With the rapid development of deep learning, more and more deep learning-based motor imagery electroencephalograph (EEG) decoding methods have emerged in recent years. However, the existing deep learning-based methods usually only adopt the constraint of classification loss, which hardly obtains the features with high discrimination and limits the improvement of EEG decoding accuracy. In this paper, a discriminative feature learning strategy is proposed to improve the discrimination of features, which includes the central distance loss (CD-loss), the central vector shift strategy, and the central vector update process. First, the CD-loss is proposed to make the same class of samples converge to the corresponding central vector. Then, the central vector shift strategy extends the distance between different classes of samples in the feature space. Finally, the central vector update process is adopted to avoid the non-convergence of CD-loss and weaken the influence of the initial value of central vectors on the final results. In addition, overfitting is another severe challenge for deep learning-based EEG decoding methods. To deal with this problem, a data augmentation method based on circular translation strategy is proposed to expand the experimental datasets without introducing any extra noise or losing any information of the original data. To validate the effectiveness of the proposed method, we conduct some experiments on two public motor imagery EEG datasets (BCI competition IV 2a and 2b dataset), respectively. The comparison with current state-of-the-art methods indicates that our method achieves the highest average accuracy and good stability on the two experimental datasets.

中文翻译：

---

基于判别特征学习策略的运动图像脑电信号解码方法

随着深度学习的快速发展，近年来出现了越来越多的基于深度学习的运动图像脑电图（EEG）解码方法。然而，现有的基于深度学习的方法通常仅采用分类损失的约束，难以获得具有较高判别力的特征，并限制了脑电信号解码精度的提高。本文提出了一种判别性特征学习策略，以改善特征的识别，包括中心距离损失（CD-loss），中心向量移位策略和中心向量更新过程。首先，提出了CD损失，以使同一类样本收敛到相应的中心向量。然后，中心向量移位策略扩展了特征空间中不同类别的样本之间的距离。最后，采用中心向量更新过程来避免CD损失的不收敛，并减弱中心向量的初始值对最终结果的影响。此外，对于基于深度学习的EEG解码方法，过度拟合是另一个严峻的挑战。为了解决这个问题，提出了一种基于循环翻译策略的数据扩充方法，以扩展实验数据集，而又不会引入任何额外的噪声或丢失原始数据的任何信息。为了验证该方法的有效性，我们分别在两个公共运动图像EEG数据集（BCI竞赛IV 2a和2b数据集）上进行了一些实验。与当前最新方法的比较表明，我们的方法在两个实验数据集上均实现了最高的平均精度和良好的稳定性。采用中心向量更新过程，避免了CD丢失的不收敛现象，减弱了中心向量初始值对最终结果的影响。此外，对于基于深度学习的EEG解码方法，过度拟合是另一个严峻的挑战。为了解决这个问题，提出了一种基于循环翻译策略的数据扩充方法，以扩展实验数据集，而又不会引入任何额外的噪声或丢失原始数据的任何信息。为了验证该方法的有效性，我们分别在两个公共运动图像EEG数据集（BCI竞赛IV 2a和2b数据集）上进行了一些实验。与当前最新方法的比较表明，我们的方法在两个实验数据集上均实现了最高的平均精度和良好的稳定性。采用中心向量更新过程，避免了CD丢失的不收敛性，减弱了中心向量初始值对最终结果的影响。此外，对于基于深度学习的EEG解码方法，过度拟合是另一个严峻的挑战。为了解决这个问题，提出了一种基于循环翻译策略的数据扩充方法，以扩展实验数据集，而又不会引入任何额外的噪声或丢失原始数据的任何信息。为了验证该方法的有效性，我们分别在两个公共运动图像EEG数据集（BCI竞赛IV 2a和2b数据集）上进行了一些实验。与当前最新方法的比较表明，我们的方法在两个实验数据集上均实现了最高的平均精度和良好的稳定性。