日韩精品一区二区三区在线视频放-无码中文字幕V?一区二区-成年片免费观看视频-国内少妇人妻丰满av-国产精品中文字幕免费观看-亚洲成人久久一区二区三区-国内少妇偷人精品视频无缓冲-一区二区国产精品日本一区二区三区在线网

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營(yíng)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(shí)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(shí)別:從預(yù)處理到模型調(diào)優(yōu)全流程實(shí)踐 簡(jiǎn)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(shí)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(shí)的研究生及科研人員。資源包含16個(gè)文件以10個(gè)核心MATLAB腳本如頻帶濾波、DWT特征提取、SVM訓(xùn)練等、3個(gè)Jupyter Notebook含KNN對(duì)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(hào)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(cè)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(gè)基于DEAP數(shù)據(jù)集做情感識(shí)別的老項(xiàng)目感覺挺有意思的。這個(gè)項(xiàng)目說白了就是通過分析人的腦電信號(hào)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(shí)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(hào)里提取特征然后用支持向量機(jī)SVM去訓(xùn)練一個(gè)分類器。整個(gè)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(píng)估一條龍搞定。今天這篇文章我就把這個(gè)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(duì)腦機(jī)接口、情感計(jì)算或者信號(hào)處理感興趣的朋友提供一個(gè)清晰的參考模板。無論你是剛?cè)腴T的研究生還是想快速?gòu)?fù)現(xiàn)一個(gè)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(shí)的腦電EEG和外圍生理信號(hào)如肌電、皮電等并且對(duì)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(píng)分。我們通常取效價(jià)和喚醒度這兩個(gè)維度將它們劃分為高/低兩類然后組合成四個(gè)象限就對(duì)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(hào)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(gè)關(guān)鍵變量data和labels。data是一個(gè)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(duì)應(yīng)的是63秒的視頻片段采樣頻率是128Hz所以63*1288064個(gè)數(shù)據(jù)點(diǎn)。labels則包含了每個(gè)視頻片段對(duì)應(yīng)的效價(jià)、喚醒度等評(píng)分。預(yù)處理的目標(biāo)是把原始的、充滿噪聲的腦電信號(hào)變成干凈、可用于特征提取的信號(hào)。這個(gè)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(shí)不太方便我們通常會(huì)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(huì)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(hào)預(yù)處理流程詳解腦電信號(hào)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(gè)參考點(diǎn)。DEAP數(shù)據(jù)已使用平均參考這一步通常可以跳過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(gè)通道的信號(hào)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(gè)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(shí)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(guó)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(shí)我們需要進(jìn)行更短時(shí)間窗的分析如分析事件相關(guān)電位ERP但在這個(gè)項(xiàng)目中我們直接使用整個(gè)63秒的片段作為一個(gè)樣本?;€校正通常指減去一段“靜息”或“刺激前”時(shí)期的平均幅值以消除個(gè)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(gè)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(gè)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(gè)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(gè)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(gè)被試一個(gè)試驗(yàn)的一個(gè)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(duì)多通道數(shù)據(jù)需要循環(huán)處理每個(gè)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(duì)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(duì)于后續(xù)的時(shí)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(píng)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(shí)別中常見的問題。