La detección temprana de la disfunción fisiológica es crítica para una intervención oportuna y una gestión efectiva de la salud. Los sistemas de monitoreo tradicionales a menudo dependen de datos etiquetados y umbrales predefinidos, lo que limita su adaptabilidad y generalización a condiciones no vistas. Para abordar esto, proponemos un marco para la clasificación sin etiquetas de estados fisiológicos utilizando la Variabilidad de la Frecuencia Cardíaca (VFC), combinada con técnicas de aprendizaje automático no supervisado. Este enfoque es particularmente valioso cuando los conjuntos de datos anotados son escasos o no están disponibles, como suele ser el caso en el monitoreo de salud basado en dispositivos portátiles e IoT. En este estudio, se recopilaron datos de participantes en condiciones controladas que representaban descanso, estrés y esfuerzo físico. Se extrajeron parámetros centrales de VFC como el SDNN (Desviación Estándar de todos los intervalos Normal-a-Normal), RMSSD (Raíz Cuadrada Media de las Diferencias Sucesivas) y DFA (Análisis de Fluctuaciones Destrendidas). Se aplicó Análisis de Componentes Principales para la reducción de dimensionalidad. Se utilizaron K-Means, agrupamiento jerárquico y agrupamiento espacial basado en densidad de aplicaciones con ruido (DBSCAN) para descubrir agrupaciones naturales dentro de los datos. DBSCAN identificó valores atípicos asociados con respuestas atípicas, sugiriendo potencial para la detección temprana de anomalías. La combinación de descriptores de VFC permitió una clasificación no supervisada con más del 90% de consistencia entre clústeres y condiciones fisiológicas. El enfoque propuesto diferenciaba con éxito las tres condiciones fisiológicas basadas en VFC y características fractales, con una clara separación entre clústeres en términos de DFA alpha1, alpha2, LF/HF y RMSSD (con alta concordancia con las etiquetas fisiológicas (Pureza ~ 0.93; ARI = 0.89; NMI = 0.92)). Además, DBSCAN identificó tres valores atípicos con perfiles autonómicos atípicos, destacando el potencial del método para la detección de advertencias tempranas en sistemas de monitoreo en tiempo real.