La carga mental es un factor predisponente importante para enfermedades mentales como la depresión y está estrechamente relacionada con la salud mental individual. Sin embargo, la precisión subóptima de utilizar la fotopletismografía (PPG) exclusivamente para la clasificación de la carga mental ha limitado su aplicación dentro de los dominios profesionales pertinentes. Por tanto, este documento propone un método de procesamiento de señales que combina la transformada continua de wavelet (CWT) y el mapeo de acoplamiento cardiopulmonar (CPC) para clasificar la carga mental a través de una red neuronal convolucional (ResAttNet). El método refleja cambios en la carga mental, según lo evaluado por cambios en la asociación entre la variabilidad de la frecuencia cardíaca y la respiración. En este documento, se comparan las fortalezas y debilidades de este método con otros métodos tradicionales de monitoreo de la carga de trabajo psicológica, como la variabilidad de la frecuencia cardíaca (HRV), y su validación se realiza en el conjunto de datos disponible públicamente MAUS. Los experimentos muestran que el método es significativamente mejor que los métodos de aprendizaje automático anteriores basados en la correlación de la variabilidad de la frecuencia cardíaca. Mientras tanto, la precisión del método propuesto en este documento alcanza el 80.5%, que es un 6.2% más alta que en estudios anteriores. Es comparable al resultado del 82.4% para el sistema de monitoreo de la carga de trabajo mental basado en ECG. Por lo tanto, el método de combinar CWT y CPC tiene un considerable potencial y proporciona nuevas ideas para la clasificación de la carga mental.