Las capacidades cognitivas humanas están bajo constante presión en la sociedad de la información moderna. La detección de la carga cognitiva sería beneficiosa en varias aplicaciones de interacción humano-computadora, incluyendo la gestión de la atención y la adaptación de la interfaz de usuario. Sin embargo, la investigación actual sobre la detección de carga cognitiva precisa y en tiempo real basada en biosinales carece de comprensión de la longitud óptima y mínima de la ventana en la segmentación de datos que permitiría una detección de estado más oportuna y continua. Este estudio presenta un análisis comparativo de longitudes de ventana ultra cortas (30 s o menos) en la detección de carga cognitiva con un dispositivo portable. Las características de la frecuencia cardíaca, variabilidad de la frecuencia cardíaca, respuesta galvánica de la piel y temperatura de la piel se extraen en seis longitudes de ventana diferentes y se utilizan para entrenar un clasificador de Extreme Gradient Boosting para detectar entre carga cognitiva y descanso. Una ventana de 25 s mostró la mayor precisión (67.6%), que es similar a estudios anteriores que utilizan el mismo conjunto de datos. En general, la precisión del modelo tendió a disminuir a medida que la longitud de la ventana disminuía, y el rendimiento más bajo (60.0%) se observó con una ventana de 5 s. También se discute la contribución de diferentes características fisiológicas al rendimiento de la clasificación y las características más útiles que reaccionan en ventanas cortas. El análisis proporciona una base prometedora para futuras aplicaciones en tiempo real con sensores portables.