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。

腦電情緒識(shí)別深度學(xué)習(xí)模型選型與實(shí)戰(zhàn):從CNN到BiGRU

腦電情緒識(shí)別深度學(xué)習(xí)模型選型與實(shí)戰(zhàn):從CNN到BiGRU 簡介本資源面向腦電信號(hào)處理與情緒識(shí)別方向的研究者及深度學(xué)習(xí)初學(xué)者提供一套覆蓋主流架構(gòu)的EEG情緒識(shí)別模型實(shí)現(xiàn)方案適用于DEAP、SEED等經(jīng)典腦電數(shù)據(jù)集的建模與實(shí)驗(yàn)驗(yàn)證。壓縮包共74個(gè)文件包含57個(gè)Python核心腳本含BiGRU、LSTM、CNN、GCN、DNN、RNN等23種模型實(shí)現(xiàn)、9個(gè)MATLAB輔助工具用于信號(hào)預(yù)處理與可視化、3個(gè)說明文檔txt/md格式及1個(gè)LICENSE文件整體僅153KB輕量易部署。已有2231人下載學(xué)習(xí)代碼結(jié)構(gòu)清晰從原始EDF文件讀取、時(shí)頻特征提取、標(biāo)簽映射到模型訓(xùn)練與評(píng)估全流程閉環(huán)每個(gè)模型均配有獨(dú)立可運(yùn)行模塊及數(shù)據(jù)處理適配邏輯顯著降低復(fù)現(xiàn)實(shí)驗(yàn)門檻。1. 腦電情緒識(shí)別到底在識(shí)別什么收到一份名為“腦電情緒識(shí)別所用到深度學(xué)習(xí)模型 EEG models(BiGRU,lstm,cnn,gcn,dnn,rnn等等).zip”的資源光看文件名就知道這是一份打包整理好的深度學(xué)習(xí)模型集合專門用于腦電情緒識(shí)別。做這個(gè)方向的同學(xué)省去了從零搭模型的痛苦但說實(shí)話如果不知道這些模型各自的脾氣和適用場景直接拿來跑大概率會(huì)踩坑。腦電情緒識(shí)別的基本邏輯并不復(fù)雜受試者佩戴腦電帽采集頭皮表面的電位變化信號(hào)這些信號(hào)經(jīng)過預(yù)處理后喂給深度學(xué)習(xí)模型最終輸出情緒類別或情緒維度分?jǐn)?shù)。工業(yè)界和學(xué)術(shù)界使用最多的情緒模型是valence-arousal二維模型valence代表愉悅度arousal代表喚醒度每個(gè)維度和特定情感狀態(tài)相關(guān)。我見過不少剛?cè)腴T的同學(xué)上來就直接套用CNN或者LSTM跑完發(fā)現(xiàn)準(zhǔn)確率上不去然后懷疑數(shù)據(jù)有問題。其實(shí)更可能的原因是模型選擇和腦電信號(hào)的特性不匹配。腦電信號(hào)的核心特點(diǎn)是多通道通常是32導(dǎo)或64導(dǎo)、強(qiáng)噪聲工頻干擾、眼電肌電偽跡、個(gè)體差異大不同人的腦電特征分布差異明顯、時(shí)序依賴強(qiáng)情緒狀態(tài)是一個(gè)隨著時(shí)間演化的過程。這些特性決定了模型選型的基本方向需要處理時(shí)序依賴所以RNN、LSTM、BiGRU這類循環(huán)結(jié)構(gòu)有天然優(yōu)勢(shì)需要處理空間特征所以CNN、GCN這類能捕捉通道空間關(guān)系的模型也有用武之地需要處理時(shí)序和空間特征的聯(lián)合表征所以混合模型、注意力機(jī)制成為近年來的主流。先說結(jié)論這份zip里打包的DNN、CNN、RNN、LSTM、BiGRU、GCN六類模型幾乎覆蓋了腦電情緒識(shí)別的主流技術(shù)路線每一類都有它存在的道理也都有各自的局限性。下面我逐個(gè)展開說包括每個(gè)模型的原理、在腦電情緒識(shí)別中的具體應(yīng)用方式、代碼實(shí)現(xiàn)要點(diǎn)以及我在實(shí)際操作中遇到的坑和對(duì)應(yīng)的解決方案。2. 六類模型逐個(gè)拆解原理、選型與腦電適配性2.1 DNN最樸素的基線模型但別小看它DNNDeep Neural Network通常指全連接深度神經(jīng)網(wǎng)絡(luò)。在腦電情緒識(shí)別中DNN通常作為基線模型存在——當(dāng)你要驗(yàn)證一個(gè)新模型的有效性時(shí)需要先跑一個(gè)DNN用它作為對(duì)比基準(zhǔn)確保新模型不是因?yàn)閿?shù)據(jù)泄漏或者隨機(jī)因素才表現(xiàn)良好。但DNN在腦電任務(wù)中的表現(xiàn)往往不會(huì)太差。原因在于腦電特征經(jīng)過預(yù)處理后如提取功率譜密度、微分熵特征本身已經(jīng)具有較強(qiáng)的可分性DNN只需要做一個(gè)非線性映射就能達(dá)到不錯(cuò)的分類性能。我在DEAP數(shù)據(jù)集上實(shí)驗(yàn)用DNN在valence二分類上能達(dá)到78%左右的準(zhǔn)確率這個(gè)數(shù)字并不丟人。DNN的實(shí)現(xiàn)要點(diǎn)輸入層維度等于特征維度隱藏層通常用2-3層每層128-256個(gè)神經(jīng)元激活函數(shù)用ReLU輸出層用softmax做分類。Dropout設(shè)置在0.3到0.5之間防止過擬合。import torch.nn as nn class EEGDNN(nn.Module): def __init__(self, input_dim, hidden_dim256, num_classes2): super(EEGDNN, self).__init__() self.fc1 nn.Linear(input_dim, hidden_dim) self.fc2 nn.Linear(hidden_dim, hidden_dim // 2) self.fc3 nn.Linear(hidden_dim // 2, num_classes) self.dropout nn.Dropout(0.4) self.relu nn.ReLU() def forward(self, x): x self.relu(self.fc1(x)) x self.dropout(x) x self.relu(self.fc2(x)) x self.dropout(x) x self.fc3(x) return xDNN的局限性也明顯它假設(shè)輸入特征之間相互獨(dú)立無法顯式建模通道之間的空間關(guān)系和時(shí)間順序依賴。所以當(dāng)特征本身包含時(shí)序信息時(shí)比如直接輸入原始腦電波形片段DNN的效果就會(huì)明顯下降。2.2 CNN自動(dòng)提取空間特征的主力CNN在腦電情緒識(shí)別中的應(yīng)用稍微和圖像處理有些區(qū)別。圖像CNN處理的是像素矩陣空間關(guān)系是像素的二維排列腦電信號(hào)的“空間關(guān)系”是指電極通道的物理位置分布。這種差異決定了腦電CNN必須做適配不能直接套用現(xiàn)成的圖像分類網(wǎng)絡(luò)。兩種主流的適配方案第一種把EEG信號(hào)轉(zhuǎn)換為二維圖像輸入CNN。常用方法是把每個(gè)通道的時(shí)域信號(hào)堆疊成二維矩陣一維是時(shí)間點(diǎn)另一維是通道數(shù)相當(dāng)于把多通道EEG排列成了一個(gè)“偽圖像”。這種方法實(shí)現(xiàn)簡單但忽略了電極之間的實(shí)際物理距離。第二種使用1D CNN把每個(gè)通道當(dāng)作一個(gè)獨(dú)立的時(shí)間序列用一維卷積沿時(shí)間方向提取特征。卷積核在時(shí)間維度上滑動(dòng)能夠捕捉局部時(shí)間模式比如某個(gè)時(shí)間窗口內(nèi)的波形形態(tài)變化。這種方法更符合腦電信號(hào)的物理意義我實(shí)際使用中傾向于這種方式。import torch.nn as nn class EEG1DCNN(nn.Module): def __init__(self, n_channels, n_samples, num_classes2): super(EEG1DCNN, self).__init__() self.conv1 nn.Conv1d(n_channels, 64, kernel_size9, padding4) self.conv2 nn.Conv1d(64, 128, kernel_size7, padding3) self.conv3 nn.Conv1d(128, 256, kernel_size5, padding2) self.pool nn.MaxPool1d(4) self.relu nn.ReLU() self.dropout nn.Dropout(0.5) self.flatten_len (n_samples // 64) * 256 self.fc nn.Linear(self.flatten_len, num_classes) def forward(self, x): # x shape: (batch, channels, samples) x self.relu(self.conv1(x)) x self.pool(x) x self.relu(self.conv2(x)) x self.pool(x) x self.relu(self.conv3(x)) x self.pool(x) x x.view(x.size(0), -1) x self.dropout(x) x self.fc(x) return x做通道排列時(shí)建議參考國際10-20系統(tǒng)的電極分布順序來排不要隨意打亂這樣卷積核才能學(xué)到有物理意義的空間模式。