Identificar el estrés en los adultos mayores es un campo de investigación crucial en salud y bienestar. Esto nos permite tomar medidas preventivas oportunas que pueden ayudar a salvar vidas. Por eso, es necesario contar con una forma no intrusiva de detección de estrés precisa y exacta. Los investigadores han propuesto muchas medidas estadísticas para asociar el estrés con lecturas de sensores de biomarcadores digitales. Con el reciente avance de la Inteligencia Artificial en el ámbito de la salud, la aplicación del aprendizaje automático está mostrando resultados prometedores en la detección de estrés. Sin embargo, la viabilidad del aprendizaje automático para los biomarcadores digitales de estrés está poco explorada. En este trabajo, primero investigamos el rendimiento de un algoritmo de aprendizaje automático supervisado (Random Forest) con ingeniería de características manual para la detección de estrés con información contextual. La concentración de cortisol salival se utilizó como el estándar de oro aquí. Nuestro marco categoriza el estrés en Sin Estrés, Estrés Bajo y Estrés Alto al analizar biomarcadores digitales recopilados de sensores portátiles. También proporcionamos un conocimiento exhaustivo del estrés en los adultos mayores al combinar datos fisiológicos obtenidos de sensores portátiles con pistas contextuales de un protocolo de estrés. Nuestro modelo de aprendizaje automático consciente del contexto, utilizando fusión de sensores, logró un puntaje F-1 macro promedio de 0.937 y una precisión del 92.48% en la identificación de tres niveles de estrés. Además, extendemos nuestro trabajo para deshacernos de la carga de la ingeniería de características manual. Exploramos un codificador de características basado en Redes Neuronales Convolucionales (CNN) y biomarcadores de cortisol para detectar estrés utilizando información contextual. Proporcionamos una mirada profunda al codificador de características basado en CNN, que separa eficazmente las características útiles de las entradas fisiológicas. Ambos de nuestros marcos propuestos, es decir, Random Forest con características ingenierizadas y una Red Totalmente Conectada con características basadas en CNN, validan que la integración de biomarcadores digitales de estrés puede proporcionar más información sobre la respuesta al estrés incluso sin ningún informe personal o etiquetas de cuidadores. Nuestro método con fusión de sensores muestra una precisión y un puntaje F-1 de 83.7797% y 0.7552, respectivamente, sin contexto y 96.7525% de precisión y 0.9745 de puntaje F-1 con contexto, lo que también constituye un aumento del 4% en precisión y un aumento de 0.04 en el puntaje F-1 respecto a RF.