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
五月婷婷色激情| 精品久久99码| av在线观看免费| 亚洲中文字幕AV| 国产精品久久久久久白浆色欲| 亚洲婷婷91丁香| 欧美天堂久久| 丁香五月激情综合| 久久婷婷五月综合啪| 玖久久网站| 五月天另类图片| 懂色av粉嫩AV蜜臀AV| 婷婷五月天激情综合网| 婷婷色中文| 色偷偷色婷婷| 综合五月丁香久久| 无码一区二区三区四区五区91c| 99综合色| 久久婷婷亚洲| 激情五月婷婷| 激情五月天小说网| 丁香五月天激情婷婷丁香六月| 国产精品久久久久久久久久| 能直接看的av网站| 成人va在线播放| www.亚洲激情| 99视频在线观看欧| 涩涩五| AV在线大香蕉| 性爱网五月天| 91色婷婷综合久久中文字幕二区| 97视频.干com| 超级碰碰91| 成人va在线| 风流少妇A片一区二区蜜桃 | 99热高清在线| 婷婷色基地在线看 | 九九久久综合网站| 五月六月激情| 亚洲激情97五月天| 黄急一级视频| 色综合中文| 夜夜干天天干| 中国激情网| 亚洲小视频免费观看| 九九九九九九毛片| www一起操| 极品五月天| 国产精品VIDEOSSEX久久发布| 狠狠色大香蕉| 亚洲无码11| 久久人人妻| 五月天激情图| 欧美日韩一a.无| 99久re热视频精品98| 色婷婷五月天不卡| 26UUU| 日本三级99人妇网站| 婷婷激情小说| 色五月天成人| 五月激情网站| 丁香五月五月婷婷| 色五月婷婷在线| 五月丁香婷爱在线| 97五月天| 97性视频| 深爱五月激情五月| 亚洲亚洲人成综合网络| 夜夜操天天爽| 亚洲综合另类| 人妻操逼视频| 久99999热视频在线观看免费| 特黄三级片| 超碰成人电影| 开心激情站| 欧美性猛交99久久久久99按摩 | 色大综合| 婷婷五月天播播| 激情五月,婷婷五月,丁香五月| 日本五月视频| 久碰婷婷视频| 狠狠色婷婷| 97色婷婷| 婷婷性爱五月天丁香网| 久久久27操| 九九人人自拍| 色色啊| 欧美三级巜人妻互换| 亚洲av| 大香蕉在线99热| 五月做爱| www色婷婷| 国产精品操| 五月天综合在线| 日韩啊啊啊| 色久婷婷网| 99人人干人人| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 激情丁香六月| 五月丁六月香av| 色五月天在线| 超碰91在线| 国语精品探花| 激情五月丁香亭亭| 色婷婷四虎| 99爱精品| www.婷婷| 免费观看18视频网站| 色三级色三级| 久久多色| 丁香五月最新地址| 婷婷丁香五月激情密臀av| 国际国外精品欧洲南美洲专区无码不卡| 色婷婷久久| 99九九热视频| 99热精品观看| 久久婷婷五月综合色奶水99啪| 月丁香久久久| 亚洲 欧洲 国产 伦综合| 免费观看欧美成人AA片爱我多深| 国产欧美日韩综合精品一区二区| 国产精产国品一二三在观看| 久草热久草在线视频| 99久re热视频精品98| 五月丁香六月婷婷色日| 五月丁香网站| 99九九精品视频| 日韩三级高清无码| 久久这里有精品| 成人性爱精品视频| 激情五月综合网最新| www.日韩艹| 欧美激情 日韩无码 婷婷 五月天| 美女要搞搞天天搞搞搞网站| 可以看的AV网站| 激情五月天电影| 狠狠色 综合色区| 婷婷五月色惰| www.