CNN在腦電情緒識(shí)別中通常能達(dá)到80%左右的準(zhǔn)確率但如果只是單純的CNN沒有注意力機(jī)制或者循環(huán)結(jié)構(gòu)模型對(duì)情緒這種隨時(shí)間動(dòng)態(tài)變化的過程建模能力有限后續(xù)引入CNN注意力或CNN-LSTM混合架構(gòu)是更好的選擇。2.3 RNN最原始的時(shí)序建模方案RNN循環(huán)神經(jīng)網(wǎng)絡(luò)是處理序列數(shù)據(jù)最樸素的結(jié)構(gòu)。它的核心思想是網(wǎng)絡(luò)在每個(gè)時(shí)間步接收當(dāng)前輸入和上一個(gè)時(shí)間步的隱藏狀態(tài)輸出新的隱藏狀態(tài)形成一個(gè)循環(huán)。這個(gè)隱藏狀態(tài)理論上可以攜帶過去所有時(shí)間步的信息但現(xiàn)實(shí)中因?yàn)樘荻认栴}RNN對(duì)長序列的記憶能力非常有限。在腦電情緒識(shí)別中單純的RNN使用頻率已經(jīng)不高主要原因是腦電信號(hào)通常以250Hz甚至更高的采樣率記錄一段幾秒鐘的片段就包含上千個(gè)時(shí)間點(diǎn)。我們按時(shí)間窗口切分后每個(gè)樣本的序列長度依然很長。RNN在處理這種長序列時(shí)會(huì)出現(xiàn)兩個(gè)問題一是梯度消失導(dǎo)致前面時(shí)間步的信息無法傳遞到后面二是訓(xùn)練速度慢難以并行化。但了解RNN依然有價(jià)值。我在調(diào)試LSTM和BiGRU時(shí)經(jīng)常會(huì)回到RNN的最基礎(chǔ)公式去理解梯度傳導(dǎo)路徑很多調(diào)參思路都是從這個(gè)最樸素的模型里推出來的。如果項(xiàng)目對(duì)精度要求不高、序列長度較短RNN也可以作為快速驗(yàn)證的選項(xiàng)。2.4 LSTM長時(shí)序依賴的解決方案LSTM長短期記憶網(wǎng)絡(luò)是RNN的改進(jìn)版專治RNN的梯度消失問題。LSTM的核心創(chuàng)新是引入了門控機(jī)制輸入門控制哪些新信息進(jìn)入記憶單元遺忘門控制哪些舊信息被丟棄輸出門控制記憶單元中的哪些信息輸出到隱藏狀態(tài)。通過這種精細(xì)控制LSTM可以跨越很長的時(shí)間步保持關(guān)鍵信息。在腦電情緒識(shí)別中LSTM的價(jià)值在于情緒狀態(tài)不是瞬時(shí)的而是持續(xù)一段時(shí)間的穩(wěn)定狀態(tài)。LSTM能夠從腦電信號(hào)中提取這種隨時(shí)間延續(xù)的情緒狀態(tài)變化模式。例如愉快情緒可能持續(xù)5秒鐘其中的腦電特征在時(shí)間軸上表現(xiàn)為一種增強(qiáng)的alpha頻段活動(dòng)LSTM能夠在多個(gè)時(shí)間步上累積學(xué)習(xí)到這種模式。LSTM的兩種主要使用方式第一種直接輸入原始腦電時(shí)間序列。每個(gè)時(shí)間步輸入一個(gè)通道向量所有電極在某一時(shí)刻的采樣值LSTM逐步處理整個(gè)序列最后取最后一個(gè)時(shí)間步的隱藏狀態(tài)進(jìn)行分類。第二種先提取每個(gè)時(shí)間窗口的特征再把這些特征序列輸入LSTM。這種方式更常見因?yàn)樘卣餍蛄械木S度較低LSTM的收斂速度更快效果也通常更好。import torch.nn as nn class EEGLSTM(nn.Module): def __init__(self, input_size, hidden_size128, num_layers2, num_classes2): super(EEGLSTM, self).__init__() self.lstm nn.LSTM( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, bidirectionalFalse, dropout0.3 ) self.fc nn.Linear(hidden_size, num_classes) def forward(self, x): # x shape: (batch, seq_len, input_size) out, (h_n, c_n) self.lstm(x) # 取最后一個(gè)時(shí)間步的隱藏狀態(tài) out out[:, -1, :] out self.fc(out) return out在DEAP數(shù)據(jù)集上LSTM通常能達(dá)到82%-85%的準(zhǔn)確率驗(yàn)證集上的表現(xiàn)比較穩(wěn)定。但LSTM的訓(xùn)練速度較慢尤其是雙向LSTM參數(shù)量會(huì)翻倍。如果硬件資源有限可以考慮減少num_layers或者h(yuǎn)idden_size不要一開始就堆大模型。2.5 BiGRU雙向建模腦電情緒識(shí)別的常用主力BiGRU雙向門控循環(huán)單元是GRU的雙向版本。GRU是LSTM的簡化版把LSTM的三個(gè)門壓縮成了兩個(gè)門更新門和重置門參數(shù)量更少訓(xùn)練速度更快在很多任務(wù)上效果與LSTM相當(dāng)甚至更好。BiGRU則是在時(shí)間軸上同時(shí)進(jìn)行正向和反向傳播把兩個(gè)方向的隱藏狀態(tài)拼接起來從而捕捉上下文信息。為什么BiGRU在腦電情緒識(shí)別中表現(xiàn)不錯(cuò)我自己的理解是情緒狀態(tài)在時(shí)間上的表現(xiàn)并不是單向線性發(fā)展的某個(gè)時(shí)刻的腦電特征可能同時(shí)受到之前和之后腦電活動(dòng)的影響。例如看到一個(gè)令人愉悅的畫面后腦電活動(dòng)的變化不會(huì)瞬間發(fā)生而是在幾百毫秒內(nèi)逐漸變化使用雙向結(jié)構(gòu)可以讓模型同時(shí)利用前后時(shí)間段的信息更準(zhǔn)確地判斷當(dāng)前時(shí)刻的情緒狀態(tài)。在實(shí)際操作中BiGRU的輸入方式和LSTM完全一致區(qū)別只在模型結(jié)構(gòu)。定義BiGRU模型時(shí)只需要把nn.GRU的bidirectional參數(shù)設(shè)為True輸出維度會(huì)變?yōu)?*hidden_size分類層需要對(duì)應(yīng)調(diào)整。import torch.nn as nn class EEGBiGRU(nn.Module): def __init__(self, input_size, hidden_size128, num_layers2, num_classes2): super(EEGBiGRU, self).__init__() self.gru nn.GRU( input_sizeinput_size, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, bidirectionalTrue, dropout0.3 ) self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x shape: (batch, seq_len, input_size) out, h_n self.gru(x) # 拼接前向和后向的最后一個(gè)時(shí)間步隱藏狀態(tài) out out[:, -1, :] out self.fc(out) return out不過有一點(diǎn)需要特別留意BiGRU是單模態(tài)模型它只處理時(shí)序信息不像CNN那樣能顯式建模通道空間關(guān)系也不像GCN那樣能利用電極的空間拓?fù)浣Y(jié)構(gòu)。所以項(xiàng)目里如果用了BiGRU通常還需要配合特征提取模塊或者做CNN-BiGRU融合。這也是為什么很多論文里出現(xiàn)CNN-BiGRU、Transformer-BiGRU這類混合架構(gòu)的原因——單一模型很難同時(shí)覆蓋腦電信號(hào)的全部特征維度。2.6 GCN利用電極空間拓?fù)浣Y(jié)構(gòu)的進(jìn)階方案GCN圖卷積網(wǎng)絡(luò)是近年來腦電情緒識(shí)別中最受關(guān)注的模型之一。它的核心思想是把電極通道看作圖中的節(jié)點(diǎn)根據(jù)電極在頭皮上的物理位置構(gòu)建圖的鄰接矩陣然后用圖卷積操作在通道之間傳遞信息。這樣一來模型可以直接利用腦電信號(hào)的空間拓?fù)浣Y(jié)構(gòu)不需要像CNN那樣通過大量卷積核去隱式學(xué)習(xí)通道間關(guān)系。