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
东京热人妻一区二区三区在线| 伊人色综合影院视频| 日本狠狠干| 操操操www.com| 中文字幕高清av| 五月丁香无码| 99久久网站| 久久色五月| 大香蕉75线| www.99视频| 99这里都是精品6| 丁香五月天欧洲在线| 综合99在线| 五月婷婷综合激情| 第四色五月天| 一起草性爱不卡视频| 啄木鸟丝袜美女福利视频| 色一情一乱一乱一区91Av| 97超级碰| 97一区二区| 俺去也五月天婷婷| 亚洲中文av| 五月开心深爱激情网| 久月丁香爱婷婷综合| 亚洲无码成人网| 1024欧美看片| 婷婷成人av| 六月丁香啪啪| 北京熟妇搡BBBB搡BBBB| A片女女女女女女BBBB| 99热免费精品| 亲子乱AV一区二区三区下载| 日本久久人人| 六月婷婷av| 国产精品色婷婷AV综合色色| 丁香五月天在线| 色婷五月丁香久亚洲| 久久久精品99亚洲综合| 天天日日夜夜爽| 色99自拍| 婷婷久草| 99久热这里有精品| 五月激激网w'w'w| 操一区| www.久久9| 九久久九精品视频| 丁香五月色色婷| 小香蕉av| 久久久久久9热不雅视频| 91人人人人人| 亚洲成片在线观看| 91视频五月丁香| 人操91在线| 五月天啪啪网| 99久re热| 2014天天爽| 99re思思热在线视频| 99热国产| 天天做天天爰天天爽天天无遮挡| 色高清无码视频| 五月激情综合婷婷| 色色色.COM| 伊人深爱综合| 天天操夜夜操| 97热这里只有精品| 超碰在线免费观看日韩| 丁香五月婷婷婷桃花影院| 1024久婷| 第四色激情网| www.minyis.com【JT】币址百万U预算可预付QQ2101460746 | 成人免费网站免费看| 人人操人人添人人摸97| 婷婷在线免费| www.六月丁香看AV| 玖玖爱资源站| 5月丁香美女影院| 亚洲av另类在线观看| 草草色情综合网| 激情九月丁香婷婷| 99网址在线看| 激情婷婷五月天伊人在线观看| 色综合色综合色综合高潮| 九九热这里有精品23| 99激| 久久婷婷六月综合综合色| 五月婷婷五月天在线| 另类 在线| 五月丁香婷婷综合久久| 少妇做爰免费视看片| 操操操B| 亚洲视频在线观看区| 久久五月天网| 五月综合亚洲| 色综合色五月| 日韩啪啪视品| 狠狠大香婷婷爱| 欧美婷婷五月激情| 亚洲天堂大香蕉| 丁香五月天激情视频| 久久婷婷五月天| 色涩视频久久| 99热综合| 99色色网| 色五月色综合| 色五月婷婷久久| 欧美丁香五月天| 99色在线观看视频| 亚洲va久久久噜噜噜久久天堂| 九九人人看| 五月丁了香蕉综合| 中文久久婷婷| 成人免费超碰| 欧美综合激情五月丁香| 久9热视频| 日本天天操| 丁香五月婷婷久久久| www.五月天色色.com| 亚洲小说五月婷婷| 婷婷五月香蕉| 99热一本| 五月激情基地| 五月天激情四射| 青青草婷婷久久| 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 | 国产激情综合| 婷婷丁香五月网| 九九黄色网| 五月婷婷色色网址| 日本成人小说婷婷六月| 五月婷在线| 97人人操| 色婷婷精品视频| 久久精品国产一区二区三区四区| 九九色逼| 超碰在线人人| 久久婷婷色情7777网站| 五月综合久久| 日本久久9| 南京搡BBBB搡BBBB| 4399成人黄A片| 色老久久| 免费视频无码| 視频福利乱色| 这里精品| 中文字幕久久婷九女同| 