Стресс-одна из самых насущных проблем современного общества, которая напрямую влияет на психическое и физическое здоровье человека. Длительный или неконтролируемый стресс является одним из основных факторов сердечно-сосудистых заболеваний, ослабления иммунной системы и снижения производительности труда. В связи с этим своевременное выявление и прогнозирование стресса становится важной научной и практической задачей. В данной статье рассмотрена проблема прогнозирования стресса на основе физиологических показателей. Данные исследования были зарегистрированы с помощью специально разработанного инструмента, который позволяет собирать параметры частоты сердечных сокращений (HR), частоты дыхания (RR) и проводимости кожи (SC). На основе полученных сигналов был рассчитан интегральный StressIndex, и в соответствии с интерквартильными процентилями уровень стресса был разделен на четыре категории: тихий, низкий, нормальный, высокий. Используя эти данные, были использованы алгоритмы машинного обучения – KNN, Decision Tree, Random Forest и Gradient Boosting. Экспериментальные результаты показали, что модель Random Forest, достигшая наивысшего результата (точность hold-out 0.900, средняя точность 5-слойной перекрестной проверки 0.805), оказалась стабильным и надежным методом прогнозирования стресса. Полученные результаты позволяют осуществлять мониторинг real-time на wearable устройствах и создавать системы раннего выявления и предупреждения психофизиологического состояния пользователя.