Drowsiness onset detection implementations are presented that 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. 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.La présente invention concerne des mises en œuvre de détection d'apparition de somnolence lorsqu'une personne passe d'un état d'éveil à un état de somnolence sur la base d'informations de fréquence cardiaque. Une action appropriée est ensuite prise pour stimuler la personne vers un état d'éveil ou informer d'autres personnes de son état (en ce qui concerne la somnolence/vigilance). Ceci comporte généralement la capture d'informations de fréquence cardiaque d'une personne dans le temps à l'aide d'un ou plusieurs détecteurs de fréquence cardiaque (FC) et ensuite le calcul d'un signal de variabilité de fréquence cardiaque (HRV) à partir des informations de fréquence cardiaque capturées. En utilisant la transformée de Fourier discrète et la transformée discrète en ondelettes, le signal HRV est analysé pour extraire les caractéristiques indiquant une transition d'une personne d'un état d'éveil vers un état de somnolence. Les caractéristiques extraites sont saisies dans un réseau neuronal artificiel (ANN) qui a fait l'objet d'