Schlaf ist entscheidend für die Aufrechterhaltung der menschlichen Gesundheit und Lebensqualität. Die Analyse physiologischer Signale während des Schlafs ist von zentraler Bedeutung für die Beurteilung der Schlafqualität und die Diagnose von Schlafstörungen. Allerdings sind manuelle Diagnosen durch Kliniker zeitaufwendig und subjektiv. Trotz Fortschritten im Bereich des tiefen Lernens, die die Automatisierung erheblich verbessert haben, bleiben diese Ansätze nach wie vor stark von großskaligen, beschrifteten Datensätzen abhängig. In dieser Studie wird SynthSleepNet vorgestellt, ein multimodales hybrides selbstüberwachtes Lernframework zur Analyse von Polysomnographie-(PSG-)Daten. SynthSleepNet integriert effektiv die Masked-Prediction- und die Kontrastive-Lernstrategie, um ergänzende Merkmale über mehrere Modalitäten hinweg – einschließlich Elektroenzephalogramm (EEG), Elektrookulogramm (EOG), Elektromyogramm (EMG) und Elektrokardiogramm (ECG) – zu nutzen. Dieser Ansatz ermöglicht es dem Modell, hochausdrucksstarke Darstellungen von PSG-Daten zu erlernen. Darüber hinaus wurde ein zeitlicher Kontextmodul basierend auf Mamba entwickelt, das kontextuelle Informationen über die Signale effizient erfassen kann. SynthSleepNet erzielte gegenüber bestehenden State-of-the-Art-Methoden überzeugende Ergebnisse bei drei nachgeschalteten Aufgaben: Schlafstadien-Klassifikation, Apnoe-Erkennung und Hypopnoe-Erkennung, mit Genauigkeiten von jeweils 89,89 %, 99,75 % und 89,60 %. Im semi-supervised Lernumfeld mit begrenzten Beschriftungen zeigte das Modell robuste Leistung mit Genauigkeiten von 87,98 %, 99,37 % und 77,52 % in denselben Aufgaben. Diese Ergebnisse unterstreichen das Potenzial des Modells als grundlegendes Werkzeug für die umfassende Analyse von PSG-Daten. SynthSleepNet zeigt insgesamt überlegene Leistung gegenüber anderen Methoden bei mehreren nachgeschalteten Aufgaben und wird erwartet, einen neuen Standard für die Überwachung und Diagnose von Schlafstörungen zu setzen.