Antecedentes: La autenticación de dinámica de pulsaciones es un método biométrico conductual que verifica la identidad del usuario mediante el análisis de patrones de escritura. Si bien los métodos tradicionales de aprendizaje automático (por ejemplo, árboles de decisión, SVM) han mostrado potencial en este campo, su rendimiento se ve afectado en escenarios del mundo real debido al desequilibrio de datos y al reconocimiento limitado de ciertas clases, socavando la seguridad y confiabilidad del sistema. Métodos: Para abordar estos problemas, este estudio combina la Técnica de Sobremuestreo de la Minoría Sintética (SMOTE) con métodos de aprendizaje de conjunto para mejorar la precisión de clasificación. Se desarrolló una plataforma basada en Django para la recopilación estandarizada de datos de pulsaciones, generando un conjunto de datos equilibrado para evaluar varios clasificadores. Experimentos: Se realizaron experimentos utilizando tanto el conjunto de datos recopilado por Django como el conjunto de datos de referencia de CMU para comparar clasificadores tradicionales con modelos de aprendizaje de conjunto mejorados con SMOTE, como Random Forest, XGBoost y Bagging, en métricas como precisión, recall, G-mean y F1-score. Conclusiones: Los resultados muestran que los modelos de aprendizaje de conjunto mejorados con SMOTE superan significativamente a los clasificadores tradicionales, especialmente en la detección de clases minoritarias. Este enfoque aborda eficazmente el desequilibrio de datos, mejorando la robustez y seguridad del modelo, y proporciona una referencia práctica para construir sistemas de autenticación de dinámica de pulsaciones más confiables.