无月播播激情在线观看视频| 成 人片 黄 色 大 片| 激情九色| AVDV久久| 色婷婷瘦婷婷日韩| 殴美综合激情五月天免费视频| 9热网站| 久热久色| 色五月激情综合网| 天天综合久久| 色色五月丁香| 大波美女VA网站| 色999五月色| 婷婷色色欧美| 五月丁香成人| 538任你爽| 蜘蛛女侠2003满天星免费观看| 久久AAAA片一区二区| 婷婷五月色| 大香伊人婷婷| 思思久久青草热| 欧州色色| 国产毛片欧美毛片久久久| WWW,五月| 国产精品成人网址| www.激情| 丁香五月欧美色综合| 久久开心五月天激情| 9热精品| 人妻内射视频| 人人操人人添人人摸97| 久久视屏这里只有久久| 丁香五月Av| 91超碰九色| 青青青在线视频国产| 99色综合久久| 婷婷丁香射射| 婷婷网五月天| 亚洲妇女熟BBW| 99资源人人| 日韩操人| 欧美婷婷综合| www久久久久久久久久久| 99在线播放| 狠狠综合| 亚洲色视频| 大香网伊人久久综合| 婷婷9月天| www,久久久| 91婷婷五月天综合视频| 色婷五月| 九九九午夜视频| eeuus五月婷| 久久99热久久99精品| 丁香久久| av最新在线| 美臀自射自家人妻| 狠狠爱综合网| 69精品人人人人人人| 婷婷五月激情四月综合 | 精品热青草| 日韩操人| www.激情| 奇米色大香蕉| 婷婷五月丁香伊人网| 五月天丁香网| 日本97在线| 天天综合天天玩夜夜玩天天玩夜夜玩| 五月婷婷六月丁香| 综合网啪啪| 激情小说 五月天| 亚洲色婷婷五月天| 九月丁香婷婷综合| 日日干夜夜干| 玖玖激情网| 久草五月天电影网| 丁香六月激情综合| 五月天激情综合首页| 狠狠狠狠狠| 综合aV在线| 五月天激情黄色小说在线观看| 精品人妻一区二区三区四区不卡在| www.久久| 激情综合网丁香| 婷婷成人五月天成人文学| 99年操人人爽| 激情综合激情五月| 国产精品99久久久久久久女警| www.色色五月天.com| 一级性爱视频| 99热精品一区| 99热精品在线| www.yw色| 久久密臀婷婷| 成熟妇人A片免费看网站| 中文AV网站| 91精品电影18T| 99人人看| 婷婷五月激情欧美大胆视频| 玖玖热视频| 五月丁香六月婷婷网站| 综合丁香婷婷五月天| 天天综合色99| 日韩成人不卡| 国产精品色色| AAA久久| 色。 婷婷婷| 成人精品人妻| 人妻操日日| 久久婷婷亚洲| 久久在这里99| 婷婷九月丁香| 女人天堂 AV| 成人视频一区| 五月天婷综合| 狠狠色丁香乆乆| 九色自拍| 亚洲秘 无码一区二区三区妃光/1| 五月婷婷高清| 玖玖爱综合网| 婷五月天| 色综合99无码 | 91干视频| 成人丁香五月天| 六月激情久久婷婷| 91人人爽狠狠狠| 日本一级大片| 欲求不满的人妻| 五月天大香蕉| 丁香五月天激情| 丁香久久久| 色色综合成人网| 色婷婷免费视频| 久久久高清| 天天做天天爱天天爽| 99久久玖玖| 五月丁香六月综合激情网| 国在线激情网| 97 A I色色| 五月天日日操夜夜操| 婷婷五月天成人网| www.精品99| 97精品人人A片免费看| 久久五月丁香六月婷| 97久久人人人干| 五月丁香六月综合激情网| 婷久久高清| 色色色9| 99色在线免费观看视频| 超碰在线精品| 婷婷色5月天在线。| 不卡在线中文字幕无| 五月婷婷九| 奇米影视在线视频| 神马欧美精| 欧洲亚洲免费视频9 | 欧美天堂久久| 色五月成人婷婷| 丁香五月婷婷国产av| 天天操夜夜橾| 狠狠色色| 五月天小说激情| 人。