Este trabajo propone una herramienta de ayuda a la decisión para detectar la enfermedad de Alzheimer en una etapa temprana, basada en la espiral de Arquímedes, ejecutada en un digitalizador Wacom. Nuestro trabajo evalúa el potencial de la tarea como un gesto dinámico y define la metodología más pertinente para explotar el aprendizaje por transferencia para compensar datos dispersos. Insertamos directamente en imágenes de trayectoria espiral funciones cinemáticas en el tiempo. Con el aprendizaje por transferencia, realizamos extracción automática de características en dichas imágenes. Los experimentos en 30 pacientes con Alzheimer y 45 controles sanos muestran que las características extraídas permiten una mejora significativa en sensibilidad y precisión, en comparación con imágenes en bruto. Estudiamos en qué nivel de la red profunda las características tienen las capacidades discriminantes más altas. Los resultados muestran que las características de nivel intermedio son las mejores para nuestra tarea específica. La fusión de decisiones de expertos entrenados en dichos descriptores supera la fusión de nivel bajo de imágenes híbridas. Al fusionar decisiones de clasificadores entrenados en las mejores características, de imágenes de presión, altitud y velocidad, obtenemos un 84% de sensibilidad y un 81.5% de precisión, logrando una mejora absoluta del 22% en sensibilidad y del 7% en precisión. Demostramos el potencial de la tarea espiral para la detección de Alzheimer y proporcionamos una metodología completa basada en características listas para usar.