Una de las estrategias de la OMS para reducir las lesiones y muertes por accidentes de tráfico es mejorar la seguridad de los vehículos. La detección de la fatiga al conducir puede utilizarse para aumentar la seguridad del vehículo. Nuestro estudio anterior desarrolló un marco de detección de fatiga al conducir basado en ECG con AdaBoost, produciendo una alta precisión validada cruzadamente del 98.82% y una precisión de prueba del 81.82%; sin embargo, el estudio no consideró el estado cognitivo del conductor relacionado con la fatiga y las características redundantes en el modelo de clasificación. En este artículo, proponemos desarrollos en las fases de extracción y selección de características en el marco de detección de fatiga al conducir. Para la extracción de características, empleamos la fragmentación de la frecuencia cardíaca para extraer características no lineales para analizar el estado cognitivo del conductor. Estas características se combinan con características obtenidas del análisis de la variabilidad de la frecuencia cardíaca en los dominios temporal, frecuencial y no lineal. En la selección de características, empleamos la información mutua para filtrar características redundantes. Para encontrar el número de características seleccionadas con el mejor rendimiento del modelo, realizamos 28 experimentos de combinación que consisten en 7 características seleccionadas posibles de un total de 58 características y 4 aprendizajes en conjunto. Los resultados de los experimentos muestran que el algoritmo de bosque aleatorio con 44 características seleccionadas produjo la mejor precisión de prueba del rendimiento del modelo del 95.45%, con una precisión validada cruzadamente del 98.65%.