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。

可穿戴傳感器時(shí)間序列數(shù)據(jù)增強(qiáng):Python實(shí)現(xiàn)與避坑指南

可穿戴傳感器時(shí)間序列數(shù)據(jù)增強(qiáng):Python實(shí)現(xiàn)與避坑指南 簡介針對(duì)可穿戴傳感器時(shí)間序列數(shù)據(jù)的數(shù)據(jù)增強(qiáng)需求提供一套完整的 Jupyter Notebook 示例代碼面向從事移動(dòng)健康、帕金森病監(jiān)測等方向的研究者與算法工程師。方法參考 ICMI 2017 論文通過對(duì)原始信號(hào)施加多種失真變換生成更多訓(xùn)練樣本可提升卷積神經(jīng)網(wǎng)絡(luò)等模型的效果并降低過擬合風(fēng)險(xiǎn)。包體為 ZIP 壓縮格式共 5 個(gè)文件約 892KB包含可直接運(yùn)行的 ipynb 筆記本、配套 py 腳本、示例數(shù)據(jù) npy、說明文檔 md 及效果圖 png方便按演示—運(yùn)行—理解流程學(xué)習(xí)。已有 475 人學(xué)習(xí)下載。下載后可獲得帶注釋的增強(qiáng)代碼、真實(shí)傳感器樣本與 README 使用說明。資源結(jié)構(gòu)簡潔適合快速遷移到自己的時(shí)間序列項(xiàng)目中也可作為數(shù)據(jù)擴(kuò)充預(yù)處理的參考起點(diǎn)。1. 可穿戴傳感器時(shí)間序列數(shù)據(jù)增強(qiáng)跑通一套Python增強(qiáng)代碼前先想清楚的事做可穿戴跌倒檢測那陣子我最大的瓶頸不是模型選型而是數(shù)據(jù)不夠用。一塊IMU掛在手腕上一個(gè)動(dòng)作類別攢了一千多條有效樣本另一個(gè)類別只有兩百多條直接拿去訓(xùn)練時(shí)間序列分類器過擬合幾乎是必然的??纱┐鱾鞲衅鲾?shù)據(jù)本質(zhì)上就是時(shí)間序列數(shù)據(jù)數(shù)據(jù)增強(qiáng)要做的事是在不破壞動(dòng)作語義的前提下用Python生成更多形狀合理、標(biāo)簽可靠的樣本讓模型在小樣本和不平衡場景下也能泛化。這套方法在Jupyter里跑通很容易但跑通和有效之間隔著不少參數(shù)和邊界。這篇文章就是從切窗、選變換、寫代碼到驗(yàn)證收益的完整路徑適合手里握著加速度計(jì)、陀螺儀或心率數(shù)據(jù)的開發(fā)者想用數(shù)據(jù)增強(qiáng)把模型效果和穩(wěn)定性頂上去而不是只在訓(xùn)練日志里多看一個(gè)過擬合的數(shù)字。2. 增強(qiáng)策略怎么選可穿戴時(shí)序的四個(gè)現(xiàn)實(shí)約束與前置處理圖像增強(qiáng)可以對(duì)整張圖做翻轉(zhuǎn)、裁剪、色彩擾動(dòng)因?yàn)檎Z義在像素層面是冗余的可穿戴時(shí)間序列不行。加速度計(jì)、陀螺儀和心率的每一個(gè)采樣點(diǎn)背后都有物理含義增強(qiáng)做過頭會(huì)直接改掉動(dòng)作類別。這一章先把四個(gè)影響成敗的現(xiàn)實(shí)約束講清楚再給你一張選型表。很多人在Jupyter里復(fù)制別人的增強(qiáng)代碼跑出奇怪結(jié)果通常不是代碼本身錯(cuò)而是沒想清楚這些前提。2.1 樣本長度怎么定窗口、重疊率與采樣率可穿戴設(shè)備吐出來的是連續(xù)流增強(qiáng)的第一步是把流切成樣本。常見做法是固定窗口加滑動(dòng)重疊先確定窗口長度再按步長滑動(dòng)切窗。窗口長度由動(dòng)作周期決定日?;顒?dòng)識(shí)別里的單個(gè)動(dòng)作比如站立、坐下、走路、揮手周期大概在 0.5 到 3 秒之間所以 2 到 5 秒的窗口是大多數(shù)項(xiàng)目的起步值。如果采樣率是 50Hz2 秒窗口就是 100 個(gè)采樣點(diǎn)如果是 125Hz就是 250 個(gè)點(diǎn)。窗口太短會(huì)把動(dòng)作切碎增強(qiáng)后學(xué)不到上下文窗口太長又會(huì)把兩個(gè)相鄰動(dòng)作混進(jìn)同一個(gè)標(biāo)簽增強(qiáng)做得越花哨標(biāo)簽越不可信。切窗的代碼在 Jupyter 里就是個(gè)循環(huán)import numpy as np def sliding_window(x, window_size, step_size): 把一維或多通道的連續(xù)信號(hào)切成固定長度窗口。 x: (n_samples, n_channels) 的原始傳感器流 window_size: 每個(gè)窗口的采樣點(diǎn)數(shù) step_size: 滑動(dòng)步長控制重疊率 n_samples, n_channels x.shape windows [] for start in range(0, n_samples - window_size 1, step_size): window x[start:start window_size] windows.append(window) return np.stack(windows) # (n_windows, window_size, n_channels)步長和窗口大小共同決定重疊率。步長等于窗口大小時(shí)樣本完全不重疊步長取窗口的一半重疊率就是 50%。重疊率高會(huì)顯著放大樣本量但相鄰樣本高度相似訓(xùn)練集和驗(yàn)證集如果按時(shí)間順序切很容易出現(xiàn)泄漏。我給可穿戴項(xiàng)目切窗時(shí)通常先設(shè) 50% 重疊拿一版基線再視類別不平衡程度往下調(diào)。注意這里切的是“訓(xùn)練集和測試集各自內(nèi)部的流”等做好增強(qiáng)后再統(tǒng)一劃分組別是為了避免同一段物理信號(hào)同時(shí)出現(xiàn)在訓(xùn)練和驗(yàn)證兩側(cè)。2.2 離線增強(qiáng)還是在線增強(qiáng)什么時(shí)候做、怎么做增強(qiáng)有兩種落地方式。離線增強(qiáng)是在預(yù)處理階段把所有變換一次性跑完把生成的樣本存成 numpy 數(shù)組或 npz 文件之后再訓(xùn)練在線增強(qiáng)是在訓(xùn)練循環(huán)里對(duì)每個(gè) batch 做隨機(jī)變換每次 epoch 看到的樣本都略不一樣??纱┐鲿r(shí)序數(shù)據(jù)集的規(guī)模通常不大百萬級(jí)樣本已經(jīng)很夸張離線增強(qiáng)的內(nèi)存壓力完全可控。我在 Jupyter 里探索階段一律先用離線增強(qiáng)因?yàn)樗茏屇惆言鰪?qiáng)前后的樣本畫出來看能檢查標(biāo)簽有沒有跟著變能比較分布差異這些事在訓(xùn)練腳本里做起來很別扭。在線增強(qiáng)的優(yōu)勢是省內(nèi)存、天然防過擬合但它要求增強(qiáng)函數(shù)是純隨機(jī)且可復(fù)用的。如果你在 Jupyter 里先離線把參數(shù)試好再搬到 PyTorch 的 Dataset 或 TensorFlow 的 tf.data 里重寫一遍兩種優(yōu)勢都能拿到。要注意的是無論哪種方式增強(qiáng)只應(yīng)該作用在訓(xùn)練集上驗(yàn)證集和測試集必須保持原始數(shù)據(jù)否則你評(píng)估的“增強(qiáng)帶來的提升”很可能是數(shù)據(jù)泄漏帶來的幻覺。2.3 通道、軸與重力分量增強(qiáng)前的傳感器先驗(yàn)處理可穿戴數(shù)據(jù)的典型形狀是 (樣本數(shù), 時(shí)間步數(shù), 通道數(shù))最常見的是加速度計(jì)三軸加陀螺儀三軸一共六個(gè)通道。增強(qiáng)時(shí)有一個(gè)很容易被忽略的前提三個(gè)加速度軸不是獨(dú)立無關(guān)的通道它們之間有重力分量和方向語義。如果直接對(duì)加速度計(jì)的 XYZ 軸做隨機(jī)大幅旋轉(zhuǎn)動(dòng)作的物理含義就變了跌倒檢測里“面朝下”和“側(cè)倒”可能被旋轉(zhuǎn)成同一個(gè)樣本標(biāo)簽已經(jīng)不可靠。常見的處理是先去掉重力分量再做增強(qiáng)尤其對(duì)加速度計(jì)數(shù)據(jù)。用一個(gè)高通濾波器把靜息重力去掉是加速度計(jì)預(yù)處理里的常規(guī)操作from scipy import signal def remove_gravity(x, fs50.0, cutoff_hz0.5, axis2): 可穿戴加速度計(jì)去重力。 