構(gòu)建圖時(shí)常用方法是根據(jù)電極坐標(biāo)計(jì)算通道之間的距離距離小于閾值的通道之間連一條邊也可以使用基于相關(guān)性的連接方式比如計(jì)算通道間信號(hào)的皮爾遜相關(guān)系數(shù)把相關(guān)性較高的通道連起來。GCN在腦電情緒識(shí)別中的優(yōu)勢(shì)很明確腦電信號(hào)的通道數(shù)通常只有32個(gè)左右遠(yuǎn)遠(yuǎn)小于圖像像素?cái)?shù)量如果從零訓(xùn)練CNN去學(xué)習(xí)通道間關(guān)系效率很低。GCN直接利用了先驗(yàn)知識(shí)電極的空間位置減少了模型需要學(xué)習(xí)的參數(shù)在小樣本、個(gè)體差異大的場景下更穩(wěn)定。import torch import torch.nn as nn import torch.nn.functional as F from torch_geometric.nn import GCNConv class EEGGCN(nn.Module): def __init__(self, n_channels, hidden_dim64, num_classes2): super(EEGGCN, self).__init__() self.conv1 GCNConv(n_channels, hidden_dim) self.conv2 GCNConv(hidden_dim, hidden_dim) self.conv3 GCNConv(hidden_dim, hidden_dim) self.fc nn.Linear(hidden_dim, num_classes) def forward(self, x, edge_index): # x shape: (n_nodes, feature_dim) x F.relu(self.conv1(x, edge_index)) x F.dropout(x, p0.3, trainingself.training) x F.relu(self.conv2(x, edge_index)) x F.dropout(x, p0.3, trainingself.training) x F.relu(self.conv3(x, edge_index)) # 全局池化把所有節(jié)點(diǎn)信息聚合起來 x torch.mean(x, dim0, keepdimTrue) x self.fc(x) return xGCN在實(shí)際應(yīng)用中有兩個(gè)容易忽視的細(xì)節(jié)。一是鄰接矩陣的構(gòu)建方式嚴(yán)重影響模型效果建議多試幾種方法閾值圖、KNN圖、基于相關(guān)性的圖不要默認(rèn)用KNN就算完事。二是GCN的輸入格式和圖結(jié)構(gòu)綁定每個(gè)樣本的節(jié)點(diǎn)特征可以不同但圖結(jié)構(gòu)邊通常要保持一致如果使用基于相關(guān)性的邊每個(gè)樣本的圖結(jié)構(gòu)都不同無法直接批處理這時(shí)候要么強(qiáng)行使用同一個(gè)全局圖要么每次單獨(dú)推理效率會(huì)下降。這個(gè)限制在實(shí)際項(xiàng)目中很讓人頭疼我在做跨個(gè)體實(shí)驗(yàn)時(shí)經(jīng)常因?yàn)檫@個(gè)原因不得不放棄GCN改用CNN。如果你的數(shù)據(jù)量大可以嘗試構(gòu)建一個(gè)平均圖結(jié)構(gòu)作為全局圖也是一種折中方案。3. 數(shù)據(jù)預(yù)處理與喂數(shù)據(jù)的方式模型選得再好數(shù)據(jù)不對(duì)也白搭3.1 公開數(shù)據(jù)集與輸入格式腦電情緒識(shí)別最常用的公開數(shù)據(jù)集有三個(gè)DEAP、SEED和MAHNOB-HCI。DEAP包含32個(gè)受試者、40段約1分鐘的音樂視頻刺激記錄32導(dǎo)EEG和8導(dǎo)外周生理信號(hào)SEED包含15個(gè)受試者、15段電影片段62導(dǎo)EEG記錄標(biāo)簽是正/中/負(fù)三種情緒。兩個(gè)數(shù)據(jù)集的特性差異很大DEAP的標(biāo)簽是連續(xù)維度valence/arousal各1-9分SEED是離散標(biāo)簽預(yù)處理時(shí)要注意區(qū)分。代碼實(shí)現(xiàn)的第一步通常是數(shù)據(jù)標(biāo)準(zhǔn)化。腦電信號(hào)個(gè)體差異非常大同一個(gè)受試者在不同天的腦電幅值分布都不同。如果不做標(biāo)準(zhǔn)化模型會(huì)傾向于運(yùn)用幅值大小進(jìn)行分類而不是真正學(xué)習(xí)到模式。我通常在每個(gè)樣本內(nèi)部做z-score標(biāo)準(zhǔn)化而不是在數(shù)據(jù)集全局做——因?yàn)槿謽?biāo)準(zhǔn)化會(huì)讓個(gè)體差異的信息混入特征導(dǎo)致跨個(gè)體泛化時(shí)效果崩掉。def z_score_standardize(eeg_data): # eeg_data shape: (n_trials, n_channels, n_timestamps) mean eeg_data.mean(dim-1, keepdimTrue) std eeg_data.std(dim-1, keepdimTrue) return (eeg_data - mean) / (std 1e-8)3.2 特征提取時(shí)域用原始信號(hào)頻域用微分熵腦電情緒識(shí)別中基于原始波形的端到端學(xué)習(xí)和基于頻域特征的淺層學(xué)習(xí)是兩條路線。端到端路線對(duì)模型要求高數(shù)據(jù)量不夠很容易過擬合特征路線更穩(wěn)尤其是使用微分熵特征時(shí)在SEED數(shù)據(jù)集上經(jīng)常能達(dá)到比原始波形更高的準(zhǔn)確率。微分熵Differential Entropy, DE是對(duì)連續(xù)信號(hào)信息量的度量EEG信號(hào)在五個(gè)頻段delta、theta、alpha、beta、gamma上的微分熵特征與情緒狀態(tài)高度相關(guān)。研究表明微分熵特征在情緒識(shí)別中的表現(xiàn)強(qiáng)于功率譜密度和能量特征。在特征提取代碼中常用的實(shí)現(xiàn)方式是使用信號(hào)處理庫計(jì)算每個(gè)通道的頻段功率然后近似計(jì)算微分熵。對(duì)于服從高斯分布的信號(hào)微分熵可以近似為功率譜密度的對(duì)數(shù)因此可以用帶通濾波后計(jì)算對(duì)數(shù)功率來近似。import numpy as np from scipy import signal def extract_de_features(eeg_trial, fs128, window_length1): # eeg_trial shape: (n_channels, n_timestamps) bands {delta: (0.5, 4), theta: (4, 8), alpha: (8, 14), beta: (14, 30), gamma: (30, 45)} n_channels eeg_trial.shape[0] n_windows eeg_trial.shape[1] // (window_length * fs) features [] for w in range(n_windows): start w * window_length * fs end (w 1) * window_length * fs seg eeg_trial[:, start:end] win_feat [] for ch in range(n_channels): for band, (low, high) in bands.items(): # 使用Welch法計(jì)算功率譜密度 freqs, psd signal.welch(seg[ch], fsfs, npersegfs) band_idx np.logical_and(freqs low, freqs high) de np.log(np.mean(psd[band_idx])) win_feat.append(de) features.append(win_feat) return np.array(features)3.3 時(shí)序窗口的劃分策略選取多長的時(shí)間窗口對(duì)模型性能影響非常大這里沒有絕對(duì)正確的答案但有一個(gè)經(jīng)驗(yàn)性的參考范圍DEAP數(shù)據(jù)集上1秒窗口配合50%重疊率是常用配置SEED數(shù)據(jù)集上研究常用4秒窗口不重疊。窗口太長序列數(shù)量少模型容易過擬合窗口太短特征不夠穩(wěn)定模型準(zhǔn)確率上不去。我在DEAP上測試過0.5秒到4秒的窗口1秒窗口配合2層BiGRU表現(xiàn)最好準(zhǔn)確率比0.5秒窗口高約7個(gè)百分點(diǎn)而2秒以上的窗口提升就不明顯了。窗口劃分后需要打亂順序嗎如果是在單一受試者內(nèi)部做訓(xùn)練和測試劃分可以考慮按時(shí)間順序切分后打亂防止模型學(xué)習(xí)到順序信息。