La comunicación no verbal es esencial en el proceso de comunicación. Esto significa que su falta puede causar interpretaciones erróneas del mensaje que el emisor intenta transmitir al receptor. Con el aumento de las videollamadas, parece que este problema ha sido parcialmente resuelto. Sin embargo, las personas con trastornos cognitivos como aquellos con algún tipo de Trastorno del Espectro Autista (TEA) no pueden interpretar la comunicación no verbal ni en vivo ni por videollamada. Este trabajo analiza la relación entre algunas medidas fisiológicas (EEG, ECG y GSR) y el estado afectivo del usuario. Para ello, se evalúan algunos conjuntos de datos públicos y se utilizan para un sistema de Aprendizaje Profundo (DL) múltiple. Cada señal fisiológica se preprocesa utilizando un proceso de extracción de características después de un estudio de frecuencia con la Transformada Wavelet Discreta (DWT), y esos coeficientes se utilizan como entradas para un clasificador DL único centrado en esa señal. Estos múltiples clasificadores (uno para cada señal) se evalúan de manera independiente y sus salidas se combinan para optimizar los resultados y obtener información adicional sobre las señales más confiables para clasificar los estados afectivos en tres niveles: bajo, medio y alto. El sistema completo se detalla y se prueba cuidadosamente, obteniendo resultados prometedores (más del 95% de precisión) que demuestran su viabilidad.