丁香黄色五月天人与| 337p大胆噜噜噜噜噜91Av| 久久性爱视频久久性爱视频| 最新高清无码专区| 丁香五月大香蕉| 天天色天天色天天色天天色天天色| 久久性视频| 综合久久婷婷99| 色5月婷婷色| 欧美色小说婷婷| 婷婷99中文字幕| 九热网站| 一级A片天天操夜夜操| 1000部毛片A片免费观看| 日本色天堂| 久热AA| 日韩在线视频中文字幕| 九九AV| 国产成人精品一区二区三区视频| 婷婷五月欧美AA片免费| 天天爽天天摸人妻综合网| 99热精品在线播放| 婷婷热婷婷色| 丁香婷婷五月六月天| www.五月天性.com| 五月婷婷激情综合网| 久色视频| 久久性视频| 亚洲亚洲人成综合网络| 1024欧美日韩精品久久久| 五月婷婷六月丁香首页| 婷婷五月天成人五月天| 79色色色色| 天天做天天爱天天爽| 精品99在线| 涩五月婷婷| 午夜大香蕉| 色色欧美色色色| 婷婷性爱五月天丁香网| 日本猛少妇色XXXXX猛叫| 午夜少妇在线观看视频| 天天肏天天肏| 精品国产va久久久久| 91精品91久久久久77777| 丁香五月九九| 欧美久久婷婷| 天天干天天爽天天操| 婷婷五月天小说| 天天干 夜夜爽| 成人综合网站| 久久五月天视频| 日本激情ⅩXX免费视频| 狠狠操狠狠| 性爱视频久久| 超碰伊人碰婷婷五月| 久操操| 噜噜噜精品欧美成人在线观看| 日本色综合| 色播五月婷婷| 午夜日日| 五月婷婷久久内射| 色香欲综合| 国产成人综合网| 亚洲国产无线乱码在线观看| 久久婷婷色综合| ...婷婷国产成人亚洲日韩| 99热中文字幕久久| 97人妻碰碰中文无码久热丝袜| 婷婷丁香久久网| 翔田千里 50岁 无码| 国产日日夜夜操| 五月丁香色综合| 五月天天天开心激情网| 婷婷内射视频在线| 991自拍视频| 精品色色网| 国产精品久久久久久久久久免费| 婷婷五月天高清无码| 99久久a线观| 日日夜夜噜噜爽爽| 91超级碰碰| 丁香深五月婷婷| 亚洲性受XXXX五月丁香| 99视频网址| 五月天久久色| 色综合久久五月| 26uuu在线观看| 丁香五月综合| 五月天狠狠网站| 久久这里只有精品热在99| 色婷婷婷av| 亚洲日日操| 五月天天天开心激情网| 色婷婷五月天成人网| 亚洲激情综合| 26uuu精品一区二区| 色色激情| 99久久終合| 91婷婷| 日韩成人av在线| 五月婷婷色在线| 91色婷婷综合久久中文字幕二区| 超碰99资源站| 97人人看| 玖玖爱导航| 五月丁香人人婷婷在线观看| 99国产精品久久久久久久久久久| 婷婷丁香五月天哟啪| 五月天婷婷小说| 久9精品视频在线| 国内裸舞二区| 思思热精品在线视频| 五月丁香A片| 丁香色啪综合| 久久五月婷婷综合网| 激情婷婷五月亚洲| 大香网伊人久久综合| www98日本小时间到了| 婷婷五月在线播放| 激情色情五月天| 五月丁香成人版| 97五月天| 青青草蜜臀| 天天日天天舔| 5月婷婷综合| 五月天激情四射| 亚洲视频二区| 色五月首页| 久婷久婷| 亚洲超碰在线| 99久久精| 色婷婷五月综合| 天天综合网、天天综合色| 丁香五月手机在线| 色婷婷欧美| 婷婷五月天美女| 玖玖综合色| 国产精品操| 影音先锋男人AV资源站| 婷婷五月天激情小说| 五月天播播中文字幕 | 狠狠干夜夜干| 涩玖玖免费视频| 99热这里只有是亚洲国产| 婷婷色影音天| 亚洲六月色| 在线sebiav精品视频| 激情丁香五月天图片| 996热re视频在线观看视频| 日韩九九| 日本啪啪网| 久久九九爽| 色五月综合| 天天弄天天操| 婷婷五月综合在线视频| 综合超碰熟| 五月天婷综合| 五月开心婷婷极品激情| 成人做爰A片免费看视频| 五月天婷婷色小说| 1024你懂的欧美曰韩| 成人丁香| 性爱先锋AV| 无码色| 无码中文一区二区三区| 综合五月激情| 大香蕉天堂| 日本操片| 91啪级电影| 亚洲成人av中文| 思思热视频| 91干在线| 