Die Einteilung von Schlafphasen ist eine entscheidende Aufgabe zur Diagnose von Schlafstörungen. Sie ist mühsam und komplex, da ein ausgebildeter Experte mehrere Stunden benötigt, um die Polysomnographie (PSG) eines einzelnen Patienten für eine Nacht zu annotieren. Obwohl tiefes Lernen Modelle bereits den Stand der Technik in der Automatisierung der Schlafphaseneinteilung demonstriert haben, blieb die Interpretierbarkeit, die andere Wünsche definiert, weitgehend unerforscht. In dieser Studie schlagen wir Sleep staging via Prototypes from Expert Rules (SLEEPER) vor, einen Ansatz, der tiefes Lernen mit regelbasierten Expertenwissen durch ein Prototypenlernframework kombiniert, um einfache und interpretierbare Modelle zu generieren. Insbesondere nutzt SLEEPER Schlafbewertungsregeln und expertengedefinierte Merkmale, um Prototypen abzuleiten, die durch Faltungsneuronale Netze (CNN) erzeugte Einbettungen von PSG-Datenschnipseln sind. Die endgültigen Modelle sind einfache und interpretierbare Modelle wie flache Entscheidungsbäume, die auf diesen Phänotypen basieren. Wir evaluierten SLEEPER anhand zweier PSG-Datensätze, die aus Schlafforschungsstudien stammen, und zeigten, dass SLEEPER eine genaue Klassifizierung von Schlafphasen liefern kann, die sich mit menschlichen Experten und tiefen neuronalen Netzen vergleichen lässt und etwa 85 % ROC-AUC und 0,7 Kappa erreicht.