x: (n_samples, n_channels) 或 (n_windows, n_timesteps, n_channels) fs: 采樣率單位 Hz cutoff_hz: 高通截止頻率通常 0.5Hz 以下 axis: 對(duì)哪個(gè)軸做濾波三軸數(shù)據(jù)默認(rèn)時(shí)間是第 1 維 b, a signal.butter(2, cutoff_hz / (fs / 2), btypehigh) return signal.filtfilt(b, a, x, axisaxis)截止頻率取 0.5Hz 是因?yàn)殪o態(tài)重力是直流附近的分量動(dòng)作信號(hào)的頻率通常更高。做完這一步再對(duì)樣本做縮放、加噪或時(shí)間扭曲語義風(fēng)險(xiǎn)會(huì)小得多。如果你手里的數(shù)據(jù)已經(jīng)做過歸一化不知道原始單位建議先畫幾段原始波形確認(rèn)重力分量是否存在再?zèng)Q定要不要做這步。設(shè)備采樣率不一致的情況也常遇到兩臺(tái)手表一臺(tái) 50Hz 一臺(tái) 100Hz 拼在一起增強(qiáng)前先統(tǒng)一重采樣到低頻那臺(tái)的采樣率避免窗口長度對(duì)不上。2.4 常見增強(qiáng)方法的分層選型表把可穿戴時(shí)序上常用的方法整理成一張表選型能省很多時(shí)間。核心原則是樣本少先用輕量時(shí)域變換類別不平衡嚴(yán)重就疊加采樣策略頻域方法專門對(duì)付模型對(duì)相位和周期性不魯棒的情況生成式方法放在最后數(shù)據(jù)量不夠時(shí)很容易翻車。方法操作對(duì)象關(guān)鍵參數(shù)主要風(fēng)險(xiǎn)白噪聲原始信號(hào)加噪noise_level0.02~0.05g信噪比下降特征被淹沒幅值縮放整段幅度縮放系數(shù)區(qū)間 0.9~1.1縮放過大改變動(dòng)作強(qiáng)度語義時(shí)間扭曲時(shí)間軸拉伸/壓縮max_stretch0.1~0.2破壞瞬時(shí)動(dòng)作的節(jié)律窗口平移按時(shí)間偏移重切窗偏移量與重疊率相關(guān)標(biāo)簽和時(shí)間戳錯(cuò)位頻域相位擾動(dòng)FFT 相位隨機(jī)旋轉(zhuǎn)shift_range0.05~0.15 弧度信號(hào)邊界出現(xiàn)振鈴Mixup同類樣本線性插值λ~Beta(0.2, 0.2)生成樣本偏均值多樣性下降DBA 重心平均同類樣本 DTW 平均參與平均的樣本數(shù)過平滑樣本同質(zhì)化VAE/GAN 合成潛空間采樣再重構(gòu)潛變量維數(shù)、訓(xùn)練輪數(shù)模式崩潰、多樣性差這里所有的參數(shù)都不是拍腦袋定的。我給加速度計(jì)數(shù)據(jù)加噪聲時(shí)默認(rèn)從 0.02g 試起因?yàn)槎鄶?shù)動(dòng)作信號(hào)的能量在 0.1g 到 2g 之間0.02g 足夠擾動(dòng)又不會(huì)蓋過動(dòng)作??s放系數(shù) 0.9 到 1.1 意味著最多把動(dòng)作幅度拉伸或壓縮 10%超過這個(gè)范圍就會(huì)讓“輕碰”和“重?fù)簟边@兩個(gè)類別開始混淆。選型時(shí)不要把所有方法疊在一起常見誤用是先用噪聲再縮放再做時(shí)間扭曲再來一次頻域擾動(dòng)最后生成的樣本面目全非模型學(xué)到的全是變換帶來的偽特征。3. 在Jupyter里復(fù)現(xiàn)四類增強(qiáng)方法時(shí)域、頻域、互類與生成式這一章給出可以直接復(fù)制的四組 Python 函數(shù)。默認(rèn)輸入是 (n_samples, n_timesteps, n_channels) 的 numpy 數(shù)組標(biāo)簽是 (n_samples,) 的整數(shù)數(shù)組。不管你是用瀏覽器開 Jupyter notebook還是在 PyCharm 里調(diào) Jupyter或者用 VS Code 接入 Jupyter 內(nèi)核代碼都通用只要內(nèi)核是 Python3。缺庫的時(shí)候在單元格里跑!pip install numpy scikit-learn scipy matplotlib就能補(bǔ)齊。3.1 時(shí)域變換加噪、縮放、時(shí)間扭曲與漂移時(shí)域變換是最容易理解也最容易寫對(duì)的一類增強(qiáng)。它對(duì)每個(gè)樣本直接修改波形。下面這組函數(shù)覆蓋了四種最常見的操作import numpy as np def add_noise(X, noise_level0.02, seedNone): 加性白噪聲。noise_level 是噪聲標(biāo)準(zhǔn)差。 rng np.random.default_rng(seed) return X rng.normal(0.0, noise_level, sizeX.shape) def scale_signal(X, low0.9, high1.1, seedNone): 幅值縮放每個(gè)樣本隨機(jī)乘一個(gè)系數(shù)保留通道間比例。 rng np.random.default_rng(seed) factors rng.uniform(low, high, size(X.shape[0], 1, 1)) return X * factors def add_drift(X, max_drift0.01, seedNone): 基線漂移每個(gè)通道疊加一條線性趨勢模擬傳感器溫度漂移。 rng np.random.default_rng(seed) n, t, c X.shape slope rng.uniform(-max_drift, max_drift, size(n, 1, c)) time_axis np.linspace(0, 1, t).reshape(1, -1, 1) return X slope * time_axis def time_warp(X, max_stretch0.2, seedNone): 時(shí)間扭曲對(duì)每個(gè)通道做輕微的時(shí)間軸拉伸或壓縮。 rng np.random.default_rng(seed) n, t, c X.shape out np.empty_like(X) old_idx np.arange(t) for i in range(n): for ch in range(c): k 1.0 rng.uniform(-max_stretch, max_stretch) new_len max(2, int(t * k)) new_idx np.linspace(0, t - 1, new_len) out[i, :, ch] np.interp(old_idx, new_idx, X[i, :, ch]) return out四組函數(shù)的設(shè)計(jì)思路是加噪和漂移讓模型對(duì)傳感器自身的噪聲和溫度變化不敏感縮放讓模型對(duì)佩戴松緊、動(dòng)作力度變化不敏感時(shí)間扭曲模擬的是同一個(gè)動(dòng)作做得快或慢。參數(shù)落在 0.9 到 1.1 的縮放區(qū)間對(duì)多數(shù)活動(dòng)識(shí)別任務(wù)比較安全因?yàn)閯?dòng)作幅度差異通常遠(yuǎn)小于這個(gè)范圍。seed參數(shù)建議在可復(fù)現(xiàn)實(shí)驗(yàn)里固定尤其當(dāng)你要對(duì)比增強(qiáng)前后效果時(shí)隨機(jī)種子一變結(jié)論可能也跟著變。使用時(shí)要特別注意add_noise的noise_level如果你不清楚輸入數(shù)據(jù)的單位先看波形量級(jí)。如果數(shù)據(jù)歸一化到 [-1,1]0.02 可能太小可以試 0.05如果數(shù)據(jù)是原始的加速度 g 值0.02g 是個(gè)穩(wěn)當(dāng)起點(diǎn)。時(shí)間扭曲里np.interp(old_idx, new_idx, X[i, :, ch])的含義是把拉伸后的時(shí)間軸重新映射回原來的長度這樣輸出形狀不變可以直接拼進(jìn)訓(xùn)練集。3.2 頻域增強(qiáng)FFT相位擾動(dòng)與低通濾波可穿戴信號(hào)里的走路、跑步、揮手都有較明顯的節(jié)律頻域結(jié)構(gòu)是動(dòng)作類別的重要特征。頻域增強(qiáng)的思路是保留幅度譜只對(duì)相位做隨機(jī)擾動(dòng)這樣能量分布和頻率成分基本不變但波形細(xì)節(jié)會(huì)有變化模型不容易記住特定樣本。def fft_phase_shift(X, shift_range0.1, seedNone): 頻域相位擾動(dòng)。shift_range 是相位偏移的弧度范圍。 rng np.random.default_rng(seed) n, t, c X.shape out np.empty_like(X) for i in range(n): for ch in range(c): spectrum np.fft.rfft(X[i, :, ch]) freqs spectrum.shape[0] phase rng.uniform(-shift_range * 2 * np.pi, shift_range * 2 * np.pi, size(freqs,)) shifted spectrum * np.exp(1j * phase) out[i, :, ch] np.fft.irfft(shifted, nt) return outshift_range是這段代碼最需要謹(jǐn)慎調(diào)的參數(shù)0.1 表示相位偏移最大是 0.1 倍圓周也就是正負(fù) 36 度。