Antecedentes: La resiliencia cognitiva es un factor crítico en entornos de alto rendimiento como las operaciones militares, donde el estrés sostenido puede afectar la atención y la toma de decisiones. En el presente estudio, utilizamos EEG y aprendizaje automático para evaluar la resiliencia cognitiva en personal militar de élite. Métodos: Con este propósito, se registraron señales de EEG de personal militar de élite durante tareas de atención inductoras de estrés y emocionales. Las señales de EEG se segmentaron en dos ventanas temporales correspondientes a la respuesta inicial al estrés (línea base) y la fase adaptativa/de recuperación, extrayendo características de densidad espectral de potencia en bandas delta, theta, alfa, beta y gamma. Se entrenaron diferentes modelos de aprendizaje automático (Árbol de decisión, Bosque Aleatorio, AdaBoost, XGBoost) para clasificar las fases temporales. Resultados: XGBoost logró la mayor precisión (0.95), mientras que el análisis de Explicaciones Aditivas de Shapley (SHAP) identificó bandas delta y alfa (particularmente en regiones frontal y parietal) como características clave asociadas con estados mentales adaptativos. Conclusiones: Nuestros hallazgos indican que las respuestas neurales relacionadas con la resiliencia pueden distinguirse con éxito y que los marcos de IA interpretables pueden utilizarse para monitorear la adaptación cognitiva en entornos de alto estrés.