欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

基于DEAP數(shù)據(jù)集與SVM的腦電情感識別:從預(yù)處理到模型調(diào)優(yōu)全流程實(shí)踐

基于DEAP數(shù)據(jù)集與SVM的腦電情感識別:從預(yù)處理到模型調(diào)優(yōu)全流程實(shí)踐 簡介本資源是一套面向腦機(jī)接口與情感計(jì)算方向研究者的完整論文代碼實(shí)現(xiàn)方案聚焦DEAP數(shù)據(jù)集上的四分類情緒識別任務(wù)效價(jià)-喚醒二維象限劃分適用于具備MATLAB基礎(chǔ)與機(jī)器學(xué)習(xí)入門知識的研究生及科研人員。資源包含16個文件以10個核心MATLAB腳本如頻帶濾波、DWT特征提取、SVM訓(xùn)練等、3個Jupyter Notebook含KNN對比實(shí)驗(yàn)、1篇PDF論文、1份README說明及輔助文本文件為主總大小僅488KB結(jié)構(gòu)緊湊、模塊清晰便于復(fù)現(xiàn)實(shí)驗(yàn)流程與特征工程細(xì)節(jié)。已有3636人學(xué)習(xí)下載讀者可直接運(yùn)行代碼完成從原始EEG信號預(yù)處理、α/β/θ頻帶分離、箱線圖特征篩選、統(tǒng)計(jì)特征偏度、峰度、波熵構(gòu)建到SVM四分類建模的全流程并獲得92.36%測試準(zhǔn)確率結(jié)果顯著優(yōu)于現(xiàn)有主流方法附帶可視化腳本支持特征分布與分類效果分析。1. 項(xiàng)目背景與核心目標(biāo)最近在整理過往的研究項(xiàng)目翻到了一個基于DEAP數(shù)據(jù)集做情感識別的老項(xiàng)目感覺挺有意思的。這個項(xiàng)目說白了就是通過分析人的腦電信號來判斷他/她當(dāng)前是高興、悲傷、平靜還是興奮。聽起來有點(diǎn)科幻但其實(shí)背后的技術(shù)路徑已經(jīng)相當(dāng)成熟。當(dāng)時我用的是經(jīng)典的機(jī)器學(xué)習(xí)方法核心流程就是從原始的腦電信號里提取特征然后用支持向量機(jī)SVM去訓(xùn)練一個分類器。整個過程在MATLAB里實(shí)現(xiàn)從數(shù)據(jù)預(yù)處理、特征工程到模型訓(xùn)練和評估一條龍搞定。今天這篇文章我就把這個項(xiàng)目的完整實(shí)現(xiàn)思路、關(guān)鍵代碼和踩過的坑系統(tǒng)地梳理一遍希望能給對腦機(jī)接口、情感計(jì)算或者信號處理感興趣的朋友提供一個清晰的參考模板。無論你是剛?cè)腴T的研究生還是想快速復(fù)現(xiàn)一個baseline的工程師這篇內(nèi)容應(yīng)該都能幫到你。DEAP數(shù)據(jù)集在情感計(jì)算領(lǐng)域算是“明星數(shù)據(jù)集”了它包含了32位被試者在觀看音樂視頻時的腦電EEG和外圍生理信號如肌電、皮電等并且對每段視頻都進(jìn)行了效價(jià)Valence、喚醒度Arousal、支配度Dominance和喜愛度Liking的評分。我們通常取效價(jià)和喚醒度這兩個維度將它們劃分為高/低兩類然后組合成四個象限就對應(yīng)了四種情感狀態(tài)高喚醒高效價(jià)HAHV可理解為興奮/高興、高喚醒低效價(jià)HALV可理解為焦慮/憤怒、低喚醒高效價(jià)LAHV可理解為平靜/放松、低喚醒低效價(jià)LALV可理解為悲傷/低落。我們的任務(wù)就是讓機(jī)器通過腦電信號認(rèn)出這四種狀態(tài)。2. DEAP數(shù)據(jù)集預(yù)處理與關(guān)鍵理解拿到DEAP數(shù)據(jù)集后第一步不是急著跑代碼而是先理解它的數(shù)據(jù)結(jié)構(gòu)。DEAP數(shù)據(jù)以MAT文件.mat格式提供通常包含兩個關(guān)鍵變量data和labels。data是一個4維數(shù)組維度通常是參與者 × 視頻片段 × 通道 × 數(shù)據(jù)點(diǎn)例如 32 x 40 x 32 x 8064。這里8064對應(yīng)的是63秒的視頻片段采樣頻率是128Hz所以63*1288064個數(shù)據(jù)點(diǎn)。labels則包含了每個視頻片段對應(yīng)的效價(jià)、喚醒度等評分。預(yù)處理的目標(biāo)是把原始的、充滿噪聲的腦電信號變成干凈、可用于特征提取的信號。這個過程至關(guān)重要直接決定了后續(xù)特征的質(zhì)量和模型的性能上限。2.1 數(shù)據(jù)加載與維度重塑首先我們需要把數(shù)據(jù)加載進(jìn)來并轉(zhuǎn)換成更易于處理的格式。原始的四維數(shù)組在操作時不太方便我們通常會把數(shù)據(jù)重塑成二維矩陣樣本 × 特征但這里先按被試和試驗(yàn)進(jìn)行分割。% 假設(shè)數(shù)據(jù)文件為 DEAP_data.mat load(DEAP_data.mat); % 這會加載變量 data 和 labels % 查看數(shù)據(jù)維度 [num_participants, num_trials, num_channels, num_samples] size(data); disp([數(shù)據(jù)維度: , num2str(num_participants), 參與者, , ... num2str(num_trials), 試驗(yàn), , num2str(num_channels), 通道, , ... num2str(num_samples), 采樣點(diǎn)]); % 提取標(biāo)簽這里以效價(jià)和喚醒度為例假設(shè)它們是labels的前兩列 valence_labels labels(:, 1); % 效價(jià)維度 arousal_labels labels(:, 2); % 喚醒度維度2.2 腦電信號預(yù)處理流程詳解腦電信號非常微弱容易受到眼電EOG、肌電EMG、工頻干擾50Hz等噪聲污染。標(biāo)準(zhǔn)的預(yù)處理流程包括以下幾步重參考原始腦電記錄通常是單極導(dǎo)聯(lián)需要一個參考點(diǎn)。DEAP數(shù)據(jù)已使用平均參考這一步通??梢蕴^但了解其概念很重要。平均參考是假設(shè)所有電極電位的平均值為零將每個通道的信號減去所有通道的平均值有助于減少共同噪聲。帶通濾波保留有用的腦電節(jié)律成分。一般認(rèn)為與情感相關(guān)的腦電成分分布在Delta(1-4Hz), Theta(4-8Hz), Alpha(8-13Hz), Beta(13-30Hz), Gamma(30-45Hz)等頻段。我們通常用一個較寬的帶通濾波器比如0.5Hz到45Hz以保留大部分有效信息同時濾除極低頻的漂移和高頻的肌電噪聲。陷波濾波去除工頻干擾50Hz或60Hz取決于地區(qū)。在中國是50Hz。分段與基線校正DEAP數(shù)據(jù)已經(jīng)是觀看視頻期間的63秒連續(xù)數(shù)據(jù)。有時我們需要進(jìn)行更短時間窗的分析如分析事件相關(guān)電位ERP但在這個項(xiàng)目中我們直接使用整個63秒的片段作為一個樣本?;€校正通常指減去一段“靜息”或“刺激前”時期的平均幅值以消除個體直流偏移。DEAP數(shù)據(jù)在提供前可能已做過處理但為了嚴(yán)謹(jǐn)我們可以計(jì)算每個試驗(yàn)最開始一小段如前1秒數(shù)據(jù)的均值然后從整個試驗(yàn)數(shù)據(jù)中減去它。下面是用MATLAB實(shí)現(xiàn)濾波的示例代碼。我強(qiáng)烈推薦使用EEGLAB或FieldTrip這些專業(yè)的腦電處理工具箱它們功能強(qiáng)大且穩(wěn)定。但為了理解原理這里用MATLAB內(nèi)置函數(shù)演示% 定義采樣頻率和濾波器參數(shù) Fs 128; % DEAP采樣率 low_cutoff 0.5; % 高通截止頻率 (Hz) high_cutoff 45.0; % 低通截止頻率 (Hz) notch_freq 50; % 陷波頻率 (Hz) % 設(shè)計(jì)一個帶通濾波器例如使用巴特沃斯濾波器 order 4; % 濾波器階數(shù) [b_band, a_band] butter(order, [low_cutoff, high_cutoff]/(Fs/2), bandpass); % 設(shè)計(jì)一個陷波濾波器 wo notch_freq/(Fs/2); % 歸一化頻率 bw wo/35; % 帶寬 [b_notch, a_notch] iirnotch(wo, bw); % 假設(shè)我們處理一個被試一個試驗(yàn)的一個通道數(shù)據(jù) trial_eeg (1 x 8064) % 1. 