Este estudio se enfoca en detectar la congelación de la marcha en pacientes con Parkinson utilizando acelerómetros usados en el cuerpo. En este estudio, analizamos la robustez de cuatro conjuntos de características, dos de los cuales son nuevas características adaptadas del procesamiento del habla: coeficientes cepstrales de frecuencia mel y métricas de evaluación de calidad. Para la clasificación basada en estas características, comparamos bosques aleatorios, perceptrón multicapa, modelos ocultos de Markov y redes neuronales profundas. Estos algoritmos fueron evaluados utilizando una validación cruzada de dejar uno fuera (LOSO) para simular la situación en la que se está construyendo un sistema para pacientes para quienes no hay datos de entrenamiento. Esta evaluación se realizó utilizando el conjunto de datos de Daphnet, que incluye grabaciones de diez pacientes utilizando tres acelerómetros situados en el tobillo, la rodilla y la parte baja de la espalda. Obtuvimos una reducción del 17,3% al 12,5% de la tasa de error igual en comparación con los mejores resultados anteriores utilizando este conjunto de datos y pruebas de LOSO. Para niveles altos de sensibilidad (como 0,95), la especificidad aumentó de 0,63 a 0,75. La mayor mejora en todos los conjuntos de características y algoritmos probados en este estudio se obtuvo al integrar información de períodos más largos de tiempo en una red neuronal profunda con capas convolucionales.