La hipertensión, un factor de riesgo principal para diversas enfermedades cardiovasculares, es una preocupación de salud global. La identificación temprana y el manejo efectivo de individuos hipertensos son vitales para reducir los riesgos de salud asociados. Este estudio explora el potencial de las técnicas de aprendizaje profundo (DL), específicamente GoogLeNet, ResNet-18 y ResNet-50, para discriminar entre individuos normotensos (NTS) e hipertensos (HTS) utilizando grabaciones fotopletismográficas (PPG). La investigación evalúa el impacto de la calibración en diferentes intervalos de tiempo entre las mediciones, considerando intervalos inferiores a 1 h, 1-6 h, 6-24 h y más de 24 h. Los resultados indican que la calibración es más efectiva cuando las mediciones están cercanas, con una precisión que supera el 90% en todas las estrategias de DL probadas. Para intervalos de calibración inferiores a 1 h, ResNet-18 logró la mayor precisión (93.32%), sensibilidad (84.09%), especificidad (97.30%) y puntaje F1 (88.36%). A medida que aumentaba el intervalo de tiempo entre la calibración y las mediciones de prueba, el rendimiento de clasificación disminuía gradualmente. Para intervalos superiores a 6 h, la precisión bajaba por debajo del 81%, pero todos los modelos mantenían una precisión por encima del 71% incluso para intervalos superiores a 24 h. Este estudio proporciona información valiosa sobre la viabilidad de utilizar DL para la evaluación del riesgo de hipertensión, particularmente a través de grabaciones PPG. Demuestra que las mediciones de calibración cercanas pueden llevar a una clasificación altamente precisa, enfatizando el potencial para aplicaciones en tiempo real. Estos hallazgos pueden allanar el camino para métodos avanzados de monitoreo de presión arterial no invasivos y continuos que sean eficientes y confiables.