妻久久| av在线激情| 色色激情五月天| 午夜婷婷五月天在线| 久9草在线观看视频| 九色啦蜜臀| 丁香六月五月天| 天天日日人| 丁香婷停五月激情综合深爱| 嫩草综合网| 五月丁香久久综合精品| 丁香六月天婷婷开心综合| 日日干干天天干| 亚洲99视频| 国产精品色色色色| 日韩视频99| 综合色色色| 五月婷婷视频| 天天综合精品| 久久久日韩特色特黄AAAA| 婷色人人狠| 无码人妻AV久久久一区二区三区| 天天操婷婷| 久久香蕉网| 丁香婷婷久| 超碰人人操人人干| 久久婷婷五月天激情唯美| 亚洲无码11| 99免费在线视频| 开心五月天激情网站| 啊V视频在线观看| 五月色情婷婷开心五月色情| 吊色AV男人的天堂| av中文字幕免费观看| 五月天停婷基地| 丁香五月天啪啪| 五月丁香色色色| 99天堂网| 狠狠的日| 99热在线中文字幕| 日夜操B| 超碰免费观看| 五月丁香六月婷| 久久婷婷五月天蜜桃| 爱爱色五月天| 亚洲无线视频| 激情性爱婷婷| 欧美成人在线观看| 在线不卡视频| av在线色五月丁香婷区久| 五月丁香色婷婷综合| 在线视频激情网站| 伊人婷婷大香蕉在线| 亚洲超级碰| 久久九九综合| 色 色 色综合com| 九九Av| 九月婷婷在线视频| 五月天五月色婷婷综合| 五月婷婷六月色| 开心五月天激情网| 91九色中文字幕女在线观看| 五月婷婷之美女图片| 99热亚洲精品| 99九九中文字幕视频| 日日天天操| 中文AV在线观看| 大伊香蕉精品视频在线| 成人电影一区| 久久婷婷五月综合| 激情五月天。| 色六月丁香婷婷狠狠干| 亭亭五月色男人| 欧美成综合在线观看| 69热在线| 丁香婷婷六月天| 九九综合影音先锋| www.久久五月天.com| 天天综合 99久久婷婷| 欧美大片免费播放器| 六月久久婷婷| 99热这里只有精品3| 丁香五月久久| 成人操呦av| 五月天婷婷AV| 天堂久久大香蕉| 丁香五月婷婷精品视频| 激情综合色| 五月丁香婷中文| 啪啪小说五月天| 国产成人精品一区二三区熟女在线 | 亚洲五月婷婷| 日韩av高清| 无码G高清天| 色五月色五天色情网| 欧美日韩成人在线免费| 婷婷金品综合视频| 欧美A片在线视频免费观看| 五月丁香美女视频| 久久婷婷六月综合| 色愛综合网| 91成人视频| 美女xx不卡| 五月激情黄色小说| 国产古装妇女野外A片| 视频这里只有精品| 色五月激情五月天| 亚洲成人在线播放| 亚洲无码99| 欧美精品99久久久| 九九色热| 亚洲婷婷月丁香五月| 99免费在线| 丁香五月网址| a在线观看| 九九久久99| 婷婷色综合| 婷婷五月天久久久| 亚洲激情网| 新97人人上人人| 五月天激情网站| 99精品无码视频| 五月丁香六月激情欧美综合| 国产伦理精品高清在线观看网站一区二区 | 五月综合亚洲| 亚洲AV成人在线观看| 99热精品一| 久热精品免费视频4| 79色色色色| 超碰97色| 亚洲激情综| 天天搡日日搡aaaaⅩ| 久99视频在线观看| 成人深爱丁香五月| 亚洲婷婷性爱| 五月婷婷啪啪| 久久九九中文字幕| 啊V视频在线观看| 99热这里只有99| 26uuu亚洲欧美另类| 欧美综合激情五月天| 五月激情六月综合| 五月丁香六月婷婷啪啪| 国产内射婷婷| WWW.99视频| 美女天天艹人人爽| 婷婷色欧美激情| 丁香婷婷五月色成人网站| 色丁香五月| 国产精品VIDEOSSEX久久发布| 婷婷六月丁香五月图区| 538任你爽视频不一样的| 天天久久人人| 丁香婷婷性爱| 色婷婷五月天小说网| 五月天婷久精视频| 亚洲欧美成人在线| 亚洲正能量欧美| WWW,五月| 