Implementar la ingeniería afectiva en aplicaciones de la vida real requiere la capacidad de reconocer efectivamente las emociones utilizando medidas fisiológicas. A pesar de ser un tema ampliamente investigado, parece haber una falta de sistemas que traduzcan los resultados de los datos recopilados en un entorno de laboratorio a niveles de preparación tecnológica más altos. En este documento, profundizamos en la viabilidad del reconocimiento de emociones más allá de entornos de laboratorio controlados. Por esta razón, creamos una configuración experimental mínimamente invasiva combinando el recuerdo emocional a través de tareas de memoria emocional autobiográfica con una pulsera Empatica fácil de usar que mide la presión sanguínea, la actividad electrodermal, la temperatura de la piel y la aceleración. Empleamos prácticas estándar de aprendizaje supervisado basado en características y específicamente utilizamos máquinas de vectores de soporte para explorar la dependencia del sujeto a través de varios métodos de segmentación. Recopilamos datos de 45 participantes. Después del preprocesamiento, utilizando un conjunto de datos de 134 segmentos de 40 participantes, la precisión del clasificador después de la validación cruzada de 10 segmentos fue apenas mejor que una suposición aleatoria (36% para cuatro emociones). Sin embargo, al extraer múltiples segmentos de cada tarea emocional por participante utilizando la validación cruzada de 10 segmentos (es decir, incluyendo datos dependientes del sujeto en el conjunto de entrenamiento), la tasa de clasificación aumentó hasta un 75% para cuatro emociones, pero aún era tan baja como 32% para la validación cruzada de dejar a un sujeto afuera (es decir, entrenamiento independiente del sujeto). Concluimos que los problemas altamente dependientes del sujeto podrían plantear el reconocimiento de emociones.