Este artículo propone MCLPD, un novedoso marco de aprendizaje semisupervisado basado en electroencefalografía (EEG) para el diagnóstico temprano de la enfermedad de Parkinson (EP). MCLPD integra un preentrenamiento de aprendizaje contrastivo multivista y un ligero ajuste fino supervisado para mejorar el rendimiento de detección de EP robusto y generalizable a pesar de las diferencias en los conjuntos de datos. La etapa de preentrenamiento realiza un aprendizaje autosupervisado utilizando un conjunto de datos no etiquetados (UNM) y genera pares contrastivos mediante aumento dual en los dominios de tiempo y frecuencia, integrando naturalmente la información de tiempo-frecuencia. La etapa de ajuste fino realiza un aprendizaje supervisado utilizando solo una pequeña cantidad de datos etiquetados de los otros dos conjuntos de datos (UI y UC). Los resultados experimentales muestran que MCLPD alcanza puntuaciones F1 de 0,91 en el conjunto de datos UI y 0,81 en el conjunto de datos UC utilizando solo el 1% de los datos etiquetados, mejorando aún más el rendimiento a 0,97 y 0,87, respectivamente, utilizando el 5% de los datos etiquetados. En comparación con los métodos existentes, MCLPD mejora significativamente la generalización entre conjuntos de datos al tiempo que reduce la dependencia de los datos etiquetados.