大于 0.2 時(shí)波形會(huì)出現(xiàn)明顯的振鈴效應(yīng)也就是在信號(hào)突變的位置產(chǎn)生來回震蕩的假波這種假波在加速度計(jì)數(shù)據(jù)里表現(xiàn)得像高頻抖動(dòng)模型很容易把它當(dāng)成動(dòng)作特征學(xué)進(jìn)去。更穩(wěn)的用法是只擾動(dòng)中頻段的相位直流分量和最高頻分量保持不動(dòng)這樣既保留基線又增加多樣性。如果你只是想濾掉傳感器隨機(jī)抖動(dòng)直接用 scipy 的 butter 低通濾波器即可頻率截止設(shè)在動(dòng)作信號(hào)帶寬的 1.5 倍附近。3.3 互類增強(qiáng)Mixup與DBA的輕量實(shí)現(xiàn)互類增強(qiáng)的思想是從同類樣本里生成新的混合樣本。時(shí)序 Mixup 在可穿戴分類任務(wù)里性價(jià)比極高實(shí)現(xiàn)只要十行def mixup_same_class(X, y, alpha0.2, seedNone): 同類樣本線性插值。返回增強(qiáng)后的樣本和對(duì)應(yīng)標(biāo)簽。 rng np.random.default_rng(seed) n X.shape[0] # 為每個(gè)樣本隨機(jī)選一個(gè)同類樣本 indices np.empty(n, dtypeint) for label in np.unique(y): cls_idx np.where(y label)[0] for i in cls_idx: candidates cls_idx[cls_idx ! i] indices[i] rng.choice(candidates) if len(candidates) 0 else i lam rng.beta(alpha, alpha, size(n, 1, 1)) X_aug lam * X (1 - lam) * X[indices] return X_aug, y.copy()Mixup 在圖像上常用lambda從 Beta 分布采樣時(shí)序里同樣適用。alpha0.2時(shí)采樣值更偏向 0 或 1生成的樣本更接近兩個(gè)原始樣本之一alpha1.0時(shí)偏向 0.5生成的是兩個(gè)樣本的中間形態(tài)。我這里特意強(qiáng)調(diào)“同類”因?yàn)榭纱┐鲃?dòng)作標(biāo)簽天然互斥跨類插值會(huì)造出語義不明確的樣本比如“站立”和“跑步”的中間狀態(tài)標(biāo)簽沒法定義。同類 Mixup 能擴(kuò)大類內(nèi)多樣性又不會(huì)污染類別邊界。比 Mixup 更復(fù)雜的是 DBADTW Barycenter Averaging它用動(dòng)態(tài)時(shí)間規(guī)整找到一組同類樣本的“平均重心”生成一個(gè)代表性的模板樣本。DBA 對(duì)小樣本類別特別有效但它會(huì)把一批樣本平均成一個(gè)如果參與平均的樣本本身形態(tài)差異大得到的是過平滑的中間形態(tài)反而壓掉類內(nèi)差異。tslearn 庫里有現(xiàn)成的 barycenter 模塊使用時(shí)注意輸入樣本長度必須一致否則要預(yù)先 padding 或截?cái)唷N业慕?jīng)驗(yàn)是Mixup 先上DBA 作為備選不要兩個(gè)同時(shí)用。3.4 生成式增強(qiáng)PCA潛空間噪聲注入的輕量方案真正的生成式增強(qiáng)比如 VAE 或 GAN在可穿戴時(shí)序上最容易遇到的問題就是訓(xùn)練不穩(wěn)定數(shù)據(jù)量太小的時(shí)候模式崩潰很常見。有一個(gè)更穩(wěn)的低門檻做法先用 PCA 把訓(xùn)練樣本壓縮到低維潛空間在潛空間里加擾動(dòng)再重構(gòu)回原始空間。這相當(dāng)于一個(gè)線性 VAE不涉及對(duì)抗訓(xùn)練在 Jupyter 里能穩(wěn)定產(chǎn)出看起來合理的樣本。from sklearn.decomposition import PCA def pca_augment(X_train, n_components8, noise_std0.2, seedNone): PCA潛空間加噪重構(gòu)生成合成樣本。 X_train: (n_samples, n_timesteps, n_channels) n_components: 潛空間維數(shù)通常取 4~16 noise_std: 潛空間加噪標(biāo)準(zhǔn)差 rng np.random.default_rng(seed) n, t, c X_train.shape X_flat X_train.reshape(n, -1) pca PCA(n_componentsn_components) pca.fit(X_flat) Z pca.transform(X_flat) Z_aug Z rng.normal(0.0, noise_std, sizeZ.shape) X_aug_flat pca.inverse_transform(Z_aug) return X_aug_flat.reshape(n, t, c)n_components決定潛空間保留多少信息。取 4 到 16 對(duì)大多數(shù) 6 通道可穿戴信號(hào)夠用太小會(huì)丟失通道間的相關(guān)性重構(gòu)出來的樣本像被磨平了太大等于沒壓縮加噪后基本就是原始樣本加噪聲。noise_std從 0.1 起步不要超過 0.5否則潛空間里的擾動(dòng)會(huì)重構(gòu)出幅度異常的信號(hào)。這一招適合在樣本量少到 Mixup 都不太夠用時(shí)補(bǔ)一刀但它的多樣性有限只能作為組合增強(qiáng)里的一個(gè)組成部分不能獨(dú)挑大梁。如果你后續(xù)要用 LSTM 做時(shí)間序列預(yù)測或分類增強(qiáng)數(shù)據(jù)記得保持 (n, t, c) 的固定形狀PCA 重構(gòu)出的樣本形狀不會(huì)變可以直接拼接進(jìn)訓(xùn)練數(shù)組。4. 增強(qiáng)不是玄學(xué)用分布對(duì)比與Baseline分類器驗(yàn)證效果增強(qiáng)做完不驗(yàn)證等于白做。這一章講兩件事增強(qiáng)前后的樣本分布是否合理以及增強(qiáng)到底有沒有提升分類效果。驗(yàn)證用的代碼都是輕量的在 Jupyter 里跑幾分鐘就能出結(jié)果。4.1 增強(qiáng)前后分布可視化PCA降維與樣本波形對(duì)照先把原始樣本和增強(qiáng)樣本合并用 PCA 降維到二維看它們?cè)谔卣骺臻g里的分布是否有重疊。如果增強(qiáng)樣本完全落在原始樣本的分布之外說明變換參數(shù)過強(qiáng)如果完全重疊說明增強(qiáng)太平淡多樣性不夠。注意這里用的“分布”不是原始波形而是統(tǒng)計(jì)特征我習(xí)慣提取均值、標(biāo)準(zhǔn)差和 FFT 幅值均值def extract_features(X): 從時(shí)序樣本里提取統(tǒng)計(jì)特征用于分類和可視化。 X: (n_samples, n_timesteps, n_channels) 返回: (n_samples, n_channels * 3) features [] for i in range(X.shape[0]): sample X[i] f np.concatenate([ sample.mean(axis0), sample.std(axis0), np.abs(np.fft.rfft(sample, axis0)).mean(axis0) ]) features.append(f) return np.array(features)然后在 Jupyter 里運(yùn)行import matplotlib.pyplot as plt from sklearn.decomposition import PCA def plot_augmentation_distribution(X_orig, X_aug): feats_orig extract_features(X_orig) feats_aug extract_features(X_aug) feats_cat np.concatenate([feats_orig, feats_aug], axis0) pca PCA(n_components2) emb pca.fit_transform(feats_cat) fig, ax plt.subplots(figsize(6, 5)) ax.scatter(emb[:len(X_orig), 0], emb[:len(X_orig), 1], s6, alpha0.5, labeloriginal) ax.scatter(emb[len(X_orig):, 0], emb[len(X_orig):, 1], s6, alpha0.5, labelaugmented) ax.set_xlabel(PC1) ax.set_ylabel(PC2) ax.legend() plt.show()理想狀態(tài)是增強(qiáng)樣本散落在原始樣本周圍而不是聚集在一個(gè)角落。