DEAP數(shù)據(jù)集的四個(gè)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(shí)需要考慮采用加權(quán)SVM、過采樣如SMOTE或欠采樣等策略。3. 時(shí)頻域特征提取從信號(hào)到信息特征提取是情感識(shí)別的核心。腦電信號(hào)在時(shí)域上看就是一條隨時(shí)間變化的電壓曲線信息隱藏很深。時(shí)頻分析能告訴我們信號(hào)的能量在不同頻率成分上是如何隨時(shí)間變化的這比單純的時(shí)域或頻域特征更能捕捉情感的動(dòng)態(tài)特性。3.1 為何選擇時(shí)頻域特征情感變化不是瞬間切換的而是一個(gè)動(dòng)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(huì)降低去同步化而Beta波13-30Hz的能量可能會(huì)增加。單純的頻域特征如整個(gè)片段的功率譜會(huì)丟失時(shí)間信息而單純的時(shí)域特征如均值、方差對(duì)頻率不敏感。時(shí)頻分析如小波變換、短時(shí)傅里葉變換提供了“時(shí)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(dòng)態(tài)特征這對(duì)情感識(shí)別至關(guān)重要。3.2 基于短時(shí)傅里葉變換STFT的特征提取實(shí)踐STFT是理解時(shí)頻分析最直觀的工具。它的思想很簡(jiǎn)單把長(zhǎng)信號(hào)分成許多短的、重疊的片段對(duì)每個(gè)片段做傅里葉變換從而得到每個(gè)時(shí)間點(diǎn)附近的頻率成分。% 假設(shè) filtered_eeg 是一個(gè)預(yù)處理后的單通道腦電信號(hào) (1 x N) signal filtered_eeg; N length(signal); Fs 128; % 設(shè)置STFT參數(shù) window_length 256; % 窗長(zhǎng)對(duì)應(yīng)2秒 (256/1282)。窗越長(zhǎng)頻率分辨率越高時(shí)間分辨率越低。 noverlap 128; % 重疊點(diǎn)數(shù)通常為窗長(zhǎng)的一半。重疊越多時(shí)頻圖越平滑。 nfft 512; % FFT點(diǎn)數(shù)通常大于等于窗長(zhǎng)。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(shí)間窗數(shù) % F是頻率向量 % T是時(shí)間向量每個(gè)窗的中心時(shí)間 % 計(jì)算功率譜密度 (PSD) P abs(S).^2; % 現(xiàn)在P就是一個(gè)時(shí)頻能量矩陣。我們可以從中提取各種特征。從時(shí)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(duì)P矩陣中對(duì)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(shí)間窗上的總功率然后對(duì)所有時(shí)間窗取平均 % 也可以考慮取對(duì)數(shù)(log)使分布更接近正態(tài) band_power_total sum(P(freq_indices, :), 1); % 對(duì)頻率維求和得到每個(gè)時(shí)間窗的該頻帶功率 band_power_mean mean(band_power_total); % 對(duì)所有時(shí)間窗求平均得到一個(gè)標(biāo)量特征 % band_power_log log(band_power_mean eps); % 取對(duì)數(shù)加eps防止為0 band_powers [band_powers, band_power_mean]; end % 現(xiàn)在 band_powers 是一個(gè)1x5的向量包含5個(gè)頻帶的平均功率時(shí)頻統(tǒng)計(jì)特征我們可以把時(shí)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(gè)時(shí)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(duì)每個(gè)時(shí)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(gè)時(shí)間窗的譜熵 spectral_entropy_per_window -sum(P_norm .* log2(P_norm eps), 1); % 取所有時(shí)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(duì)于一段服從高斯分布N(μ, σ^2)的信號(hào)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(gè)頻帶內(nèi)的信號(hào)近似服從高斯分布因此可以用該頻帶功率的對(duì)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(gè)時(shí)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(gè)頻帶的功率時(shí)間序列 % 這里需要重新計(jì)算每個(gè)頻帶每個(gè)時(shí)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(shí)間窗數(shù) % 計(jì)算該頻帶功率的微分熵近似為對(duì)數(shù)功率 % 可以對(duì)每個(gè)時(shí)間窗取對(duì)數(shù)后平均也可以先平均再取對(duì)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(duì)一個(gè)通道進(jìn)行了特征提取。