Clasificación de señales de voz para la detección de la Enfermedad de Parkinson mediante redes convolucionales 1D: un estudio de generalización entre conjuntos de datos

D. F. Merino Delgado, A. Mateos Caballero, C. J. Pérez Sánchez

Los métodos de aprendizaje automático se han aplicado a señales de voz asociadas a la enfermedad de Parkinson para la ayuda a su detección. Sin embargo, muchos modelos muestran buen rendimiento únicamente dentro del conjunto de datos de entrenamiento, mientras que su capacidad de generalización disminuye al evaluarse sobre muestras externas, debido al reducido tamaño y heterogeneidad de bases de datos. En este trabajo se propone el uso de redes convolucionales unidimensionales (1D-CNN) que operan directamente sobre la forma de onda, evitando la dependencia de representaciones manuales o transformadas intermedias. Se analiza la capacidad de generalización en tres escenarios: individual, cruzado entre conjuntos de datos, y mezclado integrando varias bases de datos. Asimismo, se incorporan modelos generativos para el aumento de datos, evaluando la robustez y el rendimiento. El trabajo ofrece así un estudio comparativo de 1D-CNN en condiciones más próximas a la práctica clínica.

Palabras clave: Aprendizaje Profundo, Enfermedad de Parkinson, Modelos Generativos, Redes convolucionales, Señal de voz

Aprendizaje Automático y Métodos Estadísticos
2 de septiembre de 2026  15:30
Aula 20

M. Ávila, D. Peña, A. M. Alonso

E. T. López Sanjuán, M. Martínez Pizarro, D. F. Merino Delgado, M. I. Parra Arévalo

A. Mancuso, A. Iodice D'Enza, F. Palumbo, R. Simone

C. Perez Lopez