La investigación existente confirma asociaciones entre los rasgos de personalidad de los Cinco Grandes y los estados emocionales, sin embargo, las investigaciones sobre cómo los rasgos de personalidad modulan las dinámicas emocionales y sus patrones específicos de género siguen siendo limitadas. El presente estudio desarrolló un modelo de aprendizaje profundo TFace-Bi-GRU-SE que logró una precisión ponderada del 63.50 +/- 0.98% (máximo en una sola ejecución: 64.96%) y un puntaje F1 del 65.21% en las pruebas de rendimiento, con un tiempo de inferencia único de 14.1 s, superando a los métodos tradicionales. El modelo procesó grabaciones en video de 10 minutos de 30 participantes (19,262 observaciones), generando datos de series temporales para valencia (P) y excitación (A). Combinado con evaluaciones de personalidad de los Cinco Grandes, el modelado de ecuaciones estructurales en tiempo continuo (CTSEM) reveló dinámicas emocionales distintas: tanto P como A exhibieron una autorregresión negativa significativa (-0.056 y -0.558, p < 0.001), siendo A capaz de volver a la línea base de manera sustancialmente más rápida (vida media: 1.2 s) que P (vida media: 12.3 s); los efectos cruzados fueron no significativos (P_A: 0.007; A_P: -0.026, p > 0.05). La excitación demostró una mayor volatilidad instantánea (=0.339) que la valencia (=0.286, p < 0.001), con covariación positiva entre dimensiones (0.218, p = 0.006). Los análisis exploratorios (N = 30) indicaron que puntuaciones más altas de neuroticismo y apertura estaban asociadas con una excitación elevada (d de Cohen > 0.8), mientras que puntuaciones más altas de amabilidad y responsabilidad estaban asociadas con una valencia elevada (d > 0.8). El género moderó la relación entre neuroticismo y excitación, con efectos más potentes en mujeres (r = 0.746, p = 0.008). Los análisis de robustez demostraron una alta estabilidad de los parámetros centrales de DRIFT (P_P, A_A): el muestreo bootstrap (n = 50) arrojó coeficientes de variación < 0.35 con 100% de consistencia direccional; la validación de subgrupos confirmó la invariancia entre muestras. Los análisis de sensibilidad revelaron que un error de medición adicional del 8% inducía menos del 9% de sesgo (8.3% tanto para P_P como para A_A) en los parámetros autorregresivos mientras se preservaban las proporciones de vida media, confirmando la capacidad de CTSEM para extraer dinámicas fiables de salidas de IA moderadamente precisas. Los análisis bootstrap y bayesianos identificaron diez asociaciones de personalidad-DRIFT con consistencia direccional >= 70%; estas constituyen hipótesis preliminares para estudios futuros adecuadamente potentes (N >= 61). Este estudio proporciona fundamentos metodológicos para la investigación de intervenciones afectivas personalizadas. Los datos y el código están disponibles públicamente (ver la Declaración de Disponibilidad de Datos).