Automatische Schlafbewertung ist für die Diagnose und Behandlung von Schlafstörungen unerlässlich und ermöglicht eine longitudinale Schlaffolgenanalyse in häuslichen Umgebungen. Traditionell wird lernbasierte automatische Schlafbewertung anhand eines einzelnen Elektroenzephalogramms (EEG) intensiv erforscht, da das Erhalten von mehrkanaligen Signalen während des Schlafs schwierig ist. Die Lernrepräsentation aus rohen EEG-Signalen ist jedoch aufgrund der folgenden Probleme herausfordernd: 1) schlaffreundliche EEG-Muster treten in unterschiedlichen zeitlichen und frequenzmäßigen Skalen auf und 2) Schlafstadien teilen sich ähnliche EEG-Muster. Um diese Probleme zu lösen, schlagen wir ein tiefes Lernverfahren vor, das SleePyCo genannt wird, welches 1) eine Merkmalspyramide und 2) überwachtes kontrastives Lernen zur automatischen Schlafbewertung integriert. Für die Merkmalspyramide schlagen wir ein Netzwerk namens SleePyCo-Backbone vor, um mehrere Merkmalsfolgen in verschiedenen zeitlichen und frequenzmäßigen Skalen zu berücksichtigen. Das überwachte kontrastive Lernen ermöglicht es dem Netzwerk, klassifikationsunterscheidende Merkmale durch Minimierung des Abstands zwischen innerklassischen Merkmalen und gleichzeitige Maximierung des Abstands zwischen außerklassischen Merkmalen zu extrahieren. Vergleichsanalysen an vier öffentlichen Datensätzen zeigen, dass SleePyCo konsistent bessere Ergebnisse als bestehende Frameworks basierend auf einem einzelnen EEG-Kanal erzielt. Ausführliche Abschweifungsversuche belegen, dass SleePyCo eine verbesserte Gesamtleistung aufweist, insbesondere mit signifikanten Verbesserungen bei der Unterscheidung zwischen den Stadien N1 und schnellem Augenbewegungsschlaf (REM).