題,使用了4種數(shù)據(jù)增強(qiáng)的方法來擴(kuò)展數(shù)據(jù)集。加入噪聲策略后,數(shù)據(jù)的分類準(zhǔn)確率提高了6.30%。實(shí)驗(yàn)結(jié)果表明,多域特征融合的 CBAM模型在公共數(shù)據(jù)集上取得了99.10%的準(zhǔn)確率。通過對(duì)比實(shí)驗(yàn)驗(yàn)證了該方法的有效性和優(yōu)越性。但仍存在一些需要改進(jìn)的問題:本研究僅對(duì)心理狀態(tài)進(jìn)行定性分析,應(yīng)將定量分析加入到未來的研究中。例如,可以根據(jù)程度來檢測抑郁癥,可分為正常、輕度、中度、重度。

    參 考 文 獻(xiàn):

    [1] REDDY M S. Depression-the Global Crisis[J]. Indian Journal of Psychological Medicine, 2012, 34(3): 201.

    [2] SHARMILA V J, PONMANI P R. Depression Detection in Working Environment Using 2D CSM and CNN with EEG Signals[C]//2022 9th International Conference on Computing for Sustainable Global Development (INDIACom). IEEE, 2022: 722.

    [3] SEAL A, BAJPAI R, AGNIHOTRI J, et al. DeprNet: A Deep Convolution Neural Network Framework for Detecting Depression Using EEG[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70: 1.

    [4] 柳秀,馬善濤,謝怡寧,等.面向軸承故障診斷的深度學(xué)習(xí)方法[J].哈爾濱理工大學(xué)學(xué)報(bào),2022,27(4):118.

    LIU Xiu, MA Shantao, XIE Yining, et al. Deep Learning Method for Bearing Fault Diagnosis[J]. Journal of Harbin University of Science and Technology, 2022, 27 (4): 118.

    [5] 蘭朝鳳,陳英淇,林小佳,等.面向語音分離的GA_FastICA算法[J].哈爾濱理工大學(xué)學(xué)報(bào),2022,27(6):80.

    LAN Chaofeng, CHEN Yingqi, LIN Xiaojia, et al. GA_FastICA Algorithm for Speech Separation[J]. Journal of Harbin University of Science and Technology, 2022, 27(6): 80.

    [6] 王照偉,劉傳帥,趙文祥,等.多尺度多任務(wù)注意力卷積神經(jīng)網(wǎng)絡(luò)滾動(dòng)軸承故障診斷方法[J/OL].電機(jī)與控制學(xué)報(bào):1[2023-06-28].

    WANG Zhaowei, LIU Chuanshuai, ZHAO Wenxiang, et al. Multi-scale Multi-task Attention Convolutional Neural Network Rolling Bearing Fault Diagnosis Method [J/OL]. Journal of Electrical Machinery and Control: 1[2023-06-28].

    [7] ZHENG X, CHEN W. An Attention-based Bi-LSTM Method for Visual Object Classification Via EEG[J]. Biomedical Signal Processing and Control, 2021, 63: 102174.

    [8] GRIN-YATSENKO V A, BAAS I, PONOMAREV V A, et al. Independent Component Approach to the Analysis of EEG Recordings at Early Stages of Depressive Disorders[J]. Clinical Neurophysiology, 2010, 121(3): 281.

    [9] BASHIVAN P, RISH I, YEASIN M, et al. Learning Representations from EEG with Deep Recurrent-convolutional Neural Networks[J]. arXiv Preprint arXiv:1511.06448, 2015.

    [10]AKIMA H. A New Method of Interpolation and Smooth Curve Fitting Based on Local Procedures[J]. Journal of the ACM (JACM), 1970, 17(4): 589.

    [11]MUMTAZ W, XIA L, MOHD YASIN M A, et al. A Wavelet-based Technique to Predict Treatment Outcome for Major Depressive Disorder[J]. PloS One, 2017, 12(2): e0171409.

    [12]KLEM G H. The Ten-twenty Electrode System of the International Federation. the Internanional Federation of Clinical Nenrophysiology[J]. Electroencephalogr. Clin. Neurophysiol. Suppl., 1999, 52: 3.

