En los últimos años, ha habido un aumento en la prevalencia del trastorno del espectro autista (TEA). El diagnóstico del TEA requiere observación del comportamiento y pruebas estandarizadas realizadas por expertos altamente capacitados. La intervención temprana para el TEA puede comenzar tan pronto como a la edad de 1-2 años, pero los diagnósticos de TEA no suelen hacerse hasta las edades de 2-5 años, retrasando así el inicio de la intervención. Existe una necesidad urgente de biomarcadores no invasivos para detectar el TEA en la infancia. Mientras que investigaciones anteriores que utilizaban registros fisiológicos se han centrado en biomarcadores del TEA basados en el cerebro, este estudio investigó el potencial de los registros electrocardiográficos (ECG) como biomarcador del TEA en bebés de 3-6 meses de edad. Registramos la actividad cardíaca de bebés con probabilidad familiar típica y elevada de TEA durante interacciones naturalistas con objetos y cuidadores. Después de obtener las señales de ECG, se extrajeron características como la variabilidad de la frecuencia cardíaca (VFC) y las actividades simpática y parasimpática. Luego evaluamos la efectividad de múltiples clasificadores de aprendizaje automático para clasificar la probabilidad de TEA. Nuestros hallazgos respaldan nuestra hipótesis de que las señales de ECG de los bebés contienen información importante sobre la probabilidad familiar de TEA. Entre los diversos algoritmos de aprendizaje automático probados, KNN tuvo el mejor desempeño según la sensibilidad (0.70 +/- 0.117), la puntuación F1 (0.689 +/- 0.124), la precisión (0.717 +/- 0.128), la exactitud (0.70 +/- 0.117, valor-p = 0.02) y el ROC (0.686 +/- 0.122, valor-p = 0.06). Estos resultados sugieren que las señales de ECG contienen información relevante sobre la probabilidad de que un bebé desarrolle TEA. Estudios futuros deberían considerar el potencial de la información contenida en el ECG, y otros índices de control autonómico, para el desarrollo de biomarcadores de TEA en la infancia.