La apnea del sueño es un trastorno del sueño que interrumpe la respiración durante el sueño. Este estudio tiene como objetivo clasificar la apnea del sueño utilizando un enfoque de aprendizaje automático y un modelo de característica Euler-Poincaré (EPC) derivado de señales de electrocardiograma (ECG). Se implementó un clasificador de vecinos más cercanos en conjunto y una red neuronal feedforward utilizando el modelo EPC como entradas. Las señales de ECG fueron preprocesadas con un esquema basado en polinomios para reducir el ruido, y las señales procesadas se transformaron en un campo aleatorio fisiológico no gaussiano (NGPRF) para la extracción del modelo EPC a partir de conjuntos de excursiones. Luego, los clasificadores se aplicaron a las entradas del modelo EPC. Utilizando el conjunto de datos Apnea-ECG, el método propuesto logró una precisión del 98.5%, una sensibilidad del 94.5% y una especificidad del 100%. Combinar métodos de aprendizaje automático y características geométricas puede diagnosticar efectivamente la apnea del sueño a partir de señales de ECG de un solo derivación. El modelo EPC mejora la toma de decisiones clínicas para evaluar esta enfermedad.