    [13]劉澤新,王希貴,林文樹.基于Adams的森林防火機(jī)器人履帶平臺(tái)設(shè)計(jì)與動(dòng)力學(xué)仿真[J].森林工程, 2021,37(5):65.

    LIU Zexin, WANG Xigui, LIN Wenshu. Design and Dynamics Simulation of Forest Fire Prevention Robot Crawler Platform Based on Adams[J]. Forest Engineering, 2021,37(5):65.

    [14]LI X, LA R, WANG Y, et al. EEG-based Mild Depression Recognition Using Convolutional Neural Network[J]. Medical & Biological Engineering & Computing, 2019, 57: 1341.

    [15]HAMID D S B A, GOYAL S B, BEDI P. Integration of Deep Learning for Improved Diagnosis of Depression Using EEG and Facial Features[J]. Materials Today: Proceedings, 2023, 80: 1965.

    [16]WANG Z, MA Z, LIU W, et al. A Depression Diagnosis Method Based on the Hybrid Neural Network and Attention Mechanism[J]. Brain Sciences, 2022, 12(7): 834.

    [17]MAHATO S, PAUL S. Detection of Major Depressive Disorder Using Linear and Non-linear Features from EEG Signals[J]. Microsystem Technologies, 2019, 25(3): 1065.

    [18]MAHATO S, PAUL S. Classification of Depression Patients and Normal Subjects Based on Electroencephalogram (EEG) Signal Using Alpha Power and Theta Asymmetry[J]. Journal of Medical Systems, 2020, 44(1): 1.

    [19]MUMTAZ W, QAYYUM A. A Deep Learning Framework for Automatic Diagnosis of Unipolar Depression[J]. International Journal of Medical Informatics, 2019, 132: 103983.

    [20]KANG M, KWON H, PARK J H, et al. Deep-asymmetry: Asymmetry Matrix Image for Deep Learning Method in Pre-screening Depression[J]. Sensors, 2020, 20(22): 6526.

    [21]SAEEDI M, SAEEDI A, MAGHSOUDI A. Major Depressive Disorder Assessment Via Enhanced K-nearest Neighbor Method and EEG Signals[J]. Physical and Engineering Sciences in Medicine, 2020, 43(3): 1007.

    [22]顧永濤,徐澤禹,盛慶博,等.基于生成對(duì)抗網(wǎng)絡(luò)的光伏出力區(qū)間預(yù)測方法[J].哈爾濱理工大學(xué)報(bào), 2021,26(2):100.

    GU Yongtao, XU Zeyu, SHENG Qingbo, et al. Photovoltaic Output Interval Prediction Method Based on Generative Confrontation Network[J]. Journal of Harbin University of Science and Technology, 2021,26(2):100.

    [23]CUBUK E D, ZOPH B, MANE D, et al. Autoaugment: Learning Augmentation Policies from Data[J]. arXiv Preprint arXiv:1805.09501, 2018.

    (編輯:溫澤宇)