帶通濾波 filtered_eeg filtfilt(b_band, a_band, trial_eeg); % 使用filtfilt實(shí)現(xiàn)零相位濾波 % 2. 陷波濾波 filtered_eeg filtfilt(b_notch, a_notch, filtered_eeg); % 注意對多通道數(shù)據(jù)需要循環(huán)處理每個通道。 % 更高效的做法是使用eeglab的pop_eegfiltnew函數(shù) % EEG pop_eegfiltnew(EEG, low_cutoff, high_cutoff); % EEG pop_eegfiltnew(EEG, notch_freq-1, notch_freq1, [], 1); % 陷波注意filtfilt函數(shù)執(zhí)行的是零相位濾波它通過對數(shù)據(jù)正向和反向各濾波一次消除了濾波器帶來的相位延遲這對于后續(xù)的時頻分析非常重要。但它的計(jì)算量是普通濾波的兩倍。2.3 標(biāo)簽生成從維度到四分類DEAP的原始標(biāo)簽是連續(xù)的效價(jià)和喚醒度評分1-9分。我們需要將其離散化為高/低兩類通常以中值5為界。% 假設(shè)valence_labels和arousal_labels是來自所有試驗(yàn)的向量 valence_threshold 5; arousal_threshold 5; % 生成二值標(biāo)簽 valence_binary valence_labels valence_threshold; % 1高效價(jià)0低效價(jià) arousal_binary arousal_labels arousal_threshold; % 1高喚醒0低喚醒 % 組合成四分類標(biāo)簽 (1: LALV, 2: LAHV, 3: HALV, 4: HAHV) % 注意這里的映射關(guān)系可以根據(jù)你的情感模型定義調(diào)整 four_class_labels zeros(size(valence_labels)); four_class_labels(~arousal_binary ~valence_binary) 1; % 低喚醒低效價(jià) four_class_labels(~arousal_binary valence_binary) 2; % 低喚醒高效價(jià) four_class_labels(arousal_binary ~valence_binary) 3; % 高喚醒低效價(jià) four_class_labels(arousal_binary valence_binary) 4; % 高喚醒高效價(jià) % 檢查類別分布 tabulate(four_class_labels)類別不平衡是情感識別中常見的問題。DEAP數(shù)據(jù)集的四個類別分布可能不是完全均勻的。如果差異較大在后續(xù)訓(xùn)練模型時需要考慮采用加權(quán)SVM、過采樣如SMOTE或欠采樣等策略。3. 時頻域特征提取從信號到信息特征提取是情感識別的核心。腦電信號在時域上看就是一條隨時間變化的電壓曲線信息隱藏很深。時頻分析能告訴我們信號的能量在不同頻率成分上是如何隨時間變化的這比單純的時域或頻域特征更能捕捉情感的動態(tài)特性。3.1 為何選擇時頻域特征情感變化不是瞬間切換的而是一個動態(tài)過程。例如從平靜到興奮大腦中Alpha波8-13Hz的能量可能會降低去同步化而Beta波13-30Hz的能量可能會增加。單純的頻域特征如整個片段的功率譜會丟失時間信息而單純的時域特征如均值、方差對頻率不敏感。時頻分析如小波變換、短時傅里葉變換提供了“時間-頻率”二維平面上的能量分布讓我們能夠提取諸如“在視頻播放的第20秒到30秒前額葉Theta波能量上升”這樣的動態(tài)特征這對情感識別至關(guān)重要。3.2 基于短時傅里葉變換STFT的特征提取實(shí)踐STFT是理解時頻分析最直觀的工具。它的思想很簡單把長信號分成許多短的、重疊的片段對每個片段做傅里葉變換從而得到每個時間點(diǎn)附近的頻率成分。% 假設(shè) filtered_eeg 是一個預(yù)處理后的單通道腦電信號 (1 x N) signal filtered_eeg; N length(signal); Fs 128; % 設(shè)置STFT參數(shù) window_length 256; % 窗長對應(yīng)2秒 (256/1282)。窗越長頻率分辨率越高時間分辨率越低。 noverlap 128; % 重疊點(diǎn)數(shù)通常為窗長的一半。重疊越多時頻圖越平滑。 nfft 512; % FFT點(diǎn)數(shù)通常大于等于窗長。決定頻率軸的精細(xì)度。 % 計(jì)算STFT [S, F, T] spectrogram(signal, window_length, noverlap, nfft, Fs); % S是復(fù)數(shù)矩陣維度為 (nfft/21) x 時間窗數(shù) % F是頻率向量 % T是時間向量每個窗的中心時間 % 計(jì)算功率譜密度 (PSD) P abs(S).^2; % 現(xiàn)在P就是一個時頻能量矩陣。我們可以從中提取各種特征。從時頻矩陣P中我們可以提取多種特征特定頻帶功率這是最常用的特征。先定義頻帶范圍然后對P矩陣中對應(yīng)頻率區(qū)間的功率進(jìn)行求和或平均。% 定義經(jīng)典頻帶邊界 (Hz) band_defs { Delta, 1, 4; Theta, 4, 8; Alpha, 8, 13; Beta, 13, 30; Gamma, 30, 45; }; % 初始化特征向量 band_powers []; for i 1:size(band_defs, 1) band_name band_defs{i, 1}; f_low band_defs{i, 2}; f_high band_defs{i, 3}; % 找到頻率向量F中在頻帶內(nèi)的索引 freq_indices (F f_low) (F f_high); % 計(jì)算該頻帶在所有時間窗上的總功率然后對所有時間窗取平均 % 也可以考慮取對數(shù)(log)使分布更接近正態(tài) band_power_total sum(P(freq_indices, :), 1); % 對頻率維求和得到每個時間窗的該頻帶功率 band_power_mean mean(band_power_total); % 對所有時間窗求平均得到一個標(biāo)量特征 % band_power_log log(band_power_mean eps); % 取對數(shù)加eps防止為0 band_powers [band_powers, band_power_mean]; end % 現(xiàn)在 band_powers 是一個1x5的向量包含5個頻帶的平均功率時頻統(tǒng)計(jì)特征我們可以把時頻矩陣P看作一幅圖像計(jì)算其統(tǒng)計(jì)特性。平均功率mean(P(:))功率標(biāo)準(zhǔn)差std(P(:))功率偏度/峰度skewness(P(:)),kurtosis(P(:))描述功率分布的形態(tài)。譜熵將每個時間點(diǎn)的功率譜歸一化為概率分布計(jì)算其香農(nóng)熵反映頻譜的復(fù)雜度或平坦度。% 計(jì)算譜熵 (Spectral Entropy) % 對每個時間窗的功率譜進(jìn)行歸一化 P_norm zeros(size(P)); for t 1:size(P, 2) p_slice P(:, t); p_slice p_slice / sum(p_slice); % 歸一化為概率分布 P_norm(:, t) p_slice; end % 計(jì)算每個時間窗的譜熵 spectral_entropy_per_window -sum(P_norm .* log2(P_norm eps), 1); % 取所有時間窗譜熵的平均值作為特征 mean_spectral_entropy mean(spectral_entropy_per_window);微分熵特征在腦電分析中微分熵Differential Entropy, DE被證明是有效的特征特別是在基于頻帶的特征提取中。對于一段服從高斯分布N(μ, σ^2)的信號其微分熵計(jì)算公式為0.5 * log(2πeσ^2)。在實(shí)際操作中我們通常假設(shè)每個頻帶內(nèi)的信號近似服從高斯分布因此可以用該頻帶功率的對數(shù)變換來近似微分熵。許多研究直接使用log(頻帶功率)作為特征效果很好。