La depresión es uno de los trastornos de salud mental más comunes, que afecta a aproximadamente 280 millones de personas en todo el mundo. Esta condición se define como una disfunción emocional que resulta en sentimientos persistentes de tristeza, pérdida de interés e incapacidad para experimentar placer. La detección temprana puede facilitar una intervención oportuna en forma de terapia psicológica y/o medicación. Con la adopción pública generalizada de dispositivos portátiles como relojes inteligentes y rastreadores de fitness, se está volviendo cada vez más posible obtener información sobre los estados mentales de las personas de manera no intrusiva en condiciones de vida libre. Este trabajo presenta un enfoque de aprendizaje automático (ML) que utiliza datos recopilados retrospectivamente de dispositivos portátiles de grado de consumo para la detección pasiva de la gravedad de la depresión. Los experimentos realizados en este trabajo revelan que el análisis multimodal de señales fisiológicas en términos de sus características de transformada de onda discreta (DWT) exhibe un rendimiento considerablemente mejor que los escenarios unimodales. Además, realizamos experimentos para observar el impacto de la gravedad en la detección de valencia-arousal emocional. Creemos que nuestro trabajo tiene implicaciones para guiar el desarrollo en el ámbito de la detección de trastornos de salud mental basada en dispositivos portátiles multimodales y requiere intervenciones de tratamiento adecuadas.