Cet article propose MCLPD, un nouveau cadre d'apprentissage semi-supervisé basé sur l'électroencéphalographie (EEG) pour le diagnostic précoce de la maladie de Parkinson (MP). MCLPD intègre un pré-entraînement par apprentissage contrastif multi-vues et un réglage fin supervisé léger afin d'améliorer les performances de détection robustes et généralisables de la MP malgré les différences entre les jeux de données. La phase de pré-entraînement effectue un apprentissage auto-supervisé à l'aide d'un jeu de données non étiqueté (UNM) et génère des paires contrastives par double augmentation dans les domaines temporel et fréquentiel, intégrant naturellement les informations temps-fréquence. La phase de réglage fin effectue un apprentissage supervisé en utilisant seulement une petite quantité de données étiquetées provenant des deux autres jeux de données (UI et UC). Les résultats expérimentaux montrent que MCLPD atteint des scores F1 de 0,91 sur l'ensemble de données UI et de 0,81 sur l'ensemble de données UC en utilisant seulement 1 % des données étiquetées, améliorant encore les performances à 0,97 et 0,87, respectivement, en utilisant 5 % des données étiquetées. Par rapport aux méthodes existantes, MCLPD améliore considérablement la généralisation entre les ensembles de données tout en réduisant la dépendance des données étiquetées.