% 基于之前計(jì)算的 band_power_total (每個時間窗的頻帶功率) de_features []; for i 1:size(band_defs, 1) % 假設(shè) band_power_total 是之前計(jì)算好的第i個頻帶的功率時間序列 % 這里需要重新計(jì)算每個頻帶每個時間窗的功率 freq_indices (F band_defs{i, 2}) (F band_defs{i, 3}); band_power_per_window sum(P(freq_indices, :), 1); % 1 x 時間窗數(shù) % 計(jì)算該頻帶功率的微分熵近似為對數(shù)功率 % 可以對每個時間窗取對數(shù)后平均也可以先平均再取對數(shù)效果略有不同 de_per_window log(band_power_per_window eps); mean_de mean(de_per_window); de_features [de_features, mean_de]; end3.3 多通道特征融合與特征向量構(gòu)建上面我們只針對一個通道進(jìn)行了特征提取。DEAP有32個通道或64個我們需要對所有通道重復(fù)上述過程然后將所有特征拼接成一個長向量代表一個試驗(yàn)樣本。% 假設(shè)我們有一個函數(shù) extract_features_from_channel(eeg_signal, Fs) % 它輸入一個通道的信號輸出一個特征向量 (例如 5個頻帶功率 1個譜熵 6維) num_channels 32; features_per_trial []; for ch 1:num_channels single_channel_signal squeeze(data(participant_idx, trial_idx, ch, :)); % 獲取指定被試、試驗(yàn)、通道的數(shù)據(jù) single_channel_signal preprocess_eeg(single_channel_signal, Fs); % 預(yù)處理函數(shù) ch_features extract_features_from_channel(single_channel_signal, Fs); features_per_trial [features_per_trial, ch_features]; end % 最終features_per_trial 是一個 1 x (6 * 32) 1 x 192 維的特征向量。這就是一個樣本的特征向量。對數(shù)據(jù)集中的所有試驗(yàn)和所有被試重復(fù)此操作注意要按被試劃分訓(xùn)練測試集避免數(shù)據(jù)泄露我們就能得到特征矩陣X(樣本數(shù) x 特征數(shù)) 和標(biāo)簽向量y。實(shí)操心得特征維度會爆炸式增長通道數(shù) x 每通道特征數(shù)。32個通道每個通道提取6個特征就是192維。如果使用更復(fù)雜的時頻特征如Hjorth參數(shù)、分形維數(shù)等維度會更高。高維特征容易導(dǎo)致“維數(shù)災(zāi)難”并且包含大量冗余信息。因此特征選擇是必不可少的后續(xù)步驟。我們可以使用方差閾值、相關(guān)系數(shù)、遞歸特征消除RFE或基于模型如L1正則化的方法來篩選出最具有判別力的特征子集。在項(xiàng)目初期為了快速驗(yàn)證流程可以先用所有特征但最終一定要做特征選擇來優(yōu)化模型。4. 支持向量機(jī)分類器的構(gòu)建與調(diào)優(yōu)特征準(zhǔn)備好之后就進(jìn)入了建模階段。支持向量機(jī)SVM在小樣本、高維度的分類問題上表現(xiàn)優(yōu)異并且可以通過核函數(shù)處理非線性問題非常適合作為腦電情感識別的基線分類器。4.1 SVM原理簡述與核函數(shù)選擇SVM的核心思想是尋找一個最優(yōu)超平面使得兩類樣本到這個超平面的“間隔”最大化。對于線性不可分的數(shù)據(jù)SVM通過“核技巧”將數(shù)據(jù)映射到高維空間使其在高維空間中線性可分。常用的核函數(shù)有線性核K(x, z) x^T * z。參數(shù)少速度快可解釋性強(qiáng)。如果特征已經(jīng)足夠好或者特征維度很高線性核往往就能取得不錯的效果并且不容易過擬合。徑向基函數(shù)核K(x, z) exp(-γ * ||x - z||^2)。也叫高斯核是最常用的非線性核。它能夠處理非常復(fù)雜的非線性關(guān)系但需要調(diào)節(jié)兩個超參數(shù)懲罰系數(shù)C和核系數(shù)γ。γ定義了單個樣本的影響范圍γ越大影響范圍越小決策邊界越復(fù)雜容易過擬合γ越小決策邊界越平滑容易欠擬合。對于腦電情感識別由于特征與情感狀態(tài)之間的關(guān)系可能是非線性的RBF核通常是首選。但我的經(jīng)驗(yàn)是先用線性核試一下。如果線性核的準(zhǔn)確率已經(jīng)接近或達(dá)到你的預(yù)期那么就用它因?yàn)槟P透唵巍⒏?、更不容易過擬合。如果線性核效果不佳再切換到RBF核進(jìn)行精細(xì)調(diào)參。4.2 MATLAB中SVM的實(shí)現(xiàn)與關(guān)鍵步驟MATLAB的統(tǒng)計(jì)和機(jī)器學(xué)習(xí)工具箱Statistics and Machine Learning Toolbox提供了fitcsvm函數(shù)用于訓(xùn)練SVM分類器。對于多分類問題MATLAB默認(rèn)使用“一對一”策略。% 假設(shè)我們已經(jīng)準(zhǔn)備好了特征矩陣 X (n_samples x n_features) 和標(biāo)簽 y (n_samples x 1) % 1. 數(shù)據(jù)標(biāo)準(zhǔn)化 (非常重要) % SVM對特征的尺度敏感特別是使用RBF核時。必須標(biāo)準(zhǔn)化。 [X_train_scaled, mu, sigma] zscore(X_train); % 訓(xùn)練集標(biāo)準(zhǔn)化 X_test_scaled (X_test - mu) ./ sigma; % 測試集使用訓(xùn)練集的均值和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化 % 2. 訓(xùn)練一個簡單的線性SVM作為基線 linear_svm_model fitcsvm(X_train_scaled, y_train, ... KernelFunction, linear, ... Standardize, false, ... % 我們已經(jīng)手動標(biāo)準(zhǔn)化了所以這里設(shè)為false BoxConstraint, 1, ... % 懲罰系數(shù) C默認(rèn)是1 ClassNames, unique(y_train), ... Verbose, 1); % 3. 在測試集上預(yù)測 [y_pred_linear, score_linear] predict(linear_svm_model, X_test_scaled); accuracy_linear sum(y_pred_linear y_test) / numel(y_test); fprintf(線性SVM準(zhǔn)確率: %.2f%%\n, accuracy_linear * 100);如果線性SVM效果不理想我們轉(zhuǎn)向RBF核并需要進(jìn)行超參數(shù)調(diào)優(yōu)。最常用的方法是網(wǎng)格搜索交叉驗(yàn)證。4.3 超參數(shù)網(wǎng)格搜索與交叉驗(yàn)證C和γ的最佳值需要通過交叉驗(yàn)證來尋找。C控制誤分類的懲罰力度C越大模型越不允許犯錯決策邊界越復(fù)雜γ控制RBF核的寬度。% 定義參數(shù)網(wǎng)格 C_values [0.001, 0.01, 0.1, 1, 10, 100, 1000]; gamma_values [0.001, 0.01, 0.1, 1, 10, 100]; % 注意gamma 1/(2*sigma^2)有些定義不同 % 初始化最佳參數(shù)和準(zhǔn)確率 best_accuracy 0; best_C 1; best_gamma 1; % 創(chuàng)建交叉驗(yàn)證分區(qū) (例如5折) cv cvpartition(y_train, KFold, 5); % 網(wǎng)格搜索 for C C_values for gamma gamma_values fprintf(正在嘗試 C%.3f, gamma%.3f...