Considerado pela oms como uma epidemia, o estresse mental é definido como uma resposta natural do corpo a estímulos externos, sendo benéfico até certos níveis. no entanto, períodos prolongados altos níveis de stress podem causar complicações, como um aumento no risco de infarto, impotência ou até mesmo depressão. por ter um aumento constante de casos desse estresse em tempo real é valiosíssima, podendo ser utilizada pelo usuário como um alarme de estresse elevado por um período considerado prejudicial. dentro desse contexto, este trabalho apresenta uma metodologia para a identificação de níveis de estresse através da variabilidade cardíaca (hrv), justificado pela interação entre sistema nervoso autônomo (sna) e atividade elétrica cardíaca. através de análises temporais, frequenciais e não-lineares, essa metodologia proposta considera a dinâmica dos parâmetros extraídos para construir uma matriz de parâmetros evoluindo temporalmente e a seguir fornecer essa informação a um classificador. neste trabalho foram utilizadas duas abordagens de classificadores, o clássico svm (suport vector machine) e métricas de riemann aplicadas a matrizes de covariância construídas a partir da dinâmica das análises. testes foram realizados em cima de uma base de dados aberta, da qual foram selecionados 54 eventos em 9 sujeitos, classificados entre níveis baixo, médio e alto de estresse. o resultado final dessa metodologia é comparado com a abordagem clássica, que não leva em consideração a dinâmica dos parâmetros, através da acurácia, métrica utilizada por trabalhos com o mesmo fim. as melhores configurações obtiveram acurácias de 86% e 82% através de métricas de riemann e svm, respectivamente, comparado com a abordagem clássica que obteve uma acurácia de 75% para o mesmo conjunto de dados. esses resultados demonstram que a dinâmica das análises de variabilidade pode ser utilizada como mais informação para a tomada de decisão dos classificadores ao identificar níveis de estresse mental a partir de sinais de hrv.