Este artículo aborda el problema de utilizar eficazmente cantidades masivas de datos de EEG de alta densidad sin etiquetar para mejorar el rendimiento en el contexto de datos de EEG de baja densidad etiquetados limitados. Formulamos este problema como un problema de aprendizaje por transferencia de grafos y destilación de conocimiento, y proponemos un nuevo modelo llamado Destilador Autocodificador Enmascarado Contrastivo de Grafos Preentrenado Unificado (EEG-DisGCMAE). EEG-DisGCMAE introduce un paradigma de preentrenamiento de aprendizaje autosupervisado de grafos unificados que integra el preentrenamiento de aprendizaje contrastivo de grafos y el preentrenamiento de autocodificadores enmascarados de grafos. Además, proponemos una función de pérdida de destilación de topología de grafos para que un modelo de estudiante ligero entrenado con datos de baja densidad pueda aprender de un modelo de profesor entrenado con datos de alta densidad durante el preentrenamiento y el ajuste fino. Este método maneja eficazmente los electrodos faltantes mediante destilación contrastiva. Validamos la eficacia de EEG-DisGCMAE en cuatro tareas de clasificación utilizando dos conjuntos de datos de EEG clínicos con datos enriquecidos, y el código fuente está disponible en GitHub.