人人干AV| 色五月婷婷在线| 亚洲第一成人无码A片| www色婷婷com| 欧美激情五月天在线观看| 欧州色色| 夜夜躁爽日日| 五月丁香六月婷婷久久| 婷婷五月天激情在线观看| 国产日韩欧美| 激情五月婷| 偷拍九九五月丁香婷婷| 色五月天网| 久久婷婷91| 激情AV网| 国产VA播放| 色婷婷丁香| 国产成人亚洲综合A∨婷婷| 成人国产网| 五月天综合网| 激情 婷婷| 国产成人精品123区免费视频| 色五月色五天色情网| 99热精品在线观看| 玖玖五月| 日本网站久久| 婷婷五月天成人网| 日日干综合| 丁香五月婷婷老师网站| 色欲一区二区三区精品A片| 六月丁香五月婷婷| 思思热再线视频| 久久综合五月天| 亚洲综合碰| 九月丁香| 婷婷丁香成人| 亚洲色热| 视频色色色色色色| 天天色,天天操,天天射| www.色99| 婷婷五月天情色| www.色五月| 可以免费看AV网站| 九九热精品| av国产精品偷| 可以看的av| 婷婷激情五月天激情小说| 久久最新色色色| 婷婷五月丁香色综合| 精品少妇蜜臀91| 日韩精品999| 国产第99页| www.97视频| 九九99精品视频在线观看| 婷婷六月色开| va亚洲中文在线| 丁香五月第九色| 伊人超碰| 九九色影视| 激情综合在线播放| 色色色色色色色色色色色色色色,网站| 东京热免费视频| 五月丁香综合中文| 色玖玖导航| 伊人五月天在线| 人人做人人看人人摸| 偷偷狠狠久久婷婷五月天| 99ri久久| 97碰免费视频在线| 色色色色色色色色五月先| 日本乱论99| 99精品高潮| 婷婷伊人五月丁香天堂网| 超碰天堂网| 婷婷色情 | 91919191919久久成人视频| 99成人| 九九色热| 丁香网站| 爱穴久久| 五月天婷婷涩涩| 青青操日本摸摸看看| 岛国在线观看91| 超碰免费观看| 99re免费视频| 天天操五月天| 久久精品63| 伊人久久婷婷| 婷婷六月婷婷| 五月天成人在线| 99热九九在线| 影音先锋天天日| 淫视馆AV在线| 婷婷丁香18| 在线不卡视频| 午夜丁香久久久久久| 99五丁香月| 婷婷婷五月香蕉| 婷婷丁香视频| 91ncom.色| 色五月婷色彩免播放器| 丁香五月婷婷丫| 99热这里只有精品23| 婷婷五月天堂一本在线| 天堂五月婷婷| 色情综合网| 丁香六月综合| Aaa久久| 日本在线观看aaa 99| 99热欧美精品| 丁香婷婷色五月| 26uuu激情五月天| 国产精品色色色色| 99精品在这里| 色婷久久| 欧美午夜乱妇午夜福利| 热久久这里只有三级视频| 99人妻碰碰碰久久久久| 色婷婷五月影视| 五月婷婷开心六月激情小说| 色婷婷丁香五月| 丁香五月天啪啪| 怡红院AV亚洲一区二区三区H| 久久精品日| 99在线热| 五月婷婷六月奇米网丁香| 99热这里只有精品青草| 色99色| 久久大香蕉丁香| 超级碰碰碰91| 欧日韩AV| 色播播婷婷| 性av| 综合婷婷五月丁香在线观看| 久热中文字幕| 免看黄大片AA | 色色色综合色| 草美女在线观看视频在线播放| 天堂在线伊久| 九九热免费| 激情影院免费视频婷婷五月天| 久久性爱激情| 99这里只有精品视频| 五月WWW| 99九九热在线观看| seav天堂| 激情色色| 日本va欧美va欧美va| 成人日韩欧美| 俺去婷婷 丁香| 26uuu国产| 色在线视频网2025| 美女五月激情| 丁香五月天婷婷91| 搡BBBB搡BBB搡五十| 婷婷五月色| 婷婷五月天播| 中文字幕网站在线观看| 精品国产乱码久久久久夜深人妻| 99人妻碰碰碰久久久久视| 