91中文在线| 丁香五月激情视频在线| 伊人玖玖网| 97操操操| 色狠狠色狠狠| 开心五月综合激情网| 大香蕉五月天婷婷| 99热这里只有精品在线播放| 操一区| JAPANRCEP老熟妇乱子伦视频 | 综合久久六月| 99操| 3DAV亚洲香蕉久久 一区二区| 青青草原伊人网| 国产色丁香| 午夜天天精品视频| 天天综合五月天| 美女天天艹人人爽| 色yeye色综合| 人人操av| 久草a片| 日韩无码成人电影| 中文字幕按摩做爰| 激情五月六月婷婷| 91中文在线| 五月丁香亭亭电影久久| 91九色视频| 69午夜成人影片| 婷婷色操| 99热这里精| 91热网址| 亚洲AV影片在线观看| www.yw色| 五月婷婷激情四月| 婷婷的激情五月| 91日综合欧美| 无码少妇高潮喷水A片免费| 天天激情欧美美女| 色五月丁香一区在线| 七月激情六月婷婷综合在线播放| 99国产精品久久久久久久久久久| 亚洲成人高清在线| 99re最新地址| 青草性爱视频| 中美月韩免费A片| 夜夜穞天天穞狠狠穞AV美女按摩| 五月天丁香成人| 亭亭色天香| 操九色| 91蜜桃婷婷狠狠久久综合9色| 丁香六月天婷婷开心综合| 婷婷五月天堂| 另类伊人婷婷| 伦99热| 五月激情丁香啪啪| 久久婷婷色| 久久综合影院| 亚洲操b| 色婷婷五月天激情久久| 国产成人av在线| 婷婷色色宗合网| 色婷婷色99国产综合精品| 激情五月六月| www.婷婷,com| 一起草日本| 人妻中文在线| 婷婷99视频精品| 五月停停激情网| 婷婷5月天激情综合| 九九这里是免费的视频5| 五月激情久久| 中文字幕不卡网站| 女人被躁到高潮嗷嗷叫小| 超碰在线看| www五月| 婷婷丁香五月天亚洲| 夜夜操夜夜爽| 欧美天天爽| 丁香六月激情| 人人综合久| 婷婷六月久久| 九九中文色色| 字母不卡码人逼| 婷婷中合| 日韩青青| AV片在线观看| 激情五月婷婷色综合| 精品亚洲国产成AV人片传媒| 亚洲乱码日产精品BD| 久久性爱视频| 99热在线播放| 无码少妇高潮喷水A片免费| 久久性爱视频网站| 久久这里只有精品8| 久久久www| 久久婷婷色综合| 五月婷婷成人| 亚欧州精品视频| 五月丁香婷婷爱| 91互操| 超级碰91| 91久久九久久九久久九久久九久久| 伊人久久五月天| 噜一噜在线| 果冻传媒A片一二三区| 无码一区二区日韩| 欧美色五月| 99精品久久| 在线中文av| 色情五月天丁香社区| 天天艹夜夜艹| 日韩99视频| 色5月丁香婷婷| 国产综合A片| 射久久丁香五月| 亚洲亚洲人成综合网络| 九九色99| 九月婷婷在线视频| 久久99网| 人人操97| www.99视频| AV在线大香蕉| 人妻内射视频| 久久杏爱视频| 大香蕉久久综合网| 五月天婷婷高清无码| 影音先锋男人av资源站| 开心激情婷婷| 五月丁香婷婷久久| 色色色色综合网| 色网站99| 色婷婷丁香综合中文字幕| 久久九九re热| 那里有AV网址| 五月婷久久在线| 这里只有精品免费| 这里只有精品99视频| 综合久色五月| 情久久综合五月天| 日本一级一级一级一级| 国产人妻777人伦精品HD| 日韩AC在线免费观看| 六月丁香天堂| 中文精品久久久久人妻不| 五月天婷婷综合久久| 99热欧| 欧洲免费视频色| 五月丁香成人小说| 色情综合网| 五月久久丁香| 色色丁香婷婷综合| 色五月天成人在线| 五月天激情网图片| 亚洲爆乳无码精品AAA片蜜桃| 男女激情久久| 久久久18| 丁香五月色欲| 日本狠狠色| 99五丁香月| 9热视频在线观看| 亚洲天堂AV免费片| 天天爱天天秀天天做| 狠狠操狠狠插| 亚洲av成人电影在线观看| 色婷婷五月天中文字幕| 成人性爱无码| 99操碰| www.