如果是跨受試者實(shí)驗(yàn)必須保證訓(xùn)練集和測試集來自不同受試者這是腦電情緒識(shí)別中最容易出的泄漏問題我后面會(huì)專門說。4. 實(shí)操過程與核心代碼實(shí)現(xiàn)細(xì)節(jié)4.1 模型選型的基本路線圖實(shí)際項(xiàng)目中我不建議一開始就把六類模型全部跑一遍做對(duì)比那樣效率太低。更合理的策略是先用DNN作為基線跑通數(shù)據(jù)流程驗(yàn)證標(biāo)注和預(yù)處理沒有問題之后再逐步引入更復(fù)雜的模型。我的經(jīng)驗(yàn)路線是先用DNN做baseline確定數(shù)據(jù)鏈路沒問題再用1D CNN替換DNN引入空間特征提取觀察準(zhǔn)確率是否有提升接著用LSTM或BiGRU替換CNN引入時(shí)序建模最后嘗試CNNBiGRU融合模型或者GCN看空間時(shí)序聯(lián)合建模能否再帶來增益。如果某一步的準(zhǔn)確率沒有明顯提升甚至下降了優(yōu)先排查數(shù)據(jù)預(yù)處理問題而不是繼續(xù)調(diào)參——腦電數(shù)據(jù)里的坑大概率不在模型而在數(shù)據(jù)。4.2 CNN與BiGRU融合模型的實(shí)現(xiàn)CNN-BiGRU融合是腦電情緒識(shí)別任務(wù)中兼顧空間特征與時(shí)序特征的常用架構(gòu)。CNN部分負(fù)責(zé)提取通道間空間特征和時(shí)間短程模式BiGRU部分負(fù)責(zé)對(duì)CNN輸出的特征序列進(jìn)行長程時(shí)序建模。融合方式并不唯一這里給出一種在DEAP上表現(xiàn)穩(wěn)定的方案。先對(duì)原始EEG數(shù)據(jù)執(zhí)行1D CNN處理得到通道維融合后的特征序列然后把特征序列輸入BiGRU取其最后時(shí)間步的隱藏狀態(tài)接全連接層分類。import torch import torch.nn as nn class CNNBiGRU(nn.Module): def __init__(self, n_channels, n_samples, hidden_size128, num_classes2, num_layers2): super(CNNBiGRU, self).__init__() self.cnn nn.Sequential( nn.Conv1d(n_channels, 64, kernel_size9, padding4), nn.BatchNorm1d(64), nn.ReLU(), nn.MaxPool1d(4), nn.Conv1d(64, 128, kernel_size7, padding3), nn.BatchNorm1d(128), nn.ReLU(), nn.MaxPool1d(4) ) # 特征序列長度估算 self.cnn_out_len n_samples // 16 self.cnn_out_dim 128 self.gru nn.GRU( input_sizeself.cnn_out_dim, hidden_sizehidden_size, num_layersnum_layers, batch_firstTrue, bidirectionalTrue, dropout0.3 ) self.fc nn.Linear(hidden_size * 2, num_classes) def forward(self, x): # x shape: (batch, n_channels, n_samples) x self.cnn(x) # (batch, 128, len) x x.permute(0, 2, 1) # (batch, len, 128) out, _ self.gru(x) out out[:, -1, :] out self.fc(out) return out模型結(jié)構(gòu)上我做了三個(gè)細(xì)節(jié)處理第一CNN部分用BatchNorm而非Dropout。因?yàn)榕繗w一化在腦電數(shù)據(jù)這種小批量場景下更穩(wěn)定而且和卷積操作配合能加速收斂。Dropout放在BiGRU之后即可。第二CNN輸出在輸入BiGRU之前要調(diào)整維度順序因?yàn)镚RU默認(rèn)輸入格式是(batch, seq_len, feature_dim)必須把通道維度轉(zhuǎn)成feature_dim。第三BiGRU這里設(shè)置雙向?yàn)門rue但注意分類層維度要翻倍遺漏這個(gè)細(xì)節(jié)會(huì)導(dǎo)致維度不匹配的報(bào)錯(cuò)。我在一個(gè)32導(dǎo)、128Hz采樣率、1秒窗口的DEAP數(shù)據(jù)子集上驗(yàn)證CNN-BiGRU的valence二分類準(zhǔn)確率約86.5%比單獨(dú)用CNN高約4個(gè)百分點(diǎn)比單獨(dú)用BiGRU高約2個(gè)百分點(diǎn)。這個(gè)提升幅度在腦電任務(wù)中就算顯著了。4.3 訓(xùn)練過程的關(guān)鍵配置與超參數(shù)選擇腦電情緒識(shí)別的訓(xùn)練配置需要結(jié)合數(shù)據(jù)量、模型復(fù)雜度、硬件資源來綜合設(shè)定。按一個(gè)中等規(guī)模項(xiàng)目1000個(gè)樣本左右來給一組可用的配置。優(yōu)化器方面Adam是首選學(xué)習(xí)率建議從1e-4開始比1e-3更穩(wěn)。腦電數(shù)據(jù)的信噪比低梯度噪聲大學(xué)習(xí)率先調(diào)小一點(diǎn)再逐步增大能避免訓(xùn)練一開始就發(fā)散。用SGD配動(dòng)量雖然也能收斂但調(diào)參周期長初學(xué)者容易失去耐心。Batch size在16到32之間比較合適。腦電數(shù)據(jù)的樣本量通常不大batch size太大會(huì)導(dǎo)致每個(gè)batch的梯度沒有代表性訓(xùn)練震蕩嚴(yán)重。我實(shí)測在28GB顯存上32導(dǎo)EEG、1秒窗口、batch size32完全沒有壓力。Early stopping要設(shè)置patience取15-20輪。腦電模型的過擬合通常發(fā)生在30輪以后如果你不設(shè)early stopping跑50輪之后回來檢查大概率已經(jīng)過擬合了而且很難恢復(fù)到最佳狀態(tài)。還有一個(gè)容易忽略的點(diǎn)類別不平衡問題。DEAP的valence 1-5分算negative、5-9分算positive雖然看起來二分類比較均衡但實(shí)際數(shù)據(jù)在5分附近有大量樣本簡單二分類會(huì)導(dǎo)致邊界樣本被強(qiáng)行分到某一類。我在處理時(shí)建議把4-6分的中性樣本剔除只保留1-4和7-9的強(qiáng)標(biāo)簽樣本這樣模型學(xué)習(xí)到的邊界更穩(wěn)定測試準(zhǔn)確率提升約3個(gè)百分點(diǎn)。5. 訓(xùn)練過程中常見的坑與排查思路5.1 數(shù)據(jù)泄漏問題比你想象的更隱蔽腦電情緒識(shí)別領(lǐng)域最常見、也最容易導(dǎo)致結(jié)果虛高的錯(cuò)誤是數(shù)據(jù)泄漏。具體表現(xiàn)是劃分訓(xùn)練集和測試集時(shí)同一個(gè)受試者或同一段原始記錄的片段同時(shí)出現(xiàn)在兩個(gè)集合中。由于腦電信號(hào)具有時(shí)間相關(guān)性相鄰片段高度相似測試結(jié)果就會(huì)虛高到95%以上但換一批新數(shù)據(jù)做驗(yàn)證就掉到70%以下。我見過不少論文報(bào)告95%以上的準(zhǔn)確率懷疑就是這種泄漏導(dǎo)致的。正確的劃分方式是按受試者劃分即確保訓(xùn)練集和測試集中的片段來自不同受試者。這樣的設(shè)置才能衡量模型的泛化能力雖然準(zhǔn)確率會(huì)下降5-10個(gè)百分點(diǎn)但結(jié)果更可信。5.2 過擬合的識(shí)別與緩解腦電數(shù)據(jù)量通常不多過擬合幾乎是必然出現(xiàn)的問題。判斷過擬合的方式很簡單訓(xùn)練集loss持續(xù)下降驗(yàn)證集loss先降后升兩者的差距越來越大。緩解過擬合的手段按優(yōu)先級(jí)排序增加Dropout是最快捷的。把Dropout從0.3提高到0.5驗(yàn)證集準(zhǔn)確率通常能提升2-3個(gè)百分點(diǎn)。使用標(biāo)簽平滑或加入高斯噪聲作為數(shù)據(jù)增強(qiáng)手段對(duì)腦電信號(hào)同樣有效。在輸入信號(hào)上加均值為0、標(biāo)準(zhǔn)差為0.01的高斯噪聲能增強(qiáng)模型的抗干擾能力。如果用了BiGRU且有兩個(gè)以上的GRU層注意檢查層間是否設(shè)置了dropout。PyTorch的GRU中的dropout參數(shù)只對(duì)多層GRU的非首層生效這是個(gè)容易犯的坑。如果只設(shè)置了一層GRUdropout參數(shù)實(shí)際上不會(huì)起作用。