Para que una batería de iones de litio (Li-ion) funcione de manera segura y confiable, es crucial una estimación precisa del estado de salud (SOH). Los modelos basados en datos con extracción manual de características son comúnmente utilizados para la estimación del SOH de la batería, lo que requiere un amplio conocimiento experto para extraer características. En este sentido, en este documento se propone un novedoso modelo de preprocesamiento de datos para extraer automáticamente características relacionadas con la salud a partir de datos de descarga de la batería para la estimación del SOH. En el método propuesto, los datos de voltaje unidimensionales (1D) se convierten en datos bidimensionales (2D), y se crea un nuevo conjunto de datos utilizando una ventana deslizante 2D. Luego, las características se extraen automáticamente en el proceso de entrenamiento de aprendizaje automático (ML). Finalmente, la estimación del SOH se logra mediante la predicción del voltaje de la batería en el ciclo siguiente. El rendimiento de la técnica propuesta se evalúa en el conjunto de datos públicos de la NASA para un análisis de degradación de baterías Li-ion en cuatro escenarios diferentes. Los resultados de la simulación muestran una considerable reducción en el RMSE de la estimación del SOH de la batería. El método propuesto elimina la necesidad de la extracción y evaluación manual de características, lo que es un paso importante hacia la automatización del proceso de estimación del SOH y el desarrollo de gemelos digitales de baterías.