La fatiga al conducir representa un gran número de accidentes de tráfico en la vida moderna actual. Por lo tanto, es de gran importancia reducir este factor de riesgo detectando la condición de somnolencia del conductor. Este estudio tuvo como objetivo detectar la somnolencia de los conductores utilizando una técnica avanzada de clasificación basada en electroencefalografía (EEG). Primero recopilamos datos de EEG de seis adultos sanos bajo dos condiciones de conciencia diferentes (vigilia y somnolencia) en un experimento de conducción virtual. Se aplicaron cinco técnicas de aprendizaje automático diferentes, incluyendo el vecino más cercano (KNN), la máquina de vectores de soporte (SVM), la máquina de aprendizaje extremo (ELM), la máquina de aprendizaje extremo jerárquico (H-ELM) y el algoritmo propuesto de máquina de aprendizaje extremo jerárquico modificado con optimización por enjambre de partículas (PSO-H-ELM), para clasificar la somnolencia del sujeto basada en la característica de densidad espectral de potencia (PSD) extraída de los datos de EEG. Las precisión media de los cinco clasificadores fue del 79.31%, 79.31%, 74.08%, 81.67% y 83.12%, respectivamente, demostrando el rendimiento superior de nuestro nuevo algoritmo PSO-H-ELM en la detección de la somnolencia de los conductores, en comparación con las otras técnicas.