\n, C, gamma); % 初始化本輪交叉驗(yàn)證的準(zhǔn)確率列表 fold_accuracies zeros(cv.NumTestSets, 1); for fold 1:cv.NumTestSets % 獲取當(dāng)前折的訓(xùn)練/驗(yàn)證索引 trainIdx cv.training(fold); testIdx cv.test(fold); % 劃分?jǐn)?shù)據(jù) X_fold_train X_train_scaled(trainIdx, :); y_fold_train y_train(trainIdx); X_fold_val X_train_scaled(testIdx, :); y_fold_val y_train(testIdx); % 訓(xùn)練SVM svm_model fitcsvm(X_fold_train, y_fold_train, ... KernelFunction, rbf, ... KernelScale, 1/sqrt(gamma), ... % MATLAB的KernelScale參數(shù)是sigmagamma1/(2*sigma^2) BoxConstraint, C, ... Standardize, false); % 驗(yàn)證 y_fold_pred predict(svm_model, X_fold_val); fold_accuracies(fold) sum(y_fold_pred y_fold_val) / numel(y_fold_val); end % 計(jì)算平均交叉驗(yàn)證準(zhǔn)確率 mean_cv_accuracy mean(fold_accuracies); fprintf( 平均CV準(zhǔn)確率: %.4f\n, mean_cv_accuracy); % 更新最佳參數(shù) if mean_cv_accuracy best_accuracy best_accuracy mean_cv_accuracy; best_C C; best_gamma gamma; end end end fprintf(\n最佳參數(shù): C %.3f, gamma %.3f, 最佳CV準(zhǔn)確率: %.4f\n, best_C, best_gamma, best_accuracy); % 使用最佳參數(shù)在整個訓(xùn)練集上訓(xùn)練最終模型 final_svm_model fitcsvm(X_train_scaled, y_train, ... KernelFunction, rbf, ... KernelScale, 1/sqrt(best_gamma), ... BoxConstraint, best_C, ... Standardize, false); % 在獨(dú)立測試集上評估最終模型 [y_pred_final, score_final] predict(final_svm_model, X_test_scaled); test_accuracy sum(y_pred_final y_test) / numel(y_test); fprintf(最終模型在測試集上的準(zhǔn)確率: %.2f%%\n, test_accuracy * 100);踩坑提醒數(shù)據(jù)泄露標(biāo)準(zhǔn)化zscore必須在劃分訓(xùn)練集和測試集之后分別進(jìn)行。必須用訓(xùn)練集的均值和標(biāo)準(zhǔn)差去標(biāo)準(zhǔn)化測試集絕對不能用整個數(shù)據(jù)集計(jì)算均值和標(biāo)準(zhǔn)差然后統(tǒng)一標(biāo)準(zhǔn)化否則測試集信息就“泄露”到訓(xùn)練過程了會嚴(yán)重高估模型性能。類別不平衡如果四個情感類別樣本數(shù)差異很大需要在fitcsvm中設(shè)置Prior參數(shù)為empirical讓模型根據(jù)訓(xùn)練數(shù)據(jù)自動調(diào)整先驗(yàn)概率或者設(shè)置Weights參數(shù)給少數(shù)類更高的權(quán)重。網(wǎng)格搜索的代價(jià)參數(shù)網(wǎng)格C_values和gamma_values的乘積乘以交叉驗(yàn)證折數(shù)就是需要訓(xùn)練模型的次數(shù)。如果數(shù)據(jù)量大、特征多這個過程會非常耗時??梢詮拇志W(wǎng)格開始如[0.01, 0.1, 1, 10, 100]找到大致范圍后再在附近進(jìn)行精細(xì)搜索。也可以使用更高效的優(yōu)化算法如貝葉斯優(yōu)化bayesopt函數(shù)。MATLAB的KernelScale注意fitcsvm的KernelScale參數(shù)對應(yīng)的是RBF核公式中的sigma而通常我們說的gamma參數(shù)是1/(2*sigma^2)。所以代碼中我們用1/sqrt(gamma)來轉(zhuǎn)換。務(wù)必理清你所用工具包對核參數(shù)的定義。5. 模型評估、結(jié)果分析與可視化得到一個準(zhǔn)確率數(shù)字只是開始更重要的是理解模型在哪里做得好在哪里做得不好。5.1 超越準(zhǔn)確率全面的評估指標(biāo)對于四分類問題混淆矩陣Confusion Matrix是最直觀的工具。% 計(jì)算混淆矩陣 C confusionmat(y_test, y_pred_final); % 使用內(nèi)置函數(shù)繪圖更美觀 figure; confusionchart(C, {LALV, LAHV, HALV, HAHV}); % 按你的標(biāo)簽順序 title(SVM分類器混淆矩陣);從混淆矩陣中我們可以計(jì)算每個類別的精確率Precision、召回率Recall和F1分?jǐn)?shù)。% 計(jì)算每類的性能指標(biāo) num_classes 4; precision zeros(num_classes, 1); recall zeros(num_classes, 1); f1_score zeros(num_classes, 1); for i 1:num_classes TP C(i, i); FP sum(C(:, i)) - TP; FN sum(C(i, :)) - TP; precision(i) TP / (TP FP eps); recall(i) TP / (TP FN eps); f1_score(i) 2 * (precision(i) * recall(i)) / (precision(i) recall(i) eps); end % 顯示結(jié)果 class_names {LALV, LAHV, HALV, HAHV}; for i 1:num_classes fprintf(類別 %s: 精確率%.3f, 召回率%.3f, F1%.3f\n, ... class_names{i}, precision(i), recall(i), f1_score(i)); end % 計(jì)算宏平均F1 macro_f1 mean(f1_score); fprintf(宏平均F1分?jǐn)?shù): %.3f\n, macro_f1);為什么F1分?jǐn)?shù)很重要在類別不平衡的情況下準(zhǔn)確率可能會被大類別主導(dǎo)而虛高。比如90%的樣本都是“平靜”模型只要全部預(yù)測“平靜”就能得到90%的準(zhǔn)確率但這毫無意義。F1分?jǐn)?shù)是精確率和召回率的調(diào)和平均能更好地衡量模型對每個類別的識別能力宏平均F1對所有類別一視同仁。5.2 結(jié)果可視化與解讀特征重要性分析對于線性SVM可以通過檢查權(quán)重向量w的絕對值大小來估計(jì)特征的重要性。權(quán)重絕對值越大說明該特征對決策的影響越大。if strcmp(final_svm_model.KernelParameters.Function, linear) w final_svm_model.Beta; % 權(quán)重系數(shù) [sorted_w, idx] sort(abs(w), descend); top_n 20; fprintf(重要性排名前%d的特征索引:\n, top_n); disp(idx(1:top_n)); % 你可以將這些索引映射回具體的通道和特征類型如“F3通道的Alpha功率” end決策邊界可視化降維后對于高維數(shù)據(jù)我們可以使用t-SNE或PCA將其降到2維或3維然后畫出樣本點(diǎn)和SVM的決策邊界需要訓(xùn)練一個在降維空間上的新SVM這有助于直觀感受數(shù)據(jù)的可分性。