色色影院aaaav| 激情久久 婷婷| 99色在线| 婷婷色婷婷| 丁香五月婷久久| 久久五月天大美女| www.91操| 91综合色噜噜| 欧洲电影在线观看免费版英语版| 天天综合网91| 九九热精品| 亚洲综合色丁香五月天| 99久视频| 色色网站| 播五月,色五月,开心五月播放器| 色婷婷五月天激情综合| 五月丁香婷婷色色| 色噜噜五月丁香婷婷| 欧美成人AAA片一区国产精品| 亚洲熟女色| 婷婷五亚洲| 国产在线6| 婷婷射图| 综合网网欲色| 色婷婷精品视频在线播放| 免费无码毛片一区二区A片| 色五月成人| 日韩在线一级| 激情五月天小说|五月天开心激情网|亚洲精品国产自在现线|黄色五月天 | 少妇人妻人伦A片| 综合AV在线| 婷婷五月在线播放| 夜夜爽天天日| 国产熟女日日骚五月丁香爱| 丁香五月婷婷少妇| www久久久久久| 激情婷婷五六月天| 99色爱| 深爱激情四射| av国产精品| 久热a| 91狠狠色丁香婷婷综合久久狠丁香综合久久精品| 激情五月天噢美| 97碰| 激情五月深爱五月观看| 免费黄色片子| 婷婷激情五月天在线视频| www.91久久| 色之综合网| 婷婷五月天激情网| 色五月婷婷五月久久| 欧美搡BBBBB摔BBBBB| 伊人干综合| 久久久久9| av中文在线| 色丁香五月天| 久久久18| 午夜激情综合| 五月天丁香啪啪啪啪| 九九热免费| 色色丁香激情五月| 情久久综合五月天| 日本高清综合网五月丁香| 色婷婷五月天激情综合| 天天日夜夜夜操操操操| 天天色综合综合| 亚洲激情五月丁香久久久久| 怡红院精品视频久久久久久久久| 日本不卡五月婷婷丁香| 另类激情五月天| 五月婷六月| 亚洲精品大片| 久久久精品AV| 热久久91| 天天搞天天爽| 日韩中文字幕| 操逼电影免费看| 亚洲欧美成人在线观看| 色99无码| 熟美女麻豆| 色婷婷9| 丁香六月久久| 99免费成人网| 天天色综合色| 亚洲色 视频| 深爱激情五月网| 69色婷婷| 五月丁香六月激情| 色日本颜射| 五月丁香六月停停停| 亚洲人人操| 97在线综合| 婷婷丁香激情综合色情| 天天射影| 久香草视频在线观看| 丁香五月婷婷激情蜜桃| 91久久精品无码一区二区三区| 久久这里都是精品| 丰满人妻妇伦又伦精品国产| 婷婷五月激情综合网| 91久久五月天| 色婷婷中文字母五月丁香| 亚洲综合色丁香五月天| 97色啪| 天天草天天爽| 懂色av粉嫩AV蜜臀AV| 人妻中文字幕网| 成人精品在线| 人人看人人草人人摸| 天天做天天爱| 婷婷97狠狠成人网站| 丁香影院五月综合| 91热久久| 色噜噜婷婷| 亚洲愉拍99热成人精品| 99精品偷自拍| 国产精品视频网| 男人的天堂999| www,婷婷五月天,com| 丰满人妻一区二区三区| 在线不卡视频| 欧洲区自拍| 永久无码色| 丁香五月婷婷综合网| 婷婷丁香激情综合色情| 色逼综合网| 久热 91| 天天干天天操天天干天天操天天干天天操| 婷婷的色色五月天| 亚洲乱码日产精品BD| 色色婷婷色色| 先锋资源996| 播五月开心婷婷欧美综合| 色五月综合网| 国产九九一区二区三区| 开心婷婷五月天电影院| 天天影院色| 黄桃AV无码免费一区二区三区| 婷婷爱五月| 丁香婷婷五月天色播| 激情五月天婷婷| 99精品国产在热久久| 久久3p| 五月丁香久久激情网| 超碰色综合| 成人αV视频免费观看| 色五月中文字幕| 婷婷激情五月综合基地| 伊人干综合| 色综合久久8| 婷婷综合偷拍| 欧美大片| 色综合天天| 人妻操逼视频| 欧美婷婷丁香五月社区| 五月天成人在线视频网站| 