La enfermedad de Parkinson ha causado un gran daño a la vida y salud humanas. La detección de la enfermedad de Parkinson basada en electroencefalogramas (EEG) proporciona una nueva forma de prevenir y tratar la enfermedad de Parkinson. Sin embargo, debido a la limitada cantidad de muestras de datos de EEG, existen grandes diferencias entre diferentes sujetos, especialmente entre diferentes conjuntos de datos. En este estudio, se propone un nuevo método llamado Improved Convex Hull and Maximum Mean Discrepancy (ICMMD) para la clasificación de la enfermedad de Parkinson entre conjuntos de datos, combinando el casco convexo y el aprendizaje por transferencia. El artículo implementa de manera innovadora el aprendizaje por transferencia entre datos en el campo de las interfaces cerebro-computadora para la enfermedad de Parkinson, utilizando la distancia euclidiana para la alineación de datos y la selección de canales de EEG, y combina el envolvente convexo con la distancia MMD para formar un método efectivo de selección de dominio fuente. Se utilizan los conjuntos de datos Lowpd, San y UNM para verificar la efectividad del método propuesto a través de experimentos en diferentes regiones del cerebro y bandas de frecuencia en Parkinson. Los resultados muestran que este método tiene un buen rendimiento de clasificación en diferentes regiones del cerebro y bandas de frecuencia. La investigación en este artículo proporciona una nueva idea y método para la detección de la enfermedad de Parkinson entre conjuntos de datos.