यह शोधपत्र पार्किंसंस रोग (पीडी) के शीघ्र निदान के लिए इलेक्ट्रोएन्सेफेलोग्राफी (ईईजी) पर आधारित एक नवीन अर्ध-पर्यवेक्षित शिक्षण ढाँचे, एमसीएलपीडी का प्रस्ताव करता है। एमसीएलपीडी, डेटासेट अंतरों के बावजूद, सुदृढ़ और सामान्यीकृत पीडी पहचान प्रदर्शन को बेहतर बनाने के लिए बहु-दृश्य कंट्रास्टिव लर्निंग प्रीट्रेनिंग और हल्के सुपरवाइज्ड फ़ाइन-ट्यूनिंग को एकीकृत करता है। प्रीट्रेनिंग चरण एक लेबल रहित डेटासेट (यूएनएम) का उपयोग करके स्व-पर्यवेक्षित शिक्षण करता है और समय एवं आवृत्ति डोमेन में द्वैध संवर्द्धन के माध्यम से कंट्रास्टिव युग्म उत्पन्न करता है, जिससे समय-आवृत्ति सूचना स्वाभाविक रूप से एकीकृत हो जाती है। फ़ाइन-ट्यूनिंग चरण अन्य दो डेटासेट (यूआई और यूसी) से केवल थोड़ी मात्रा में लेबल किए गए डेटा का उपयोग करके पर्यवेक्षित शिक्षण करता है। प्रायोगिक परिणाम दर्शाते हैं कि एमसीएलपीडी केवल 1% लेबल किए गए डेटा का उपयोग करके यूआई डेटासेट पर 0.91 और यूसी डेटासेट पर 0.81 के F1 स्कोर प्राप्त करता है, जिससे 5% लेबल किए गए डेटा का उपयोग करके प्रदर्शन क्रमशः 0.97 और 0.87 तक और बेहतर हो जाता है। मौजूदा तरीकों की तुलना में, एमसीएलपीडी लेबल डेटा निर्भरता को कम करते हुए क्रॉस-डेटासेट सामान्यीकरण में महत्वपूर्ण रूप से सुधार करता है।