    xxxhd国产人妻xxx| 中文字幕人妻丝袜一区二区| 色精品久久人妻99蜜桃| 精品一区二区三区四区五区乱码| 中文字幕另类日韩欧美亚洲嫩草| 美女视频免费永久观看网站| 中文字幕精品免费在线观看视频| 免费观看精品视频网站| 丁香六月欧美| 不卡av一区二区三区| 女同久久另类99精品国产91| 少妇粗大呻吟视频| 黄网站色视频无遮挡免费观看| 久久久久久人人人人人| 午夜福利视频在线观看免费| av视频免费观看在线观看| 国产欧美日韩精品亚洲av| 久久中文字幕人妻熟女| 亚洲精华国产精华精| 亚洲人成伊人成综合网2020| 久久午夜综合久久蜜桃| 丝袜美足系列| 在线观看免费高清a一片| 亚洲欧美一区二区三区久久| 免费在线观看影片大全网站| 国产亚洲欧美在线一区二区| 免费在线观看黄色视频的| 50天的宝宝边吃奶边哭怎么回事| 每晚都被弄得嗷嗷叫到高潮| 国产亚洲欧美在线一区二区| 在线观看免费午夜福利视频| 热re99久久国产66热| 中文亚洲av片在线观看爽 | 久久午夜亚洲精品久久| 亚洲情色 制服丝袜| 亚洲专区国产一区二区| 免费在线观看完整版高清| 亚洲国产精品一区二区三区在线| 亚洲成a人片在线一区二区| 国产激情欧美一区二区| 婷婷精品国产亚洲av在线 | 亚洲自偷自拍图片 自拍| 亚洲欧美精品综合一区二区三区| 夜夜夜夜夜久久久久| 久久热在线av| 丰满人妻熟妇乱又伦精品不卡| 少妇猛男粗大的猛烈进出视频| 超碰成人久久| 久久久久久免费高清国产稀缺| 美女午夜性视频免费| 美女高潮喷水抽搐中文字幕| 亚洲九九香蕉| 中文欧美无线码| 成年女人毛片免费观看观看9 | 一边摸一边做爽爽视频免费| 无遮挡黄片免费观看| 捣出白浆h1v1| 久久亚洲真实| 日本vs欧美在线观看视频| 9色porny在线观看| 久久久久国产精品人妻aⅴ院 | 久久久精品国产亚洲av高清涩受| √禁漫天堂资源中文www| 国产成人精品久久二区二区免费| 亚洲五月色婷婷综合| 涩涩av久久男人的天堂| 99re6热这里在线精品视频| 亚洲av日韩在线播放| 操出白浆在线播放| 在线播放国产精品三级| 黑人操中国人逼视频| 天堂俺去俺来也www色官网| 涩涩av久久男人的天堂| www.999成人在线观看| 日韩欧美免费精品| 欧美色视频一区免费| 老司机福利观看| 亚洲精品av麻豆狂野| 在线观看66精品国产| 男女午夜视频在线观看| 人人妻人人爽人人添夜夜欢视频| 男女之事视频高清在线观看| 国产成人影院久久av| 99久久精品国产亚洲精品| 成年动漫av网址| 国产欧美亚洲国产| 天天操日日干夜夜撸| 亚洲熟女精品中文字幕| 熟女少妇亚洲综合色aaa.| 看免费av毛片| www日本在线高清视频| 999精品在线视频| 9热在线视频观看99| 老汉色∧v一级毛片| 国产真人三级小视频在线观看| 精品一区二区三卡| 亚洲精品粉嫩美女一区| 午夜福利在线观看吧| 91国产中文字幕| 精品无人区乱码1区二区| 欧洲精品卡2卡3卡4卡5卡区| 9191精品国产免费久久| 丰满饥渴人妻一区二区三| 国产一区在线观看成人免费| 啦啦啦 在线观看视频| 久久精品成人免费网站| 99热网站在线观看| 黄色怎么调成土黄色| 国产乱人伦免费视频| 丝瓜视频免费看黄片| 亚洲视频免费观看视频| 极品教师在线免费播放| 久久久国产成人免费| 色尼玛亚洲综合影院| 久久精品国产综合久久久| 国产亚洲精品久久久久久毛片 | 最新的欧美精品一区二区| 女人精品久久久久毛片| 一级毛片精品| 国产精品免费视频内射| 人人妻,人人澡人人爽秒播| 日韩制服丝袜自拍偷拍| 