如果看到增強(qiáng)樣本形成獨(dú)立的小團(tuán)就要懷疑過強(qiáng)的噪聲或過大的縮放系數(shù)。分布圖還能暴露另一個(gè)問題當(dāng)原始數(shù)據(jù)類別極少t-SNE 或 PCA 的投影會(huì)給出誤導(dǎo)性的視覺結(jié)論這時(shí)候要結(jié)合波形圖看。隨機(jī)抽幾個(gè)增強(qiáng)樣本畫波形和原始樣本并排比對(duì)確認(rèn)波形形態(tài)沒有被破壞。如果在 Jupyter 里畫圖時(shí)橫坐標(biāo)刻度太密集用plt.MaxNLocator(5)限制坐標(biāo)軸刻度數(shù)量否則標(biāo)簽會(huì)疊成一團(tuán)。4.2 用Baseline分類器量化增強(qiáng)收益分布圖是定性驗(yàn)證真正要說服自己和團(tuán)隊(duì)的是數(shù)字。用一個(gè)輕量分類器做 baseline分別跑不增強(qiáng)和增強(qiáng)兩組實(shí)驗(yàn)對(duì)比準(zhǔn)確率或 F1。因?yàn)檫@里驗(yàn)證的是增強(qiáng)的價(jià)值不是模型的天花板我用邏輯回歸加特征提取就能看出趨勢。from sklearn.linear_model import LogisticRegression from sklearn.preprocessing import StandardScaler from sklearn.pipeline import make_pipeline from sklearn.model_selection import train_test_split def evaluate_augmentation(X_orig, y, X_aug, y_aug): # 原始數(shù)據(jù)做 baseline X_feat_orig extract_features(X_orig) X_train, X_test, y_train, y_test train_test_split( X_feat_orig, y, test_size0.2, stratifyy, random_state42) baseline make_pipeline(StandardScaler(), LogisticRegression(max_iter500)) baseline.fit(X_train, y_train) base_acc baseline.score(X_test, y_test) # 增強(qiáng)數(shù)據(jù)拼進(jìn)訓(xùn)練集測試集仍舊用原始數(shù)據(jù) X_train_aug np.concatenate([X_feat_orig, extract_features(X_aug)], axis0) y_train_aug np.concatenate([y, y_aug], axis0) X_test X_feat_orig # 注意這里測試集是原始數(shù)據(jù)避免泄漏 y_test y aug_model make_pipeline(StandardScaler(), LogisticRegression(max_iter500)) aug_model.fit(X_train_aug, y_train_aug) aug_acc aug_model.score(X_test, y_test) print(fbaseline acc: {base_acc:.4f}) print(faugmented acc: {aug_acc:.4f}) return base_acc, aug_acc這段代碼有個(gè)關(guān)鍵點(diǎn)測試集始終是原始數(shù)據(jù)的隨機(jī)劃分增強(qiáng)樣本只進(jìn)訓(xùn)練集。如果你把增強(qiáng)樣本也放進(jìn)劃分再隨機(jī)切同一個(gè)原始樣本的多個(gè)增強(qiáng)版本很可能同時(shí)出現(xiàn)在訓(xùn)練和測試?yán)餃?zhǔn)確率虛高。這里的評(píng)估方式雖然簡單但能告訴你兩個(gè)信息增強(qiáng)把準(zhǔn)確率往上頂了還是壓下去了以及它在驗(yàn)證集上的穩(wěn)定性。數(shù)字跑出來如果增強(qiáng)后準(zhǔn)確率反而下降先不要急著調(diào)參回到 4.1 看分布圖大概率是變換參數(shù)過強(qiáng)。4.3 評(píng)估指標(biāo)準(zhǔn)確率、F1與類別召回準(zhǔn)確率在可穿戴分類任務(wù)里經(jīng)常騙人。比如“正常行走”這類樣本量大的類別把準(zhǔn)確率抬得很高但“跌倒”這類小樣本類別表現(xiàn)極差準(zhǔn)確率數(shù)字卻看不出來。增強(qiáng)最應(yīng)該解決的恰恰是小樣本類別的召回率。所以在 baseline 評(píng)估里不要讓準(zhǔn)確率當(dāng)唯一指標(biāo)至少要同時(shí)記錄 macro F1 和每個(gè)類別的召回率。指標(biāo)適合場景說明準(zhǔn)確率類別均衡時(shí)直觀但小樣本類別失效時(shí)看不出來macro F1類別不平衡每個(gè)類別 F1 平均小類被同等對(duì)待每類召回率跌倒檢測等安全場景漏報(bào)比誤報(bào)代價(jià)更高直接看這個(gè)可穿戴任務(wù)里如果增強(qiáng)只帶來準(zhǔn)確率上升 1 個(gè)百分點(diǎn)但跌倒類別的召回率從 0.6 漲到 0.85這個(gè)增強(qiáng)就是有效的。我在實(shí)際項(xiàng)目里會(huì)把這三項(xiàng)指標(biāo)打出來再?zèng)Q定要不要調(diào)整增強(qiáng)參數(shù)。單獨(dú)追求準(zhǔn)確率的提升很容易被增強(qiáng)帶來的過擬合掩蓋。5. 可穿戴時(shí)序增強(qiáng)的避坑記錄五個(gè)親身踩過的邊界這一章是我自己在可穿戴項(xiàng)目里真實(shí)踩過的坑按“現(xiàn)象-原因-解決”的格式記錄希望能省掉你幾天的排查時(shí)間。5.1 增強(qiáng)后標(biāo)簽錯(cuò)位樣本和標(biāo)簽尾部對(duì)不上現(xiàn)象是訓(xùn)練時(shí)準(zhǔn)確率忽高忽低畫混淆矩陣發(fā)現(xiàn)很多預(yù)測標(biāo)簽比真實(shí)標(biāo)簽慢了一個(gè)或幾個(gè)位置。原因是滑動(dòng)窗口切窗和增強(qiáng)用了不同的索引體系。比如先對(duì)整條傳感器流做了噪聲增強(qiáng)再切窗增強(qiáng)后的數(shù)組長度沒變但內(nèi)存布局變了或者你用sliding_window切完窗后又對(duì)重疊區(qū)域單獨(dú)做縮放導(dǎo)致某個(gè)樣本實(shí)際上覆蓋了相鄰動(dòng)作的波形但標(biāo)簽還是原來的。解決方法是把“切窗 標(biāo)簽對(duì)齊 增強(qiáng)”放在同一個(gè)函數(shù)里每生成一個(gè)窗口就立刻確認(rèn)窗口的起始時(shí)間戳和標(biāo)簽對(duì)應(yīng)。增強(qiáng)函數(shù)只接受已經(jīng)帶標(biāo)簽的樣本數(shù)組不要對(duì)完整傳感器流先增強(qiáng)再切窗。另外離線增強(qiáng)后用np.savez保存時(shí)把 X_aug 和 y_aug 同時(shí)寫進(jìn)去下次加載時(shí)先檢查len(X_aug) len(y_aug)這個(gè)斷言能攔住大多數(shù)索引錯(cuò)位問題。5.2 歸一化順序反了增強(qiáng)白做甚至有害現(xiàn)象是增強(qiáng)后的樣本在驗(yàn)證集上表現(xiàn)還不如不增強(qiáng)畫波形發(fā)現(xiàn)增強(qiáng)樣本的幅度整體偏小且與原始樣本的量綱不一致。原因是先做了標(biāo)準(zhǔn)化歸一化再對(duì)標(biāo)準(zhǔn)化后的樣本加噪聲或縮放而標(biāo)準(zhǔn)化時(shí)用的均值方差來自原始訓(xùn)練集增強(qiáng)樣本等于被二次縮放分布整體漂移。正確的順序是先做數(shù)據(jù)增強(qiáng)再擬合標(biāo)準(zhǔn)化器。也就是把StandardScaler放在增強(qiáng)之后只擬合增強(qiáng)后的訓(xùn)練集驗(yàn)證集和測試集用同一個(gè) scaler 做變換。如果你希望增強(qiáng)前后的樣本都處在同一量綱可以單獨(dú)畫增強(qiáng)前后每個(gè)通道的均值和標(biāo)準(zhǔn)差對(duì)比偏差超過 10% 就說明順序或參數(shù)有問題。這個(gè)小檢查成本很低值得養(yǎng)成習(xí)慣。