MCLPD：用于跨数据集 EEG 帕金森病检测的多视图对比学习

基于摘要分析。本文研究 EEG 帕金森病（PD）检测中标注数据有限、采集协议与被试人口特征差异造成的跨数据集泛化问题，提出半监督框架 MCLPD，将多视图对比预训练与轻量监督微调结合，以降低目标数据集的标注需求。 方法上，MCLPD 在无标签 UNM 数据集上进行自监督预训练，通过时域和频域的双重增强构造对比样本，学习时频信息表征；随后使用另外两个数据集 UI 和 UC 中少量有标签数据进行监督优化。摘要未提供增强操作、对比损失、编码器结构及微调参数范围，相关实现尚未验证。 作者报告：在 UNM 无标签预训练、分别利用 UI 和 UC 的 1% 有标签数据微调的条件下，UI 和 UC 的 F1 分别为 0.91 和 0.81；标注比例增至 5% 时，F1 分别为 0.97 和 0.87。这些结果属于使用目标数据集标签进行适应的跨数据集评估，不能解释为无需目标标签的直接泛化。作者报告其相较现有方法改善了跨数据集表现，但摘要未给出具体基线及差值。 复现时需核对标注比例以被试还是片段为单位、训练与测试的被试隔离方式、各数据集预处理与通道对齐、F1 的计算方式，以及重复试验和统计不确定性。实验协议、消融及统计信息尚未验证。本文直接研究 EEG 疾病检测，摘要结果不等同于对 BCI 控制或交互任务有效性的验证。