تصنيف مراحل النوم هو مهمة حاسمة لتشخيص اضطرابات النوم. هذه المهمة مرهقة ومعقدة، حيث يمكن أن يستغرق خبير مدرب عدة ساعات لتوثيق تخطيط النوم متعدد القنوات (PSG) لمرضى واحد فقط خلال ليلة واحدة. رغم أن نماذج التعلم العميق أظهرت أداءً رائدًا في تلقائيّة تصنيف مراحل النوم، فإن القابلية للتفهم التي تعريف رغبات أخرى، لم يتم استكشافها بشكل كبير. في هذه الدراسة، نقترح استخدام "تصنيف مراحل النوم عبر النماذج الأولية من قواعد الخبراء" (SLEEPER)، وهي طريقة تجمع بين نماذج التعلم العميق وقواعد محددة من قبل الخبراء باستخدام إطار التعلم الأولي لإنشاء نماذج بسيطة وقابلة للتفهم. بصفة خاصة، يستخدم SLEEPER قواعد تصنيف النوم والخصائص المحددة من قبل الخبراء لاستخراج النماذج الأولية التي هي تمثيلات لمجموعات بيانات PSG عبر شبكات العصب المتكررة. تكون النماذج النهائية عبارة عن نماذج بسيطة وقابلة للتفهم مثل شجرة القرار الضحلة المعرفة على أساس تلك الظواهر البيولوجية. قدمنا تقييمًا لـ SLEEPER باستخدام مجموعة بيانات PSG جُمعت من دراسات حول النوم وأظهرنا أن SLEEPER يمكنه توفير تصنيف دقيق لمراحل النوم يعادل تقريبًا ما يقوم به الخبراء البشريين والشبكات العصبية العميقة بنسبة ROC-AUC حوالي 85٪ وكappa .7.