La conducción con fatiga (FD) es una de las principales causas de accidentes de tráfico. Tradicionalmente, tecnologías de aprendizaje automático como la red neuronal de retropropagación (BPNN) y la máquina de vectores de soporte (SVM) son ampliamente utilizadas para la detección de la fatiga al conducir. Sin embargo, la BPNN presenta una velocidad de convergencia lenta y muchos parámetros ajustables, mientras que es difícil entrenar muestras a gran escala en la SVM. En este documento, desarrollamos un método de detección de FD basado en la máquina de aprendizaje extremo (ELM) para evitar las desventajas mencionadas anteriormente. Además, dado que la aleatoriedad del peso y los sesgos entre la capa de entrada y la capa oculta del ELM influirán en su rendimiento de generalización, aplicamos un método de ELM de evolución diferencial (DE-ELM) para el análisis de las señales de respiración y latidos del conductor, lo cual puede juzgar efectivamente el estado de fatiga del conductor. Además, no solo se utilizarán el radar Doppler y la pulsera inteligente para obtener las señales de respiración y latidos del conductor, sino que también se establecerá una base de datos de muestras requerida para el experimento a través de extensas colecciones de señales. Los resultados experimentales muestran que el DE-ELM tiene un mejor rendimiento en la detección del nivel de fatiga del conductor que el ELM tradicional y la SVM.