DEAP有32個(gè)通道或64個(gè)我們需要對(duì)所有通道重復(fù)上述過程然后將所有特征拼接成一個(gè)長(zhǎng)向量代表一個(gè)試驗(yàn)樣本。% 假設(shè)我們有一個(gè)函數(shù) extract_features_from_channel(eeg_signal, Fs) % 它輸入一個(gè)通道的信號(hào)輸出一個(gè)特征向量 (例如 5個(gè)頻帶功率 1個(gè)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(gè) 1 x (6 * 32) 1 x 192 維的特征向量。這就是一個(gè)樣本的特征向量。對(duì)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(cè)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(huì)爆炸式增長(zhǎng)通道數(shù) x 每通道特征數(shù)。32個(gè)通道每個(gè)通道提取6個(gè)特征就是192維。如果使用更復(fù)雜的時(shí)頻特征如Hjorth參數(shù)、分形維數(shù)等維度會(huì)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(shí)別的基線分類器。4.1 SVM原理簡(jiǎn)述與核函數(shù)選擇SVM的核心思想是尋找一個(gè)最優(yōu)超平面使得兩類樣本到這個(gè)超平面的“間隔”最大化。對(duì)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(cuò)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(gè)超參數(shù)懲罰系數(shù)C和核系數(shù)γ。γ定義了單個(gè)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(duì)于腦電情感識(shí)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?jiǎn)單、更快、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(duì)于多分類問題MATLAB默認(rèn)使用“一對(duì)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(duì)特征的尺度敏感特別是使用RBF核時(shí)。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(cè)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(gè)簡(jiǎn)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(dòng)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(cè)試集上預(yù)測(cè) [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(cuò)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(gè)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(cè)試集上評(píng)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(cè)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(cè)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(cè)試集絕對(duì)不能用整個(gè)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(cè)試集信息就“泄露”到訓(xùn)練過程了會(huì)嚴(yán)重高估模型性能。類別不平衡如果四個(gè)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(dòng)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(gè)過程會(huì)非常耗時(shí)??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(duì)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(duì)核參數(shù)的定義。5. 模型評(píng)估、結(jié)果分析與可視化得到一個(gè)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(píng)估指標(biāo)對(duì)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(gè)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(huì)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(cè)“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(duì)每個(gè)類別的識(shí)別能力宏平均F1對(duì)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(duì)于線性SVM可以通過檢查權(quán)重向量w的絕對(duì)值大小來估計(jì)特征的重要性。