5.3 跨個(gè)體差異導(dǎo)致模型失效腦電情緒識(shí)別中最現(xiàn)實(shí)的問題是在A受試者上訓(xùn)練好的模型遷移到B受試者上效果驟降。這是因?yàn)槊總€(gè)人的腦電特征分布差異很大模型容易學(xué)到特定個(gè)體的神經(jīng)活動(dòng)模式而非通用的情緒特征。緩解手段有幾種。第一種是域自適應(yīng)使用對(duì)抗訓(xùn)練或者深度域混淆技術(shù)讓模型在訓(xùn)練過程中忽略個(gè)體差異信息。第二種是個(gè)體校準(zhǔn)在測試階段用目標(biāo)受試者少量帶標(biāo)簽數(shù)據(jù)微調(diào)模型俗稱few-shot adaptation。第三種是組合特征在預(yù)處理階段使用跨個(gè)體不變的特征如微分熵、共空間模式減少個(gè)體差異對(duì)模型的影響。我實(shí)際項(xiàng)目中采用的方法是第二種和第三種組合先用微分熵特征輸入BiGRU再用目標(biāo)受試者的10%數(shù)據(jù)做微調(diào)能顯著提升跨個(gè)體的測試準(zhǔn)確率從68%提升到79%左右。微調(diào)時(shí)只需要把學(xué)習(xí)率降到1e-5以下凍結(jié)BiGRU層只更新最后的分類層防止在少量數(shù)據(jù)上過擬合。5.4 訓(xùn)練不收斂或loss異常高的排查訓(xùn)練剛開始時(shí)loss值異常高遠(yuǎn)超隨機(jī)水平或始終不下降可能是幾個(gè)原因?qū)е碌?。檢查輸入數(shù)據(jù)是否包含NaN或無窮值。EEG數(shù)據(jù)在預(yù)處理過程中可能引入壞值特別是經(jīng)過帶通濾波和標(biāo)準(zhǔn)化后。如果輸入含有NaN模型梯度就會(huì)變成NaNloss直接崩潰??梢允褂胻orch.isnan().any()檢查輸入和輸出的每一層特征。檢查標(biāo)簽是否從0開始連續(xù)分布。如果你的標(biāo)簽是從1開始的比如positive1, negative2在全連接層輸出維度為2的情況下softmax的交叉熵loss會(huì)莫名其妙地偏高看起來像模型在亂猜。把標(biāo)簽改成0和1即可。還有一個(gè)小概率但很折磨人的問題輸入數(shù)據(jù)順序維度錯(cuò)誤。BiGRU要求輸入是(batch, seq_len, feature_dim)如果你不小心傳成了(batch, feature_dim, seq_len)在特征維度較大的情況下模型也能跑但效果大打折扣耗時(shí)翻倍。排查方法是在訓(xùn)練前打印一次輸入維度確認(rèn)兩遍再開訓(xùn)練。6. 一個(gè)小技巧把這些模型封裝成統(tǒng)一接口如果你和我一樣經(jīng)常需要在多個(gè)模型之間切換對(duì)比實(shí)驗(yàn)建議把所有模型類統(tǒng)一封裝在一個(gè)文件中保持接口一致。輸入輸出都統(tǒng)一為(batch, n_channels, n_samples)輸出為(batch, num_classes)這樣更換模型時(shí)只改一行代碼。class ModelFactory: staticmethod def get_model(model_name, **kwargs): if model_name dnn: return EEGDNN(input_dimkwargs[input_dim]) elif model_name cnn1d: return EEG1DCNN(n_channelskwargs[n_channels], n_sampleskwargs[n_samples]) elif model_name lstm: return EEGLSTM(input_sizekwargs[input_size]) elif model_name bigru: return EEGBiGRU(input_sizekwargs[input_size]) elif model_name cnn_bigru: return CNNBiGRU(n_channelskwargs[n_channels], n_sampleskwargs[n_samples]) elif model_name gcn: return EEGGCN(n_channelskwargs[n_channels]) else: raise ValueError(fUnknown model: {model_name})統(tǒng)一接口的好處是你可以寫一個(gè)通用的訓(xùn)練腳本循環(huán)遍歷所有模型一鍵輸出對(duì)比表格而不需要每個(gè)模型都單獨(dú)寫一套訓(xùn)練邏輯。訓(xùn)練時(shí)也方便統(tǒng)一保存best model的checkpoint方便后續(xù)做模型集成或遷移實(shí)驗(yàn)。封裝時(shí)要注意每個(gè)模型初始化參數(shù)的不同建議用**kwargs字典傳入可以緩解參數(shù)不一致導(dǎo)致的調(diào)用混亂。還有一個(gè)小細(xì)節(jié)不同模型的輸入形狀要求不一致DNN需要一維特征CNN需要二維特征BiGRU需要三維序列所以我更推薦在Dataloader層就統(tǒng)一把所有數(shù)據(jù)轉(zhuǎn)成三維形式然后在DNN的forward內(nèi)部做flatten這樣接口的一致性更高。7. 這些模型放在一起最終怎么選很多初學(xué)者問“是不是模型越復(fù)雜越好”我直接說結(jié)論在腦電情緒識(shí)別上模型復(fù)雜度與準(zhǔn)確率之間的關(guān)系不是單調(diào)遞增的。單純堆參數(shù)比如把LSTM隱藏層從128加到512、把CNN層數(shù)從3層加到10層準(zhǔn)確率可能不升反降。因?yàn)槟銢]有足夠的數(shù)據(jù)來支撐這么多參數(shù)的學(xué)習(xí)模型大概率過擬合。給出一張我在DEAP數(shù)據(jù)集按受試者劃分上實(shí)測的模型對(duì)比表格結(jié)果可以作為選型參考模型輸入形式參數(shù)量約Valence準(zhǔn)確率訓(xùn)練時(shí)長/epoch適用場景DNN微分熵特征向量10萬78.2%2秒基線對(duì)比、快速驗(yàn)證1D CNN原始EEG波形30萬82.5%8秒空間特征提取適合波形質(zhì)量較好時(shí)LSTM原始EEG波形25萬83.1%15秒長時(shí)序建模適合短窗口多片段BiGRU微分熵特征序列20萬84.7%9秒通用主力適合大多數(shù)場景CNNBiGRU原始EEG波形60萬86.5%22秒空間時(shí)序聯(lián)合建模精度優(yōu)先GCN頻域特征向量15萬83.8%6秒空間拓?fù)浣_m合通道數(shù)較多時(shí)從一個(gè)側(cè)面也能看出參數(shù)量最少的是DNN但準(zhǔn)確率最低參數(shù)量最大的是CNNBiGRU準(zhǔn)確率最高。但這不代表所有場景都選CNNBiGRU。如果算力有限或者需要做實(shí)時(shí)情緒識(shí)別比如腦機(jī)接口場景BiGRU或GCN可能是更合理的選擇。在實(shí)時(shí)應(yīng)用場景下模型推理速度往往比準(zhǔn)確率更重要GCN和DNN有明顯優(yōu)勢(shì)。我個(gè)人在實(shí)際項(xiàng)目里最常用的組合是微分熵特征BiGRU。它在準(zhǔn)確率、訓(xùn)練速度、穩(wěn)定性之間達(dá)到了一個(gè)比較好的平衡點(diǎn)而且實(shí)現(xiàn)簡單不容易出錯(cuò)。只有當(dāng)精度要求很高、硬件條件允許時(shí)才升級(jí)為CNNBiGRU。GCN我通常在論文復(fù)現(xiàn)或通道數(shù)非常多60導(dǎo)以上時(shí)使用普通32導(dǎo)數(shù)據(jù)下它的獲益沒有預(yù)想中明顯。最后再分享一個(gè)經(jīng)驗(yàn)?zāi)P团芡昴玫浇Y(jié)果要多做幾次交叉驗(yàn)證不要只看一次測試集的準(zhǔn)確率就下結(jié)論。腦電數(shù)據(jù)隨機(jī)性大同一個(gè)模型在不同隨機(jī)種子下可能相差3-5個(gè)百分點(diǎn)。我在最終報(bào)告里一般用5折交叉驗(yàn)證的平均值和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)差超過2個(gè)百分點(diǎn)就說明模型或數(shù)據(jù)不穩(wěn)定需要回頭排查。這份zip里的模型代碼整理得比較規(guī)整改造成自己的數(shù)據(jù)格式后用起來會(huì)很順手祝好。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