国产野战对白在线观看| 自线自在国产av| 一本综合久久免费| 国产一区二区三区视频了| 精品人妻在线不人妻| 亚洲精品粉嫩美女一区| 久久九九热精品免费| 美女 人体艺术 gogo| 精品国产乱子伦一区二区三区| 少妇 在线观看| 久久国产乱子伦精品免费另类| 90打野战视频偷拍视频| 欧美亚洲 丝袜 人妻 在线| 亚洲免费av在线视频| 国产成人av激情在线播放| 午夜激情av网站| 国产精品影院久久| 黄片小视频在线播放| 高清黄色对白视频在线免费看| 国内毛片毛片毛片毛片毛片| 欧美精品人与动牲交sv欧美| 国产麻豆69| 国产片内射在线| 女性被躁到高潮视频| 午夜免费成人在线视频| 99精品欧美一区二区三区四区| 美女高潮喷水抽搐中文字幕| 免费女性裸体啪啪无遮挡网站| 亚洲一区二区三区欧美精品| 国产精华一区二区三区| 在线观看日韩欧美| 99久久精品国产亚洲精品| 午夜成年电影在线免费观看| 亚洲精品久久午夜乱码| 欧美乱码精品一区二区三区| 国产乱人伦免费视频| 亚洲国产欧美日韩在线播放| 老熟女久久久| 国产精品香港三级国产av潘金莲| 人人妻人人爽人人添夜夜欢视频| 欧美日韩中文字幕国产精品一区二区三区 | 久久久久久久国产电影| 亚洲精品美女久久久久99蜜臀| 69av精品久久久久久| 老司机午夜十八禁免费视频| 亚洲欧美日韩高清在线视频| 久久久精品区二区三区| 在线永久观看黄色视频| 在线看a的网站| 久久久久久亚洲精品国产蜜桃av| 热re99久久国产66热| 久久久久久人人人人人| 日本精品一区二区三区蜜桃| 久久精品成人免费网站| 欧美中文综合在线视频| 国产精品久久久久成人av| 免费黄频网站在线观看国产| 国产男女超爽视频在线观看| 国产极品粉嫩免费观看在线| 人人澡人人妻人| 在线观看www视频免费| 91麻豆精品激情在线观看国产 | 青草久久国产| 亚洲欧洲精品一区二区精品久久久| 欧美国产精品va在线观看不卡| 嫩草影视91久久| 国产一区二区激情短视频| 一级片免费观看大全| 久久久国产一区二区| 欧美乱码精品一区二区三区| 日本五十路高清| 亚洲av日韩精品久久久久久密| 69精品国产乱码久久久| xxx96com| 国产视频一区二区在线看| 亚洲视频免费观看视频| 视频在线观看一区二区三区| 国产激情久久老熟女| 99国产精品一区二区三区| 涩涩av久久男人的天堂| 久久国产精品大桥未久av| 国产成人一区二区三区免费视频网站| 丁香六月欧美| 午夜精品国产一区二区电影| 18禁国产床啪视频网站| 亚洲精华国产精华精| 99久久综合精品五月天人人| 欧美人与性动交α欧美软件| 丁香欧美五月| 国产欧美日韩一区二区三| 最近最新免费中文字幕在线| 校园春色视频在线观看| www日本在线高清视频| 男女午夜视频在线观看| 99国产综合亚洲精品| 极品人妻少妇av视频| 免费一级毛片在线播放高清视频 | 国产精品免费大片| 国产精品1区2区在线观看. | 中文欧美无线码| 亚洲在线自拍视频| 久久久久久免费高清国产稀缺| 精品人妻熟女毛片av久久网站| 18在线观看网站| 国产高清videossex| 亚洲中文字幕日韩| 精品乱码久久久久久99久播| 日韩人妻精品一区2区三区| 国产精品欧美亚洲77777| 免费日韩欧美在线观看| 欧美精品高潮呻吟av久久| 亚洲国产精品一区二区三区在线| 色综合欧美亚洲国产小说| 美女国产高潮福利片在线看| 午夜福利乱码中文字幕| 老鸭窝网址在线观看| 成人影院久久| 丰满饥渴人妻一区二区三| 日本精品一区二区三区蜜桃| 欧美成狂野欧美在线观看| 久久 成人 亚洲| 