5.3 頻域相位擾動(dòng)過頭振鈴偽影變成新特征現(xiàn)象是頻域增強(qiáng)后準(zhǔn)確率提升但換一個(gè)設(shè)備驗(yàn)證時(shí)效果暴跌模型對(duì)新設(shè)備的信號(hào)完全不魯棒。原因是shift_range設(shè)得太大相位擾動(dòng)在信號(hào)突變點(diǎn)附近產(chǎn)生了明顯的振鈴模型把振鈴當(dāng)成了動(dòng)作特征而真實(shí)設(shè)備里沒有這個(gè)偽影。解決方法是把shift_range控制在 0.05 到 0.15 之間并且擾動(dòng)時(shí)不動(dòng)直流分量和最高頻分量只擾動(dòng)能量占比靠前的 30% 到 50% 的頻率分量。還可以直接拿增強(qiáng)樣本和原始樣本的頻譜做對(duì)比畫在一張圖上如果頻譜包絡(luò)形狀明顯改變就調(diào)小范圍。我自己在加速度計(jì)數(shù)據(jù)上一般用 0.1再大就出偽影。5.4 生成式增強(qiáng)把樣本變同質(zhì)多樣性不升反降現(xiàn)象是 PCA 增廣后訓(xùn)練集的分類準(zhǔn)確率上升但測試集準(zhǔn)確率沒有同步上升甚至下降畫分布圖發(fā)現(xiàn)增強(qiáng)樣本全部集中在原始樣本中心附近的一小片區(qū)域。原因是潛空間加噪的標(biāo)準(zhǔn)差太小PCA 重構(gòu)時(shí)把噪聲壓縮掉了產(chǎn)出的樣本幾乎就是原始樣本的均值形態(tài)多樣性幾乎沒有增加反而讓模型在訓(xùn)練時(shí)反復(fù)看到同質(zhì)的平均樣本變相加重了對(duì)訓(xùn)練分布的過度擬合。解決辦法是先畫出潛空間投影的分布Z的每一維標(biāo)準(zhǔn)差大概是多少noise_std取到這些標(biāo)準(zhǔn)差的一半到等量級(jí)。比如Z第一維標(biāo)準(zhǔn)差是 3.2noise_std從 1.0 試起而不是拍腦袋設(shè)個(gè) 0.2。檢查合成樣本和原始樣本的類內(nèi)距離增強(qiáng)后的類內(nèi)平均距離如果比原始類內(nèi)距離還小說明多樣性不足加大噪聲或換用 Mixup。5.5 內(nèi)存不夠與隨機(jī)種子不一致實(shí)驗(yàn)結(jié)果沒法復(fù)現(xiàn)現(xiàn)象是在 Jupyter 里增強(qiáng)跑得正歡突然內(nèi)核崩了或者同一個(gè) notebook 重復(fù)跑兩遍出來的準(zhǔn)確率不一樣。原因有二一是離線增強(qiáng)把所有方法、所有倍率一次性全部生成數(shù)組數(shù)量翻了十幾倍直接爆內(nèi)存二是增強(qiáng)函數(shù)里的隨機(jī)種子沒有固定每次跑的樣本都不同自然不能復(fù)現(xiàn)。解決方式是分批生成、及時(shí)釋放。增強(qiáng)數(shù)據(jù)可以每生成一批就np.savez追加寫入不要一直攢在變量里單批樣本量控制在幾萬以內(nèi)。每個(gè)增強(qiáng)函數(shù)都接受seed參數(shù)在 notebook 開頭定義一個(gè)全局的SEED 42所有函數(shù)傳進(jìn)去。如果你在一個(gè)單元格里連續(xù)跑多個(gè)增強(qiáng)函數(shù)還要注意每個(gè)函數(shù)內(nèi)部如果不重置numpy.random的全局狀態(tài)后面的隨機(jī)序列會(huì)被前面的調(diào)用影響所以顯式用np.random.default_rng(seed)是更穩(wěn)的寫法。Jupyter 本身對(duì)長任務(wù)也不友好數(shù)據(jù)量超過幾十萬樣本后建議把增強(qiáng)腳本抽成.py在終端跑跑完存盤再回 notebook 做分析。6. 進(jìn)階按受試者分組交叉驗(yàn)證把增強(qiáng)放進(jìn)嚴(yán)格評(píng)估管線可穿戴實(shí)驗(yàn)里最容易被忽略的泄漏不是增強(qiáng)樣本進(jìn)了測試集而是同一個(gè)受試者的數(shù)據(jù)同時(shí)出現(xiàn)在訓(xùn)練和測試集中。模型會(huì)記住佩戴者的個(gè)體特征而不是動(dòng)作類別本身。這個(gè)問題在加了增強(qiáng)之后會(huì)被放大因?yàn)樵鰪?qiáng)能讓同一個(gè)人的樣本出現(xiàn)幾十次泄漏效果更強(qiáng)。解決方法是按受試者分組做交叉驗(yàn)證。先把數(shù)據(jù)按受試者 ID 組織然后用GroupKFold劃分確保同一個(gè)人的所有窗口只出現(xiàn)在同一個(gè) foldfrom sklearn.model_selection import GroupKFold def evaluate_grouped(X, y, groups, X_aug, y_aug, aug_groups): 按受試者分組評(píng)估增強(qiáng)效果。 groups: 每個(gè)樣本所屬的受試者 ID X_aug: 增強(qiáng)后的樣本 aug_groups: 增強(qiáng)樣本對(duì)應(yīng)的受試者 ID gkf GroupKFold(n_splits5) scores [] for train_idx, test_idx in gkf.split(X.reshape(X.shape[0], -1), y, groups): # 只把 train_idx 對(duì)應(yīng)的訓(xùn)練樣本與增強(qiáng)樣本拼接 X_train np.concatenate([X[train_idx], X_aug], axis0) y_train np.concatenate([y[train_idx], y_aug], axis0) # 注意增強(qiáng)樣本必須只來自訓(xùn)練 fold 的受試者 X_test, y_test X[test_idx], y[test_idx] model make_pipeline(StandardScaler(), LogisticRegression(max_iter500)) model.fit(extract_features(X_train), y_train) acc model.score(extract_features(X_test), y_test) scores.append(acc) return scores這段代碼里最需要注意的是X_aug的來源。增強(qiáng)樣本只能由訓(xùn)練 fold 內(nèi)的原始樣本生成不能拿測試 fold 的樣本來造否則 leaking。嚴(yán)謹(jǐn)?shù)淖龇ㄊ窃诿總€(gè) fold 內(nèi)部重新對(duì)訓(xùn)練部分做增強(qiáng)而不是在 fold 外提前生成一份增強(qiáng)數(shù)組。上面的寫法為了示意簡化了這一點(diǎn)實(shí)際落地時(shí)把增強(qiáng)代碼放進(jìn) fold 循環(huán)內(nèi)部只接收X[train_idx]。交叉驗(yàn)證跑完你會(huì)得到五組得分。我的習(xí)慣是同時(shí)跑一版不帶增強(qiáng)的GroupKFold兩邊的均值差才是增強(qiáng)的真實(shí)收益。如果增強(qiáng)后均值上升但方差也變大說明增強(qiáng)對(duì)某些受試者效果好、對(duì)另一些不穩(wěn)定這時(shí)要按類別和受試者分別看召回率不要只盯著平均分。我自己做可穿戴項(xiàng)目時(shí)有個(gè)堅(jiān)持了很久的習(xí)慣每次增強(qiáng)調(diào)參前先跑一版嚴(yán)格分組的 baseline任何增強(qiáng)方案如果在這個(gè) baseline 上沒有提升就不讓它進(jìn)訓(xùn)練管線。這個(gè)做法擋掉過很多看起來漂亮的增強(qiáng)方法。數(shù)據(jù)增強(qiáng)的價(jià)值最終要體現(xiàn)在沒見過的人戴上傳感器的表現(xiàn)上而不是 notebook 里的訓(xùn)練曲線。希望幫到你。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