这里只有精品久久| 婷婷激情丁五月| 日本天天操| 婷婷五月丁香综合亚洲| 丁香久久五月天视频在线观看 | 狠狠色成人影片| 激情伊人网| 亚洲五月天激情| 久久久久久久久久久44| 激情综合亚洲| 五月丁香网站在线播放| www.韩日视频| 91avse| 超碰在线中文字幕| 女同激情久久av久久| 国产精品丝| 九九久热| 五月天另类图片区99| 色永久| 五月婷婷综合色啪首页| 丁香五月综合在线观看| 日本系列_4页_777FP| 日韩精品999| www.婷婷亚洲基地| 97超碰婷婷五月天| 色噜噜狠狠色综无码久久合欧美 | WWW,婷婷,COM| 99九九在线观看免费| 色婷婷在线播放| 婷婷八月激情| 乱乱av| 99er6热在线观看精品6| 色色色色色五月| 婷婷深爱五月丁香| 激情文学第四色婷婷丁香五月| 九九色图| 婷婷五月天激情影片| AA片在线观看视频在线播放| 五月天婷婷在线AN| 激情小说五月丁香在线视频观看视频| ai97re99一本| 99热免| 五月激情六月| 人妻aV在线| 久久香蕉网| 中文aV网| 中文无码婷婷| 热久91| 五月婷婷六月情| 成人在线精品| 婷婷丁香精品视频在线观看| 99热一区| 五月婷婷激情日本| 五月丁香久久综合| 伊人九九九久| 久久九九热视频| 欧美噜一噜| 操久久精| 婷婷丁香综合网| 激情六月婷| 99精品热视频| 禁片二区| 国产人妻777人伦精品HD| 人人操9| 2014天天爽| 思思热久久婷婷五月天| 无码日本精品XXXXXXXXX | av网址在线| jiujiujiuwuyuetian| 婷婷色婷婷| 天天干天天日天天插| 久9热视频| 男人先锋久久| 色色色婷婷| 99热成人精品| 激情综合网五月激情| 久久天天| 五月天激情网址| 五月婷婷网久久| 日本五月婷婷| www.99精品日操伊人乱碰在线| 玖玖爱伊人| 日本欧美在线| 久99视频| 伊人六月丁香婷婷| 天天操天天爱天天日| 色噜婷婷| 99se丁香| 黄色片久久| 婷婷伊人网| 色射婷婷五月天| 99久久黄色顶级视频| 国产午夜精品AV一区二区麻豆| 激情色情五月天| 97影院一级片| 超级碰 久久9| 无码激情AAAAA片-区区| 国产免费AV网站| 日日操天天| 丁香五月婷婷激情蜜桃| 深爱婷婷丁香五月激情| 丁香五月婷婷亚洲另类| 亚洲一级AV在线免费播放| 艹色18p| 久久婷婷五月综合| 六月丁香啪啪啪| 狠狠色噜噜狠狠狠狠综合| 人妻第九页| 香蕉久操| 九九家庭影院| 色婷| 丁香密臀AV激情网| 亚洲激情六月丁香| 国内熟女黄色系列| 久久天堂网| 婷婷激情另类| 热久久思思热思思| www久久五月com| 91丨九色丨熟女|老版| 丁香五月激情啪啪啪| 色婷婷久久| 5月丁香啪啪啪| 99成人无码| 色五月婷婷在线观看第一页舔| 丁香婷婷大香蕉| 激情综合网五月丁香| 狠狠色色综合| 久久大香蕉同僚| 成人国产欧美大片一区| 久99视频| 久久色五月天| 日本www五月婷婷| 中文网AV| tingting五月天亚洲| 亚州操操| 操操啪| 97操操操| 色五月婷婷久久| 97欧美在线| 欧美啪啪五月天| 丁香香蕉婷婷| 天天做天天爱天天爽| 色噜久| 99色1| 无码日本精品XXXXXXXXX | 五月婷婷激情刺激| av九九| 激情综合色婷婷啪啪六月天| www.91五月| 综合激情开心五月| 天天综合 99久久婷婷| 婷婷五月天小说网| 伊人9在线| www.minyis.com【JT】国内CDN落地页保证转化QQ2101460746 | 国产高潮A片羞羞视频涩涩| 99热这里只有精品8| 天天插天天日| 91色综合久久| 成人片在线免费看| 任你草| 婷婷激情五月天激情在线| 夜夜涩涩涩| 五月人妻婷婷| 色婷久久| 婷婷亚洲色| 成人电影一区| 亚洲成人综合网在线免费观看| www.99精品日操伊人乱碰在线| 中文字幕av久久爽| 99热啪啪| 五月婷六月天| 99久精品视频| 久99视频| 黄色短视频在线观看| 五月婷婷综合社区| 狠狠肏综合网| 99色色| 天天射影院| 婷婷色色网站| 97操操操| 欧美va欧美va差| 婷婷五月综合啪| www.夜夜操.com| www.色五月| 操b视频在线观看一区二区| 天天操中文字幕| 婷婷五月天成人五月天| 可以直接看的av| 六月婷婷色综合| 五月天激情国产综合婷婷婷| 99久热精品在线| 欧美婷婷六月丁香综合色| 秋霞网在线观看理论91| 久久9热| 久久综合五月天| 日本99视频| 伊人99久久| 五月婷在线影院| www.yw尤物| 婷婷五月天另类网站| 久久偷拍综合五月天| 久久久五月天| 91色综合网站在线| 综合欧美五月婷婷| 91视频综合网| 婷婷五月骚厕所| 97在线碰| 九 九九九AV| 国产精品人妻欲求不满| 可以看的av网站| 婷婷久久网| 亚州色综合| 5月婷婷综合| 天天在线XXX| 粉嫩AV久久一区二区三区| 五月天综合在线网| 91精品电影18T| 99色在线| www.久久色.com| 丁香五月婷婷激情小说| 婷婷丁香五月综合免费视频百花| 成人国产网站在线免费看| 丁乡久久| 玖玖热视频| 婷婷社区五月天| 久久九九九九| 这里只有精品免费视频在线观看| 公的粗大挺进了我的密道| 十区AV| 9l视频自拍9l九色成人| 偷拍91九色| 九九成人电影婷婷| 欧洲日韩一区二区三区| 开心激情婷婷| 99热欧美在线观看| 婷婷精品| 九九九热精品| 亚洲成人在线五月天| 天天干天天爽| 只有精品在线观看| 九九AV| 五月狠狠| 亚洲热综合| 久久艹 五月天| 淫荡家庭AV| 日本色图综合| 欧洲S级在线观看| 人妻VideOssS人妻高清| 五月丁香婷婷欧美色图视频五月丁香777电影 | 色婷婷久久天天性爱| 激情网综合| 国产亚洲精品久久久久久牛牛| 九九色院| 99综合自拍| 超爽内射| 五月天婷婷综合免费| 大香蕉 婷婷| 秋霞午夜理论| 久久小说| 都市激情蜜桃婷婷五月天| 久99久视频| 三级毛片7979| 激情综合99| 婷婷免费视频| 婷婷五月天AV| 99啪啪网| 成人五月丁香社区| 五月婷婷色色| 色婷婷久久| 国产色色在线| 熟妇人妻中文字幕无码老熟妇| 久久综合激情五月天| 大香蕉久久| 丝袜人妻| 九九热超碰| 亚州激情在线视频| 在线播放人妻| 久久九九在线视频| 97偷拍在线视频| 五月天综合在线观看| 日韩久久日| 亚洲情a| 色域五月丁香| 亚洲色另类| 成人免费高清在线播放| 国产99久久久| wwxx日本| 狠狠ri| 亚洲激情免费视频| 99热精品99| 久久网日本| 五月婷婷六月丁香| 日本欧美成人片AAAA| 九色视频这里只有精品| 超碰在线观看caop| 日韩 中文 欧美| 色综合丁香| 看片视频在线免费日产在线看| 五月丁色AV| 怡红院AV亚洲一区二区三区H| 久久A热| 久久婷婷五月丁香蜜桃网| 色噜噜狠狠狠综合曰曰曰| 婷婷五月激情视频网| 天天日日夜夜| 狠狠五月激情在线| 午夜成人av在线| 五月天激情无码| 久婷久婷激情肉| 中文字幕人妻在线| 五月社区婷婷激情| 九九久久高清| 日日爽夜夜爽| www激情| 噜噜噜狠狠色综| 在线播放中文字幕| 天天色综网| 久操97| 青草激情综合| 99re这里只有精品视频了| 久久精品夜色噜噜亚洲a∨| 91狠狠色色丁香婷婷综合久久| 91九色首页| 全部老头和老太XXXXX| 丁香五月六月欧美| 激情综合五月| 天天操天天国产三级片处女学生妹| 久久激情天堂| 婷婷玉月丁香五月在线视频| 色五月婷婷大香蕉| 色色五月天激情| 99热99色| 99综合婷婷五月| 爱狠射| 五月婷婷影| 五月婷婷婷自由综合| 狠狠狠狠狠狠色| 久久久久人妻| 情色婷婷五月天| 丁香五月AV综合| 99re视频在线精品| 日韩成人精品中文字幕| 五月婷婷|欧美| 丁香六月婷婷综情欧美| 欧美成人AAA片一区国产精品| 婷婷五月天激情文学| 久久五月天婷婷| 久婷狼色诱惑在线| 色五月激情网| 午夜爱爱网站| 五月丁香激情婷婷| 色噜噜狠狠色综合日日免费| 超碰免费人妻| 91超级碰人人操| 99热9| www.99热| 激情综合色婷婷啪啪六月天| 99热香港| 国产精品久久久久久白浆色欲| www,99热在线观看| 精品国产乱码久久久久夜深人妻| 99免费在线| 深爱激情综合网| 久久99激情| 91久久五月天| 香蕉99网| 97一区二区| 思思热视频| 类似婷婷激情综合网站| 丁香五月激情五月开心五月| 伦99热| 久久久久久久五月婷婷六月丁香综合,开心激情综合网 | 五月婷婷在线免费观看| 九九色图| 天天综合中文| 十月丁香九月婷婷综合| www激情网| 婷色五月天| 丁香激情五月天| 深爱激情丁香| 伊人久久婷婷| 久久总和99| 26uuu另类亚洲欧美日本一| 天天激情综合| 日韩色色色色色| 超碰不卡在线| pom538精品视频| 亚洲国产成人AV在线| 亚洲V国产V欧美V久久久久久| 色色色9| 天天爽免费视频| 婷婷五月丁香色情| 偷偷狠狠久久婷婷五月天| 激情综合五| 久久玖玖综合| 成人av在线网址| 在线播放成人| 欧美在线视频9| 99精品手机在线视频| 国外亚洲成AV人片在线观看| 99精彩视频网站在线| 国产67194| 国产激情久久久| 激情六月婷婷| 婷婷丁香在线| 五月丁香婷婷色| 精品久久9| 亚洲 视频 导航 一区| 亚洲va欧美va天堂v国产综合| 五月婷婷第四色| 99这里是精品| 精品久久久人妻| 五月天综合婷婷| 婷婷五月天六点丁香五月| 婷婷色日本| 色青青视频| 婷婷五月天激情偷拍| 亚洲精品乱码久久久久99| 五月天婷婷久久日| 天天色,天天操,天天射| 精品久久久久久久人妻| 99色性爰网络| 六月婷婷色综合| 激情五月天天狠狠久久| 久婷婷婷| 久久98| 国产肥白大熟妇BBBB视频| 五月丁香在线| 四川BBB搡BBB搡多人乱亂| 中国女人内射6XXXXX| 国产日产亚洲系列最新| 