Más de 1.3 millones de personas mueren anualmente en accidentes de tráfico. Los accidentes de tráfico son causados principalmente por error humano. Por lo tanto, se requiere un sistema preciso de detección de fatiga al conducir para los conductores. La mayoría de los estudios sobre detección de fatiga al conducir se han centrado en mejorar la ingeniería de características y los métodos de clasificación. Proponemos un nuevo marco de detección de fatiga al conducir que se concentra en el desarrollo de las etapas de preprocesamiento, extracción de características y clasificación para mejorar la precisión de clasificación de los estados de fatiga. El marco propuesto mide la fatiga utilizando un ECG de dos electrodos. Se utilizó el método de re-muestreo y el análisis de variabilidad de la frecuencia cardíaca para extraer características de los datos del ECG, y se utilizó un modelo de aprendizaje en conjunto para clasificar los estados de fatiga. Para lograr el mejor rendimiento del modelo, se aplicaron 40 escenarios posibles: una combinación de 5 escenarios de re-muestreo, 2 escenarios de extracción de características y 4 escenarios de modelos de clasificación. Se descubrió que la combinación de un método de re-muestreo con una duración de ventana de 300 s y un solapamiento de 270 s, 54 características extraídas y AdaBoost produjo una precisión óptima del 98.82% para el conjunto de datos de entrenamiento y del 81.82% para el conjunto de datos de prueba. Además, el método de re-muestreo de preprocesamiento tuvo el mayor impacto en el rendimiento del modelo; es un nuevo enfoque presentado en este estudio.