五月综合六月婷婷| 色丁香婷婷美女视频网站| 九九99免费理论| 91精品91久久久中77777久久玖玖九九| 99热热这里只精品996小说| 色综合久久88色综合中文字幕| 五月丁香亭亭成人电影| 小泽玛利亚视频一区二区| 丁香婷婷网| caopeng超碰| 99国产在线精品视频| 婷婷五月天激情免费在线观看| 免费黄色AV| 91一起操| 亚洲一二三网| 九九综合色| 激情五月,深深爱五月| 五月色婷丁香| 亚洲精品视频在线| 色天天综合成人网| 五月天色色网站| 婷婷五月天激情网| 丁香婷婷基地| 婷婷中文字暮| 蜜臀A∨在线水帘洞| 欧洲色色| 国产欧洲欧洲精品久久| 91色吧网| 永久精品| 婷婷色五月色| 色欲资源网| 99热亚洲| 五月丁香成年黄色| 91视频久久久| 黄色毛片精品| 真实熟女-91九色| 在线观看av网站| 亚洲无码成人性爰网| 色色婷婷五月天| 丁香六月婷婷色XXXXX| 欧美色色色色色| 婷婷开心久久| 丁香婷婷免费| 国产精品噜噜在线视频| 乱女乱妇熟女熟妇综合网站| 色五月之第四色| 五月婷婷丁香六月| 色99热| 天天日日| 久草视频大香蕉99| 伊人大香蕉综合在线| 久久婷婷五月天| 久热婷婷| 99热这里有精品| 人人97碰| WWW五月婷婷| www.久9| 婷婷久久女人| 伊人五月综合网| 色都都狠狠色都都色综合色| 日本99婷婷| 亚洲精品一区无码A片| 久99久在线| 人人干av| 成人视频婷婷| 91人操人人人操人| 婷婷综合在线| 色噜噜婷婷| 99九九视频| 久久网站免费亚洲| 日韩ac不卡无码| 色婷婷先锋| 久久新地此| 久久日曰| 五月色婷婷影院| 在线99精品| 免费97碰碰| 久久婷婷电影| 婷婷五月色播网| 国产 亚洲 在线| 人人操人人干AV| 91人人澡人人爽人人看| 色婷婷成人影片| 日韩无码一区二区三区四区| 天天日天天日天天搞| 开心婷婷五月天激情网| 超碰成人免费| 五月天婷婷无码| 激情五月黄色| 五月丁香久久呀| 五月婷中文娱乐综合| WWW.久久久久久久久久久久久| 久久精品系列| 久久久8| 六月激情婷婷综合| www.9797国产| 疯狂做受XXXX高潮A片| 色色色五月天婷婷| 操碰99| 久久机热这里只有精品免费视频| 九九草热在线观看| 激情五月婷| 婷婷大香蕉| 欧美婷婷| 国产综合久久久777777| 337p午夜影院| www,天天干| 91大神操美女| 免费播放AV| 翔田千里 50岁 无码| 亚洲婷婷丁香五月天激情小说| 激情九九综合网| 婷婷五月激情视频在线| 97久久超碰| 激情6月| 婷婷五月中文字幕| 亚洲综合视频一下| 色综合色色| 五月天色小说| 婷婷五月在线综合| 久久人妻精品| a级毛片一区二区免费视频| 亚洲欧洲另类图片| 久热这里只有精品在线观看| 色五月人妻| 日日日日日| av免费在线看不卡无毒| 激情婷婷内射| 日韩成人免费电影| www激情网站| 亚洲AV网站在线观看| 91视屏在线观看com.wwwvv| 色婷婷六月| 青青青在线视频国产| 色99无码| 丁香六月色婷婷| 激情五月丁香婷婷| 九九99久久| 这里只有精品在线观看视频| 丁香五月天信号| 久久精品小视频| 成人网在线视频| 丁香五月激情综合| 爱之国产色情综合| 91丨九色丨白浆| 色婷婷精品视频在线播放| 噜一噜免费视频| 午夜电影网VA内射| 婷婷成人五月天| 91九色在线| 婷婷丁香人妻天天久久| 五月丁香六月停停停| 精品婷婷| 色色国产| 色婷婷4| 婷婷久草| 丁香五月婷婷啪| xx人人xx| 99人人干人人| 一起草Av| 婷婷欧美偷拍综合| 综合色播| 五月亚洲激情| 九九XX视频| 天天日人人| 激情五月综合网| AV在线资源| 在线观看av网站| 色五月天婷婷| 色婷婷成人丁香| 夜夜撸天天操| 婷婷,五月天,丁香,第一| 色吧五月婷婷| 99婷婷| 高清无码网址| 人妻视频在线| 丁香五月婷婷在线| 五月丁香日本在线视频观看| 人妻熟女一区二区AV| 五月婷婷六月丁香激情深爱| 日本99久久| 射久久丁香五月| 五月丁香九九| av人人干| 99热99re6国产在线播放| 91 久热| 日本五月天网站| 26uuu丁香婷婷五月| 国产午夜一区二区三区| 色碰碰视频| 久久天天| 五月丁香人妻| 亚洲婷婷五月天在线激情综合网| 欧美精品XXXXBBBB| 激情网婷婷五月天| 99色色热| 91成人看| 天天日日夜夜| 五月天婷婷爱丁香中文字幕| 99热费观看| 丁香五月电影| 天天综合天天玩夜夜玩天天玩夜夜玩| 天天透天天干| 久草热久草在线视频| 操操操操操电影网| 九九综合精品| 色婷婷网大全在线| 九月婷婷综合| 操操操Av| 桃色激情婷婷伊人网| 久操香蕉| www.99热| 欧美激情综合色综合啪啪五月| 综合色五月天| 日韩成人影片在线观看| 婷婷五月天综合在线| 欧美综合丁香网| www.99免费视频| 久久九九@| 五月天激日本色情在线| 99精品久久久久| 无码激情AAAAA片-区区| 九月婷婷激情| 亚州成人综合在线| 国产FREESEXVIDEOS性中国| 丁香五月六月婷婷殴美综合| 五月丁香婷婷无码A∨| 亚洲视频码| 天天插天天爽| 亚洲av综合网| 婷婷五月,偷窥偷拍网| 欧洲激情五月天婷婷| 色色丁香五月天社区| 狠狠狠狠狠| 久机视频这只有精品| www.婷婷网| 综合色视频| 99ri视频| 五月丁香香蕉| 五月激情小说网| 日韩精品二三区| 久久色五月| 五月丁香好婷婷A片网| 七月婷婷色香综合网| 激情五月天在线视频| 激情综合网五月婷婷| 天天上天天爽| www。狠狠干。com| 99色6爱9热| 九九综合伊人| 91日本在线观看| 99ri精品在线观看| 超碰97在线操| 琪琪色网在线| 久久大国产香蕉| 97av在线视频| 精品人妻久久久久久| 日韩99视频| 天天干天天干天天干天天干天| 97色色色色色色色色色色色色色| 色噜噜,噜噜色| 九色地址91视频| 五月婷婷久久网| 六月丁香婷| 人人超碰99| 国产AV一区二区三区最新精品| 国产激情久久久| 99热亚洲精品| 成人五月天丁香婷| 五月婷婷婷丁香播| 92久久| 99热这里只有免费精品| 成人在线日韩欧美| 亚洲成人综合在线| 日本天天色| 五月丁香啪| 婷婷精品| 久久综合26p| 久久丁香综合香蕉| 婷婷五月丁香色播| 久久作爱| 丁香五月日本| 九九热免费| 五月天婷婷爱| 色色婷| 国产精品美女| 99天堂在线观看免费视频| 综合久久十三| 五月丁香黄色| 成人超碰AV| 五月激情网五月综合网| 欧美丁香五月| 综合色色网| 高清无码网址| 91/九色黑人| 亚洲六月综合激情久久下卡| 色五月天婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷婷 | 91人人操人人看| 大香蕉婷婷久久| 一区三区视频有限公司| 五月婷在线观看| 丁香综合伊人| 丁香花五月天婷婷成人社区| 男人天堂AV在线一区二区| 国产亚洲色婷婷久久99精品91 www.riverspirits.org www.hnnun.com www.changh | 99免费在线视频| 人人综合久| 五月天com| 婷婷综合五月| 亚州成人综合在线| 99er这里只有精品| 久久99激情丁香婷婷小说网| 久久这里只有精品热在99| 在线观看国产高清视频免费网站| 啪啪五月婷婷| 2050人人操免费工开爱| 国产欧美va| 婷婷久久五月天| 九九99久久精品| 正宗黄色毛片| 99久久99热这里只有精品| www.minyis.com【JT】实力收量可预付QQ2101460746 | 性爱视频99| 天天狠狠夜夜狠狠2023| 丁香五月大香蕉AV| 狠狠狠人妻| 超碰在线观看9| 色色99| 欧美日韩精品一区二区三区钱| 欧美在线干| 99re热视频| 五月天激情图片| 桃色成人网| 久热 91| 激情网综合| 狠狠色成人影片| A A色色| 婷婷五月天奸女| 7777国产盗摄农村女人| 婷婷月五天在线在线看| 五月婷婷天堂| 婷婷国产欧美97| 少妇口诉沐足视频播放器网址| 九九色综合网| 激情丁香九九五月综合网| 伊人成人宗合网| 色噜噜婷婷| 99碰在线视频| 伊人五月天在线| 人人艹艹艹| 六月丁香婷| 五月婷婷丁香网| 少妇熟女视频一区二区三区| 婷婷色五月噜噜| 性高潮久久久久久-九九九九九九九九九九热-成人AV | 色六月婷婷| 五月婷婷影院| 久久免片| 777精品久无码人妻蜜桃| 日日操夜夜爽天天天| 伊人狠狠操| 另类专区在线| 91丁香婷婷综合资源| 淫荡家庭AV| 色综合久久88色综合天天| 天天综合色丁香| 天天爽综合网| 色播综合| 综合欧美五月婷婷| 五月丁香久久| 精品激情| 免费AV在线| 九九久久99| 婷婷中文字幕| 超碰丁香五月| 精品色| 精品人妻伦一二三区久久| 欧美日韩成人在线网| 五月停停999| 五月久久丁香| 日本五月视频| 亚洲av综合在线| 五月久久噜噜| 艹B高清无码| 99视频精品全部免费看| 五月激情六月宗合| 人人草公开操| 99精品偷自拍| 色狠狠六月| 色色色色色色网| 日本高清不卡免费一区二区三区| 亚洲第一精品成人999久久精品| 国产成人网站在线观看| 日韩色色网| 99精品在这里| 激情涩涩网| 五月综合色| 噜噜噜噜噜在线| 99热在线观看精品| 91操碰| 婷婷色六月| 九月色婷婷综合| 另类图片五月天| 九九精品热播| 色色色色色色网站| WWW99热| 啪啪激情网| 国产高清av黄色看片| 色婷五月丁香久亚洲| 日本美女97在线视频| 久久激情五月天| 亚洲人成网站999久久久综合| 人人天堂操| 人五月天婷婷喷水| 国产无人区大片| 任你日视频| 五月天另类小说| 丁香六月婷婷综合激情欧美| 五月天婷婷狂暴白浆| 天天狠天天叉| 五月天丁香啪啪综合| 国产真实乱了老女人视频| 久久五月婷| 六月丁香网| 中文国产五月天| 99热天堂| av中文字幕免费观看| 97色色综合| 97碰在线| 激情综合五月丁香六月婷婷| 丁香五月天堂| 激情网五月婷婷| 我爱大香蕉| 综合av在线| 超碰人人操人人干| 五月天伊人| 妻久久久久| 天天干,天天日| 婷婷丁香综合成人| 色五月婷婷 成人| 美女视频图片久久91| 91干视频| 五月深爱网| 色综合久久888| 丁香六月婷婷色XXXX| 天天操夜夜操| 99亚洲综合| 一操久久| 思思热99er| 婷婷五月天丁香| 99热99干| 激情五月天综合图片小说网站| 婷婷伊人综合| 9色在线| 97色色色| 狠狠狠狠狠草| 他改变了拜占庭| 97亚洲精品| 色五月综合网| 色五月综合激情| 在线可以看的av网址| 亚洲黄色影视| 99在线视频播放| 五月丁香六月激情| 丁香成人五月天| 日日操夜夜骑| 亭亭社区五月天| a色色片| 欧美久久网| 操婷婷久久| 操碰色一区就去操| 被强行糟蹋的女人A片| 日本啪啪天堂| 五月天停停成人网| 丁香五月天啪啪激情综合网| 五月天久久婷婷婷| 开心婷婷五月激情网小说| 777精品久无码人妻蜜桃| 五月狠狠| 成人丁香色| 亚洲日韩欧美综合VA| 国产一级婬片毛片| 五月丁香五月天现场视频| 国产成人网| 丁香香蕉婷婷| 99这里有精品视频| 久久婷婷影院| 色情一区二区播放| 天天做天天爱天天玩夜夜爽| 色99网| 九九热re99re6在线精品| 色屌丝中文字幕| 五月天天视频| 婷婷五月天伊人| 婷婷99热| 天天日天天舔| 九九艹女| 任我肏| 丁香五月欧美成人| 五月天综合区| 99成人免费视频| www.