MCLPD:面向跨数据集的 EEG 基于 PD 检测的多视图对比学习
摘要
脑电图 (EEG) 已被证明为检测帕金棄 disease 特别是在早期阶段有效的技术方法。然而，EEG 数据标注成本高，常导致 dataset 规模有限且在不同 data set 之间存在显著差异，包括 acquisition 协议和 subject 人口学差异，这显著阻碍了在 cross-dataset 检测场景中模型的 robust 性和 generalizability。为此，本文提出一种半监督学习框架，命名为 MCLPD，将 multi-view 对比 pre-training 与 lightweight supervised fine-tuning 集成以提高 cross-dataset PD 检测性能。在 pre-training 阶段，MCLPD 对 unlabeled UNM data set 使用自监督学习。为构建 contrastive 对，应用 dual augmentations 在 time 和 frequency 域，既丰富了 data，又自然融合了 time-frequency 信息。在 fine-tuning 阶段，仅使用另外两个 data set (UI 和 UC) 中 small 比例 labeled data 进行 supervised 优化。实验结果表明，MCLPD 在 UI 上使用仅 1% labeled data 即可实现 0.91 的 F1 分数，在 UC 上实现 0.81 的 F1 分数；当使用 5% labeled data 时，分别提升至 0.97 和 0.87。与现有方法相比，MCLPD 在 cross-dataset generalization 上显著提升，同时降低了对 labeled data 的依赖，展示了该 framework 的有效性。
引用
@article{arxiv.2508.14073,
title = {MCLPD:Multi-view Contrastive Learning for EEG-based PD Detection Across Datasets},
author = {Qian Zhang and Ruilin Zhang and Jun Xiao and Yifan Liu and Zhe Wang},
journal= {arXiv preprint arXiv:2508.14073},
year = {2025}
}
备注
Acccepted by European Conference on Artificial Intelligence(ECAI 2025)