La Escala Unificada de Evaluación de la Enfermedad de Parkinson (UPDRS) se utiliza para reconocer a los pacientes con enfermedad de Parkinson (EP) y evaluar su gravedad. La evaluación es crucial para el monitoreo de la progresión de la enfermedad y el ajuste del tratamiento. Este estudio tiene como objetivo avanzar en las capacidades de gestión de la EP mediante el desarrollo de un marco innovador que integra el aprendizaje profundo con la tecnología de sensores portátiles para mejorar la precisión de las evaluaciones de la UPDRS. Introducimos una serie de modelos de aprendizaje profundo para estimar los puntajes de la Parte III de la UPDRS, utilizando datos de movimiento de sensores portátiles. Nuestro enfoque aprovecha un novedoso marco de Red Neuronal Convolucional-LSTM de Autoaprendizaje Multicompartido (CNN-LSTM) que procesa las señales de giroscopio crudas y sus representaciones espectrograma. Esta técnica tiene como objetivo refinar la precisión de la estimación de la gravedad de la EP durante actividades humanas naturalísticas. Utilizando 526 minutos de datos de 24 pacientes con EP involucrados en actividades cotidianas, nuestra metodología demuestra una fuerte correlación de 0.89 entre los puntajes estimados y evaluados clínicamente de la UPDRS-III. Este modelo supera el conjunto de referencia establecido por modelos CNN, LSTM y CNN-LSTM de un solo y multicanal y establece un nuevo estándar en la estimación de puntajes de la UPDRS-III para movimientos del cuerpo libre en comparación con los métodos más recientes de vanguardia. Estos resultados representan un paso sustancial en las aplicaciones de bioingeniería para el monitoreo de la EP, proporcionando un marco robusto para la evaluación confiable y continua de los síntomas de la EP en entornos de vida diaria.