国产在线一区二区三区精| 亚洲九九香蕉| 中文字幕色久视频| 天天躁日日躁夜夜躁夜夜| 亚洲欧美色中文字幕在线| 亚洲国产精品一区二区三区在线| 欧美成人免费av一区二区三区 | 999精品在线视频| 五月开心婷婷网| 99热网站在线观看| 99国产精品一区二区三区| 黄色女人牲交| a在线观看视频网站| 亚洲精品久久午夜乱码| 欧美亚洲日本最大视频资源| www.999成人在线观看| 精品福利观看| 国产男靠女视频免费网站| 满18在线观看网站| 在线av久久热| 下体分泌物呈黄色| 91麻豆精品激情在线观看国产 | 精品一区二区三区四区五区乱码| 搡老熟女国产l中国老女人| 亚洲国产精品sss在线观看 | 99re6热这里在线精品视频| 日韩有码中文字幕| 看黄色毛片网站| 无遮挡黄片免费观看| 最近最新中文字幕大全免费视频| 免费av中文字幕在线| 身体一侧抽搐| 欧美激情极品国产一区二区三区| 日本一区二区免费在线视频| 国产成人精品久久二区二区免费| 91成人精品电影| 久久99一区二区三区| 国产日韩一区二区三区精品不卡| 国产精品综合久久久久久久免费 | 免费一级毛片在线播放高清视频 | 精品少妇久久久久久888优播| 老熟妇仑乱视频hdxx| 亚洲av电影在线进入| 中文字幕色久视频| 黄色成人免费大全| 亚洲成av片中文字幕在线观看| 人人妻人人澡人人看| 美国免费a级毛片| 欧美在线黄色| 最近最新中文字幕大全免费视频| 正在播放国产对白刺激| 国产精品久久久久久精品古装| 黄色视频,在线免费观看| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产欧美日韩在线播放| 欧美日韩乱码在线| 色尼玛亚洲综合影院| 欧美亚洲日本最大视频资源| 大陆偷拍与自拍| 日本vs欧美在线观看视频| 在线观看66精品国产| 亚洲精品国产精品久久久不卡| 成年女人毛片免费观看观看9 | 人妻一区二区av| 精品无人区乱码1区二区| 成年人午夜在线观看视频| 欧美激情 高清一区二区三区| 亚洲一卡2卡3卡4卡5卡精品中文| 高清欧美精品videossex| 黄色女人牲交| 亚洲人成电影免费在线| 不卡av一区二区三区| 捣出白浆h1v1| 日韩有码中文字幕| 99国产精品一区二区三区| 精品乱码久久久久久99久播| 日本vs欧美在线观看视频| 国产精品免费视频内射| 亚洲精品粉嫩美女一区| 国产精品亚洲av一区麻豆| 在线观看免费视频日本深夜| 久久久久久久午夜电影 | 久久人妻av系列| 91字幕亚洲| 亚洲av欧美aⅴ国产| 精品一区二区三区av网在线观看| 每晚都被弄得嗷嗷叫到高潮| 亚洲九九香蕉| 亚洲欧洲精品一区二区精品久久久| 一进一出抽搐gif免费好疼 | 18在线观看网站| 中文字幕av电影在线播放| 免费少妇av软件| 亚洲五月婷婷丁香| 中文字幕高清在线视频| 国产亚洲精品第一综合不卡| 国产精品久久久久久人妻精品电影| 夜夜躁狠狠躁天天躁| 欧美精品高潮呻吟av久久| 久久精品亚洲av国产电影网| 91在线观看av| 80岁老熟妇乱子伦牲交| 男人的好看免费观看在线视频 | 极品人妻少妇av视频| 国产精品1区2区在线观看. | 日本撒尿小便嘘嘘汇集6| 侵犯人妻中文字幕一二三四区| 日韩三级视频一区二区三区| 国产单亲对白刺激| 精品国产亚洲在线| 国内毛片毛片毛片毛片毛片| 国产精品永久免费网站| 激情视频va一区二区三区| 国产免费现黄频在线看| 自拍欧美九色日韩亚洲蝌蚪91| 久久久精品区二区三区| 亚洲人成77777在线视频| 夫妻午夜视频| 国产成人欧美| 大陆偷拍与自拍| 