九九婷婷| 色五月丁香六月资源站| 欧美啄木乌丝袜人妻系列| 午夜成人网站在线观看| 碰碰碰97国产| 五月婷婷新网站| 秋霞三及片| 五月婷婷欧美| 天天久久九九| 乱女乱妇熟女熟妇综合网站| 丁香激情网| 欧美顶级少妇做爰HD| 另类激情五| 69er小视频| 五月丁香六月激情综合| 久综合4| 97九色| 99热这里只有精品最新网址| 99热亚洲| 综合婷婷久久| 激情五月丁香亭亭| 丁香婷婷狠狠97| 激情六月丁香| www.五月.com| 99久久97| 五月永久激情| 久久怕怕视频| 五月婷六月| 亚洲第79页| 福利视频在线播放| 国产超碰在线| 五月丁香色婷婷色| 丁香伊人五月色婷婷五十路| 5月婷婷六月丁香| www久久99| 9 大屁股在线视频精品| VA婷婷亚洲| 婷婷丁香18| www.婷婷,com| 婷婷天天婷婷天天澡| 九月丁香久久网| 狠狠狠婷婷五月综合| 久久五月天视频| YW无码| 色五月婷婷开心| www.超碰在线| 狠狠干五月天婷婷网| 啪色综合| 99在线热视频| 精品丁香五月天在线播放| 狼人伊人天堂| 综合色综合| 丰满老熟妇BBBBB搡BBB| 亚洲激情图文小说| 亚洲六月婷婷| 丁香五月成人| 色色激情| 激情综合网五月婷婷| 中文字幕在线免费观看视频| 99碰碰视频| 98永久精品| 欧美这里只有精品| 亚洲AV免费国产电影| www激情五月天| 九色亚洲| 亚洲经典小视频| 天堂成人A片永久免费网站| 影音先锋女人av鲁色资源网小说免费 | 另类小说五月天激情| 99热国产| 婷婷色无码| 99热精品免费| 丁香五月婷婷性爱| 图片区 小说区 区 亚洲五月| 色色色激情| 久久99热这里只有精品| 亚洲色精彩| www.五月天婷婷| 亚洲艹网| 国产XXXX搡XXXXX搡麻豆| xx色综合| 超碰人人摸人人操| 天天干com| 99视频综合网| 久久人妻视频| 欧洲亚洲免费视频9| 五月天丁香综合| 日本三级日本三级三级人妇四虎| 99热这里只有精品3| 99色视| 思思久久99热只有频精品66| 五月天激情网页| 五月九九综合| 丁香五月人妻| 天天综合情| 激情五月激情综合网| 久色视频在线| 激情五月婷婷综合秋霞| 五月丁香成人视频| 婷婷综合精品| 婷婷99狠狠躁天天躁| 嫩草综合网| 久久您您综合网| 99久久6| 黄色精品五月婷婷| 成人精品在线观看| 综合五月天婷婷色| 婷婷婷久久久| 五月天婷婷基地| 婷婷五月成年人| 五月天开心色色网| 99这里都是精品| 欧美日朝成人| 51精品国自产在线| 丁香五月成人社区| 综合五月婷婷| 香蕉97碰碰碰欧美| 国产无人区大片| 天天爽在线视频| 亚洲电影在线观看| 激情五月天天狠狠久久| aaaaaa片| 超碰激情五月| 久久a热| 蜜臀嫩草| 久久婷婷五月丁香网| 99色在线| 狠狠色狠狠操| 插插插丁香五月婷婷| aaaa久久| 久热欧美| 99精品久久久久久久婷婷久久 | 男女av免费看| 91久久婷婷| 婷婷五月丁香激情色情| 六月婷欧美| 丁香九月婷婷| 久久婷婷五月天| 丁香六月狠狠| 9l视频自拍九色9l视频自拍九色9l社区 | 色婷婷色久综| 99久久玖玖| 国产精品人人做人人爽人人添| 色99网| 五月丁香久久| www,婷婷,com| 天天色综合网吨吧| 久草丁香婷婷1024| 激情五月婷婷五月| 婷婷激情丁香五月婷婷激情丁香五月婷婷 | 亚洲精品99| 天天插,天天射| 国产成人网| 丁香婷婷五月综合欧美另类| 五月天婷婷久久视频| 深爱五月网| 天天五月香欧美| 丁香综合久久| 香蕉AV777XXX色综合一区| 