天天做天天爱天天玩夜夜爽| 九九在线免费观看| 袁子仪视频观看| 五月丁香视频色色| 99视频啪啪| Aaa久久| 成人婷婷色综合| 日本人妻A片成人免费看片| 日韩无码91| 另类综合国产| 久久五月视频| 五月丁香久久综合| 天天日天天色| 婷婷五月超碰| 激情小说五月丁香在线视频观看视频| 婷婷激情六月视频| 91国产精品视频播放| 蜜臀av无码久久久久久久久| 六月婷婷av| 9l视频自拍九色9l视频在线观看| 四色AVwww| 精品欧美性爱超级爽| 久久黄色免费视频| 99久久6| 日本色色网站| 欧美性色视频| 97久操| 丁香婷婷中文字幕| OYIWbGcPu8H| 秋霞网在线观看理论91| 大香蕉五月天| 婷婷五月激情热播| 五月花激情| 91美女被操| 97丁香婷婷| 色久99| 色色网站免费| 性爱五月婷婷| 思思久久精品| 日本久久99久久| 色婷婷狠狠| 人操91在线| 亚洲丁香五月| 综合五月激情| 日本熟女内射| AA片在线观看视频在线播放| 亚洲激情高潮| 夜精品无码A片一区二区蜜桃| 6月丁香婷婷激情| 欧美性爱五月天| 五月婷婷 欧美| 天天弄天天操| 婷婷五月激情网站| 激情六月婷婷| 婷婷丁香五另类网站| 五月丁香六月婷| 另类综合激情| 无码人妻精品一区二区蜜桃色欲| 色情五月丁香婷婷网| 成人免费120分钟啪啪| 97深爱伊人综合| 国产精品第一国产精品| 五月草影视| 97操碰日本女人| 久久久久久人妻久久久久久久久久人妻久久久 | 色五月婷婷九月| 免费人人操| 久青操| 99,色| 99精品热| 婷婷色情小说| 丁香五月WWW| 激情六月天婷婷| 婷婷五月天黄色| 久碰久操| 亚艹艹| 丁香婷婷六月男男| 丁香六月激情| 91视频一起草| 一本伊人色婷| 婷婷亚洲色| 黄色av高清| 色五月婷婷影视| 久久久天天啊| 五月丁香亭亭操逼| 欧美大肥婆大肥BBBBB| 99色看| 色婷婷啪啪| 日本色婷婷| 久久激情综合| 日本婷婷色| 天天婷婷色六月| 色色激情五月| 日韩啪啪视频| 婷婷六月天亚州| 97日本在线| 精品人妻一区| 婷婷激情网五月天| 久久婷中文字幕| 可以看的AV| 99爱免费视频在线观看| 亚州操逼网| 九九碰九九爱97| 丁香婷在线| 九九久久五月天| AA片在线观看视频在线播放| 99热免费精品| 色在线免费观看| 99热最新| 无码人妻激情| 综合久久综合综合| 久久久99精品| 少妇水多A片太爽了| 久99热| 丁香激情四射| 婷婷久久婷婷| SS丁香五月婷婷| 色狠狠色噜噜AV天堂五区| 香蕉综合网| 性色婷婷| 91chinese 在线| 色婷婷色五月天| 日韩专区五月天婷婷丁香| XXXX岛国| 99碰碰| 亚洲综合在线视频| 欧美 日韩 成人在线| 久99久99精品免| 五月丁香六月综合激情无码软件亮点 | 大陆肏屄视频| 99燥99日| 99热这里只有精品在线观看| 思思热久在线观看视频| a色婷婷| 国产国产乱老熟女视频网站97| 丁香 久久| 另类激情五月| 久99在线视频| 九热网站| 久草热在线视频| 这里只有精品视频在线| 精品福利911| 丁香五月激情婷婷视频| 午夜福利成人AV91| 天天天天操| 婷婷丁香花五月天| 五月丁香婷婷激情澎湃四射| 欧美噜噜免费观看 | 色5月婷婷色| 五月草影视| 久久九九怡红院| 先锋资源91| 操97在线观看| 色色国产| 91免费看片| 热的无码综合视频| 久久久香港| 狠狠干在线视频| 中文字幕日产A片在线看| 久久久久9久无码视频| 六月婷色| 婷婷五月色综合| 久久婷婷精品| 