% 使用PCA降維到2維 [coeff, score, latent] pca(X_train_scaled); X_train_2d score(:, 1:2); % 在2維數(shù)據(jù)上重新訓(xùn)練一個SVM僅用于可視化 svm_2d fitcsvm(X_train_2d, y_train, KernelFunction, rbf, Standardize, false); % 創(chuàng)建網(wǎng)格用于繪制決策區(qū)域 x1range min(X_train_2d(:,1))-1 : 0.1 : max(X_train_2d(:,1))1; x2range min(X_train_2d(:,2))-1 : 0.1 : max(X_train_2d(:,2))1; [xx1, xx2] meshgrid(x1range, x2range); XGrid [xx1(:), xx2(:)]; % 預(yù)測網(wǎng)格點(diǎn)的類別 [~, scores] predict(svm_2d, XGrid); % 繪制決策區(qū)域和樣本點(diǎn) figure; h gscatter(X_train_2d(:,1), X_train_2d(:,2), y_train, brgk, o*^v); hold on; contour(xx1, xx2, reshape(scores(:,4), size(xx1)), [0 0], k-, LineWidth, 2); % 繪制第4類HAHV的決策邊界 xlabel(PCA主成分1); ylabel(PCA主成分2); title(PCA降維后的數(shù)據(jù)分布與SVM決策邊界示例); legend(LALV,LAHV,HALV,HAHV, Decision Boundary); hold off;5.3 與基線模型和現(xiàn)有研究的對比為了評估你的SVM模型是否有效需要設(shè)立基線進(jìn)行比較。隨機(jī)猜測基線四分類問題的隨機(jī)猜測準(zhǔn)確率是25%。多數(shù)類基線預(yù)測為訓(xùn)練集中樣本數(shù)最多的類別計(jì)算其在測試集上的準(zhǔn)確率。簡單分類器基線如最近鄰分類器KNNK1或決策樹最大深度5。% 多數(shù)類基線 majority_class mode(y_train); y_pred_majority repmat(majority_class, size(y_test)); accuracy_majority sum(y_pred_majority y_test) / numel(y_test); fprintf(多數(shù)類基線準(zhǔn)確率: %.2f%%\n, accuracy_majority * 100); % 1-NN基線 knn_model fitcknn(X_train_scaled, y_train, NumNeighbors, 1, Standardize, false); y_pred_knn predict(knn_model, X_test_scaled); accuracy_knn sum(y_pred_knn y_test) / numel(y_test); fprintf(1-NN基線準(zhǔn)確率: %.2f%%\n, accuracy_knn * 100);如果你的SVM模型顯著優(yōu)于這些基線例如準(zhǔn)確率超過40%F1分?jǐn)?shù)超過0.4并且與相關(guān)論文中報(bào)告的基于DEAP的SVM性能通常在55%-70%之間取決于特征、通道選擇和分類任務(wù)處于同一量級那么你的工作就是有效的。6. 項(xiàng)目總結(jié)、局限性與進(jìn)階方向走完整個流程從數(shù)據(jù)預(yù)處理、特征提取到模型訓(xùn)練評估一個完整的基于SVM的腦電情感識別項(xiàng)目就完成了?;仡櫿麄€過程有幾個關(guān)鍵點(diǎn)值得再次強(qiáng)調(diào)預(yù)處理是基石濾波和去噪的質(zhì)量直接決定了特征提取的上限。務(wù)必根據(jù)腦電信號的特性選擇合適的濾波參數(shù)。特征工程是核心時頻域特征特別是頻帶功率、微分熵對情感識別非常有效。嘗試組合不同類型的特征時域、頻域、非線性特征有時能提升性能但要注意維度控制。模型調(diào)優(yōu)是藝術(shù)SVM的性能對超參數(shù)和特征尺度敏感。網(wǎng)格搜索交叉驗(yàn)證是標(biāo)準(zhǔn)做法但計(jì)算成本高。務(wù)必做好數(shù)據(jù)標(biāo)準(zhǔn)化防止泄露。評估要全面不要只看準(zhǔn)確率混淆矩陣和F1分?jǐn)?shù)能揭示模型在各類別上的具體表現(xiàn)尤其是在數(shù)據(jù)不平衡時。本項(xiàng)目的局限性特征手工設(shè)計(jì)我們提取的時頻特征是手工設(shè)計(jì)的依賴于領(lǐng)域知識。這可能不是最優(yōu)的表示。通道選擇我們使用了所有通道但有些通道可能對情感識別貢獻(xiàn)很小甚至引入噪聲。通道選擇是一個重要的優(yōu)化方向。個體差異腦電信號存在巨大的個體差異。在一個被試上訓(xùn)練好的模型在另一個被試上可能效果很差。這就是“被試獨(dú)立”評估的挑戰(zhàn)。SVM的局限性SVM雖然強(qiáng)大但對于非常復(fù)雜的非線性關(guān)系其表現(xiàn)可能不如深度神經(jīng)網(wǎng)絡(luò)。進(jìn)階方向深度學(xué)習(xí)端到端學(xué)習(xí)使用卷積神經(jīng)網(wǎng)絡(luò)直接從原始腦電信號或時頻圖中學(xué)習(xí)特征避免手工特征工程。例如EEGNet、DeepConvNet等網(wǎng)絡(luò)結(jié)構(gòu)在此任務(wù)上表現(xiàn)出色??绫辉噷W(xué)習(xí)與域自適應(yīng)研究如何讓模型更好地泛化到新被試??梢允褂糜蜃赃m應(yīng)、遷移學(xué)習(xí)或元學(xué)習(xí)等方法。多模態(tài)融合DEAP數(shù)據(jù)集除了EEG還有外周生理信號GSR, RESP, EMG等。融合多模態(tài)信息可以顯著提升情感識別的魯棒性和準(zhǔn)確性。時序建模情感是動態(tài)變化的使用循環(huán)神經(jīng)網(wǎng)絡(luò)或Transformer對腦電信號的時間序列進(jìn)行建??梢圆蹲狡鋭討B(tài)演化模式。更精細(xì)的情感模型除了四分類也可以嘗試回歸任務(wù)直接預(yù)測效價(jià)和喚醒度的連續(xù)值或者探索更復(fù)雜的情感模型。這個項(xiàng)目提供了一個堅(jiān)實(shí)的起點(diǎn)。你可以基于這個代碼框架嘗試不同的特征、不同的分類器、不同的預(yù)處理方法逐步深入腦電情感識別這個有趣且充滿挑戰(zhàn)的領(lǐng)域。代碼的模塊化設(shè)計(jì)使得替換特征提取模塊或分類器模塊變得非常容易祝你實(shí)驗(yàn)順利。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
欧美VA在线观看| 性色天| 婷婷五月丁香综合激情小说| 婷婷亚洲丁香五月| 激情婷婷综合五月少妇| 99热国产这里只有精品| 婷婷中文字幕| 婷婷的99视频网站| 色色色综合网| 少妇人妻人伦A片| 亚洲精品一区中文字幕乱码| 国产露脸150部国语对白| 婷婷五月丁香六月| 极品人妻VIDEOSSS人妻| 日本色99网站| 9精品一区| 成人短视频免费观看| 影音先锋综合网| 丁香五月婷婷色偷偷| 婷婷五月天丁香激情| 婷婷五月天久久综合88| 色婷婷基地| 99色在线观看免费| 嫩BBB槡BBBB搡BBBB视频| 五月婷婷免费| 婷婷色影院| 99视频久久| 亚洲欧洲另类| 九九这里精品| 青青草激情网| 亚洲欧美婷婷五月色综合| 色婷婷av在线观看| 熟妇无码乱子成人精品| 亚洲韩国日产综合AV| 人妻在线网站| www超碰| 久久99热这里| 综合婷婷五月丁香在线观看| 天天色图| 国产毛片精品一区二区色欲黄A片| 伊人五月婷| 91窝窝| 久久新地此| 五月天婷婷色色| WWW丁香五月| 精品少妇蜜臀91| 天天色,天天日,天天做| 超碰99在线观看| 久久综合五月天| 丰满少妇猛烈A片免费看观看| ztEJj| 婷婷色在线播放| 91狠狠综合久久久| 丁香六月视频免费观看| 操久久网| 婷婷丁香五月天激情四射| 亚州婷婷五月激情综合| 99婷婷五月天| 激情五月亚洲| 色欲天天综合| 狠狠色 综合色区| 91热手机在线| 琪琪理论片| 激情五月婷婷伊人| 91人操| 色综合久久888| 色99色| 久久综合人妻| 任我肏视频精品| 欧洲亚洲免费视频9| 第四色五月激情网| 婷婷色六月| 五月婷婷影| 青青草伊人婷婷| 久9热视频| 精品国产va久久久久| 日本成人小说婷婷六月| 91人妻人人做人碰人人爽九色| 色久综合| 亚洲爱婷婷| 桃色五月婷婷| 五月花免费视频| 热99这就是精品视频| 亚洲婷婷性爱| 