高清视频一区| 真实亲子乱子伦高清在线观看| 婷婷五月天成人五月天| 国产精品色婷婷久久久精品| 日产精品一线二线三线芒果| 五月婷激情| 精品久久人妻| 高清无码中文字幕aVDV| 超碰三级秋霞| 日韩 中文 欧美| 九九艹女| 夜夜爽77777妓女免费下载| 久久久久亚洲AV成人无码电影| 色播五月天天| 91超碰人人操| 婷婷终合色图| 婷婷色色色| 92久久精品一区二区| 五月丁香婷婷啪啪| 可以免费观看的AV| 久热视频这里只有精品| 能看的AV网站| 99re这里只有精品免费| 亚洲综合色婷婷| 99在线综合视频| 超碰2021| 无码成人播放器| 俺去也婷婷| 性视频久久| 天天影院色| 99久久免费精品| 亚洲人人干| 亚洲成人色五月天| www.激情.com.| 1024国产| 婷婷综合亚洲| 色婷婷超碰| 丁香五月熟女| 一区二区乱视频码| 五月天婷婷无码| 丁香五月五月婷婷欧美大香蕉| 激情综合婷婷| 久热免费视频| 九九热在线精品视频| 69精品人人人人| 久色网址| 五月婷婷啪啪| 狠狠干无码| 中文字幕在线免费观看视频| 五月丁香六月| 五月丁香91| 久久色天堂| 97资源欧美日韩大香蕉超碰一区| 人妻视频在线| 日韩欧美一级大黄网站| 超碰99在线| 五月婷婷天| 久久五月天婷婷| 国产67194| 色婷婷av在线观看| 久久久性爱视频| 色婷婷六月| 色五月综合| 婷婷五月成人| 久久精品一区二区三区四区| 日本色啪| 九九超碰人人| 日本久久视频| 婷婷六月丁香激情| se色99| 手机看片日日做夜夜| 日本人妻丁香婷婷久久寝取熟女五月| 天天日夜夜B久久| 亚洲婷婷五月草久| 久久久五月婷婷| 播四月婷婷六月丁香| 丁香六月五月婷婷| 69色色视频| 色五月综合在线| 97se视频在线| 99综合| 天堂成人A片永久免费网站| 被强行糟蹋的女人A片| 97在线观视频免费观看| 草榴视频黄色网| 热久久色| 成人av免费观看| 免費亭亭成人| 五月丁香啪啪拍| 夜夜做夜夜愛| 九九大香视频| 97在线精品| 激情 久久 婷婷| 亚洲 欧洲 国产 伦综合| 色99热| 欧美99| 色五月成人在线| 五月天婷婷久久| 婷婷激情五月| 日韩欧美不卡| 日韩操啪| 99啪啪| 很操日本7| 综合网视频| 丁香五月色情| 日韩丁香涩| 在线伦子99热| 天天 青草 制服丝袜 在线 | 99热九九这里只有精品10| 五月丁香婷婷激激激综合网色播| 开心激情婷婷| 丰满人妻一区二区三区| 国产婷婷五月| 五月丁香| 久久小片| 久热这里| 久久天堂色| 九九熱最新視頻| 午夜丁香五月天综合| 九九re精品视频在线观看| A片试看120分钟做受视频红杏| 97人人操人| 婷婷五月中文在线| 丁香五月激情五月开心五月| 亚洲精品婷婷| 操比激情五月| 草操AV在线| 五月丁香成人网| 国产精品第一国产精品| 亚洲成人超碰| 第四色婷婷色五月| 538任你爽| 国产特级毛片AAAAAAA高清| 天堂色色色| 熟女五月天久久综合| 婷婷午夜综合| 亚洲六月综合激情久久下卡| 综合激情五月天| 99热在线观看精品免费| 亚洲综合色婷婷| 男人視頻站| 五月在在观看| 色欲婷婷五月天丁香| 人妻熟人中文字幕一区二区| 亚洲无aV在线中文字幕 | 精品人妻伦| 久久久无码精品成人A片小说| 婷婷五月花| 99久久网站| 五月激情小说网| 精品婷婷五| 五月天婷婷爱| 99免费超碰在线| 91久久久久久| 97干婷婷| 婷婷天天五月天| 五月天六月天| 色99网| 五月丁香久久色| 永久思思热在线| 五月婷婷视频| 色九月综合| 五月伊人视频在线看| 99爽视频| 26uuu偷拍亚洲欧洲综合| 