色啪影院| 欧美黄色韩日网| 五月婷婷综合在线| 色色色宗合网| 婷婷五月天色色| 丁香五月成人社区| 欧美啪啪五月天| 色婷綜合网| 五月天婷婷激情小说电影| 中文无码婷婷| 综合九色| 九九色色| 伊人久久婷婷五月天激情四射| 色五月天丁香婷婷| 91碰操| 99热精品6| 丁香五月开心七月| 天天爽日日爽夜夜爽| 综合色、色综合| 激情深爱五月天| 四色99久久| 五月丁香婷婷六月天| 中文精品久久久久人妻不| 中文字幕AV在线播放| 日本久久视频| 在线超碰91| 国产婷婷久久| 玖色色综合| 丁香五月婷婷激情蜜桃| 久久综合9| 丁香婷婷五月香蕉91| 777米奇影视第四色| 色色99| 狠狠精品干练久久久无码中文字幕| 五月天激情小说网| 国产密乳av一区二区三区四区| 激情内射p| 99亚洲色色| 夜夜躁爽日| 99热在线精品观看| 天天综合亚洲| 91九九热| 色五月在线综合| 九九九九九九热| 五月天婷婷偷拍| 黄色AAAAAAA| 色婷婷人人| 91日韩美女被插视频| 激情婷婷九月| 色九月综合网| 激情综合文学| 超级碰碰碰久久网站| 婷婷天天五月天| 丁香五月天亚洲综合| 99偷拍视频在线日本| 婷婷五月天午夜激情影院| 久久精品91视频| 色综合中文| 男女99免费视频| 色婷婷精品视频在线播放| 开心激情站| 五月丁香激情在线| 日本一级| 五月天激情日色在线| 色色色综合| 噜噜操操| 天天谢天天操| 97干婷婷| 婷婷五月综合啪| 日韩一级片| 久久黄色免费视频| 久久久久久草黄色片AV在线观看| 狠狠做五月婷婷| 内射丰满人妻| 色色亚洲五月天| 99精品视频偷拍| 狠狠干夜夜干| 日本欧美成人片AAAA| 91碰操| 爆乳熟女一区二区三区爆乳 | 丁香六月天之亚州热女 | 亚洲AV电影美洲AV电影| 97丁香婷婷| 五月天天天综合| 婷婷四色五月| 先锋资源婷婷| 996er热| av在线免费播放观看| 五月天基地| 狠狠干婷婷| 色婷丨日丨天丨综合久久| 美女五月狠狠| 在线另类| 国产精品涩涩涩视频网站| 超碰在线资源| 久久这里精彩免费在线观看| 黄网免费看| 思思久久99热只有频精品66| 99热这里只有精品55| AV在线免费网站| 丁香五月婷婷激情尤物| 天天久| 丁香五月天中文字幕| 色五月丁香在线| 亚洲性爱日韩无码| 中文不卡一二三区| 丁香五月亚洲无码| 激情五月激情综合网一级丸片| 丁香五月自拍| 粉嫩av懂色av蜜臀av熟妇| 久久东京热婷婷五月| 综合激情五月婷婷| 最新久久网址| 色婷婷19| 欧美在线干| 久久曰曰| 婷婷色色狠狠| 另类五月婷婷| 新99色色色色色色| 丁香六月婷婷开心| 色视五月天婷婷| 天天操天天插| wwwav大香蕉| 思思热久久艹| 天堂草在线看www| 天天天天操| 激情久久丁香| 伊人六月无码视频| 99在线视频精品| 91se视频| 成人五月天在线观看| 成人视频婷婷| 狠狠搞狠狠操| 色月丁| 色婷五月天亚洲| 色婷婷www| 中文字幕无码人妻少妇免费视频| 99日精品视频| 色墦五月丁香| 激情五月天com| 色五月婷婷在线| 9999三级片| 色婷婷裸体色性在线| 99热这里只有精品8| 色婷大香蕉| 成人欧美一区二区三区在线观看| 99久精品视频| 在线看AV| WWW.