99热婷婷| 五月天伊人网| 俺也去色| 婷婷九月激情| 国产午夜精品久久久观看| caop在线视频| 中文字幕av久久爽| 五月丁香久久精品在线观看| 亚洲色频| 51精品国自产在线| 99熟女| 五月天婷婷青青草| 综合激情视频| 久久在线92| ji'qing'luan'ren'lun| 久操热线| www.99免费视频| 六月婷婷五月丁香首页| 伊人玖玖婷婷| 婷婷五月天桃花网| 99,色| 欧美国产一区二区三区| 激情婷婷丁香| 在线中文字幕视频| 五月丁香激情综合网| 亚洲色五月| 婷婷久久女人| 欧美丁香六月激情视频| 九九热在线99| 久久综合播放| 色丁香五月天婷婷| AAA级久久久精品| 在线婷婷| 99综合网| 丁香五月熟女| 人人看人人草人人摸| 婷婷综合五月| 亚洲性视频| 天天透天天摸天天舔| 97自拍视频在线| 九九热99在线视频| 伊人深爱综合| 婷婷香草网| 国产激情久久久| 五月天亭亭俺也| 亚洲国产精品二二三三区| 91色操| 五月婷婷影| 99网| 婷婷五月天激情四射五月天激情| 五月婷婷六月丁香综合| 欧美日韩国产一区| 在线观看免费狠狠色丁香香综合| 天天舔天天操| 日本性视频| 综合激情五月天| 亚洲人成色A777777在线观看| 国产一二区爆乳_1国产日韩一区二区三-成人AV| 丁香六月激情| 成人婷婷| 玖玖99免费视频| 99亚洲无码| 国产午夜成人AV在线播放| 婷婷丁香五月天综合AV| 色啪网| 婷婷色色欧美| 日本婷色| 九九99男女视频在线观看| 婷婷五月色丁香在线看| 内射在线CHINESE| 久久网站免费亚洲| 欧美性丁香色色五月天干干| 性爱综合网| 尔尔AV一区| 伊人狼人干| 啪啪啪啪五月天| 婷婷狠狠操| 9191avse| 五月天丁香网| 97操操| 国产精品色婷婷99久久精品| 久久婷中文字幕| 激情六月婷| 99婷婷精品推荐在线视频| 青青草性爱视频| 色播婷婷五月天| 碰97久久| 九九99免费视频| 碰97久久| 色五月综合网| 99色视频在线观看最新| 超碰在线人妻| 婷婷丁香五月天婷婷| 97自拍视频在线| 99热日韩| 丁香五月天堂网| 大香蕉手机视频| 欧美人人操| 成人丁香色| 婷婷五月天综合久久| 久久久A级视频| 五月丁香综合激情网| Www.久久| 欧美五月婷婷| 五月婷婷啪啪啪| 久草A片| 婷婷精品在线| 激情99| 丁香五月婷婷无码AV| 337p大胆噜噜噜噜噜91Av| 五月丁香久人妻中文| 99九九视频| 99视频超级精品| 99热这里| 婷婷色5月天在线。| 欧美成人一区二区三区在线视频| 开心色播色五月婷婷| 91919191919久久成人视频| 色五月婷婷激情五月| 国产AV熟妇人震精品一品二区| 色色啊| 噼里啪啦在线观看免费完整版视频| 操人妻90p| 色婷婷成人做爰A片免费看网站| 人妻性操逼中文字幕 国产| 日本va欧美va国产激情| 婷婷五月天亚洲色| 丁香五月婷婷综合激情哟哟哟| 夜丁香综合| 97在线/日本| 久久婷婷亚洲| 玖玖国产视频一区| XX色综合| 婷婷久久丁香| 婷婷丁香五月综合| 乱精品一区字幕二区| 婷婷激情5月| 亚洲婷婷综合视频| 超碰在线人人| 99热久只有精品首页| 婷婷九月色| 亚洲性爱99在线| 91碰操| 丁香五月天资源网| 激情久久久| 少妇AB又爽又紧无码网站| 玖操97| 亚洲AV日韩AV永久无码网站| 激情五月综合网最新| 99视频精品全部免费看| 婷婷.com| 激情伊人五月天| 五月婷婷深深爱| 99热成人| 九九久热| 超碰在线观看9| 九九热精品视频| 婷婷五月天性| 26.uuu丁香五月婷婷| 色99在线| 亚洲色小说在线综合| 久久一操| 91日本在线观看| 爱的综合网| 久re在线| 99色在线视频| 五月婷婷激情久久| 激情四射网| 九九色热| 久久只有18视频| 久久人人九| 日韩成人电影AV| 婷婷之六月丁香| 五月亭亭欧美女人| 欧美va在线| 亚洲男人的天堂婷婷色五月| 久久婷网| 婷婷丁香日韩五月| 丁香六月婷婷开心| 天插天啪天啪天啪| 人人摸人人操人人爽| 免费视频WWW在线观看网站| 五月天婷婷丁香社区| 久久精典| 久久99草五月婷婷| 五月天婷婷丁香| 五月天色官网| 91精品91久久久中77777久久玖玖九九| 午夜一区| 五月亭亭开心网| 欧美成性色| 婷婷五月天天激情| 婷婷五月色| 五月天婷婷视频| 天天色月| 色蜜婷婷| 5月丁香美女影院| 五月丁香激情婷婷| 丁香五月天视频在线播放| 96精品久久久久久久久| 狠狠色丁香乆乆| 久久怡红院| 色综合夜夜| 99re在线免费视频| 免费视频WWW在线观看网站| 六月婷婷色色色| 天天干天天日日| 操操自拍| 丁香婷婷综合影院| 精国产品一区二区三区A片| 九九在线视频| 六月丁香激情综合| 五月天五月色婷婷综合| 99九九视频| 人人插操| 激情五月天影院| 国产亚洲99久久精品| 67194线路二在线观看| 伊人久久大香线蕉av最新| 婷婷五月久久| 综合五月天亚洲婷婷| 九九九九九九综合| 婷婷五月丁香青青草在线| 久久婷婷精品| 五月天婷婷综合网| 思思久久99热只有频精品66| 五月丁香综合网色欲| 久久宗合影| AA片在线观看视频在线播放| 五月天婷婷在线播放| 欧美美女国产日韩一区二区久| 日亚二欧美| 影音先锋91网站在线观看| 色五月婷婷色| 99色在线观看视频| 色婷婷色五月天| 色婷婷在线视频久| 亚洲免费看片| 久热久操久热久草国产91| 精品香蕉99久久久久网站| 日本三级日本三级99| 久久九九99亚洲国产久精综合| 中文字幕在线观看视频www| 99久高清视频| yjzz亚洲国产| 最新高清无码专区| 五月婷婷 激情五月| 婷婷久久婷婷色五月| 亚洲无码11| 日韩精品VIP| 天天插天天插| 婷婷丁香人妻天天爽| 精品99视频| 深爱激清网| 天天日人人| 色综合网上班开心婷婷久久| 超碰人人艹| 国内久久婷婷| 色亭亭九月| AV五月丁香| 激情小说婷婷五月| 女力报到正好爱上你| 婷婷激情六月综合| 一區四區歐美日韓| 久热这里只有精品在线观看 | 色五月五月天色婷婷色五月| 亚州性爱99| 狠狠狠狠狠狠狠狠狠狠狠色宗合图片| 天天爽天天爽天天爽天天爽天天爽天天爽天天| 日韩黄黄| 激情久久久久久| 激情伊人网| 综合99在线| 99久| 日本婷婷色| 国产成人片| 激情综合五月| 五月婷婷色| 五月天激情小说| 久色资源| 狠狠操狠狠操AV| 熟女激情网| 超级碰碰碰97免费| 99riAv1国产在线观看| 亚洲激情综合| 婷婷五月电影| av在线免费播放| 色五月天丁香婷婷| 精品人人操| 综合久久97| 丁香六月狠狠干| 亚洲人妻Av| 丁香色成人| 色色色在线观看| 热99在线精品| 久久久99免费视频| 超碰在线免费| 色五月综合网| 337p大胆噜噜噜噜噜91Av| 丁香五月手机在线| 疯狂做受XXXX高潮A片| 亚洲精品99| 国产伦亲子伦亲子视频观看| 亚洲宗合激情| 99在线免费视频播放| 婷婷五月欧美| 九九超日本| 婷婷99丁香| 91精品又长又大又粗又爽又猛| 欧洲S级在线观看| 久久精品99久久| 4399亚洲视频| 天天天久久久| 丁香五月婷婷综合视频| 色婷五月丁香久亚洲| 色丁香在线视频| 久99久热只有精品国产99| 色色色色色色色色色999| 六月婷婷亚洲| 美女五月狠狠| 久久9久| 天天干天天干天天| 99色爱| 色域五月丁香| 婷婷丁香成人五月天| 亚洲xx网| 色九九综合| 思思视频这里是精品| 26uuu亚洲欧美另类| 一区二区三区四区无码| 日日爽日日| 中文字幕AV网址| 色综合99| 99精品偷自拍| 成人午夜在线视频| 久久五月激情综合| 成人必爱视| 九月婷婷丁香| 这里只有精品在线视频在线观看| 大香蕉啪啪| 日韩1区2区| 内射干少妇亚洲69XXX| av免费在线观看0| 日韩av网站在线观看| 欧美六月| 激情婷婷五月黑人| 天天爱天天吃狠天天透| 九九久久99| 噼里啪啦在线观看免费完整版视频| 操大屄五月天视频| 狼人婷婷综合| 国产婷婷五月中文字幕高清| 99爱在线精品视频免费观看| 丁香五月色情| 春色激情| 色色色综合色| 亚洲视频丁香网va| 激情欧美五月丁香| 综合五月婷婷| 一起操最新网址| 9有码中文| 久久这里只有精品07 | 色99www.| 人人爱干人人爱草| 亚洲成人人人操| 久99久在线| 超碰在线91| 一区二区你懂的| 五月丿香啪啪| 丁香五月婷婷婷婷欧美综合| 色色色色五月| 丁香五月天综合| 99欧美精品99日本精品| 综合色五月| 色婷婷五月天激情综合| 九艹在线| 人与禽A片啪啪| 丁香六月综合激| www.