El reconocimiento automático de emociones utilizando sensores portátiles está ganando atención debido a su potencial uso en escenarios de la vida real. Los estudios existentes no han explorado exclusivamente los sensores de Respuesta de la Piel Galvánica y Fotopletismografía para el reconocimiento de emociones utilizando características no lineales con clasificadores de aprendizaje automático (ML) como Random Forest, Máquina de Vectores de Soporte, Máquina de Refuerzo de Gradiente, Vecino Más Cercano K y Árbol de Decisión. En este estudio, propusimos un análisis de sensibilidad de ventana genuina en un conjunto de datos de anotación continua para determinar la duración de la ventana y el porcentaje de superposición que optimizan el rendimiento de la clasificación utilizando algoritmos de ML y características no lineales, a saber, Exponente de Lyapunov, Entropía Aproximada e índices de Poincaré. Encontramos una duración óptima de ventana de 3 s con superposición y logramos precisión de 0.75 y 0.74 para la excitación y la valencia, respectivamente. Además, propusimos un Esquema de Etiquetado Fuerte que mantuvo solo los valores extremos de las etiquetas, lo que elevó la puntuación de precisión a 0.94 para la excitación. Bajo ciertas condiciones mencionadas, los modelos de ML tradicionales ofrecen un buen compromiso entre rendimiento y bajo costo computacional. Nuestros resultados sugieren que los algoritmos de ML conocidos aún pueden contribuir al campo del reconocimiento de emociones, siempre que la duración de la ventana, el porcentaje de superposición y las características no lineales se seleccionen cuidadosamente.