桔色成人.COM入口| 91久久| 人人色婷婷| 激情性爱五月天网页| 丁香亭亭久久| 国产97色在线| 可以看的AV| 99热99色| 变态 另类 在线| 超碰五月婷婷五月天| 欧洲不卡视频| 久久黄色网扯| 色婷婷五月天视频网站| 亚洲综合网 665566| 欧美性做爰大片免费看办公室| 久久无码成人| 日本丁香久在线| 五月丁香婷婷综合网| 狠狠擼综合| 好好干av| 色狠狠综合| 97在线/亚洲| 婷婷色五月天在线| 九九丁香社区欧美激情| 岛国资源网| 五月丁香综合啪啪| 天天综合网、天天综合色| 天天干 夜夜爽| 男女啪啪视频久 9| 久这里只有精品| 五月丁香综合网| 色色色综合色| 99这里只有精品| 婷婷五月激情视频网| 深爱五月亚洲| 婷婷色色网站| 天天天天天操| 国产精品人成A片一区二区| 婷婷久久五月天| 99啪啪视频| 97影院一级片| 996er热| 五月丁香花激情综合网| 干一干xxxx| 成人啪啪色婷婷久| 日本婷婷| 婷色视频| 国产精品色婷婷99久久精品| www.色综合.com| 九九热10| 丁香五月六月综合激情| 五月天婷婷AV| 国产资源在线视频| 五月婷婷九九热| 九色91视频| 色99在线视频| av中文字幕免费观看| 99热精品超碰| 小视频一区| 婷婷五月天av| 在线播放 精品| 丁香六月婷婷综合色| 99热久草| 婷婷99狠狠| 婷婷九月亚洲| 69五月天视频| www狠狠| 九九婷婷激情综合网| 九九成人精品免费视频| 人人播| 日韩免费视频| 亚洲av网站| 大天天伊人| 亚洲区在线| 丁香五月天激情小说| WWW久久久| 国产91在线视频| 日本va视频| 色色婷| 丁香六月婷婷久久综合| 色婷婷综合网| 午夜激情四射影院| 26UUU| 午夜成人网站在线观看| 99婷婷五月天激情| 亚洲一区二区无码蜜乳av| 99在线热| 久草五月婷婷| 少妇高潮呻吟A片免费看软件| 色五月婷婷、老熟女| 五月婷色丁香| 色色色色色色色色五月先| 天天操天天日天天爱| 一级AV片| 亚洲成人五月天| 91婷色| 精品久久99| 婷婷丁香五月综合激情视频| 亚洲午夜电影| 婷婷天堂站| 亚洲第79页| 99热全是精品| WWW,五月| 激情的五月| 另类国产区| 天天爽人人综合免费7799| 五月婷婷六月奇米网丁香| 九九热re99re6在线精品| 99久热这里只有精品| 思思w99| 五月停停色色丁香| 亚洲无码99| 激情五月天婷婷五月天| 97久久人人| 日韩乱轮AV| 五月综合视频| 五月丁欧美| 丁香色情五月综合激情| 99自拍视频网站| 亚洲精品性色| 五月婷婷激情性爱| 国产亚洲成AV人片在线观黄桃| 日婷婷| 婷婷五月黄色激情在线| 丁香五月很很肏| 天天干,夜夜爽| 天堂草在线观| 超碰在线91| 欧美日韩一区二区三区四区| 国产67194| 欧美精品熟女一区二区| 激情综合无码| 99碰碰碰| 久热这里只有精品3| 99精品久久久久久久久| 99狠狠色| 激情五月婷婷在线区| 玖玖九九9999在线观看视频精品| av在线免费播放| xxx日本东京热| 中文超碰视在线| 99久久99久久综合| 婷婷开心六月| 日本精品在线噜噜噜| 婷婷色基地在线看 | 涩涩婷婷五月| 天天操综合网| 人人摸人人澡人人| 在线区区区| 91丨九色丨熟女|老版| 91精品刘玥| 色五月在线观看| 色丁香五月| 婷色视频| 99视频在线观看地址| 丁香五月天啪啪| 九九久久综合| 狠狠色噜噜狠狠色噜噜噜999| 五月丁香婷婷综合网色欲| 精品香蕉99久久久久网站| 26UUU欧美激情一区二区| 六月婷婷九月丁香亚洲综合| 久久亚洲精品成人无码网站导航| 超碰在线综合| 香蕉视频性爱BB做爱| 97操碰| 久草大| 丁香五月天激情网| 亚洲欧洲99| 久久久91| 五月天婷婷情色| 黄色av网站在线免费播放| 婷婷五月天在线观看|