權(quán)重絕對(duì)值越大說明該特征對(duì)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(duì)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(gè)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(gè)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(cè)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(duì)比為了評(píng)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(cè)基線四分類問題的隨機(jī)猜測(cè)準(zhǔn)確率是25%。多數(shù)類基線預(yù)測(cè)為訓(xùn)練集中樣本數(shù)最多的類別計(jì)算其在測(cè)試集上的準(zhǔn)確率。簡(jiǎn)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(jí)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(gè)流程從數(shù)據(jù)預(yù)處理、特征提取到模型訓(xùn)練評(píng)估一個(gè)完整的基于SVM的腦電情感識(shí)別項(xiàng)目就完成了?;仡櫿麄€(gè)過程有幾個(gè)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(hào)的特性選擇合適的濾波參數(shù)。特征工程是核心時(shí)頻域特征特別是頻帶功率、微分熵對(duì)情感識(shí)別非常有效。嘗試組合不同類型的特征時(shí)域、頻域、非線性特征有時(shí)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(duì)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(píng)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(shí)。本項(xiàng)目的局限性特征手工設(shè)計(jì)我們提取的時(shí)頻特征是手工設(shè)計(jì)的依賴于領(lǐng)域知識(shí)。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(duì)情感識(shí)別貢獻(xiàn)很小甚至引入噪聲。通道選擇是一個(gè)重要的優(yōu)化方向。個(gè)體差異腦電信號(hào)存在巨大的個(gè)體差異。在一個(gè)被試上訓(xùn)練好的模型在另一個(gè)被試上可能效果很差。這就是“被試獨(dú)立”評(píng)估的挑戰(zhàn)。SVM的局限性SVM雖然強(qiáng)大但對(duì)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(hào)或時(shí)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(hào)GSR, RESP, EMG等。融合多模態(tài)信息可以顯著提升情感識(shí)別的魯棒性和準(zhǔn)確性。時(shí)序建模情感是動(dòng)態(tài)變化的使用循環(huán)神經(jīng)網(wǎng)絡(luò)或Transformer對(duì)腦電信號(hào)的時(shí)間序列進(jìn)行建模可以捕捉其動(dòng)態(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(cè)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(gè)項(xiàng)目提供了一個(gè)堅(jiān)實(shí)的起點(diǎn)。你可以基于這個(gè)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(shí)別這個(gè)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
夜夜操一区二区| 国产女大学生AV| 香港久久久| 亚洲国产一区二区入口| 性色avv| 死我十八禁| 在线观看不卡一区二区三区| 999久久久久久久精| 亚洲少妇视频| 97在线精品| 少妇精品久久久八区九区| 人人操人人爽人人操人人| 亚洲熟女中文字幕在线| 欧美线天码中字| 久久夜黄色无码A级大片| 亚洲青色欧美| 欧美日韩国产三级黄色| 91激情国产| 国产无马视频| 五月天AV资源| 国产在线视视频有精品| 九九九九免费视频| 国产高清成人mv在线观看| 嗯嗯啊操我| 97欧美综合网| 婷婷性爱| 大香蕉一区二区在线观看.| 国产欧美一区二区| 看免费的黄片| 99蜜桃臀亚洲成人在线观看| 精品三级在线专区| 欧美熟妇亚洲版| 青娱乐国产精品| 国产精品在线一区二区| 亚洲va有码在线天堂| 久草精品一区| 久操精品网| 91丰满| 超踫中文字幕| 综合亚洲欧美精品日韩?v| 按摩中文字幕| 中文字幕五月婷婷免费| 亚洲熟女乱色一区二区三区久久久| 亚洲最大成人a毛毛片| 亚洲人91| 婷婷97| 四虎精品一区二区| 99热精品在线观看| 91东京热男人的天堂| 精品人妻一区春色| 九九人人操| 99热在线观看| 人妻人妻天天碰| 欧美中出1| 亚洲日韩美女丝袜美腿人妻视频| 国产av高清版| 久草免费在线一区二区| 国产精品天堂| 男人的天堂日本东京热| 手机看片1025| 日韩欧无码一区二区三区免费不卡 | 亚洲欧洲视频小说在线观看| 国产精品区在线12p| 日韩成人人妻网站| 九九九综合精品| 国产强奸乱伦xd| 人妻少妇久久中文| 久久久久久大| 色婷婷丁香五月| 日韩国产精品人妻无码久久久| 超碰天天操你比| 大香蕉九九| 四虎国产精品永久在线囯在线 | 一区二区偷拍拍视频| 欧美呦呦性爱| 黄色AV免费| 亚洲日韩欧美一区二区| 啊啊啊好湿国产一二| 蜜乳av一区二区| 麻豆一区二区AV天美| 91艹逼精品| 国内毛片无码一级毛片| 亚洲无无码αⅴ每日更新| 黄色成年| 亚洲熟女偷拍在线观看| 欧洲精品网| 97青青操视频| 婷婷五月天小说| 伦伦成年午夜免费视频| 日韩99999| 亚洲熟女乱综合一区二区三区 | 无码人妻精品一区二区中文| 加勒比无码毛片| 欧美成熟性爱精品| 一本大道不卡一二三区| 国产精品熟女丝袜一区二区| 免費人妻夜夜爽天天爽爽一区| 天天影视之亚洲综合网| av在线免费一区二区| www超碰| 国产不卡精品91| 亚洲诱惑天堂 | 午夜精品久久久久| 国产白丝网站| 秋霞影音一区二区三区| 少妇69中文| 日本布卡一区二三区| 少妇一级婬片免费放一级a性色.