亚州视频九九99| 五月天色婷婷综合| 五月婷婷偷拍| 国产毛片精品一区二区色欲黄A片| 婷婷丁香五月天综合在线日韩| 东京热免费视频| 九九这里是免费的视频5| 99在线小视频| 国产婷婷五月天| 久久精品一区二区三区四区| 久色视频在线| 91久久久久久| 97婷婷丁香| 丁香五月天啪啪| 中文字幕人妻一区二区| 26uu| 国产精品涩涩涩视频网站| 九九热这里只有精品556| 五月婷婷丁香| 久操激情| 任你草| 久久多色| 国产成人高清| 色婷婷天堂| 超碰免费大香蕉| 久re热视频| 九色无码| 天堂综合久久 | 五月婷中文娱乐综合| 亚州AV超碰人人操| 拍真实国产伦偷精品| 天天爱天天日| 五月婷婷六月天| 亚洲精品五十一区| 婷婷五月天成人网| 热99热| 欧美性猛交XXXX乱大交极品| 色色婷五月天| 日韩在线观看网址| 678五月丁香亚洲综合| 一本色综合色| 26uuu亚洲欧美| 婷婷热色| 激情五月天综合婷婷网| www久久久久久| 天天爱天天做天天操| 婷婷久久在线| 五月天亭亭俺也| 性爱五月婷婷| 五月婷婷色影院| 91丨九色丨大屁股| 九月婷婷综合| 久久 这里只有精品1| 欧美日韩成人综合9| 婷婷色情六月| 精品久久婷婷| 香蕉婷婷| 婷婷色色狠狠| 无码少妇高潮喷水A片免费| 欧美色欲色欲天天天www| 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 | 色播丁香| 色婷婷在线视频综合| 日韩欧美婷婷丁| 激情小说五月天| 日韩成人AV在线| 免费亚洲婷婷| 激情黄色小说五月天| 涩涩激情五月婷婷| 免费97碰碰| 99开心五月五月丁香激情| 成人做爰A片免费看网站找不到了 噼里啪啦在线观看免费完整版视频 | 另类图片激情五月天| 美国少妇性做爰| 婷婷五月美女直播| 久久色五月| 丁香激情五月天| 69er小视频| 精品自拍97| 丁香五月网址| caopeng超碰| 日韩不卡123| 久久hd| 久久五月天精品视频| 色婷婷性爱网| 婷婷五月天天爽| 激情五月婷黄版| 狠狠狠狠草草| 六月综合婷婷开心伊人| 91狠狠色| 激情五月婷婷老师| 五月天婷综合| 婷婷五月天激情文学小说| 玖玖99婷婷| 丁香五月网址| 五月丁香少妇网| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 久久精品国产一区二区三区四区| 天天色,天天日,天天做| 超碰在线人人| 亚洲亚洲人成综合网络| 丁香综合婷婷五月天| 中文字幕av久久爽一区| 五月婷婷丁香91| 香蕉操亚洲| 深爱网深爱综合网| 久操干| 99ER热精品视频| 婷婷五月丁香色综合| 婷婷激情综合色五月久久,色婷婷丁香花,丁香婷婷五月情天,久久婷婷五月综合色 | 九九免费精品在线视频| 91n网站cad入口在线观看| 很很干天天干| 丁香月六月| 噜噜狠狠| 午夜福利8055| 大香蕉综合在线| 小视频久久久aaa| 综合五月草| Www.se.久久| 99热这里全都是精品| 激情VA视频| 色色综合日韩| 免费国产视频| 碰超亚洲| 婷婷深爱五月天| 久久怕怕视频| www。狠狠干。