El monitoreo continuo de la frecuencia respiratoria (FR) y la saturación de oxígeno (SpO2) es crucial para pacientes con afecciones cardíacas, pulmonares y quirúrgicas. La FR y la SpO2 se utilizan para evaluar la efectividad de los medicamentos pulmonares y el soporte ventilatorio. En estudios recientes, se ha recomendado el uso de un fotopletismograma (PPG) para evaluar la FR y la SpO2. Esta investigación presenta un método novedoso para estimar la FR y la SpO2 utilizando modelos de aprendizaje automático que incorporan características de la señal PPG. Se utilizaron varios métodos establecidos para extraer características significativas de la PPG. Se empleó un enfoque de selección de características para reducir la complejidad computacional y la posibilidad de sobreajuste. Se entrenaron 19 modelos para la FR y la SpO2 por separado, de los cuales se seleccionó el modelo de regresión más apropiado. El modelo de regresión de proceso gaussiano superó a todos los demás modelos tanto para la estimación de la FR como de la SpO2. El error absoluto medio (MAE) para la FR fue de 0,89, mientras que el error cuadrático medio (RMSE) fue de 1,41. Para la SpO2, el modelo tuvo un RMSE de 0,98 y un MAE de 0,57. El sistema propuesto es un enfoque de vanguardia para estimar de manera confiable la FR y la SpO2 a partir de la PPG. Si la FR y la SpO2 se pueden derivar de manera consistente y efectiva de la señal PPG, los pacientes pueden monitorear su FR y SpO2 a un costo más económico y con menos molestias.