La demencia es la enfermedad neurodegenerativa más crítica que destruye gradualmente la memoria y otras funciones cognitivas. Por lo tanto, la detección temprana es esencial, y para construir un modelo de detección efectivo, es necesario comprender su tipo, síntomas, etapas y causas, y metodologías de diagnóstico. Este documento presenta un enfoque novedoso para clasificar la demencia basado en un conjunto de datos con algunas características relevantes de los pacientes. La metodología de clasificación emplea conjuntos difusos tipo-2 generales no singleton, conjuntos difusos tipo-2 de intervalo no singleton y conjuntos difusos tipo 1 no singleton. Estos conjuntos difusos avanzados se comparan con conjuntos difusos singleton tradicionales para evaluar su rendimiento. El método de inferencia Takagi-Sugeno-Kang TSK se utiliza para manejar el razonamiento difuso. En el proceso, los parámetros de las funciones de membresía (MFs) y reglas se obtienen utilizando ANFIS, y las MFs no singleton se optimizan con PSO. Los resultados demuestran que los conjuntos difusos tipo-2 generales no singleton mejoran la precisión de la clasificación en comparación con los conjuntos difusos singleton, demostrando su capacidad para modelar las incertidumbres inherentes en el diagnóstico de la demencia. Esta mejora sugiere que los sistemas difusos no singleton ofrecen un marco más robusto para desarrollar herramientas de diagnóstico efectivas en el ámbito médico. La clasificación precisa de la demencia es de suma importancia para mejorar la atención al paciente y avanzar en la investigación médica.