com| www.91婷婷| 九九婷婷激情综合网| 大香蕉啪啪网| 天天爽日日爽夜夜爽| 亚洲综合视频天天精品| 日韩综合久| 丁香狠狠干| 另类激情中文| 亚洲精品国产精品乱码视99| 老司机午夜福利视频金瓶梅| 色婷婷69| 超碰人人妻| 最新高清无码专区| 亚洲天堂久久| 亚洲精品婷婷| 色狠狠综合| 久热这里这里有精品| 99久久久久久| 97人人操人| 五月天婷婷婷| 婷婷综合久久| 91久久| 免费亚洲婷婷| 久久机热这里只有精品| 久久曰曰| 天天操中文字幕| 大香伊人婷婷| 91无码一区人妻A片蜜| 开心婷婷五月| 大香蕉久久久久| 色七七色九九| 狠婷婷五月| 亚洲夜五月| 激情婷婷丁香五月天小说| 九九久久精品國產| 99欧美精品99日本精品| 欧美性猛交AAAA片黑人 | 欧美va在线| 丁香九九九九| 婷婷五月婷婷| 五月天激情无码专区| 激情综合色| 婷婷开心综合人妻小说网址| 日韩九九视频| 五月丁香啪啪啪啪| 狠狠色丁香婷婷久久综合| 久婷狼色诱惑在线| 亚洲三A| 亚洲乱码日产精品BD| 99热超碰| 五月综合色| 亚洲五月花| 欧美大香蕉视频| 99操免费视频| 97超碰在线免费观看| 婷婷八月丁香激情综合| www.夜夜.com| 激情五月四色| 久久视频在线| 99re视频精品| 五月婷婷六月丁香激情| 丁香六月婷婷一区二区三区| 狠狠色噜噜色狠狠狠综合久久成人波| 夜夜www| 色狠狠图片| 天天操天天日天天爽| 丁香六月毛片| 思思精品久久艹| 日本五月视频| 色吧五月婷婷| 丁香六月婷婷综合缴| 狠狠干五月天| 久久婷婷综合国产| 五月天色区| 秋霞AV淫| 五月婷婷综合激情网| 天天激情站| 九九aV| 丁香啪啪| 亚洲V国产V欧美V久久久久久| 久久99热网| 久久婷婷五月综合网| av在线不卡播放| 天天综合91入口| 久久码久久无清| 色婷婷88| 国产亚洲在线| 91精品熟女| 热热久久久久久久久| 99热精地址| 五月丁香婷婷欧美| 丁香九月婷| 九九久久精品| 国产乱子轮XXX农村| 五月婷婷 激情按摩| 伊人影院久久网| 五月亭亭色| 五月色丁香| 久久精品在线| 五月婷婷亞洲中文| 停婷丁五月在线| 五月激情啪啪| 人妻丰满精品一区二区A片| 亚洲av综合在线| 97在线/日本| 五月天婷婷xxx| 成人网丁香五月| 婷婷五月花丁香| 天天噜日日噜综合无码| 99色色网| 夜色爱爱亚洲| 337p大胆噜噜噜噜噜91Av| 亚洲天堂AV免费片| 五月天 另类图片| 日本三级中国三级99| 丁香六月啪啪| 亲子乱av一区二区三区的| 亚洲xx网| 美女五月激情| 伊人AV五月婷| 亚洲精品国产成人AV在线| 99热亚洲精品| www.金莲av| 久久久五月五丁香| 婷婷五月丁香色情| 五月婷婷五月色| 91精品久久久久久77777| 一区二区无码视频| 97操操操| 人人操超踫| 五月丁香成人| 成人国产网站在线免费看| 一本色道久久88加勒比—| 操笔无码| 日本婷婷| 五月丁香激情综合| 色色色五月| 久久色频| 天天做天天爱天天爽综合网| 色五月婷婷网| 欧美人人超级碰| 思思热思在线精品视频| 婷婷丁香五月色| 婷婷99| 婷婷自拍| 国产五月天激情小说| 五月丁香六月婷婷激情网| 风流少妇A片一区二区蜜桃| 另类国产区| 激情五月丁香色婷婷| 99精品在线观看视频| 丁香婷婷天堂| 人人97碰| 色婷婷九月| 99re久久| 99资源在线| 久热这里只有精品66| 五月丁香婷婷色| 久久99免费视屏| 色色综合日韩| 九九色欲网| 色婷婷狠狠18yy| 色综合色综合婷婷热| 天天噜| 亚洲五月六月婷婷| 99热综合| 五月丁香婷婷成人网| 99热这里有精品| WWW99热| 99久久综合| 丰满少妇乱A片无码| 亚洲激情婷婷| 欧美啄木乌丝袜人妻系列| 另类视频五月天| 婷婷久久综| 国产五月天欧美色| 狠狠精品干练久久久无码中文字幕| 久久多色| 丁香五月婷婷六月| 丁香花大香蕉婷婷综合| 色五月丁香总合网| 91avse| 亚洲热久| 五月社区婷婷激情| 五月天婷婷久久| 琪琪色五月天| 亚洲五月停停| 蒲京久久无码视频| 