La classificazione delle fasi del sonno gioca un ruolo fondamentale in ambito clinico, ma l’approccio manuale tradizionale è costoso in termini di tempo ed esposto a errori causati dalla soggettività del processo. Per superare questi limiti, negli ultimi anni sono stati sviluppati metodi automatici basati su tecniche di deep learning. Tuttavia, nonostante le elevate performance, questi modelli presentano difficoltà nell'essere applicati in ambito clinico per la loro natura di “scatola nera”, che limita la fiducia nelle predizioni a causa della mancanza di una spiegazione del processo decisionale. In questo lavoro, si propone un approccio innovativo che combina quantificazione dell’incertezza (UQ) ed Explainable Artificial Intelligence (XAI) per migliorare l’affidabilità e l’interpretabilità delle predizioni di una rete CNN+BiLSTM allenata per la classificazione automatica delle fasi del sonno.