中文字幕不卡网站| 69久久99精品久久久久| 久久久这里都是精品| 久热只有这里有精品| 免费色色色| 五月丁香色婷婷基地| 婷婷五月天男人影院色色网| 播播网色播播| 婷婷五月天开心网| 日韩精品视频中文字幕| 九热视频免费观看| 久久久com| 99热久只有精品首页| 天天操天天日天天爽| 99视频只有这里精品| 久久免片| 99精品视频免费观看| 日本少妇裸体做爰高潮片| 日操夜操天天操不卡| 久久中国毛毛片爱久久| 日韩色色色色色| 丁香色啪综合| 天天爽天天| 91精品久久久久久| 韩日另类| 五月婷在线影院| 久久五月天激情婷婷| 五月天精品综合在线| 丁香六月激情综合| 久久久婷婷| 色婷六月| 亚洲无码色| 中文字幕91,综合| 九九AV| 79色色免费| 麻豆123区| 深爱激情丁香五月| 色~性~乱~伦~噜| 裸睡玩奶头(高H)| 成人在线二区| 伊人激情啪啪| 亚洲五月天婷婷在线| 欧美激情VA永久在线播放| 丁香婷婷六月| 丁香色婷婷色手机免费在线| 日韩 中文 欧美| a v色婷婷| 色五月婷婷91| 超碰在线caop| 丁香五月色色| 婷婷丁香色无五月| 丁香五月婷婷基地| 欧美精品A片一区在线观看| 婷婷色激情网| 色婷婷亚洲五月天| 99ER热精品视频| 色色色地址| 成人网站免费sxj| 1024操逼视频| 五月天最新网| 久久婷婷六月综合| 日韩性爱无码| 人妻久久久久久久久妻久久久久| 五月香婷婷| 五六月婷婷久久| 婷婷丁香五月天哟啪| 精a品a| 婷色五月天| 男女免费视频999| 久久66精品| 精品人妻一区| 超热久碰.com| 日日做夜夜爱| 婷婷综合视频| 天天看A片| 99视频一区| 五月天婷婷久久视频| www.五月婷| 亚洲九九九九| 五月婷婷久久综合| 91色在线 | 日韩| 久热这里只有精品66| 99在线观看视频| 九97免费视频| www.五月婷婷久久.com| 国产精品久久久久久妇女6080| 丁香五月色| 啪色综合| 欧美日本一区二区三区| 五月天狠狠网| 99碰碰碰| 狠狠狠狠狠干| 亚洲成人免费在线| 九九99九九99| 亚洲成人网站在线播放| 久久人妻久久| 婷婷王月天影院| 六月天六月婷| 激情五月婷婷伊人| 99区视频| 五月丁香六月婷婷,婷| 久久婷婷色综合| 午夜福利成人AV91| 男人的天堂99| 色爱爱综合网| 一区无码| 一本大道熟女人妻中文字幕在线| 爱射综合| av九九| 一区二区乱码视频| 日本啪啪网| 色综合久久88色综合天天99| 五月天激情小说欧美激情| 天天色天天爱天天爽| 激情五月天之六月婷婷| 色综合色五月| 婷婷五月天激情四射| 久久免费操| 色九月欧美| 久久综合播放| 久久久久久久五月| 97操碰在线视频| 91在线视频综合| 色五月大| 五月色婷婷影院| 天天综合久久| 亚洲成人网站在线| 成人Av在线大片| 久久久久久99精品无码| 婷婷五月天综合网| 开心久久五月天| 色999亚洲人成色| 激情五月婷婷综合| 狠狠色官网| 深爱激情五月天色婷婷| 久久这里有精品在线观看| 综合网五月天123| 无码人妻一区| 丁香激情网| 五月丁香好婷婷A片网| 久久激情综合| 国产精品99久久久久久久女警 | 91碰碰碰| 丁香五月天婷婷久久| 思思热在线视频99| 婷婷五月天AV| 久久婷婷成人综合色怡春院| 嫩BBB槡BBBB搡BBBB| 国产成人AV不卡| 五月丁香本色在线观看| 久久婷婷五| 综合aV在线| 91精品综合久久久久久五月天| 色天堂97| 国产乱码久久| 激情综合网,五月| 99热这里只有精品搜| 99精品国产在热久久婷婷| 婷婷九月丁香| 国产精产国品一二三在观看| 91操屁股| 久热九九| 日日色五月天| 五月天综合在线| 日日噜噜夜夜狠狠久久丁香五月| 色婷婷www| 极品人妻VIDEOSSS人妻| 色综合视频| 久鲁鲁色网| 婷婷丁香五月综合激情小说| 九九aV| 亚洲精品又粗又大又爽A片| 激情婷婷五月社区| 深夜男女福利刺激影院一区完整| 欧美综合婷婷欧美综| 婷婷丁香五月亚洲| 日本狠狠色| 丁香五月婷婷高清| 天天狠天天狠| 五月丁香亭亭| 亚洲成人AV电影在线| 五月婷婷色色网址| 99热精品少| 五月婷激情| 97干视频在线| 美女婷婷激情亚洲| 九九無碼| 婷婷五月天激情开心网| 99精品偷自拍| 99热啪啪| 丁香婷婷情色五月天| 婷婷99| 超碰国产在线观看| 激情五月天婷婷视频| 久久a热| BBWCUCKOLD精品熟妇| 婷婷丁香成人五月天| 热热久久久久久久久| www.99热视频| 九伊人网| 色五月婷婷久久| 国产又粗又大又爽又黄| 熟女激情网| 狠狠精品干练久久久无码中文字幕 | 精品爱欲五| 亚洲综合激情五月久久| 婷婷五月花丁香| av中文在线| 激情黄色小说色五月| 99re思思久久| 九九亚洲天堂| 亚洲婷婷丁香五月天激情小说| 九九 激情 网| 亚洲AV永久无码影院黑人| 这里都是精品99| 色综合丁香婷婷| 狠狠综合久久综合| 天天热夜夜操| 蜜桃人妻无码AV天堂三区| 欧美精品999| 色综合五月| 91中文狠狠综合| 天天做天天爱天天摸| 九九aV| 丁香五月天亚洲综合| 九九爱看亚洲| 日本狠狠干| 久久精品爱爱| 激情婷婷六月天| 五月丁香无码| 91丨九色丨高潮丰满日本| 久久婷综合网| 日本一毛片| 综合色婷婷| 久久99精品久久只有精品| 久综合4| 激情综合网,五月| 国产一级片| 思思视频这里是精品| 99久久婷婷国产综合| 精品久久9| 99热这里只有精品在线播放| 99国产99| 综合五月丁香六月婷婷| 激情av网| 天天舔天天爽| 中文色婷婷| 激情五月婷黄版| 91精品丝袜久久久久久久久粉嫩| 在线综合网| 婷婷五月六月丁香| http://www.sd-xiangsu.com/| 白人荫道BBWBBB大荫道| 色高清无码视频| 欧美情色电影一区二区| 五月草影视| 99免费视频网| 在线亚洲综合网| 国产成人亚洲综合A∨婷婷| 国产精品A片在线| 婷婷五月天亚洲| 激情五月天的婷婷| 99久久6| 婷婷情色五月天| 99热.com| 婷婷六月中文字幕| 青草青草视频2免费观看| www,婷婷五月天,com| 五月开心网| 五月丁香六月花| 午夜丁香 婷婷| 色综合色五月| 狠狠人妻久久久久久综合丁香| 五月丁香久久久| 五月婷婷激情综合网 | 国产资源91在线| 成人丁香五月婷| 久机视频这只有精品| 婷婷激情在线| 婷婷五月天激情网| 天天日夜夜草进麻麻的子宫| 91日婷婷在线| 狠狠色综合网| 三十路磁力链接| 亚州色综合| 婷婷综合久久| 五月婷在线色视频| 综合亚洲AV| 色色a| 婷婷五亚洲| 天天久久狠狠色综合| 久久小说网| 亚洲第一综合| 婷婷丁香色五月天久久88| 狠狠色婷婷综合开心影视| 丁香伊人网| 天干天天干天天天天天| 久久丁香婷婷五月| 五月丁香| 五月天成人在线播放| 亚洲另类婷婷五月丁香在线播放| 饮料下药迷倒漂亮女同事强干| 欧美天天干天天草| 久久人人看| 色婷婷狠狠久久综合五月| 五月色网| 五月香蕉婷婷| www.henhenl| 97日韩无套内| 任你日视频| 99视频一区| 久热这里只有精品性色AV| 东京热人妻一区二区三区在线| 99免费热视频在线| 99热网站| 九九视频精品在线免费| 97九色视频| 欧美日韩成人综合9| 99精品久久| 色色综合网络| 午夜性爱影视一区77| 婷婷激情性爱| 熟妇人妻中文字幕无码老熟妇| 毛片新网地| xx色综合| 涩五月婷婷| 人人操操| 色五月色开心开心五月| 成人国产欧美大片一区| 国产精品成人在线| 欧美日韩aaa| 亚洲VA在线| 人妻av在线| 99人人操| 91怕怕网| 97日本在线播放| 婷婷中文字幕| 99ri在线视频| 亚洲熟女色| 999热这里只有精品| 国产精品久久久丁香五月八戒视频| 欧美A级网站| 超碰在线观看9| 久久全色| 天天操天天国产三级片处女学生妹| 人妻丰满精品一区二区A片| 99热精品在线播放| 婷婷五月天欧美图片在线播放电驴| 欧美日韩AAAAA| 99黄色性生活| 91一起操| 九九色逼| 伊人婷婷大香蕉| 欲色人妻| 亚洲精品又粗又大又爽A片| 综合激情视频| 99久久网站| 久久亚洲激情五码| 亚洲精品婷婷| 五月婷婷婷| 五月丁香AV在线| 丁香五月天BBw| 俺去也在线www色官网| 亚洲 无码 中文字幕 中出| 激情综合网,五月| 99热99成人| 五月丁香爱婷婷深深| 看婷婷五月天网| 五月丁香六月婷婷综合在线| 99日本在线| 五月婷婷日| 九九精品热播| 色婷婷影| 色婷婷伊人| 九九aV| 99小视频在线| 成人片久久网站| 日本a片网址| 色爱99| 深爱丁香激情| 99热这里只有精品官网| 天天做天天摸| 狠狠操狠狠操| 婷婷激情综合| 久久这里只有精品99| 91碰碰| 操大屄五月天视频| 婷婷丁香五月天操逼| 五月天基地| 色丁香五月天| 色七色九九| 色婷婷六月开心中文字| 婷婷丁香人妻天天| 天天婷婷| 色综合激情| 九九色热| 日韩野外 无套| 中文字幕第四色.999| 色婷婷五月色| 日本的α片xxxwww| 丁香婷五月天| 日日干天天爽| 东京热免费视频| 激情久久久| 色婷婷综合久久| 停停五月色宗合| 亚洲综合视频在线| 人人人人人人人人人草| 六月婷婷久久大全| 粉嫩av懂色av蜜臀av熟妇| 91超级碰碰碰| 五月婷无码| 色偷偷人人| 五月丁香婷婷啪啪| 亚洲女婷婷五月基地综合久久久 | 婷婷五月天AV在线| 色网站99| 五月婷综合| 五月天播播| 另类婷婷五月天啪帕帕| 五月婷婷中文字幕| 五月天色五月天| 九九精品在线观看视频6| 婷婷欧美综合| 综合五月天| 激情五月天婷婷色色色色色色色色色色色| 久久久五月天网站| 无码网| 激情五月影院| 最近中文字幕2019视频1| www.