El desarrollo de metodologías de detección para un seguimiento fiable del sueño es una tarea desafiante que requiere tanto entradas de señales apropiadas como algoritmos de análisis precisos y robustos. El objetivo de esta investigación es desarrollar un método avanzado para detectar la etapa de somnolencia en el electroencefalograma (EEG), la medida fisiológica más fiable, utilizando las prometedoras metodologías de Aprendizaje Automático. Los métodos utilizados en este documento se basan en metodologías de Aprendizaje Automático como el autoencoder apilado con capas de softmax. Los resultados obtenidos de 62 voluntarios indican una precisión del 100% en la discriminación de somnolencia/estado de vigilia, demostrando que este enfoque puede ser muy prometedor para su uso en la próxima generación de dispositivos médicos. Esta metodología puede ser ampliada para otros usos en la vida cotidiana en los que el mantenimiento del nivel de vigilancia es crítico. Los trabajos futuros tienen como objetivo realizar una validación extendida del pipeline propuesto con un amplio conjunto de entrenamiento en el que integramos la señal de fotopletismografía (PPG) y la información visual con el análisis de EEG para mejorar la robustez del enfoque general.