A qualidade do sono é crucial para a recuperação das funções biológicas, neurológicas e psicológicas. Indivíduos privados de sono podem sofrer de diversos impactos negativos na saúde, sendo a apneia do sono um dos distúrbios mais comuns à perturbar o sono. A polissonografia é o principal método de diagnósticos de distúrbios do sono e é realizado em clínicas especializadas. Com a evolução Internet das Coisas, dispositivos vestíveis tornaram-se capazes de coletar dados para a análise do sono, fomentando novas perspectivas no campo de saúde e da ciência da computação. Este estudo se propõe a então a explorar a aplicação de aprendizado de máquina na detecção de distúrbios do sono, auxiliando no diagnóstico da polissonografia. Dessa forma quatro algoritmos de aprendizado de máquina foram avaliados com os dados provenientes de uma base de dados reais de polissonografia, advindos de treze sinais fisiológicos. Além disso, também investigou-se o impacto da redução do número de sinais no desempenho dos algoritmos, onde o objetivo era avaliar a possível utilização de dispositivos vestíveis para captação desses sinais. Os resultados apontaram o algoritmo Random Forest como o mais promissor, apresentando performance satisfatória mesmo com o uso de um número reduzido de sinais.