| 日han少妇无码| 国产精品女aA片爽爽视频| 人妻熟女av国产网站| 97综合在线观看| 少妇的嫩逼图片| 免费亚洲黄色视频在线观看| 久久久久一本一区二区青青蜜月| 亚洲在线91| 激情久久av一区av二区av| 一区二区首页| 一个人免费视频观看在线WWW| 亚洲第一在线视频| 中文字幕神马久久| 国产精品国产拍高清AV| 亚洲九九爱| 成人麻豆av电影网站| 四虎精品永久在线观看| 波多野结衣被操50分钟免费视频| 欧美激情超碰777| 啊啊啊啊啊啊在线观看| 女同在线视频一区| 日韩人妻制服丝袜av| 75大香蕉| 尤物黄色在线观看网站| 97爱爱影院| 天天干夜夜鈤| 欧美熟女妇同| 欧美黑人精品在线播放| k频道色撸撸| 国产第25页在线观看| 欧美大片天天看| 国产99精品一区二区三区免费| 欧美日韩国产男人| 中文一区在线视频| 色天天野狼综合社区| 国产女性无套 免费观看| 亚洲的天堂网| 欧洲熟妇xxXx欧美老妇裸体| 亚洲人妻五月丁香婷婷| 9999亚洲精品| 五月天开心网| 久久国产AⅤ| 伊人青青一区成人视频在线观看区| 大香蕉日韩| 久99| 影音先锋每日最新资源在线观看| 91美女国产在线| 日本日逼视频网| 亚州欧美在线| 久久欧洲| 国产粉嫩出水在线播放| 96精品久久| 男人的天堂激情| 老子午夜伦不卡影院| 亚洲精品一区二区免费在线观看| 五月天黄色激情视频| 四虎精品永久在线观看| 亚洲免费精品一区| 亚欧性爱在线无码| 亚洲黄片免费在线播放| 日韩图色| 视频黄站| 亚洲,欧美,春色,另类| 国产精品女生av| 欧美啪啪天堂| 日日天天久久啊啊aaa| 国产欧美成人第一页在线观看| 综合大香蕉美。| 可以看的av| 成人免费看吃奶视频网站| 国产日韩怡红院| 久久国99999| 久久久久久AV无码免费网站| 免费在线观看国内色片网站网址| 欧美大波激情xxxx| 久久精品无码一区二区三区| 欧美日韩青操| 亚洲综合射| 国产人妻精品久久久一区二区三区 | 天堂69亚洲精品中文字| 国产AV中文| 日日日色色色色色| 久久超碰97中文字幕| 91GD.COM| 日本无码1| 96久久久久| 人妻天天爽| 欧美少妇一区二区三区| 九九无码久久精品视频| 99碰碰| 日本www操操操| PMv在线观看| 97神马久久| 一区二区三区无卡视频在线观看| 殴美综合色88| 天天摸夜夜摸| 欧美老妇综合网| 天天综合日韩网| 日本日皮视频逼| 97在线视频观看网站| 97干色| 亚洲资源站| 国产夫妻性生活视频| #NAME?| 岛国小电影| 五月婷婷综合激情| 亚洲激情在线| 蜜臀久久99精品久久久老,,| 中文字幕一区 二区三四五 区日 日骚| 中文字幕jul-617人妻熟女| 精品亚洲黄色片 国产精品导航一区二区| 日本一区不卡| 伊人丁香五月婷婷| 欧美一区二区日韩三区| 亚洲精品白浆高清久久久久久 | 国产精品一区二区校花| 福利社区午夜一区二区| 成人av影院在线观看| 国产美女口爆吞精视频| 少妇一级无码精品| 欧美成人一级免费电影| 国产高清在线观看欧美| 精品视频久久久久九九九九9999| 亚洲综合97中文网| 91 手机在线播放 绯色| 国产农村妇女精品一| 久久嫩草国产成人一区| 综合97亚洲| 天天日美女的B| 国产成人精品一区| 中文字幕视频二区| 91啦人妻| 一道α片欧美| 成人免费在线网站| 91深夜夜| 97碰在线视频| 97视频在| 997色在线| 人妻天堂三区| 黄片免费视频2019| 久久伊人大香蕉| 亚洲综合春色| 日韩美女高潮喷水视频| 中文字幕在线免费观看 | 欧美日韩传媒| 一区不卡在线观看av| 欧美强奸一区二区诱惑| 久操 高清| 久久精品国产97欧美精品亚洲| 日韩三级av片| 欧美亚洲情色| 国产超碰人人操| 欧美少妇大量自拍视频在线观看| 黄色十八禁| 亚洲日韩精品一区二区| 国产毛片在线| 看看小穴| 蜜臀久久99精品久久久久久成人小说| 成人一道本免费视频| 人妻99p| 看看小穴| 国产精品69久久久久孕妇欧美| 加勒比伊人| 亚洲天堂人妻熟妇视频| 欧美|91色综合| 好爽要喷了| 大香蕉中文201| 久久久久久亚洲Av无码精| 综合自拍| 久热99999| 国产精品国产精品国产| 久久鲁干| 日韩 女同 综合| 78久久| 亚洲免费人妻在| 97干天天| 91看黄片| 精品久久久久瑟瑟| 99亚洲国产精品色一区二区三区| 欧美色图天堂在线| 丝袜美腿操av| 丰满人妻一区二区三区大胸懂色| 九九九久久久久| 国产精品诱惑| 久久午夜伦| 欧美综色欧| 狠狠中文字幕| 97超碰在线资源网站| 久久伊人最新网址视频| 亚射在线| 免费观看网黄| 91九九九小逼| 免费观看性欧美一级| 日韩熟女精品无码专区一区二区| 日韩无码人妻| 亚洲影院小综合| 国产传媒av天美传媒在线| 乱伦3P视频| 97精品97久久| 18禁超污无遮挡无码免费网| 九九人妻| 熟妇熟女视频一区二区三区| 97干在线| 第45页一区二区| 亚洲AV成人无码一二三久久| 操死我了嗯嗯嗯| 先锋激情∨在线视频播放| 激情五月天综合网| 男啪女色黄无遮挡免费观看| 干b在线性社区| 综合影院永久入口国产| 丰满欧美放荡少妇在线| 久久久中文| 伊人九九九| 97亚洲一区| 日韩欧美大片免费高清啪啪| 男人的天堂久久狠| 久草福利在线资源站| 老司机午夜精品福利视频一区二区| 日韩免费a级毛片无码a∨| 久久久久久久久久久久久久久性生活视频 | www.色婷婷色综合| 日韩少妇无码| 日本东京热大香蕉a片| 国产一区二区a毛片| 吊色| 日本三级韩三级99久久| 天天日天天操天天射河南省| 北京美女一区二区| 成年女人18级毛片毛片免费观看| 亚洲s色图| 精品国产人成在线| 欧美一级二级三级| 日本精品性生活久久久| 狼狼色丁香久久婷婷综合五月| 搡老熟女国产1000部| 操碰97| 日本伦乱九九九综合| 日韩少妇无吗| 又黄又爽在线观看视频| 99国产精品视频尤物| 久草在| 99热这里只有精品8| A级片日韩欧美国产欧美视频精选观看 | 97久精品| 精品亚洲黄色片 国产精品导航一区二区 | 97热视频在线观看| 欧美日韩人人精品| 全球成人中文在线| 色欲天天婬色婬香WWW夜色| 久久精品国产精品| 精品无码久久久| 岛国在线国产| 屁股久久久久久| 宗合情欲网| 亚欧国产无码精品在线| 夜夜影视四色| 国产13区| 亚洲操逼网| 欧美日韩色综合网| 亚洲福利影院一区久久| 久久久久久人| 少妇人妻激情四射| www.