Los niños con autismo enfrentan desafíos en diversas habilidades (por ejemplo, comunicación y socialización) y exhiben comportamientos desafiantes. Estos comportamientos desafiantes representan un reto para sus familias, terapeutas y cuidadores, especialmente durante las sesiones de terapia. En este estudio, hemos investigado varias técnicas de aprendizaje automático y modalidades de datos adquiridos mediante sensores portátiles de niños con autismo durante sus interacciones con robots sociales y juguetes en su potencial para detectar comportamientos desafiantes. Cada niño llevaba un dispositivo portátil que recopilaba datos. Se utilizaron anotaciones de video de las sesiones para identificar la ocurrencia de comportamientos desafiantes. Se consideraron características temporales extraídas (es decir, media, desviación estándar, mínimo y máximo) junto con cuatro técnicas de aprendizaje automático para detectar comportamientos desafiantes. También se han investigado los cambios en la variabilidad de la frecuencia cardíaca (VFC) en este estudio. El algoritmo XGBoost ha logrado el mejor rendimiento (es decir, una precisión del 99%). Además, las características fisiológicas superaron a las cinéticas, siendo la frecuencia cardíaca la principal característica contribuyente en el rendimiento de la predicción. Se encontró que un parámetro de VFC (es decir, RMSSD) correlacionaba con la ocurrencia de comportamientos desafiantes. Este trabajo destaca la importancia de desarrollar herramientas y métodos para detectar comportamientos desafiantes entre niños con autismo durante sesiones asistidas con robots sociales.