En los últimos años, detectar la fatiga del conductor ha sido una necesidad práctica y un problema significativo. Aunque se han realizado varias investigaciones para examinar la fatiga del conductor, hay relativamente pocos conjuntos de datos estándar sobre la identificación de la fatiga del conductor. Para investigaciones anteriores, se utilizaron métodos convencionales que dependían de características manuales para evaluar la fatiga del conductor. En cualquier caso de estudio, dichos enfoques necesitan información previa para la extracción de características, lo que podría aumentar la complejidad computacional. El trabajo actual propone un sistema de detección de fatiga del conductor, que es una necesidad fundamental para minimizar los accidentes de tráfico. Se recopilan datos de 11 personas con este fin, lo que resulta en un conjunto de datos completo. El conjunto de datos se prepara de acuerdo con criterios previamente publicados. Se concibe y desarrolla una red neuronal convolucional profunda con memoria a corto plazo de largo plazo (CNN-LSTM) para extraer características de datos de EEG crudos correspondientes a las seis áreas activas A, B, C, D, E (basadas en un solo canal) y F. Los hallazgos del estudio revelan que la red profunda CNN-LSTM propuesta podría aprender características jerárquicamente a partir de datos de EEG crudos y lograr una tasa de precisión mayor que enfoques comparativos anteriores para la categorización de fatiga del conductor en dos etapas. El enfoque propuesto podría ser utilizado para construir sistemas automáticos de detección de fatiga debido a su precisión y alta velocidad.