La clasificación de la enfermedad de Parkinson (EP) a través del habla ha sido un campo de investigación en avance debido a su facilidad de adquisición y procesamiento. Los requisitos mínimos de infraestructura del sistema también lo han hecho adecuado para aplicaciones de telemonitorización. Los investigadores han estudiado los efectos de la EP en el habla desde diversas perspectivas utilizando diferentes tareas de habla. Los déficits típicos del habla debido a la EP incluyen la monotonía vocal (por ejemplo, monotonía tonal), la calidad susurrante o áspera y los errores articulatorios. En el habla conectada, estos síntomas son más enfáticos, lo que también es la base para la evaluación del habla en escalas de valoración populares utilizadas para la EP, como la Escala Unificada de Calificación de la Enfermedad de Parkinson (UPDRS) y Hoehn y Yahr (HY). El estudio actual presenta un marco innovador que integra la segmentación síncrona del tono y un conjunto optimizado de características para investigar y analizar el habla continua tanto de pacientes con EP como de controles sanos (HC). La comparación del marco propuesto con los métodos existentes ha demostrado su superioridad en el rendimiento de clasificación y la mitigación del sobreajuste en los modelos de aprendizaje automático. Se identificó un conjunto de clasificadores óptimos con toma de decisiones imparcial después de comparar varios modelos de aprendizaje automático. Los resultados obtenidos por los clasificadores demuestran que el marco aprende de manera efectiva las características intrínsecas de la EP a partir del habla conectada, lo que potencialmente puede ofrecer una valiosa ayuda en el diagnóstico clínico.