五月丁香| 色婷婷888| 久久狠狠干| 丁香婷婷色五月激情综合| 伊人激情| 亚洲人妻电影| 9久热| 婷婷丁香成人网址| 99色热| 色色色com| www.夜夜爱.com| BT综合在线视频观看| 这里只精品| 九九九成人在线视频| 五月天亚洲色| 成人视频一区| 久久丁香综合精品综合| 久久99网址| 婷婷丁香五月天欧美| 婷婷五月天黄色小说| 国产欧美va| 久久综合婷婷| 婷婷伊人綜合中文| 五月丁香婷婷在线综合蜜桃| 亚洲成人噜噜| 五月综合激情婷婷六月色窝| 色五月激情综合| 91狠狠色丁香婷婷综合久久精品| 五月天激情Av| 色婷婷六月| 婷婷丁香激情五月天色色色| 婷婷在线播放av| 森林影视大全,最好看的2019年视频 | 一起草Av| 亚洲中文AV网站| 深爱婷婷基地| 五月天狠狠网| 九九爱激情| 91碰超| 色五月婷婷久久大| 五月婷在线| 日本精品人妻无码77777| 《久久综合九色综合97婷婷| 热久久77777| 久热一本| 四川操逼站| www婷婷色情网| 99热这里有精力| 91人人人人人人人| 99久久精品网| 99精品无码| g00d人体西西| 99热最新网址| 亚洲中文字幕AV在线| 99色色热热| 五月丁香婷婷视频| 狠狠狠狠青草| 久色激情| 色色五月天婷婷| 婷婷六月激情丁香| 深夜婷婷 丁香| 99视频久久免费视频| 少妇性按摩无码中文A片| ai97re99一本| 亚洲综合色丁香五月天| ..真实国产乱子伦对白在线_欧 | 国产婷婷色综合AV蜜臀AV | 婷婷五月天堂网| 五月天婷婷丁香基地在线观看| 色婷婷AV久久| 六月丁香啪| 激情五月天影院| 大香蕉综合网| 嫩草视频在线观看| 婷婷综合激情| 色999五月色| 91碰碰视频| www婷婷| 99玖玖人人| 伊人玖玖婷婷| 十区AV| 日日干夜夜干| 黄色五月婷婷| 亚洲中文字幕av| 六月婷婷色综合| 色色激情网| 午夜一区| 99热免费精品| 任你擦免费视频| 日本美女上人| 中文字幕精品在线观看| 五月天激情影院| 久99婷婷色综合| 天天在线久久综合| 日韩一本操| 婷婷黄色五月天在线视频| 免费看欧美成人A片无码| 天天 青草 制服丝袜 在线 | 亚洲色色精品| www久久久久久久久久久| 天堂草在线观| 香蕉久久五月| 五月天偷拍| 操99| 久热超碰91| 欧美久热| 激情丁香婷婷五月天| 色狠狠色噜噜AV天堂五区 | 97人妻碰碰碰久久| 亚洲热综合| 激情五月天免费视频| 国外亚洲成AV人片在线观看| 国产精品美女| 97人人干人人操| 狠狠精品干练久久久无码中文字幕| 校园激情 亚洲| 1024成人免费看| 日日操日日撸| 91精品婷婷国产综合久久| WWW.国产| 久婷久婷| 丁香五月婷婷性爱| 五月天激情图片网| 国产99久久久| 五月婷婷五月天天| 九九视屏| 99热综合网| 伊人午夜综合色啪| 欧美日韩国产伦精品日韩人妻一| 嫩草AV久久伊人妇女超级A| 天天日日爽| 久久9999| 欧美三级巜人妻互换| 51avj视频大全| 第2色五月婷| 金品在线视频99| 日日夜夜天天| 99ri视频在线播放| www.激情五月天.com| 亚洲影院婷婷色| 91精品久久久久久77777| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇| 久久视频婷婷| 亚洲高清在线| 久久超级碰碰| 丁香六月婷婷色XXXXX| 婷婷五月天av| 97在线刺激| 亚洲啪啪自拍| 亚洲乱码在线观看| 一区二区乱视频码| 丁香六月综合激情| 五月天综合婷婷| 99热这里只有精品55| 《战争与艾拉》完整版| 久热超碰| 91久久久久久久久久| www.99riav99| 色色欧美。| 新97人人上人人| 丁香五月天婷婷中文字幕| 99精品爱| 六月婷婷网| 天天日天天做天天舔| 无码一级片| 伊综合蕉| 丁香五月婷婷综合激情哟哟哟| 99视频只有精品| 中文字幕成人| 久久99激情| 色婷婷综合影院| AV性爱在线| 五月丁香成人版| 丁香婷五月| 丁香久久五月天视频在线观看 | aa久久| 草AV9999| 涩涩涩婷婷| 五月永久激情| 琪琪秋霞| 婷婷五月天伊人网在线观看视频| 欧美综合婷婷网| 精a品a视a频| 亚洲色色爱| 日本片日本片祼观看网站在线看中文版网页在线看 | 丁香五月婷婷五月天| 精品三区影院| 天天干天天日天天操| 色五月久久成人婷婷| 亚洲丁香花色| 五月婷婷开心色伊人| 激情文学 综合 色| 丁香五月婷婷亚洲综合精品在线| 久久这里只有国产精品视频| 五月婷婷无码专区| 欧美α√| 欧美国产一区二区三区| 亚洲成人超碰| 激情五月天社区| 色色丁香| 激情深爱综合| 久久精品小视频| 色婷婷五月天天天做| 99性爱精品| 五月天天天天天天天天天天天天天天天婷婷婷| 天天日,天天干,天天操| 激情婷婷五月| 色情综合网| 久久久久9999| 日韩国产在线精品| 亚洲一级AV在线免费播放| www综合久久| 五月婷视频久久| 综合热无码| 婷婷色情五月| 大香蕉五月天| 色婷狠狠| 99爱在线精品视频免费观看| 婷婷丁香日韩五月| 激情丁香五月天图片| 五月天丁香网| 夜夜爽天操| 色色色热| 人妻丰满精品一区二区A片| 久久五月天激情婷婷| 97视频91| 夜夜做夜夜愛| 色综合色色色| 久9热视频在线| 激情婷婷在线中文字幕| 新99思思视频| 丁香六月激情| 青柠影视免费高清电视剧| 久久大国产香蕉| 久久新地址| 99精品在线下载| 婷婷激情五月| 大香蕉伊人丁香五月| 欧美大香蕉视频| caobi四区| 丁香五月婷婷AV在线| 欧美成人日韩| 五月天综合网| 草一草avb| 欧美综合婷婷网| 综合伊人久久| 狠狠色中色| 99色在线观看| 丁香五月天综合| 国产暴力强伦轩1区二区小说| 抽插特写| 欧美婷婷五月无砖| 99视频精品全部观看10| 九九色逼| 五月天久久婷婷| 99热这里只有精品18| 九九热在线观看视频| 麻豆精品| 国产精品久久久久久久久久免费| 大香蕉久艹| 亚洲婷婷五月天| 欧美性猛交XXXX乱大交极品| 久久久97| 色色色婷婷五月天| 噢美99| 玖玖精品视频99| 丁香五月av| 在线成人视频免费| 色欲一区二区三区精品A片| 天天插操| 人人爱天天摸摸天天爱| 99九九玖玖| 综合网视频| 成人美女网| 亚洲五月天天| 免费无码毛片一区二区A片| 国产 亚洲 在线| 综合99综合久久久久久久| 老妇操B| 欧美色色色色色色色| 日本eVa一区=区视频| 99热精品一区| 色色激情五月天| 99热这里只有精品国产免费| 九九 激情 网| www.色色com| 婷婷五月六月| 啪啪日本欧美| 操嫩逼电影| 色欲久久99精品久久久久久| WWW,婷婷,COM| 九九九激情网| 激情五月天电影| 国产精品天天狠天天看| 天天拍夜夜爽| 在线综合啪| 人妻VideOssS人妻| 丁香五月天社区婷婷| 噜啊噜在线| 日本在线视频看se99| 99热国产免费| 日韩欧美一级大黄网站| 九九色人| 色久在| 午夜不卡久久精品无码免费| 成人婷婷五月天| 久婷婷视平| 五月天激情小说欧美激情| 五月丁香六月停停停| 99免费在线| 日韩在线视频网站| 丁香婷婷网| 五月天开心成人网| 69久久久| 六月色婷婷| 天天激情5月天亚洲| 麻豆观看夏晴子| 久久精品66| 六月婷婷视频| 一区二区三区视频| 日韩婷婷五月天| 99热www| 色婷婷久久| 超碰国产av| 开心五月婷婷| 丁香五月天啪啪a日本| 日本色图综合| 少妇综合网| 丁香五月婷婷欧美成人色图| 婷婷色五月大香蕉在线观看| 成人视屏在线观看| 日韩人妻无码一区二区| 碰久久精品w| 色播五月综合网| 激情com| 九九热99在线视频| 国产操碰| 99久久免费精品| 久99热| 综合久久8| 亚洲操B| www99热| 99操视频| 欧美日韩国产成人在线| 人人摸人人摸| 日本在线噜噜| 日韩色色色色色| 91日本在线免费| 成人视频在线免费播放| 草婷婷在线| 色婷婷操逼| 亚洲色色色色色| 亚洲不卡123| 激情五月综合婷婷| 噜噜噜噜噜色| site:jszngf.com| 色五月婷婷自拍| 开心五月深爱五月| 色婷婷精品视频| 五月六月激情| 日本3级片偷拍网站| 日本三级第一页| 99色在线| 五月天激情网图片| 色婷婷a三区麻| 激情五月婷婷丁香六月| 九九九九九九毛片| 激情又色又爽又黄的A片| 亚洲不卡| 成人永久免费视频在线观看| 深爱婷婷色| 久久三级视频| 综合网啪啪| 99精品久久久久久| 黄急一级视频| 国产精品人人做人人爽人人添| 婷婷五月六| 婷婷五月天偷拍| 午夜爱爱爱成人| 久久 中文 日本| 日韩AV在线免费| 一本色道久久88加勒比| 六月婷婷色综合| 色九月婷婷综合| 99精品视频在线观看| 丁香五月天天高清在线| 开心丁五月| 成人五月天婷婷| 久久丁香五月综合六月激情红杏视频| 大香伊人婷婷| 亚洲精品444久久久久久| 黄色av网站在线免费播放| 农村熟妇高潮精品A片| 伊人久久婷婷| 国产成人网| 狠狠综合网| 丁香五月六月综合激情| 久久激情五月婷婷| 丁香在线视频| 六月丁香社区| 婷婷.com| 九九这里有精品| 99色 | 99热这里是精品| www.