粉嫩av.com| 毛片毛片毛片毛片| 亚洲激情网| 五月丁香婷婷钟和色图| 久久九色| 婷婷综合精品视频97| 婷婷激情小说| 九月婷婷激情久久| 久久99热只有精品| 五月丁香六月婷婷激情视频在线观看免费 | 99久久思思| 少妇搡BBBB搡BBB搡毛茸茸 | 51精品国自产在线| www.91婷婷| 五月天激情婷婷五月天久久| 婷婷伊人久久| 天天视频精品9| 婷婷五月天最新综合你懂的| 色色亚洲五月天| 狠狠干综合| 久久久久婷| 婷婷激情鹿城五月天| 婷婷五月免费视频| 国产精品久久久久久喷浆| www999日韩精品| 五月丁香人人婷婷在线观看| 久久97| 新男人天堂人妻| 做爱夜夜干天天操| 射区导航| 九九精品9| 在线婷婷| 色欲一二三| 国产在线aaa片一区二区99| 99啪啪网| 丁香五月天在线| 色色色综合网| 色六月婷婷| 亚洲亚洲永久无码777777| 亚洲免费婷婷| 人人操女人| 婷婷五月天性| 亚洲成人综合在线| 成人五月天丁香婷| 五月天激情电影| 天天干天天干天天干| 色九九九九| 婷婷亚洲在线| 色色婷婷五月| 久久久久久综合88| www.天天干| 91干网站| 五月色 亚洲| 日本三级日本三级99| 激情五月天色色色| 天天情色五月天| 亚洲色久| 超碰免费在线| 综合99久久天天综合| 国产性爱大片久久| 亚洲性爱99在线| 天天天天干| www98日本小时间到了| 99视频在线精品免费观看2| 噼里啪啦完整版中文在线观看| 成人丁香五月| 欧美性色五月天| 色五月首页| 玖玖爱伊人| 色色A| 亚洲成人网址在线观看| 久久婷婷婷婷伊人| 国产肥白大熟妇BBBB视频| 六月婷婷天天操夜夜爽视频| 色综合色五月| 久久一级片| 天天日日综合| 日日夜夜亚洲一区| 色婷婷五月天综合网| 午夜性做爰电影| 99热免费精品热久久66| 超碰人人摸人人操| 99碰网站| 99这里热| 激情五月色综合网| 99国产视频网| 超碰成人在线免费观看| 操你av| 九九99九九精品免费 | 婷婷五月av| 五月天社区| 超碰成人电影| 四虎成人精品永久免费AV九九| 天天日夜夜| av首页在线| 色性日本| 97人碰人操| 五月婷婷丁香六月在线| 天天干天天日蜜臀av| 玖操97| 国产精品涩涩涩视频网站| 婷婷天天舔| 香蕉综合网| 秋霞免费三级片| 激情五月天丁香| 99人妻碰碰碰久久久久禁片| 亚洲五月婷婷| 伊人婷婷五月天| 另类视频一区| 欧美色色色色色| 亚城区在线| 丁香五月 性爱| 五月天激情视频网站| 操日本99| 在线1青婷| 婷婷五月在线| 狠狠干五月天| 精品99在线| 91久久精品无码一区二区三区| 色婷婷激情| www.91操| 色丁香久久| 激情婷婷| site:wpjngj.com| 国产精品涩涩涩视频网站| 五月激情丁香五月宗合| 播丁香五月婷婷欧美| 丁香九月婷婷色| 五月丁香亚州综合网| 可以直接看的AV| 九九精品亚洲| 九九激情网| 97人妻碰碰中文无码久热丝袜| 五月丁香婷婷综合| 五月丁香综合伦理片| 五月丁久久| www国产亚洲色婷婷com| 99久久色| 狠狠色噜噜狠狠狠狠综合| 香蕉综合网| 五月丁香亭亭| 99热99热| 99热色婷婷| 九九九九国产| 成人色站,在线视频,看片-SS1AV| 性av| 婷婷婷婷婷婷婷五月丁香| 免费AV在线| 久久激情五月婷婷| 亚洲综合碰| 另类激情五月在线视频欧美| 婷婷伊人中文字幕| 国产精品久久欧美久久一区| 99热精这里只有精品| 一本婷婷丁香久久| 天堂综合久久| 激情 五月 婷婷 丁香| 久久97久久99久久综合欧美| 天天干夜夜谢| 婷婷色导航| 精品亚洲国产成AV人片传媒| 99久久久| 99热青青草| 天天综合色| 五月丁香六月激情综合在线| 激情五月狠狠喔| 91婷婷色五月| 五月婷婷久久综合| 日本三级片片| 丁香五月天综合| 五月婷庭丁香在线| 在线综合啪| 91无码视频| 久婷婷五月激情| 丁香操逼| 91狠狠色丁香婷婷综合久久| 天天成人丁香美女AV| 国产免费av在线| 99re思思久久| 99精品在线下载| 9999久久久久| 丁香五月天在线观看| 色九区| 激情小说色五月| 思思99热| 5月丁香综合网| 欧美搡BBBBB摔BBBBB| 婷婷va| 青青草原中文字幕| 1024在线视频| 激情婷婷丁香| 99热费观看| 五月天婷婷色色| ZpRSw| 色色吧综合| 六月婷婷网站| 青青草色在线视频观看| 中文字幕无码AV| 99乱视频| 久久这里只有精品网| 久久香蕉丁香| 1024亚洲无码| www.久久久.com| xx色综合| 97影院一级片| 99九九这里有免费视频| 成人五月天丁香婷| 婷婷六月激情丁香| 五月婷婷丁香综合| 激情综合五月丁香六月婷婷| 深爱激情丁香| 丁香婷婷色五月激情综合| 久久人妻乱子伦| 婷婷色色欧美| 色五月丁香五| 99热在线看| 亚洲视频图片婷婷五月| 开心婷婷五| 五月婷婷色色网址| 98国产精品综合一区二区三区| 久久婷婷丁香| site:feetmall.com| 色婷婷影视| 日本少妇AA一级特黄大片| 另类少妇人与禽zOZZ0性伦| 无码色| 天天开心AV色综合婷婷五月天| 综合久久综合久久| 激情碰碰碰| 99ER热精品视频| 久久艹99| 伊人啪啪网| 丁香五月另类小说在线阅读| 玖玖综合色| 2021日韩无码| 亚洲网站观看视频| 成人va在线播放| 综合啪啪| 国产精品热搜丁香五月婷婷| 【乱子伦】黄色| 538任你爽| 日本123区日韩欧美不卡在线看| 色呦精品| 99在线精品视频| 激情五月天视频| 婷五月天| 新伍月婷婷| 五月综合婷婷网| 五月大香蕉| 91精品又长又大又粗又爽又猛| 99re资源在线视频导航| 婷婷性爱| 天天精品视频免费观看| 国产精品电影网| 日日操,天天操| 婷婷五月天视| 亚洲精品视频在线播放| 九九热99熟女| 色色丁香五月天社区| 极品精品一区二区三区在线| 国产成人精品一区二三区熟女在线| 伊人久久大香蕉网| 色色a| 99免费视频网| 另类小说五月天综合网| 亚州激情网站无码| 丁香 婷婷 激情 综合 五月| 久久久久久激情| 日韩在线观看亚洲| 99热一本久道| 91丨九色丨老熟女激情| 丁香色婷婷色手机免费在线| 成人无码髙潮喷水A片| 色五月天在线观看| 91 九色 熟女| 91精品久久久久久久| 五月婷亚洲精品| 五月婷婷二月丁香| 色综合色色色色色| 亚洲综合婷婷五月天| 九九视频精品在线免费| 色青青五月| 九九热视频网站| 久久久er热| 免费AV黄在线播放| 成人深爱丁香五月| 婷婷五月天视| 无码一区二区三区四区五区| 婷婷色五月噜噜| 538在线| 六月丁香视频网站| 激情五月天丁香| 超碰人人色| 伊九九三级区| 操一区| 色10月婷婷视频| 亚洲色情久久| 五月婷婷在线短视频| 天天干,天天舔| 色婷婷丁香网| 五月天激情小说婷婷| 日日干五月天婷婷| 五月丁香怕怕综合| 99色在线视频| 五月丁香综合激情在线观看| 思思热闹这里只有精品| www.25五月婷婷| 久久久久久久五月婷婷六月丁香综合,开心激情综合网 | 日日操,日日爽| 丁香五月狠狠综合欧美| 欧美va| 热思思| 亚洲日日日| 丁香六月综合| 日韩在线观看亚洲| 91在线日| 伊人激情影院| 日韩中文字幕| 9视频在线成人网站| 精品九九久久| 久久丁香婷婷五月| 97影院一级片| 99五月丁香丁| 啪啪干伊人婷婷| www,五月天激情| 野战毛片三一3| 综合伊人久久| 国产午夜一区二区三区| 九九黄色网| 国产精品日本一区二区在线播放| 嫩模草| 秋霞av不能| 91丨九色丨熟女丰满| 久久婷婷精品| 清色五月天| 精品无码99| 六月丁香啪啪啪| 欧美精品啪啪| 五月丁香综合啪啪| 无码激情AAAAA片-区区| 色五月在线综合| 色婷婷五月影院| 九九色影院| 亚洲激情免费久久| 性99网站| 成人五月天丁香婷| 久久色情| 以及AA大片看看| 4438成人电影| 国产韩日亚洲美州欧亚综合在线| 欧洲日韩一区二区三区| 狠狠干夜夜干| 丝袜大香蕉| 五月天色小说| 99在线视频女女视频| 中文字幕AV在线播放| 久热2025无码| 看国产探花操逼三级片| 久久3p| 久久久婷| 玖玖婷婷免费| 久久99精品久久久久久噜噜| 丁香五月综合久久八| 激情五月婷婷中文字幕| 99re热视频这里只精品| 综合色色网| 亚洲第一成人无码A片| 日本三级片片| 九九色中文| 五月婷婷免费视频| 天天天在线观看| 丁香五月av| 97操在线| 另类专区在线| 亚洲女婷婷五月基地综合久久久| 亚洲噜色| 久操热线| 亚洲亚洲人成综合网络| 91人人操| 婷婷五月天成人动漫 | 色噜综| 婷婷丁香亚洲色综合91| 538在线精品| 9热久久| 99在线精品视频观看免费下载| 成人色色视频| 五月丁香婷婷基地| 大香蕉av在线| 91九色在线观看免费| 久久久人妻久久久| 丁香六月天堂| 色色射| 五月丁香久久激情综合| 色综合网上班开心婷婷久久| 五月天婷婷伊人| 日本色色色| 中文字幕 中文字幕明步| 色婷婷AV在线观看| 99色激| 成人视频婷婷| 99色色网| 无码动漫AV| 99高级会所久久| www.婷婷五月天| 国产婷婷色综合AV蜜臀AV| 激情四射婷婷色色色| 婷婷六月婷婷| 婷婷狠狠操| 久婷婷| 日本三级韩三级99久久| 婷婷视频在线碰| 亚洲XX网| 激情五月五月五月婷婷| 九九99免费视频| www.99.