睡眠分期是诊断睡眠障碍的关键任务。这项工作既繁琐又复杂，因为即使是一位训练有素的专家也需要花费数小时才能标注一名患者一个晚上的多导睡眠图（PSG）。尽管深度学习模型在自动化睡眠分期方面已经展示了最先进的性能，但解释性这一其他重要标准却尚未得到充分探索。在本研究中，我们提出了一种基于专家规则原型的睡眠分期方法（SLEEPER），该方法通过原型学习框架将深度学习模型与专家定义的规则相结合，生成简单且可解释的模型。具体而言，SLEEPER利用睡眠评分规则和专家定义的特征来推导原型，这些原型是通过卷积神经网络提取的PSG数据片段的嵌入表示。最终模型是一种简单的可解释模型，如浅层决策树，其定义基于这些表型。我们使用来自两个睡眠研究的PSG数据集对SLEEPER进行了评估，并证明了SLEEPER可以提供与人类专家和深度神经网络相当的准确睡眠阶段分类，ROC-AUC约为85%，Kappa值为0.7。