Drowsiness onset detection implementations predict when a person transitions from a state of wakefulness to a state of drowsiness based on heart rate information. Appropriate action is then taken to stimulate the person to a state of wakefulness or notify other people of their state (with respect to drowsiness/alertness). This generally involves capturing a person's heart rate information over time using one or more heart rate (HR) sensors and then computing a heart- rate variability (HRV) signal from the captured heart rate information. Using Discrete Fourier Transform and DiscreteWavelet Transform, the HRV signal is analyzed to extract features that are indicative of an individual's transition from a wakeful state to a drowsy state. The extracted features are input into an artificial neural net (ANN) that has been trained using the same features to identify when an individual makes the aforementioned transition to drowsiness. Whenever an onset of drowsiness is detected, a warning is initiated.Se describen implementaciones de detección de inicio de somnolencia que predicen cuando una persona va de un estado de despierto a un estado de somnoliento basándose en la información de frecuencia cardíaca. Después se toma una acción apropiada para estimular a la persona a un estado de despierto o notificar a otra persona de su estado (con respecto a somnolencia/alerta). Esto generalmente involucra capturar información de frecuencia cardíaca de una persona con el tiempo utilizando uno o más sensores de frecuencia cardíaca (HR) y después calcular una señal de variabilidad de frecuencia cardíaca (HRV) de la información de frecuencia cardíaca capturada. Al utilizar la transformada de Fourier discreta y la transformada de onda discreta, la señal de HRV se analiza para extraer características que son indicativas de una transición de un individuo de un estado de despierto a un estado de somnoliento. Las características extraídas se introducen en una red neuronal artificial (ANN) q
