El accidente cerebrovascular sigue siendo una causa predominante de mortalidad y discapacidad en todo el mundo. El esfuerzo por diagnosticar el accidente cerebrovascular a través de datos biomecánicos de series temporales junto con la Inteligencia Artificial (IA) representa un desafío formidable, especialmente en medio de un número limitado de participantes. El desafío se intensifica al tratar con conjuntos de datos pequeños, un escenario común en la investigación médica preliminar. Si bien los avances recientes han dado paso a algoritmos de aprendizaje de pocos ejemplos capaces de manejar datos escasos, este artículo pionero presenta una metodología distintiva que involucra un enfoque centrado en la visualización para abordar el desafío de los pequeños datos en el diagnóstico de sobrevivientes de accidentes cerebrovasculares basado en datos biomecánicos derivados del análisis de la marcha. Empleando redes neuronales siamesas (SNN), nuestro método transforma una serie temporal biomecánica en imágenes visualmente intuitivas, facilitando una lente analítica única. Los datos cinemáticos encapsulados comprenden un espectro de métricas de marcha, incluyendo movimientos del tobillo, la rodilla, la cadera y el centro de masa en tres dimensiones tanto para las piernas paréticas como para las no paréticas. Tras la transformación visual, la SNN actúa como un potente extractor de características, mapeando los datos en un espacio de características de alta dimensión propicio para la clasificación. Las características extraídas se alimentan posteriormente a varios modelos de aprendizaje automático (ML) como máquinas de soporte vectorial (SVM), Random Forest (RF) o redes neuronales (NN) para la clasificación. En busca de una mayor interpretabilidad, un pilar en las aplicaciones de IA médica, empleamos la herramienta Grad-CAM (Mapa de Activación de Clase) para resaltar visualmente las regiones críticas que influyen en la decisión del modelo. Nuestra metodología, aunque exploratoria, muestra una vía prometedora para aprovechar los datos biomecánicos visualizados en el diagnóstico de accidentes cerebrovasculares, logrando una tasa de clasificación perfecta en nuestro conjunto de datos preliminar. La inspección visual de las imágenes generadas elucida una clara separación de clases (100%), subrayando el potencial de este enfoque impulsado por la visualización en el ámbito de los pequeños datos. Este estudio de prueba de concepto acentúa la novedad de la transformación de datos visuales en la mejora tanto de la interpretabilidad como del rendimiento en el diagnóstico de accidentes cerebrovasculares utilizando datos limitados, sentando una base sólida para futuras investigaciones en evaluaciones a mayor escala.