La enfermedad de Parkinson es un trastorno neurodegenerativo grave que conduce a la pérdida de control sobre diversas funciones motoras y mentales. Su progresión puede ser limitada con medicamentos, particularmente a través del uso de levodopa. Sin embargo, la administración prolongada de levodopa a menudo resulta en trastornos independientes de los causados por la enfermedad. La detección de estos trastornos se basa en el examen clínico de los pacientes, a través de diferentes tipos de actividades y tareas, utilizando la Escala Unificada de Calificación de Discinesias (UDysRS). En el presente trabajo, nuestro objetivo es desarrollar un sistema de evaluación de vanguardia para la discinesia inducida por levodopa (LID) utilizando los datos de coordenadas conjuntas de un esqueleto humano representado en actividades grabadas en video relacionadas con UDysRS. Por esta razón, combinamos un método matemático robusto para codificar secuencias de acciones conocido como Huellas Espacio-temporales de Radón (SRF) con una Red Neuronal Convolucional (CNN), para estimar las calificaciones de discinesia para seis partes del cuerpo. Presentamos dos enfoques metodológicos diferentes: SRF-CNN Global y SRF-CNN Local, basados en el conjunto de puntos esqueléticos utilizados en el esquema de codificación. Una comparación entre estos enfoques revela que SRF-CNN Local demuestra un mejor rendimiento que el Global. Finalmente, SRF-CNN Local supera a la técnica de vanguardia, en ambas tareas, para la evaluación de discinesia UDysRS, utilizando datos de coordenadas conjuntas del cuerpo humano, logrando un rendimiento general en el valor medio de RMSE de 0.6198 para la tarea de Beber y 0.4885 para Comunicación, en comparación con 0.6575 y 0.5175, respectivamente. Esto ilustra la capacidad del sistema propuesto de aprendizaje automático para evaluar con éxito la LID.