韩日视频| 婷婷五月天最新综合你懂的| 色色五月婷婷丁香| 成人在线网址| 免费在线观看av网站| 亚洲激情av| 噜噜色噜噜网| 狠狠干五月天| 久久sp免费视频| 久久99热免费| 97婷婷狠狠| W色综合| 天堂久久婷婷| 婷婷五月天亚洲综合| 成人婷99最新| tingtingseav| 亚洲精品欧洲精品| 99亚洲视频| 激情小说色五月| 色五月激情视频在线综合| 天天天综合网| 99精品免费| 六月激情婷婷综合| 色五月成人网| 99色综合| 五月激情四射网站| 色五月开心婷婷| 色色色综合| 成人性生活免费观看。| 这里只有精品视频国产| 99激情在线| 黄色99热| 在线超碰免费| 五月天激情四射| AV操操操| 九九热AV| 色五月天丁香| 天天干,夜夜爽| Www.sesese丁香| 天天日天天舔天天摸| A久久| 国内熟女黄色系列| 九月丁香婷婷| www夜夜操| 青草青草视频2免费观看| 伊人超碰在线| 狠狠五月天婷婷激情网。| 五月丁香六月情| 婷婷丁香五月色偷偷| 天堂草在线看www| 超PEN精品在线| 超碰在线91| 天天插综合网| 婷婷综合伊人| 日本熟女内射| 97日本在线播放| 五月永久激情| 青青草国产亚洲精品久久| 密黄站| 五月丁香综合激情网| 99热超碰天堂网| 丁香六月婷婷综合欧美| 五月日韩中文字幕| 婷香五月网在线| 色五月在线观看| 日本综合色色| 99热免费精品| 色99自拍| 色色丁香五月天| 色5月婷婷色| 99在线精品视频免费观看20| 婷婷六久久| 都市激情久久| 99热这里只有精品22| 久久久WWW| 99re在线观看| 99久久婷婷国产综合精品草原| 色婷婷久久久| 亚洲成人综合在线| 五月婷婷激情五月| av婷婷丁香 六月| 成AV人片一区二区三区久久| 久久婷五月综合色| 日本精品人妻无码77777| 色婷婷丁香五月| 伊人91| 色五月成人婷婷| 97高清国语自产拍| 成人羞羞啪啪 全 视频| 嫩草AV久久伊人妇女超级A| 午夜免费试看| 婷婷亚洲色| 精品人妻久久久| 99网址在线观看| 亚洲天堂亚洲色色色| 人人操av| 久久丁香五月婷婷| 停停六月 综合| 就爱射中文字幕资源网| 玖玖婷婷五月天毛片| 亚洲色优| 亚洲AV网站| 久久久久久人妻| 成人色色视频| 婷婷色在线播放| 人妻AV在线| 五月六月丁香婷婷在线观看| 亚洲欧美综合7777色亭亭| 色色AV色色色东莞| 91操片| 亚洲视频一区| 婷婷亚洲欧美丁香五月| 成人婷99最新| 伊人综合网站| 天天干天天操天天拍| 91超碰人人操| 免费黄网不卡AV| 色五月丁香婷婷| www.zbzhongsen.com| 婷婷成人视频| 99热这里只有精品最新网址| 久久久.COM| 被强行糟蹋的女人A片| 色爱亚洲| 超碰人人操人人干| 激情99| 色五月六月| www.久久| 中文字幕在线视频播放| 97干97色| 久久成人精品视频| 99福利导航| 激情五月婷婷网| 99爱精品视频| 婷婷五月综合色拍| 狠狠干总合| 国产午夜精品一区二区| 少妇AB又爽又紧无码网站| 97色色色| 日韩婷婷五月天| 激情久久网| 蜜桃人妻无码AV天堂三区| 思思久久99| 五月综合视频在线| 五月婷婷国产| 91精品国产99久久久久久天美| WwW天天干| 国产av影片| 色欲久久99精品久久久久久| 午夜婷婷久久 | 2025年最新亚洲在线欧美| 狠狠爱综合| 少妇2做爰HD韩国电影| 激情五月综合网| 激情久久五月网| 四虎成人精品永久免费AV九九| 四川BBB搡BBB爽爽视频| 97人人干人人操| 五月天婷婷永久免费视频| 超碰亚洲天堂| 2013AV天堂| 91精品久久久久久久久久| 91精品丝袜久久久久久| 五月婷婷第四色| 日日操夜夜爽天天天| 中文精品在| 五月色婷丁香| 九九热在线99| 丁香五月av| 无码色色| 26UUU在线观看| 婷丁五月| 婷婷五月丁香综合| 99人人精品| 99久久婷婷国产综合亚洲| 成人做爰A片免费看视频| 色五月综合| 日夜夜久久| 五月婷婷在线网站| 亚洲激情淫网| 2017狠狠干| 日韩xx在线| 日日操夜夜擼| 99免费在线视频| 五月婷婷人人人操| 深爱激情综合| 色欲久久久久| 69er小视频| 99色啊| 草榴视频网| 久久一级免费黄色片| 日本不卡高字幕在线2019| 国产亚洲色婷婷久久99精品91| 日韩爱操视频| 91超碰在线观看| 五月天丁香久久综合| 色偷偷综合| 日日噜噜夜夜狠狠久久丁香六月| 欧美美美女性色视频| m色激情网| 襙比视频| 婷婷大美在线| 这里只有精品99视频| 99re这里只有精品国产99| 色婷婷五月开心六月综合| 男人的天堂999| 久久免费9| 在线视频另类| 色五月婷婷色| 免费AV播放| 天天开心天天色| 五月婷五月婷伊人伊人五月婷| 九九色图| 久热91| 国产精品成人AV在线| 久大香蕉| 九九色精品| 色婷婷六月| 五月婷婷亚洲色视频| 色婷婷免费视频| 99激情在线| 久久久婷| 激情小说五月天| 任你躁XXXXX麻豆精品| 婷婷夜夜操| 色播五月网| 激情五月婷黄版| 久婷久婷| 在线99热| 色九九综合| 久久丁香五月婷婷| 五月天大香蕉av| 天天操天天干天天射| 91 久热| 99久久.www| 成人综合AV| WWW色综合| 色婷五月天网站| 99无吗| 97操碰碰无码视频| 久久9视频| 九九热在线精品视频| 亚洲蜜桃精久久久久久久久久久久| 99在线视频网址在线观看| 欧美六月婷婷| 五月丁香婷婷啪啪综合| 超碰人人干| 五月天开心色情网| 六月 丁香 视频| 五月婷网| 粉嫩av蜜桃av蜜臀av| 超碰在线成人| 噢美99| 色狠狠999综合| 九九sese| 。久久久久久久久久久久久久人妻| 六月婷婷啪啪| 激情五月天社区| 亚洲视频一区| 伊人玖玖综合| 久久五月综合| 五月天黄色激情小说| 久9视频免费播放| 五月婷婷综合在线| 人人操大| 99亚洲综合| 天天干天天干天天干天天干天| 性爱久久| 亚洲中文字幕在线观看| 欧美天天搞| 六月五月久久丁香| 人人操人人爱丁香五月| 婷婷精品在线| 精品人妻一区二区三区在| 久久亚洲天堂| 丁香五月婷婷动漫| 久久美女五月天| 久久AAAA片一区二区| 六月婷婷香蕉| 亚洲日本激情| 色中色综合| 亚洲人妻av| 91婷婷伊人牛牛| 人妻久久久久| 六月婷婷五月丁香| 蜜桃成语时李时珍 免费| 色都都狠狠色都都色综合色| 大香蕉AV在线| 色J香五月天| 丁香婷婷激情| 激情九月婷婷九月| 中文激情网| 国产激情婷婷| 国产成人精品一区二区三区视频 | 婷婷五月天社区| 激情AV中文| 天天日天天日天天搞| 婷婷伊人网| 中文字幕精品在线观看| 五月丁香六月婷婷婷婷| 日韩AAAAA| 婷婷日本在线| 激情六月丁香综合| 翔田千里 50岁 无码| 婷婷.com| 色婷婷婷婷成人网| 99人妻碰碰碰久久久久禁片| 一本狠婷婷综合| 插插干干干色| 亚洲欧洲国产精品| 亚洲欧美国产A片免费观看| 大香蕉久久| 亚洲99在线| 碰人人97| 成人欧美一区二区三区在线观看 | 天天干夜夜想| 亚洲中文字幕翔田千里| 十月丁香婷婷| 人人97碰| 91一道本| 色色综合网络| 玖玖@三月天天丁香婷婷| 欧美一级色| 天天天天干| 天天操B| 欧美69色| 五月天激情av| 久久久久亚洲AV综合| 色婷婷在线综合色播网| 六月激情婷婷| 成人短视频在线观看| 9l视频自拍9l视频自拍九色学生| 丁香婷婷六月| 射久久丁香五月| 激情五月婷婷| 激情网站综合五月天| 日本人妻A片成人免费看片| 久久99久久99久久99人受| 丁香六月狠狠干| 亚洲性爱电影| 99热天堂| 国产综合视频婷婷| 99热66| 91视频久久久| 人人草人人看| 亚洲AV电影美洲AV电影| 五月天色婷婷成人| 婷婷五月天国产精品| 丁香六月综合激情| 婷婷丁香91| 亚洲精品激情| 久久婷婷东京热| 性综合网| 超碰人人91| 天天插AV丝袜中| 久久久久五月丁香| 综合五月婷婷| 免费成片在线观看| 久久久久久人妻| 久久综合首页| 玖玖综合网| 夜夜人妻五月天| 人妻体体内射精一区二区| 99er6| 无遮羞AV| 亚美欧色影院| 日本九九九九九九| 五月开心婷婷| 久久中文人妻系列| 永久精品| 丁香婷婷六月婷婷六月婷婷六月婷婷| 99这里只有精品视频| 色五月xxx| 疯狂做受XXXX高潮A片动画| 五月婷婷co.m| 日本欧美成人片AAAA| 深爱丁香激情| 九9九9无码| 婷婷五月色| 色五月婷婷少妇人妻| 久久婷婷七月丁香| 亚洲无码色| 天堂综合久| 六月丁香婷| 99热这里有精品6| 开心色色五月天综合| 婷婷五月另类网站| 欧洲一区二区| 久久婷婷亚洲| 日本va视频| 成人在线视频男人的天堂4399| 99热网址| 激情五月天婷婷激情| 99只有精品| 五月花丁香婷婷| 九九色之九九色88| 五月天婷婷影院| 99亚洲大片精品永久在线观看| 97久久超碰| 五月天成人在线播放丁香| 中美月韩免费A片| 日日干天天| 九九热视频思思| 五月婷婷色播| 婷婷亚洲天堂|