Phenomenological Analysis of Neurodivergent Profiles Using Machine Learning and Artificial Intelligence on Voice Data

Abstract

Este Trabajo de Fin de Grado expone una forma novedosa de identificar perfiles neurodivergentes como el TDAH, la dislexia o el autismo, utilizando análisis automático de la voz, el lenguaje y las expresiones faciales. El proyecto se ha desarrollado junto a Souly, una startup centrada en el desarrollo de tecnología para mejorar la salud mental, y fundada por el tutor del trabajo, David Martín-Corral. A lo largo del proyecto, se han aplicado técnicas de inteligencia artificial y aprendizaje automático para extraer y analizar datos de forma precisa y estructurada. Para ello, se recopilaron más de 13.000 vídeos reales de personas hablando directamente a cámara, extraídos de plataformas como YouTube o TikTok. Estos vídeos, grabados en contextos cotidianos, ofrecían testimonios espontáneos que fueron procesados mediante herramientas de Souly. De cada vídeo se obtuvieron datos sobre el tono de voz, las emociones detectadas, el contenido del discurso y algunos rasgos de personalidad. Con toda esta información, se generó un conjunto de datos completo que permitió entrenar distintos modelos. Por un lado, se construyó un modelo explicativo mediante regresión logística para entender mejor qué variables tenían más peso a la hora de identificar estos perfiles. Por otro, se probaron modelos predictivos más avanzados, como Random Forest, SVM y redes neuronales, con resultados muy prometedores. Los resultados reflejan el potencial de esta tecnología como apoyo para profesionales en procesos de diagnóstico temprano. También abre la puerta a posibles aplicaciones en entornos médicos, educativos o incluso en plataformas digitales accesibles para cualquier persona.This Final Degree Project presents an approach to identifying neurodivergent profiles such as ADHD, dyslexia or autism by automatically analyzing voice, language and facial expressions. The project was carried out in collaboration with Souly, a startup focused on developing technology to improve mental health, founded by the project’s advisor, David Martín-Corral. Throughout the research, artificial intelligence and machine learning techniques were applied to extract and analyze data in a structured and accurate way. To build the dataset, more than 13,000 real-life videos were collected from platforms like YouTube and TikTok. These recordings, taken in everyday contexts, featured people speaking directly to the camera and sharing personal experiences. Each video was processed using Souly’s tools to extract voice tone, detected emotions, spoken content and certain personality traits. Using this information, a complete dataset was created to train different models. On one hand, a logistic regression model was built to better understand which variables carried more weight when identifying these profiles. On the other hand, more advanced predictive models were tested, such as Random Forest, SVM and neural networks, all showing highly promising results. These outcomes highlight the potential of this technology as a support tool for professionals involved in early diagnosis. It also opens the door to future applications in clinical and educational environments, as well as in digital platforms accessible to the general public.