استفاده از روشی هوشمند برای تشخیص خودکار مراحل خواب در کاربردهای پزشکی به منظور کاهش حجم کار پزشکان در تجزیه و تحلیل داده های خواب با بازرسی بصری یکی از مساله های مهم در سال های اخیر است. در این مقاله، الگوریتمی مبتنی بر EEG تک کاناله برای شناسایی خودکار مراحل خواب با استفاده از روش تجزیه حالت تجربی دسته ای کامل و مدل ترکیبی الگوریتم ژنتیک و شبکه عصبی ارائه می شود. سیگنال با استفاده از تجزیه حالت تجربی دسته ای کامل به توابع حالت ذاتی خود، تجزیه و ویژگی های آماری از هریک از توابع حالت ذاتی استخراج می شود. برای بهینه سازی و کاهش ابعاد بردارهای ویژگی از مدل ترکیبی الگوریتم ژنتیک و شبکه عصبی چندلایه پس انتشار خطا استفاده شده است. سپس از آزمون مک نمار برای تایید صحت ویژگی های بهینه استفاده می شود. شبکه عصبی پرسپترون با یک لایه پنهان، طبقه بندی نهایی روی این ویژگی های بهینه شده را انجام می دهد و به طور میانگین برای طبقه بندی 2-کلاس تا 6-کلاس، مراحل مختلف خواب به ترتیب صحت %98.90، %97.10، %96.70، %94.80 و %93.80 و ضریب کاپا کوهن 0.98، 0.95، 0.95، 0.83 و 0.9 را فراهم می کند و نشان می دهد روش پیشنهادی، درصد موفقیت بیشتری در طبقه بندی مراحل خواب نسبت به پژوهش های پیشین دارد.