La realidad virtual (VR) continúa creciendo a medida que dispositivos tecnológicos más asequibles están disponibles. Los videojuegos son una de las aplicaciones más rentables, mientras que la rehabilitación tiene el impacto social más significativo. Ambas aplicaciones requieren una adecuada evaluación del usuario para proporcionar experiencias personalizadas que eviten situaciones aburridas o estresantes. A pesar de las aplicaciones exitosas, existen varias oportunidades para mejorar el campo de las interacciones humano-máquina, siendo una de las más populares el uso de la detección de afecto para crear experiencias personalizadas. En ese sentido, este estudio presenta la implementación de dos estrategias de adaptación dinámica de dificultad. El estado afectivo de la persona se estima a través de un modelo de clasificación de aprendizaje automático, que luego sirve para adaptar la dificultad del videojuego en línea. Los resultados muestran que es posible mantener al usuario en un nivel de dificultad dado, lo que es análogo a lograr el conocido estado de flujo. Entre las dos estrategias implementadas, no se encontraron diferencias estadísticas en la carga de trabajo inducida por los usuarios. Sin embargo, una de las estrategias indujo más demandas físicas y una mayor frustración, validadas con la actividad muscular registrada. Los resultados obtenidos contribuyen al estado del arte de las estrategias de adaptación dinámica de dificultad en realidad virtual impulsadas por datos afectivos.