본 논문은 파킨슨병 조기 진단을 위한 뇌파(EEG) 기반의 새로운 반지도 학습 프레임워크 MCLPD를 제안한다. MCLPD는 다중 관점 대조 학습 전훈련과 경량 지도 미세 조정을 통합하여 데이터셋 간의 차이에도 불구하고 강건하고 일반화 가능한 파킨슨병 검출 성능을 향상시킨다. 전훈련 단계에서는 비표지 데이터셋(UNM)을 이용하여 자기 지도 학습을 수행하며, 시간 및 주파수 영역의 이중 증강을 통해 대조 쌍을 생성하여 시간-주파수 정보를 자연스럽게 융합한다. 미세 조정 단계에서는 다른 두 데이터셋(UI 및 UC)의 소량의 표지 데이터만을 사용하여 지도 학습을 수행한다. 실험 결과, MCLPD는 표지 데이터의 1%만 사용하여 UI 데이터셋에서 0.91, UC 데이터셋에서 0.81의 F1 점수를 달성했으며, 5%의 표지 데이터를 사용하면 각각 0.97과 0.87로 성능이 더 향상됨을 보였다. 기존 방법과 비교하여 MCLPD는 데이터셋 간 일반화 성능을 크게 향상시키는 동시에 표지 데이터 의존성을 줄였다.
