Las medidas fisiológicas han sido ampliamente utilizadas por investigadores y profesionales para abordar el desafío de la detección del estrés. Hasta ahora, se han registrado varios conjuntos de datos para la detección del estrés y están disponibles para la comunidad investigadora para pruebas y evaluaciones comparativas. La mayoría de los conjuntos de datos disponibles relacionados con el estrés han sido registrados mientras los usuarios estaban expuestos a estresores intensos, como canciones, clips de películas, fallas importantes de hardware/software, conjuntos de datos de imágenes y escenarios de juegos. Sin embargo, sigue siendo una pregunta abierta de investigación si dichos conjuntos de datos pueden ser utilizados para crear modelos que detecten de manera efectiva el estrés en diferentes contextos. Este artículo investiga el rendimiento del conjunto de datos fisiológicos públicamente disponible llamado WESAD (detección de estrés y afecto portátil) en el contexto de la evaluación de la experiencia del usuario (UX). Más específicamente, se utilizaron las señales de actividad electrodermal (EDA) y temperatura de la piel (ST) de WESAD para entrenar tres clasificadores de aprendizaje automático tradicionales y una red neuronal artificial de aprendizaje profundo de alimentación directa simple que combina variables continuas y embeddings de entidades. En cuanto al problema de clasificación binaria (estrés vs. no estrés), se logró una alta precisión (hasta un 97.4%), para ambos enfoques de entrenamiento (aprendizaje profundo, aprendizaje automático). En cuanto a la efectividad de la detección del estrés de los modelos creados en otro contexto, como la evaluación de la experiencia del usuario (UX), los resultados fueron bastante impresionantes. Más específicamente, el modelo de aprendizaje profundo logró un acuerdo bastante alto cuando se utilizó un conjunto de datos anotado por el usuario para la validación.