La classificazione automatica delle fasi del sonno mediante modelli di Deep Learning ha raggiunto negli ultimi anni prestazioni elevate, ma il loro impiego in ambito clinico è ancora limitato dalla natura di “scatola nera” di tali approcci. In particolare, la mancanza di informazioni sull'affidabilità delle predizioni e sulle evidenze che guidano il processo decisionale rappresenta un ostacolo alla loro adozione nella pratica clinica. In questo lavoro viene proposta una pipeline che combina tecniche di Uncertainty Quantification (UQ) ed Explainable Artificial Intelligence (XAI) con l'obiettivo di migliorare affidabilità, trasparenza e interpretabilità della classificazione automatica delle fasi del sonno mediante una rete CNN-BiLSTM.