高清无码诱惑一区.com | 久久久久幕乱码| 欧美九九99久久精品| 日韩精品一区二区三区色欲| 可以免费观看的日韩av毛片| 亚洲午夜未满十八勿入网站日本又色又爽又黄 | 狠狠操,使劲操| 久久亚洲一区女同性恋中文字幕| 91精品少妇搡搡搡| 免费成人在线熟妇网| 男人天堂站| 亚洲熟妇自偷自拍另欧美| 色超碰综合| 吉川爱美98堂在线| 色播五月婷婷| 亚洲无码一区二区三区三州| 亚洲成a人片在线观看中文!!!| 牛牛AV人人夜夜澡人人爽| 日本大香蕉综合网| 久久二| 成人青青草原伊人| 精品人妻丰满熟妇一区二区三| 激情小说亚洲图片| 四虎影视 亚洲无码| 91影视亚洲| 国产精品久久久久久久久久久久久久久| 国产无遮挡| 97香蕉碰碰人妻国产欧美| 极品尤物自安慰| 国产精品999zyz| 天天日天天干天天整| 久久国产免费激情视频| 人妻 中文 日韩| 精品一区二区成人| 大屁股xxxxx| 中国国产精品一区视频| 亚洲天堂7777| 国产高潮AA片免费看| 国产成人自拍视频在线| 久久久久久久久久8888| 嗯啊不要啊在线 | www.av不卡中文字幕| 亚洲在钱| 精品日韩产品在线,日韩在线不卡视频,欧美日韩免费专区/久, | #NAME?| 久污| 天堂成人网| 五月天精品| 国产精品96久久久久久| 人人操,人人插| 日韩黄片视频试看| 在线性黄高清免费视频| 欧美亚洲综合色| 色情成人五月天| 久久久9品一区二区三区| 日本精品国产视频| 91热热色| 免费av在线播放二区| 国产 日韩 欧美 中文 另类,国产 欧美 另类 制服 变态,高清 日韩 欧美 中文,高 | 日韩日本欧美在线观看| av强奸乱轮| 色欲日韩欧美在线一区| 亚州操操穴网| 欧美精品偷拍| 亚洲双插| AV不卡在线| 色综合天天| 中文字幕91综合| 亚洲和欧美裸体美女双飞视频| 亚洲综人| 精品国产av一区二区三区四区入口| 欧美探花网| 日本人人操人人操| 欧洲乱码一区二区| 啊啊啊水好多| 久久精品国产欧美日韩亚洲欧美日韩中文久久国产一区 | 欧洲精品二区| 啪啪啪东京| 色99视频| 无码视频一区二区| 97啪啪| 国产AV超爽| 东京热av男人的天堂| 鸥美中出| 亚洲国产精品成人无码久久久 | 久久亚码| 91看黄片| 91ise欧美| 亚洲AV不卡在线观看| 奇米四色网| 91N欧美| 国产AV天美传媒一区二区三区 | 久久午夜伦| 国产精品久久久九九九| 中文字幕国产在线天堂| 欧美另类色图片| 超碰在线综合97| 伊人黄色片| 殴美牲| 老熟女综合网| 啊v视频在线观看| 囯产精品强| 精品人妻1区| 久久国产视频专区一二三| 久久99九九九九6666免费观看软件| 国产精品久久泡妞网站| 伊人99热| 午夜在线播放| 日韩三级久久久| 久久99国产精品| 成人片在线播放| 91网站视频在线观看| 免费看黄片现成| 成人AV素股で擦久久| 亚洲97超碰| 97爱爱爱综合| 欧美色人| 亚洲自拍一区夜夜操| 无码操逼视频一下| 美女AV一区二区| 久久五月天婷婷丁香中文字幕| 亚洲精品骚逼| 中文字幕91页| 色香网| 99熟女| 欧美不在线| 久久久啊啊| 伊人久久综合影院精品久久久| 夜夜操av亚洲一区二区| 呦呦一区| 91黑丝美女| 日本性爱网址| 熟人人妻少妇精品久久| 日本天天人人狠狠在线日美女 | 亚洲色五月| 婷婷涩嫩草鲁丝久久午夜精品| 有码免费观看| 综合自拍| 尤物视频视频官网| 欧美三级不卡| 国产综合在线视频网站| 成人资源中文字幕在线观看| 加勒比大香蕉视频在线| 亚洲国产丝袜熟女av| 在线 亚洲 网爆 自拍| 欧美日产国产在线成人第一区| 国产日产欧产美韩系列麻豆免费| 日韩性爱再线视频| 欧美洲精品一级| 99性爱| 美女诱惑久久| 超碰午夜| 欧美十八禁在线看| 国产精品不卡一区二区三区av| 精品国产久久乱码| 野狼激情网| 啪啪AV导航| 蜜区区视频79| 偷拍2020| 中文字日本乱码| 久久xxxx| 美中日韩无码| 日本精品中文字幕视频| 国产成人五月天丁香花| 91久久18禁| 91处女视频在线观看| 亚洲激情在线一区二区| 蜜乳AV.COM| 91精片| 欧美成人精品欧美一级乱黄一区二…| 亚洲日韩久久精品一区| 怡红院怡春院| 中出91| 五月婷婷丁香| 美女写真| 亚洲无线码欧洲精品区别| 色欲久久99国产精品久久久久久| 蜜臀久久99精品久久久久电影| 伊人国产视频| 英伦大奶子熟妇吊带| 丁香婷婷久久 | 午夜后入| 免费网站观看www在线观| 97超碰69| 天天综合网国产| 天天射影院| 免费人成?大片在线播放| 日日噜噜夜夜狠狠视频无| 黑人娇小av在线播放 | 99热伊人| 日本三级大片| 成人av动漫在线观看| 精品亚洲国产成人AV制服丝袜| 天天操夜夜嗨| 超97在线精品视频| 国产自产一区视频在线| 国产精品自在线发布| 欧美一区二区三区入口| 亚洲伊人a线观看视频| 家庭乱伦国产精品| 香蕉久久AⅤ...| 天天懆天天日| 日本东京热加勒比久久| 国产三级日产三级韩国三级| 国产精品久久久久久久久AV大片| 亚洲成人一区二区精品| 国产成人精品日本视频| 中文字幕一区二区三区视频播放| 日本高清有码网址视频| 啪啪综合网| 91人妻爽爽人人做人人澡| www99热| 伊人久久88国产女| 久草婷婷| 亚洲AV不卡在线观看| 热热色青青草| 亚洲情欲| 乱论91| 综合久久欧美| 亚洲素人综合| 欧美日韩欧美| 无码高清少妇久久| 国产美女mm131爽爽爽爽| 日韩av不卡在线观看| 亚洲AV永久无码一区仙野| 大奶啊啊好爽 | 亚洲丝袜二区在线| 白丝AV| 亚洲天堂一区二区久久| 午夜国产成人福利视频 | 久久亚洲一区女同性恋中文字幕| 精品熟女呻吟久久91| 日本一级特级毛片视频| 操操操日本的逼| 夜色五月天| 伊人991| 青青久草| 变态乱伦伪娘灌肠一区二区| 熟妇在线视频一区二区| 在线观看视频91| 九九操久久国产免费视频| 国产又黄又粗又猛大片| 99操碰| 一区| 老妇女91| 强奸乱伦大香蕉网| 日韩专区数据列表-第3230页-精品国产一区二区三区香蕉 久久99熟女人妻中文字 | 丁香五月成人| 国产精品电影推荐| 人妻一区二区三区四区视频| 一起草精品人妻| 暖暖精品二区三区观看| 亚洲精品乱码久久久久久蜜桃麻豆| 亚洲黄色视频在线观看视频| 激情婷婷| 在线五区| 中文字幕日产av人| 抽插一区二区视频| 日韩激情啪啪啪| 九九精品美女高溯喷水| 亚洲欧美综合图片| 无码国产精品久久久久| 青青草乱入乱欲视频在线观看| 伊人91| 九九综合| 人妻蜜桃臀| 淫荡少妇免费| 国产又大又粗又色生活片亚洲国产精品成人久久久综合免费 | 神马久久啊啊| 欧美综合网| 美日韩成人| 欧美A√综合网| 超碰在线人人射| www.