色| 丁香五月电影| 五月花在线观看视频| 禁欲电影完整版在线播放| 超碰99资源站| 婷婷五月天综合色| 五月天综合网| 婷婷趴趴| www.色擼擼.com| 99色色网| 色色五月婷婷久久| 五月天婷婷五月| 色噜噜狠狠一区二区三区| jiuse91在线| 开心婷婷五月花| 婷香五月| 日本nghangse中文字幕| 九热在线这里有精品6| 色五月婷婷影院| 五月天婷a在线| 色色是色N一| 婷婷深爱五月天| 99久久66综合| 99欧美| 五月丁香网站| 久草九一| 五月激情婷婷开心五月| 色色色婷婷五月天| 中文字幕天天干| 6080av| 激情六月婷婷| 99在线免费视频| 狠狠久综合| 99热色精品| www.五月天婷婷| 婷婷五月天人妻| 色99视频| 丁香综合网| 精品无码人妻一区| a在线观看| 亚洲AV成人精品网站在线播放| 婷婷AV丁香| 第四色激情网| 国产精品国产| 曰日爽日日操| 欧美三级巜人妻互换| 丁香五婷| 99这里有精品视频视频| 色婷婷在线电影| 三区激情四射av| 97人人干| 大香蕉五月天婷婷丁香91| 色五月丁香伊人| 色香蕉婷婷| 亚洲色婷婷99一9|| 99久热| 久操大香蕉| 色丁香五月| 99热全是精品| 五月天婷婷婷| 97伦乱| 天堂爱爱| 六月色婷婷| 激情综合久久| 丁香桃色网| 亚洲免费成人电影AV| 久99久热只有精品国产99| 欧美交换配乱吟粗大25P| 26uuu欧美日韩| 精品激情| 9色在线视频| 日韩欧美成人片| 亚洲av无码精品色午夜| 亚洲亚洲永久无码777777| 青草视频在线播放| 最新激情五月天| www99热| xxxx五月激情| 天天日天天插| 九九色婷婷| 久月婷婷| 97超碰人人操| 成片免费观看视频大全| 超碰97干| 久草视频一,二三四| enecarbon-materials.comWu染请涟系Bao护@wip1688 | 伊人久久丁香五月91| 亚洲综合婷婷五月| 中文字幕一色哟哟哟哟| 久久机热这里只有 | 五月九九综合| 色婷婷久久综合丁香五月| 婷婷久综合| 天天日夜夜操五月| 五月天色小说| 五月婷六月天| 激情五月黄色| m色激情网| www.91热久久| 天天做天天爱天天做| 激情五月婷婷丁香综合网| 五月婷色激情五月| 五月婷婷性爱视频| 可以看的av网站| 丁香五月婷婷少妇| 五月婷婷婷| 国产精品美女| 99热亚洲| 26UUU一区二区| 深爱综合网| 五月天无码视屏播放| 做爰丰满少妇1313| 激情五月婷婷伊人| 亚洲AV成人在线观看| 五月天色裸体视频| 日韩情色在线观看| www.9797国产| 日本3级片偷拍网站| 五月激情偷拍| 激情婷婷五月天网址| 欧洲电影在线观看免费版英语版 | 99热精品一| 色欲色欲久久宗合网| 久久思思精品| caopeng97人人| 九热免费视频| 九九精品视频免费在线| 丁香五月婷婷基地| 国产精品久久久60086| 日韩熟女啪啪视频| 激情五月色播五月| 六月婷婷久久| 狠狠草狠狠草| 天天摸天天舔天天爽| 91操黄| 色爱五月天| 亚洲色图五月丁香| 欧美色色色色色| 天天爽,天天操。| 国产精品美女久久久久AV超清 | 性爱五月丁香| 狠狠色婷婷| 99er6| 狠狠爱丁香婷| 久久综合影院| 婷婷五月色播网| 婷婷丁香社区| 激情婷婷啪啪| 99热在线中文字幕| 激情五月天色色| 色婷婷视频综合| 综合激情肏逼网| 成人av免费观看| 色狠狠六月| 大香人妻| 成人AV在线网站| 九九热只有这里是精品| 婷婷五月天丁香综合网| 久久性刺激| 天天爽天天弄| 国产成人综合亚洲| www.操.com| 开心五月激情网| 成人做爰A片免费看网站找不到了| 日韩精品二三区| 色婷婷免费观看| 成人国产欧美大片一区| 激情色色色| 久热久| 久久久亚洲精品一区二区三区浴池 | 婷婷综合五月天| 涩综合在线| 人人艹艹艹| 五月婷激情| 狠狠综合| 丁香五月激情图片婷婷| A在线观看| 婷婷五月天.com| 冬月かえでAV无码播放| 日日干天天| 激情五月四色| 色五月五月婷婷| 国产午夜精品一区二区三区嫩草| 午夜丁香婷婷| 久这里只有精品99| 欧美久久九九| 91在线日| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 影音先锋男人av资源站| 久久久久久激情| 色必久悠悠影院| 东北黄色一级| 久久五月天婷婷| 婷婷综合精品视频97| 久久XX| 亚洲国产网址| 色优久久| 情婷婷五月天| 丁香大香蕉| 爱久久小说下载网| 久热69| 我爱va亚洲va52| 日本色天堂| 九九99精品免费播放| 成人av在线电影| 国产精品蜜臀99| 五月婷婷99热| 99免费超碰在线| 成人婷99最新| 99色在线观看视频| 91久久久久久久| 在线播放 精品| 99爱在线精品视频免费观看| 五月开心色| 伊人春天av| 一区二区传媒视频| 无码色| 91人操| 日本熟女一区二区| 婷婷综合另类小说| 四川操逼站| www.色五月| 99在线精品视频| 99热在线免费| 激情综合4月| 亚州操操| 婷婷五月综合基地| 依人大香蕉| 一区二区免费看| 伊人AV五月婷| wuyuedingxiang99| 91九色熟女| 丁香五月婷综合| 激情六月婷婷| 我去色色网五雨天| 日韩av网址大全| 五月婷婷在线视频免费观看| www.sebowuyue| 99re久热| 亚洲亚洲人成综合网络| 五月丁香 啪啪| 亚洲激情综合免费| 色色综合日韩| 久久停停超碰| 91丨九色丨老农村| 日本人妻伦在线中文字幕| 国产成人+综合亚洲+天堂| 丁香婷婷婷五月| 天天插天天草人人玩| 婷婷五月天堂| 热996精品在线观看| 天天躁日日躁狠狠躁日日躁2022年5月9日 | 丁香九月婷婷综合| 国产亚洲精久久久久| 日操五月婷| 、激情六月天| 亚洲天99| 欧美久久久久久久久中文字幕| 色青青电影色五月| 丁香六月婷| 99色天堂| 人人摸人人澡人人| 丁香五月天天高清在线| 婷婷五月丁香综合激情小说| 亚洲久热| 大香蕉七区| 99情色五月天| 日韩黄在免| 9久久精品| 在线视频你懂得| 九九热免费视频| 激情文学五月丁香六月婷婷| 玖玖福利视频资源| 爱草视频在线观看| 亚洲精品视频在线播放| 亚洲成人av在线| 伦99热| 六月丁香开心婷婷欧美| 五月婷婷欧洲| 美女久久婷婷| 操老逼综合网| 强壮公让我夜夜高潮A片视频| 婷婷五月天精品| 婷婷色在线视频| 天天操天天操天天操天天操天天操| 丁香五月第四色88| 丁香五月天婷婷久久| 99热精品少| 在线观看五月婷婷网| 99久久久久| 久草五月婷婷| 在线成人网址| 久久五月天色婷婷| 久久 无毛。| www.久久9| 青青草五月天| 狠狠色婷| 久久精品熟女亚洲AV麻豆| 九九XX视频| 国产肥白大熟妇BBBB视频| 天天干一干| 国产真人做爰视频免费| 色五月天在线观看| 综合色影| 丁香五月先锋| 成人av播放| 色色色婷婷五月| 免费啪啪亚州视频| 色播婷婷五月天| www.99久| 久热99| 六月激情婷婷| 九九热免费视频| 天天插天天干| 99在线小视频| 综合五月婷婷| 中文av网| 狠狠色婷婷777| 色人久久| 国产精品电影| 久久久久久人妻| 日本猛少妇色XXXXX猛叫| 大地9中文在线观看免费高清 | 五月天啪啪| 激情第四色| 中国女人做爰A片| 日本精品人妻无码77777| 久99999热视频在线观看免费| 国产成人AV不卡| 色五月综合网站| 色色色五月天激情资源| 婷婷激情四射五月天| 射琪琪| 五月天丁香成人| 狠狠久久婷五月| 97电影99热| 亚洲婷婷91丁香| 免费黄色片子| 强伦轩人妻一区二区电影| 九艹在线| 精品人人操| 久久xxxx| 中文毛片无遮挡高潮免费| 中文字幕乱码亚洲精品一区| 玖玖婷婷五月天毛片| 久热伊人在91| enecarbon-materials.com污K127封锁请涟系@wip1688 | 涩涩婷婷五月| 性生活视频98791| 我爱大香蕉| 人人玩人人橾| 婷婷丁香一月| 天天狠狠插| 能直接看的AV网站| 五月色天情| 成人婷婷| 天天艹夜夜艹| 久久精品99国产精品日本| www.lchjjc.com| 9超碰在线| 丁香六月婷婷综合激情欧美| 99色区| 天天操天天操| 国产熟女日日骚五月丁香爱| 婷婷五月天开心激情网| 五月丁香啪啪伦理电影| 婷婷五月丁香五月| 亚洲激情网| 色人久久| 高清无码网址| 666555。COm毛片| 99在线爽| 久99久在线| 99这里精品| 色色综合视频| 色婷婷的五月天| 亚洲中文字幕av| 思思热在线| 人妻内射一区二区在线视频| 99色人| 久久久久网站| 婷婷五月激情网站| 五月天婷婷激情春色小说| 日韩啊啊啊| 亚洲操人| 年轻的妺妺伦理HD中文| 久久久婷婷色五月资源网| 青青.com| 99啪| 六月婷伊人|