99热这只有| 337p大胆噜噜噜噜噜91Av| 五月婷婷色影院| 99热这里只有精品在线观看| 操大屄五月天视频| 五月天成人网婷婷| 97色色视频| 超碰91在线| 亚洲综合草草| 久久色9| 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 | 91色在线| 丁香五月成人网| 精品操逼一区二区| 台湾佬天天日丁香婷婷五月天| 中文字幕丰满孑伦无码专区| site:xiongshengzz.com| 丁香婷婷五月天激情四射| 成人啪啪色婷婷久| 婷婷五月六月| 丁香五月天操B| 呦呦v线| 欧亚成人A片一区二区| 丁香五月婷婷婷婷欧美综合| 五月天婷婷激情小说电影| 超碰免费成人| 伊人久久大香网| 色天堂97| 激情综合五月开心狠狠| 综合日本婷婷| 天天夜夜六月丁香五月婷婷老师| 99热| 欧美激情五月天在线观看| 二色av| 日韩五月婷婷| 成人在线99| 日本天天综合| 免费无码毛片一区二区A片| 最新午夜理论片| 欧美激情综合色综合啪啪五月| 就爱啪啪婷婷| 99国产精品久久久久久久久久久| 五月婷婷综合激情| 久久人人做人人妻人人玩精品va| 日本熟女一区二区| 久久综合激情| 五月色丁香综合| 久久久天堂国产精品女人| 思思热思在线精品视频| 精品夜夜澡人妻无码AV| 五月天色官网| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 狠狠干无码| 开心久久xxx色| 国产毛片精品一区二区色欲黄A片| 亚洲欧洲色色| 成人综合网站| 伊人久久五月天| 夜色.cnm| 色色网站在线| 操日视频| 婷婷综合在线| 激情综合综合综合| 免费观看欧美成人AA片爱我多深 | 97色干| 亚洲中文无码成人| 大色鬼综合| 色射婷婷五月天| 一级性爱大片| 亚洲愉拍99热成人精品| 熟女色专区| 色爽干| av五月天婷婷丁香| 中文AV在线播放| 狠狠干综合| 99re在线这里只有精品视频首页| 看逼中文字幕| 久婷婷婷| 狠狠夜夜五月丁香| 99操九九网| 超碰99资源站| 丁香五月黄色| 激情综合色| 99 这里只有精品| 亚洲婷婷丁香五月| 东京热伊人| 99操99| 伊人99久久| 精品人妻一区| 开心五月六月婷婷| 久草婷婷在线| www.精品99| 高清激情av在线观看| 色婷婷色丁香色欲av| 国产avapp 网| 丁香五月综合色婷婷| 亚洲人成播放网站| 色狠狠999综合| 99综合婷婷五月| 久久中国毛毛片爱久久| 五月天丁香网站| 亚洲色a| 97人人操人人操人人操人人| 五月色色网| 婷婷综合网伊人| 丁香色影院| 五月天婷婷影院| 久久人妻伊人| 婷婷香香五月| 婷婷丁香六月天激情四射网| 91久久电影| 开心四月婷婷在线色播播| 六月丁香天堂| 天天操人人干| 99精品22| WWW、日本色丁香co m| 色色综合院| 久热大香蕉| www.久热| 六月丁香五月激情网| 97色欧美| 五月美女婷婷风骚| 五月激情综合网| 久久人人人人妻| 九九九九综合| 亚洲正能量欧美| 另类激情中文| 91视频综合网| 六月天六月婷| 99久久久久久| 久久婷婷五月天丁香| 99精品免费视频| 久热这里只有精品在线| 超碰碰碰碰| 久久婷婷大香蕉| 香蕉久久av一区二区三区 | 狠狠干狠狠干| 成年人99热| 亚洲无码播放| 综合日本婷婷| 《亚洲操B久久免费在线观看,亚洲操B久久在线播放》在线播放 - 高清资源 - 97 | 99er免费在线观看| 99九九在线观看免费| 五月做爱| 天天日天天操心| a在线观看| 丁香婷婷六月男男| 人人操超踫| 天天五月香欧美|