日韩欧美在线二视频 | 成年人黄色毛片网站| 日韩免费高清中文字幕av| 久久天堂一区二区三区四区| 国产欧美日韩一区二区精品| 一本大道久久a久久精品| 午夜免费观看网址| 精品无人区乱码1区二区| 水蜜桃什么品种好| 亚洲精品粉嫩美女一区| 成人三级做爰电影| 老司机靠b影院| 成在线人永久免费视频| 国产精品欧美亚洲77777| 飞空精品影院首页| 国产亚洲精品久久久久5区| 久久人人爽av亚洲精品天堂| 十八禁高潮呻吟视频| 老鸭窝网址在线观看| 久久国产亚洲av麻豆专区| 波多野结衣av一区二区av| 亚洲av熟女| 精品国产乱子伦一区二区三区| 国产一区有黄有色的免费视频| 最新的欧美精品一区二区| 99久久99久久久精品蜜桃| 精品国产美女av久久久久小说| x7x7x7水蜜桃| 在线观看66精品国产| 欧美成人午夜精品| 国产不卡一卡二| 在线观看免费午夜福利视频| 757午夜福利合集在线观看| 亚洲熟妇中文字幕五十中出 | 亚洲一区高清亚洲精品| 在线观看免费视频日本深夜| 久久香蕉国产精品| 亚洲avbb在线观看| 亚洲三区欧美一区| 免费观看人在逋| 丰满迷人的少妇在线观看| 日本五十路高清| 亚洲精品国产色婷婷电影| 窝窝影院91人妻| 人妻 亚洲 视频| 日韩一卡2卡3卡4卡2021年| 一边摸一边做爽爽视频免费| 国产av精品麻豆| 久久国产精品人妻蜜桃| 午夜福利视频在线观看免费| 国产色视频综合| 热99国产精品久久久久久7| 男女床上黄色一级片免费看| e午夜精品久久久久久久| 大香蕉久久网| 国产精品免费视频内射| 亚洲av日韩精品久久久久久密| √禁漫天堂资源中文www| 国产在线一区二区三区精| 一区二区三区精品91| 国产亚洲精品一区二区www | 制服人妻中文乱码| 亚洲成人免费av在线播放| 一级作爱视频免费观看| 成年人午夜在线观看视频| 国产av精品麻豆| 国产aⅴ精品一区二区三区波| 精品久久久久久,| 别揉我奶头~嗯~啊~动态视频| 亚洲精品成人av观看孕妇| 亚洲av日韩在线播放| 亚洲中文日韩欧美视频| 国内久久婷婷六月综合欲色啪| 亚洲av片天天在线观看| 亚洲视频免费观看视频| 成人国语在线视频| 亚洲国产欧美日韩在线播放| 国产精品 国内视频| 人人妻人人澡人人爽人人夜夜| 免费久久久久久久精品成人欧美视频| 欧美+亚洲+日韩+国产| 丝袜人妻中文字幕| 色老头精品视频在线观看| 国产免费现黄频在线看| 久久人妻av系列| 精品人妻在线不人妻| 亚洲成国产人片在线观看| 大型黄色视频在线免费观看| 久久九九热精品免费| 亚洲一区中文字幕在线| 人人妻人人澡人人爽人人夜夜| 人人妻人人添人人爽欧美一区卜| 日韩成人在线观看一区二区三区| 久久天躁狠狠躁夜夜2o2o| 韩国av一区二区三区四区| 国产三级黄色录像| 精品久久久久久久久久免费视频 | 欧美日韩黄片免| 国产精品 国内视频| 高清欧美精品videossex| 美女高潮到喷水免费观看| 91老司机精品| 80岁老熟妇乱子伦牲交| 少妇的丰满在线观看| 国产精品影院久久| 99香蕉大伊视频| 999久久久精品免费观看国产| 日韩大码丰满熟妇| 岛国在线观看网站| 99在线人妻在线中文字幕 | 身体一侧抽搐| 国产伦人伦偷精品视频| 国产精品永久免费网站| 日本欧美视频一区| 欧美丝袜亚洲另类 | 成人av一区二区三区在线看| 一边摸一边抽搐一进一小说 | 天天操日日干夜夜撸| 香蕉久久夜色| 亚洲精品国产精品久久久不卡| www.