La detección temprana y prevención del estrés es crucial porque el estrés afecta a nuestras señales vitales como la frecuencia cardíaca, la presión arterial, la temperatura de la piel, la frecuencia respiratoria y la variabilidad de la frecuencia cardíaca. Hay diferentes formas de determinar el estrés utilizando diferentes dispositivos, como el electrocardiograma (ECG), la actividad electrodermal (EDA), el electroencefalograma (EEG), la fotopletismografía (PPG) o un método de evaluación del estrés basado en cuestionarios. En este estudio, propusimos un sistema de detección de estrés en tiempo real basado en cámara utilizando fotopletismografía remota (rPPG). Entrenamos diferentes modelos de aprendizaje automático utilizando tres conjuntos de datos: el conjunto de datos SWELL, el conjunto de datos del sensor PPG y el último conjunto de datos de estrés basado en ECG y EEG. Los modelos con la mayor precisión predictiva se utilizaron para clasificar el estrés basado en las características de la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca obtenidas del rostro utilizando una cámara. Las estimaciones de la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca del rostro se validaron en el conjunto de datos público PURE y en el conjunto de datos personalizado. En este estudio, se observó que el algoritmo de bosque aleatorio funciona significativamente mejor que otros modelos, logrando una impresionante precisión predictiva del 99% en el conjunto de datos SWELL. En el segundo conjunto de datos, la técnica de regresión logística muestra el mejor resultado, logrando una tasa de precisión del 84.24%. En el último conjunto de datos, el modelo de conjunto logró una tasa de precisión del 67%. También comprobamos el algoritmo propuesto en el proceso de hablar en público para estimar el estrés en una situación en tiempo real.