En la literatura reciente, la evaluación del estrés basada en ECG se ha vuelto popular debido a su correlación comprobada con el estrés y a la mayor accesibilidad de los datos de ECG a través de hardware de consumo. Sin embargo, la mayoría de los modelos de evaluación del estrés basados en ECG utilizan aprendizaje supervisado, dependiendo de datos anotados manualmente. Se ha realizado una investigación limitada en el área de enfoques de aprendizaje auto-supervisado (SSL) que aprovechen datos no etiquetados y ninguno que utilice SSL contrastivo. Sin embargo, con la dominancia de SSL contrastivo en dominios como la visión por computadora, es esencial ver si se puede obtener la misma excelencia en rendimiento en un conjunto de datos de evaluación del estrés basado en ECG. En este documento, proponemos un modelo de SSL contrastivo para la evaluación del estrés utilizando señales de ECG basado en el marco de SimCLR. Probamos nuestro modelo en dos conjuntos de datos de evaluación del estrés basados en ECG. Mostramos que nuestra solución propuesta resulta en una mejora del 9% en precisión en el conjunto de datos WESAD y del 3.7% en el conjunto de datos RML en comparación con los modelos de SSL basados en ECG del estado del arte para la evaluación del estrés. El desarrollo de modelos de evaluación del estrés más precisos, especialmente aquellos que emplean datos no invasivos como el ECG para la evaluación, conduce a avances en la tecnología wearable y a la creación de mejores aplicaciones de monitoreo de la salud en áreas como el manejo del estrés y la terapia de relajación.