五月天婷婷| 激情99| 九九精品综合| 久久与婷婷| 天天色天天操天天射| 综合网啪| 99久在线精品99re8| 日本欧美成人片AAAA| 色色99| 九色91国产| 九九这里都是精品| 91狠狠综合久久久| 五月天伊人| 一二线视频 另类| 超碰v| 91碰免费视频| 丁香综合久久| 狠狠色中色| 五月天婷婷色色网| 久热伊人| 亚洲狠狠狠色婷婷综合激情久久久| 久久综合激情五月天| 五月丁香啪啪激情| 激情小说婷婷五月| 99久久极情精品一区| 五月丁香婷草| 激情婷婷六月天| 日本一级黄色片。| 久久看九九90| 五月丁香婷婷激情影院欧美| 天天久综合网永久入口17v | 99re思思热这里| 天天碰夜夜爽| 久久色情| 狠狠干狠狠干| 亚洲欧美在线观看| 热996精品在线观看| 97操碰在线视频| 婷婷五月天激情四射| 俺去也五月| 日本色色色色色色色色一色二色| 先锋影音av色五月天资源站| 奇米影视777在线_在线观看午夜_h小视频在线观看_岛国大片 | 久久怡红院| 五月天啪啪视频| 成人国产欧美大片一区| 人妻在线观看视频| 婷婷色在线视频| 婷婷五月情色| 123草逼网| 91九色视频| 日比视频91| 国产日产成人亚洲欧美国产VA| 综合五月亭亭9| 亚洲狠狠干| 成人片在线播放| 97成人超碰免| 五月丁香少妇网| 亚洲va欧美va天堂v国产综合| 五月天开心色情网| 婷婷九九| 伊人久久艹| 五月天啪啪网| 9久精品视频| 亚洲欧洲自拍图片专区五月天| 五月激情六月综合| 超碰国产AV| 激情五月婷婷| 大香蕉伊人久久| 丁香五月丁香伊人| 一起草性爱不卡视频| 91碰九色| 丁香五月人妻熟女| 99婷婷国产最新视频| 久久九久久| 五月色情婷婷开心五月天| 九九婷婷网五月天| 五月婷婷影院| 中文字幕在线免费| 亭亭五月色男人| 综合激情五月丁香| 丁香婷婷五月综合| 五月天久久丁香| 色丁香久久| 欧美三级视频下载| 婷婷五月色网| 亚洲激情久久| av九九| 色欲久久久久| 曰韩五月丁香色婷婷无码| 亚洲激情亚洲激情| 深爱激情综合| 亚洲天堂AV综合网| 色五月色综合| 午夜不卡久久精品无码免费| 操日视频| 色99网站| 久久久久五月丁香| 天天橾夜夜爽| 在线播放成人网站| 亚洲AV人人操| 欧洲亚洲午夜| 色五月偷偷| www.思思99热| 99国产精品久久久久久久久久久| 久草五月天| 天天操夜夜操| 九九国产精视频| www.色九月| 久草丁香婷婷五月天婷| 婷婷丁香五月天婷婷| 五月天激情小说| 蜜臀av粉嫩av懂色av| 99激情| 4399无码视频二区| 久久99热 这里有精品| 免费做A爰片77777| 婷婷欧美激情综合| 五月婷婷片| 天天综合网、天天综合色 | 色婷婷婷综合五月天| 99在线精品免费视频| 色综合天天网| 小视频久久久aaa| 色婷婷手机在线| 久久激情五月| 激情五月天综合图片小说网站| 久久只有18视频| 婷婷五月天中文字幕.| 这里只有精品视频| 久久性爱网站| 免费观看全黄做爰的视频| 五月天婷婷伊人| 婷婷五月激情视频网| 九九色色| 婷婷九月亚洲| 99久久久久| 日日狠夜夜狠| 色玖玖玖| 久草视频一,二三四| 五月天婷婷色在线视频免费观看| 国产精品99久久久久久久女警| 丁香六月久久| 99热这里只有精品66| 美女100%露全身无挡网站| 丁香五月停停av| 婷婷综合视频| 色哟哟精品| A片试看120分钟做受视频红杏 | 婷婷五月免费在线| 肏日网在线看| 成人版视频在线观看| 玖玖综合色| 天天干天干| 色五月综合婷婷| 大香蕉九九热| 久久精品99国产精品日本| 亚洲性爱干干| 色色六月| 97天堂| 天天色官网| 99热99天堂| www狠狠| 婷婷婷婷婷婷婷五月丁香| 亚洲九区| 国产欧美性成人精品午夜| 思思热视频| 99热 在线观看| 欧美日韩国产一区二区| 在线中文av| 婷婷成人小说综合| 免费亚洲婷婷中文字幕| av在线播放网站| 国产综合网在线| 影音先锋一区二区三区| 色情终和网| 激情小说视频图片| 婷婷久久视频| 热99精品视频五月| 亚洲无AV在线中文字幕| 日韩色五月| 国产激情综合五月久久| 亚洲永远av在线播放| 色综合伊人网| 色色无码| 蜜桃五月天色| 激情婷婷六月天| 99成人网站| 91精品国产99久久久久久天美| 婷婷伊人久久无码色五月| 欧美五月婷婷| 五月丁香婷婷人体| 综合久久99| 五月综合丁| 9操在线| 久热99久热| 日本乱子人伦在线视频| 色九月婷婷| 九九99久久| www.25五月婷婷| av久热| 婷婷色六月| 国产成人精品一区二三区熟女在线| 99在线小视频| 六月丁香婷婷色69| 99热99ai| 91啪啪视频| 六月婷婷最新网址| 精品一二三区久久AAA片| 五月丁香婷婷久久| 激情五月丁香亭亭| 亚洲va在线| 婷婷成人综合| 91精品无码| 婷婷va| 九九综合88| 精品九九久久| 成AV人片一区二区三区久久| 婷婷色中文字幕| 亚洲综合另类| 99精品视频网| 亚洲丁香网| 第一区久久网站| 操日本人妻视频| 欧美激情xxxXX| 色爱综合视频| 国产亚洲在线| 99色色爰| 久久久久这里都是精品| 丁香六月啪啪| 色涩影院六月丁香| 99热精品超碰| 丁香五月黄色| 久久九九99桃花视频| 色蜜婷婷| 久草嫩草在线观看| 婷婷丁香先锋资源网站| 久久婷婷东京热大香樵| 在线看av| 婷婷久久性爱| 婷五月天丁香婷五月| 五月激情综合性爱| 色婷婷激情四射视频| 开心五月婷婷婷美女| 另类视在线| 日韩AV免费| 五他月天啪啪啪| 五月丁香久久丝袜啪啪| 婷婷婷久久久| 婷婷五月激情五月丁香五月| 丁香五月天婷婷91| 夜夜躁婷婷AV| 亚洲免费看片| 丁香久色| 婷婷五月深深的爱| 九九热在这里只有精品| 丁香六月成人| 五月天激情久久| www.99热这里只有精品| 99免费热视频在线| 国产毛片欧美毛片久久久| www,setingting| 婷婷va| 91久久久久久| 国产精品久久99| 新五月天婷婷激情电影| 影音先锋777xfplay色资源网站| 五月天激情久久| 噜噜噜狠狠色综合| 日韩无码色色| 五月婷婷综合在线亚洲视频| 中文av在线观看| 婷婷五月丁香啪啪| 无码G高清天| 色射婷婷五月天| 色色激情五月| 久久伊人大香蕉| 五月婷婷婷色| 99久久婷婷国产综合| 色优久久| 俺去也在线www色官网| 99热亚洲精品| 殴美综合激情五月天免费视频| 噜噜视频| 色五月丁香91| 日韩AV片| 免费试看小视频 99| 狠狠狠五月婷婷六月丁香| 精品成人在线观看| 成人无码精品1区2区3区免费看| 超碰在线观看caop| 99re热精品视频国| 激情五月天在线观看色婷婷| 亚洲AV色婷婷人禽五月天| 综合色久| 日韩不卡123| 思思热天天看| 国产成人99久久亚洲综合精品| 丁香婷婷激情| 人妻第九页| 五月色婷| 天天爽天天摸天天爱| 精品久热| 99日本视频在线观看专区| 激情五月天久久丁香| 高清无码视频网址| 欧美性生交XXXXX无码小说| 五月婷婷婷| 婷婷激情五月| 婷婷五月天第四色| 五月丁香六月激情欧美综合| 日本在线观看91| www.夜夜夜| 成人精品在线| 色婷婷激情Av久久久| 久久久这里都是精品| 亚洲五月停停| 伊人网色婷婷五月天| 丁香六月婷月91婷月| 99亚洲视频| 激情内射人妻1区2区3区| 成人电影一区| 婷婷五月天天爽| 天天色凹凸| 色婷婷丁香五月丁香| 大香蕉久久婷婷精品综合| 丁香六月婷婷激情| 26uuu激情五月天| 熟女激情五月天| 婷婷丁香花五月天| 亚洲va欧美va天堂v国产综合| 婷婷色六月| 婷婷五月电影| 激情六月丁| 人人操碰| 99色热视频| 久久在线视频免费观看| 丁香五月色网| 天天操婷婷| 黄色成人AV在线| 亚洲人妻一区二区| 亚洲欧洲中文日韩久久AV乱码| 97亚洲精品| 久久久久久久合一狠狠做深爱| 亚洲第一成人无码A片| 亚洲色爽| 色婷婷激情| 欧美久草在线日本一级特黄大片做受9在线观看韩国电影《两个女人》未删减-毛片 | 99热这里只有精品99| 综合色情网| 色久五月天| 97在线日韩| 五月天另类图片| 色吧网综合| 久久视频这里99| 大鸡巴伊人网| 激情网狠狠干| 亚洲乱码精品久久久久.. | 9久久久久久久久久久| 91色九| 欧美色色色色色|