久久| 91女色| 熟女突然公开看18禁影片 | 日韩一性一交一A片俄罗斯| 中文一区二区婷婷视频| 蜜臀久久99精品久久久久久-DVD| 乱精品一区字幕二区| avav青青草久久夜| 一区二区三区视频在线观看免费| 丝袜高跟澳门91视频| 欧美人妻精品一区二区| 吉川爱美亚洲二区在线| 亚洲欧洲综合成人av一区| 宅男午夜在线视频| se吧提供国产乱老熟视频胖女人| 嫩草 人人网精品| 另类亚洲一区二区三区| 色九九九综合| 人妻出轨一区二区三区| 久久精品—区二区三区内射| 亚洲 图片 综合91| 亚洲欧美999| 91撸色网 玖玖网 欧美| 视频不卡中文字幕| 欧美亚洲丝袜美女电影| 精品午夜福利国产一区二区在线观看| 91天射| 性爱精品一区| 天天爱天天操| 97香蕉人人乳| 青青操狠狠撩| 美女诱惑久久| 久久久久密臀一区二区| 日日操丁香五月天| 日本布卡一区二三区| 超碰97欧美在线 | 丁香婷婷激情五月天无毒不卡 | 久久精品久久久久久久久| 欧美视频激情久久久久久| japan日本高清乱xxxx| 中文字幕色AV| 精品久久久久9999| 熟女色综合久久| 超碰美国| 好爽免费视频,| 9色在线| 免费观看性欧美一级| 暴力av在线| 国产怡红院| 国人欧美精品一区二区| 少妇一区二区三区| 人妻无码一区二区三区久久99| 久久麻豆一区二区| 精品人体无圣光凹凸| 久久东京热久久| 另类图片亚洲加勒比另类图片亚洲加勒比另类图片亚洲加勒比 | 人人操人人色网| 国产乱码精品久久久久久| 婷婷色播婷婷| 性爱视频免费网址| 亚欧洲日韩国产精品| 久久久性爱视频| 日韩无码服务区| 欧美图片色综合| 熟女探花啪啪| 超碰97综合在线| 国产欧美成人精品| 欧美另类色图片| 欧美激情中文字幕另类小说| 欧美高清无码免费视频高清版| 精品一区二区三区蜜桃臀www| 久久国产精品91| 黑人操一区二区| 日本成人免费一区二区三区| 大香蕉中文在线| 熟女一区二区三区四区| 97视频在| 男人下部插入女人下部 | 欧美综合中文| 操死我了嗯嗯嗯| 99国产在线绯色一区| 日本福利二区视频| 熟女六十路| 视频在线观看免费一区二区三区| 97视频在线播放| 东京热综合久久一区二区| 中文字幕人乱码中文字的预防方法 | 91N欧美| 三级三久久线久久99久目本WW| 少妇高潮特黄A片| 欧美日韩午夜精品一区二区三区| 日韩啪啪视频| 亚洲欧洲综合| 久久久精品,3| 蜜臀Av一区二区三区| 欧美第五页| 欧美一品道| 人妻少妇久久中文| 久操影视| 熟女熟妇一区二区三区视频| 久久九九热| 嗯~啊~快点 死我视频免费看网站| 最新av在线| 久久久久国产| 欧美亚洲宗合色性图| 免费视频在线一区二区不卡| 超碰78| av中亚| 国产在线综合网| 大象AV在线| 亚洲中文字幕在线视频一区二区| 中文AV制服乱伦| 日韩精品在线放| 日逼视频日本| 久久久久久久久久va| 不卡中文字幕aⅴ在线| 五十路六十路素人熟女| 岛国网址国产 | 亚洲在钱| 加勒比色99999| 久久久无码视频| 黄色免费一级在线毛片| 97超碰人人操人人操| 免费久久一级毛片大黄| 国产成人午夜视频网址| 久久久免费一级黄片| 六月丁香久久| 久久黄黄| 欧美 亚洲 另类 综合| chaopen97久久| 人妻精品一区二区| 久久久国产av美女私房| 五月丁香拍拍激情综合三级| 啪啪啪大香蕉| 九九久久99| 天天干夜夜肏| 综合久久少妇中文字幕| 97精品熟女少妇一区| 欧美一区二区亚洲天堂| 粉嫩国产精品久久久| 97超碰中文字幕| 啪啪啪综合| 欧美激情另类一区二区| 日本在线激情一区二区三区| 国产白领连续中出在线观看| 台湾佬中文娱乐网久久久久久久久久com| 欧美女同在线| 91人精品妻入口| 人人色人人操在线| 婷婷伊人一区| av日韩中文字幕| 欧美综合狠| 1000部熟女视频在线观看| 国产吞精a级片激情电影| 私色综合网| 色哟哟精品1精品2| 日韩在线欧美精品一区二区| 青娱乐日韩无码| 91处女视频在线观看| 蜜臀99精品国产高清在线观看| 日韩中文字幕视频| 97天天摸天天碰| 日韩BBN| 色网在线视频观看免费| 青青青国产| 成人草草视频| 欧美亚洲另类在线蜜桃| 亚洲情色一区三区| 啊啊啊啊好多水| 免费综合亚洲中文| 白丝在线一区| 欧美gv在线观看| 久久婷婷一区二| 亚洲黄色网址视频| 岛国小电影| 青青草国产欧美非洲黑人| 免费视频a级毛片免费视频| 黑丝日韩av丝袜av| 国产亚洲福利第一页丝袜| 26uuu国产| 超碰这里有精品| 2019久久久久久久久福利| 五月天激情婷婷| 97人人夜| 久久亚洲婷婷| av橘色网站| 一区二区三区欧美激情| 福利五区| 新婚人妻扶着粗大强行坐下| 很很很很操| 中文字幕中文字幕一区二区| 熟妇艹鸡八| 日韩欧美午夜一区二区| 日韩色女精品| 91丝袜美腿网站| 搡老熟女免费视频| 亚洲情色一区综合| 欧美色网| 曰本精品久久久| 欧美日韩*字幕一区| 久久精彩视频9| 思思久热在线精品66| 国产夜夜艹| 天天噜| 天天操av懂色| 偷拍 欧美 日韩| 欧美永久激情一区二区| 国产一区二区三区免费视频在性观看 | 色色色综合网| 男人天堂东京热| 久久国色天香香蕉| 97色碰| 久久久久久久久久黄色网| site:sinbotex.com| 射丝袜高跟鞋99| 欧美黄色片在线播放| 9久精品视频在线观看| 国产一区在线免费播放| 青娱乐黄色录像| 精品一区二区三区蜜桃臀赵总 | 亚洲在线综合| 日本99视频| 精品人妻免费观看| 99久在线精品99re8a| 韩国一级AAA| 啊啊啊啊嗯嗯在线久久久| 97干日韩| 超碰无码加勒比| 欧美亚洲系列| 久草资源欧美在线视频| 99国产精品视频尤物| 亚洲深夜福利| 色爱欲亚洲| 久久无码电影| 天天干人人看综合| 欧洲亚洲综合| 亚洲情色第一页| 伊人青青一区成人视频在线观看区| 日本1区2区不卡视频| 青久久| 国产夜夜艹| 亚洲超碰AV| 亚洲久久久久| 99福利社| 91jk色拍| 大香蕉人妻| 