熟女人妻精品国产| 亚洲国产看品久久| 亚洲精品乱久久久久久| 纯流量卡能插随身wifi吗| 亚洲人成电影观看| 亚洲欧美精品综合一区二区三区| 一个人免费在线观看的高清视频| 亚洲 欧美一区二区三区| 午夜福利,免费看| 国产高清videossex| 两个人免费观看高清视频| 一级片'在线观看视频| 丁香欧美五月| 女人精品久久久久毛片| 免费看a级黄色片| 免费不卡黄色视频| www.自偷自拍.com| 免费观看a级毛片全部| 老汉色∧v一级毛片| 国产色视频综合| 亚洲三区欧美一区| 丝袜人妻中文字幕| 侵犯人妻中文字幕一二三四区| a级毛片在线看网站| 欧美日韩瑟瑟在线播放| 亚洲性夜色夜夜综合| 精品卡一卡二卡四卡免费| 老司机影院毛片| 色综合婷婷激情| 日韩熟女老妇一区二区性免费视频| 91精品国产国语对白视频| 国产三级黄色录像| 人妻 亚洲 视频| 高清av免费在线| 国产不卡一卡二| 亚洲国产中文字幕在线视频| 国产xxxxx性猛交| 亚洲欧美激情综合另类| 乱人伦中国视频| aaaaa片日本免费| 亚洲伊人色综图| 国产成人一区二区三区免费视频网站| 日韩免费av在线播放| 久久香蕉激情| 日韩免费av在线播放| 无人区码免费观看不卡| 午夜精品国产一区二区电影| 在线观看免费午夜福利视频| 日韩免费av在线播放| 18禁黄网站禁片午夜丰满| 久久久久久久国产电影| 在线观看日韩欧美| 午夜精品国产一区二区电影| 日本一区二区免费在线视频| 老熟女久久久| 久久久久久亚洲精品国产蜜桃av| 国产一区有黄有色的免费视频| 成年女人毛片免费观看观看9 | 亚洲国产欧美一区二区综合| 欧美日韩精品网址| 午夜福利在线观看吧| 国产亚洲精品久久久久久毛片 | 在线观看www视频免费| 国产av又大| 一进一出抽搐gif免费好疼 | 欧美一级毛片孕妇| 精品视频人人做人人爽| 国产片内射在线| 黄片小视频在线播放| 久久热在线av| 亚洲熟妇熟女久久| 色综合婷婷激情| 大陆偷拍与自拍| 亚洲va日本ⅴa欧美va伊人久久| 亚洲aⅴ乱码一区二区在线播放 | 国产高清国产精品国产三级| 亚洲第一青青草原| 看免费av毛片| 午夜福利在线免费观看网站| 国产在视频线精品| 天天操日日干夜夜撸| 亚洲欧美日韩另类电影网站| 欧美精品一区二区免费开放| 女人被躁到高潮嗷嗷叫费观| 精品无人区乱码1区二区| 国产野战对白在线观看| 人妻久久中文字幕网| 国产免费av片在线观看野外av| 丰满迷人的少妇在线观看| 久久久久精品人妻al黑| 亚洲成人手机| 一夜夜www| 侵犯人妻中文字幕一二三四区| 青草久久国产| 天天躁夜夜躁狠狠躁躁| 两人在一起打扑克的视频| 日韩 欧美 亚洲 中文字幕| 国产激情久久老熟女| 国产精品免费一区二区三区在线 | 精品电影一区二区在线| 两人在一起打扑克的视频| 国产xxxxx性猛交| 久久久久精品国产欧美久久久| 99re6热这里在线精品视频| 看片在线看免费视频| 欧美黑人欧美精品刺激| 窝窝影院91人妻| 香蕉丝袜av| 9热在线视频观看99| 国产精华一区二区三区| 国产欧美日韩一区二区三区在线| 成人国语在线视频| 国产精品久久久人人做人人爽| 人人妻人人添人人爽欧美一区卜| 色94色欧美一区二区| 欧美 亚洲 国产 日韩一| 日韩人妻精品一区2区三区| 在线观看www视频免费| 18禁黄网站禁片午夜丰满| 久久国产乱子伦精品免费另类| 美女扒开内裤让男人捅视频| 欧美老熟妇乱子伦牲交| 真人做人爱边吃奶动态| 日本a在线网址| 亚洲熟女毛片儿| 人人妻人人澡人人看| 亚洲第一av免费看| av天堂久久9| 国产免费现黄频在线看| 亚洲国产精品合色在线| 在线观看免费日韩欧美大片| 99国产极品粉嫩在线观看|