La etapa precisa del sueño es crucial para evaluar la calidad del sueño y diagnosticar trastornos del sueño. Los esfuerzos de investigación recientes sobre la clasificación automatizada del sueño se han centrado en arquitecturas complejas de aprendizaje profundo que han logrado mejoras modestas en la precisión de la clasificación pero tienen una aplicabilidad limitada en el mundo real debido a la complejidad del entrenamiento y despliegue del modelo y a la falta de interpretabilidad. Este documento presenta un esquema efectivo e interpretable de clasificación del sueño que sigue un pipeline clásico de aprendizaje automático. Se extrajeron características de múltiples dominios de señales de electroencefalograma (EEG) preprocesadas, y se crearon nuevas características de electrooculograma (EOG) para caracterizar diferentes etapas del sueño. Se diseñó una estrategia de selección de características de dos pasos que combina el prefiltrado de puntuación F y la clasificación de características XGBoost para seleccionar el subconjunto de características más discriminatorio, que luego se introdujo en un modelo XGBoost para la clasificación de etapas del sueño. A través de un riguroso procedimiento de doble validación cruzada, nuestro enfoque logró un rendimiento de clasificación competitivo en el conjunto de datos público Sleep-EDF (precisión del 87.0%, puntuación F1 del 86.6%, coeficiente Kappa de 0.81) en comparación con los métodos de aprendizaje profundo más avanzados y proporcionó interpretabilidad a través del análisis de importancia de características. Estos resultados prometedores demuestran la efectividad del modelo propuesto de clasificación del sueño y muestran su potencial en aplicaciones prácticas debido a su baja complejidad, interpretabilidad y transparencia.