8x福利精品第一福利视频导航| 情色大香蕉| 美国久久一二三四| 亚洲高清无码免费观看视频| 九九视频黄色片| 一本色道久久综合狠狠操| ss久久| 香蕉久久国产AV一区二区| 黄色大片免费在线| 噜噜噜噜天天狠狠| 亚洲 欧美 另类 日韩 人妻一区| 综合熟女| 欧美经典一区二区三区| 日本操逼视频在线| 麻豆色99999| 欧美性猛交美女自慰91| 欧亚在线视频| 啪啪视频亚洲第一| 搡老女人老91妇女老熟女| 国产av色网| 亚洲综合性网址| 中文字幕版| 丁香五月婷婷五月| 蜜臀操逼黄色视频操的好爽| 国产美女销魂在线观看不卡| 三久久久四久久久久| 97爱爱官网| 久久99深爱久久99精品| 蜜桃不卡一区二区| 天天干天天操天天拍| 国产亚洲在线| 欧亚性爱啪啪| 日本高清_区二区三区| 一区二区三区亚洲| 超碰天天去日穴| 亚洲综合另类色图| 国产AV人人夜夜澡人人爽麻豆| 精品一区二区三区四区女| 欧美成人9797| 国产剧情一区在线观看| 婷婷激情五月| 柠檬AV导航| 亚洲成人综合在线| 亚洲经典啪啪| 超碰成人国产| 亚洲AV永久无码一区仙野| 激情视屏国产乱伦强奸| 丁香久久| 欧美男人一区| 狠狠狠一区二区三区| 久久免费老司机精品| 人妻啊啊人妻啊啊| 久久精品亚洲婷婷| 国产精品视频电影| 亚洲色欲一区二区三区| 99啪啪| 国产第二页| 高清不卡一二三区视频......| 九九久久一区二区三区| 熟女中出视频| 97超碰资源网| 蜜桃色院一区久久| 激情小说亚洲视频| 日本不卡中文| 精品97久久| 中文字幕一区二区视频在线观看| 人妻少妇久久中文字幕一区二区 麻豆 | 91国产丝袜足交精品视频| 美女露胸露奶头| 九九热免费在线国产视频伊人五月| 绯色AV粉色AV蜜臀AV| 日韩中文字幕宗合在线| 日韩 欧美 国产 麻豆| 自拍第一页| 少妇精品久久| 看免费一级在线播放毛片| 中国国产精品一区视频| 欧美综合区| 国内精品999| 亚洲欧洲精品成人| 欧美黑人168页欧美黑人167| 97狠狠| 日韩三级在线观看网站| 午夜爽爽爽在线观看永久入口姬片| 国产成人自拍视频在线| 丰满少妇一区二区三区专区| 超碰人妻中文在线| 四虎精品永久在线观看| 精品一级毛片在线观看| 亚洲 日本 国产 综合| 一级A啪啪啪啪| 午夜呻吟欧美| 中国熟女91| av黄图片在线观看| 探花熟女,姿勢到位,體驗感也到位| 色综合五月天| 国产青视频| 中国91AV| 97在线精品观看视频| 欧美性爱在线无码| 少妇69中文| 人妻久久| 国产91啪| 亚洲AV无码天美传媒一区| 欧美日韩亚洲天堂网| 成人久久精品| 婷婷爽人人婷婷爽视频| 亚洲97成人在线观看| 超碰成人国产| 白丝少妇一区二区| 亚洲91色| 中文字幕一区日韩精| 久操网在线| 亚州综合网| 日本精品一区二区中文字幕| 欧美色一二三| 美女十八禁| 精品久久久久久中文| 日韩AV色图| 999精品乱码| 久久精品国产亚洲AV无码做| 亚洲三级网址久久最新| 午夜精品久久99蜜桃的功能章节| 色噜噜人妻丝袜a∨先锋影| 很黄很污的免费网站| 夜夜躁狠狠躁日日躁av| 亚洲操逼网| 亚州大图综合色图| 狠狠躁AV| 91国模| 婷婷五月天福利| 午夜AV污污污| 超碰在线香蕉| 97亚洲欧美日韩| av网站国产主播在线| 婷婷五月天影院| 日韩成人人妻网站| 综合 欧美 亚洲 日本| 口爆综合网| 一区二区三区一亚洲中文字幕、综合区灬 | 天天肏美女| 四虎精品永久在线观看| 黑人无码一区二区| 久久噜| 乱欲一区二区| 91网站18在线| 国产一区自拍欧美日韩| 懂色AV中文| 中国AV美女| 67194无码不卡| 国产1024在线播放| 富二代亚洲精品99| 国产高清午夜成人在线观看| 在线观看一卡二卡| 亚洲天堂男人天堂网| 精品久久一区二区三区四区五区| 亚洲文学偷乱拍啪啪啪啪| 在线免费观看日韩一区| 香蕉色网| 中文字幕av乱伦| 人妻熟女一区二区三区视频| 一区在线国产播放| 在线洲亚线| 嗯啊不要啊在线 | 噜噜噜亚洲精| 丁香六月激情| 黄色大片视频在线免费看| 97精品一二区| 热无码中文亚洲H一道本一区二区| 久操九九九九九九九九九九九九九九九九九九九九九九九九九九九九 | 国产色精品午夜大片| 裸体美女久久久| 97人人操人人摸| 欧美同性恋 的搜索结果 - 91n| 性爱视频久久| 视频国产成人精品日本亚洲18| 伊人国产av| 操逼不卡中文字幕| 国产97av| 综精品久久久aaaa| 18禁在线视频| 亚洲在钱| 久久久久久中文字幕中文字幕最新| 无码高清少妇久久| 天美传媒av在线| 色五月大香蕉| 人人看人人插| 久久九九热| 综合熟女| 嗯啊视频免费在线观看| 亚洲天堂电影网99999| 色一射色一射| 18禁美女裸体无遮挡啪啪| 99久在线精品99re8蜜桃| 九九英色视频| 色小视频蜜乳| 国产午夜精品在线观看| 日本不卡一区二区三区| 色欲久久99精品久久| 日韩国产不卡在线视频| 色诱中文字幕| 激情一区二区| 色色福利| 天天肏美女| 激情色图| 国产精品天美传媒| 97在线观看| 久久草视频污视频| 激情无码日韩| 亚洲天堂7777| 人妻99p| 亚洲av乱伦色图网站| 青青操青娱乐| 亚州高清av| 婷婷8月天青娱乐| 九久精品| 亚洲五码一区二区三区| 理论久久婷婷网 8| 亚洲三级。日韩三级| 狠狠操狠狠燥| 国产亚洲精品久久久久小| 96久久精品一二三区色欲| 97碰碰日本乱偷人妻中文的| 精品人妻久久久久一区二区三区| 男人的天堂日韩| 一道α片欧美| 国产AV高清AV无码| 一卡二卡在线播放| 国产一区二区二区按摩精品啪视频| 北约熟女超碰| 热久久99999| 97干色| 亚洲综合另类欧美久久久| 日韩78m视频| 伊人热综合| 99自拍视频在线观看| 日韩色女精品| 日韩精品在线放| 人妻激情另类| 日逼97| www.久久| 亚洲熟女诱惑| 精品亚洲国产成人AV制服丝袜| 九九英色视频| 亚洲综合首页| 夜夜嗨老熟女AV一区二区三区| 玖玖资源中文字幕制服丝袜| 清柠毛片| 男人天堂一区二区| 亚洲AV无码乱码在线观看性色| 国产中文字幕曰本毛片| 欧美A片中文字幕| 色综合一本| 乱伦强奸区日韩| 欧美91在线| 精品一区二区2| 天堂亚洲精品久久老牛| 中文字幕人乱码中文字的预防方法| 日本不卡二三区| 成人熟女区| 刺激精品视频| 午夜毛片高清免费不卡| 欧美激情综合网| 欧美精品97| J?P?NESEHD熟女熟妇伦| 中文字幕一二三| 欧美18老人禁| 国产精品人人爽人人做可爱福利 | 国产精品极品美女视频| 欧美性爱1080p|