La creciente prevalencia de trastornos de salud mental, particularmente la depresión, resalta la necesidad de enfoques mejorados en las intervenciones terapéuticas. La psicoterapia tradicional se basa en evaluaciones subjetivas, que pueden variar entre terapeutas y sesiones, lo que dificulta el seguimiento objetivo de la progresión emocional y la efectividad de la terapia. Aprovechando los avances en Procesamiento de Lenguaje Natural (NLP) y Modelos de Lenguaje de Gran Escala (LLMs) específicos del dominio, este estudio presenta nBERT, un modelo de Representaciones de Codificador Bidireccional de Transformers (BERT) ajustado e integrado con el Léxico de Emociones de NRC, para elevar el reconocimiento emocional en las transcripciones de psicoterapia. El objetivo de este estudio es proporcionar un marco computacional que ayude a identificar patrones emocionales, rastrear la alineación emocional entre paciente y terapeuta, y evaluar los resultados de la terapia. Abordando el desafío de la clasificación emocional en sesiones de terapia basadas en texto, donde las señales no verbales están ausentes, nBERT demuestra su capacidad para extraer matices emocionales de datos textuales no estructurados, proporcionando un enfoque basado en datos para mejorar las evaluaciones de salud mental. Entrenado en un conjunto de datos de 2021 transcripciones de psicoterapia, el modelo logra una precisión promedio del 91.53%, superando significativamente a los modelos de referencia. Esta capacidad no solo mejora la precisión diagnóstica, sino que también apoya la personalización de estrategias terapéuticas. Al automatizar la interpretación de dinámicas emocionales complejas en psicoterapia, nBERT ejemplifica el potencial transformador de NLP y LLMs en la revolución de la atención de salud mental. Más allá de la psicoterapia, el marco permite aplicaciones más amplias de LLM en las ciencias de la vida, incluyendo medicina personalizada y atención médica de precisión.