En la actualidad, el teléfono móvil (dispositivo que frecuentemente contribuye a la distracción y al deterioro del bienestar mental) puede ser una plataforma poderosa para la investigación y el desarrollo de sistemas inteligentes que, en contraposición, ayuden al usuario. Este trabajo propone construir una arquitectura computacional optimizada, cuyas capacidades de inferencia sean validadas en escenarios controlados utilizando conjuntos de datos multimodales (expresiones faciales, micrófono y entradas autoadministradas) procesados por técnicas de visión por computadora y aprendizaje automático, con la capacidad de ejecutarse en tiempo real para evaluar los datos que va capturando.