Les anomalies du sommeil peuvent avoir des conséquences graves sur la santé. L'étagement automatique du sommeil, c'est-à-dire l'étiquetage de la séquence des stades de sommeil à partir des enregistrements physiologiques du patient, pourrait simplifier le processus diagnostique. Les travaux précédents sur l'étagement automatique du sommeil ont obtenu d'excellents résultats, en s'appuyant principalement sur le signal EEG (électroencéphalographie). Cependant, il est souvent possible d'utiliser plusieurs sources d'information au-delà de l'EEG. Cela peut être particulièrement avantageux lorsque les enregistrements EEG sont bruyants ou même totalement absents. Dans cet article, nous proposons CoRe-Sleep, un réseau de fusion multimodale basé sur une représentation coordonnée et particulièrement axé sur l'amélioration de la robustesse de l'analyse des signaux sur des données imparfaites. Nous démontrons comment une gestion appropriée de l'information multimodale peut être la clé pour atteindre cette robustesse. CoRe-Sleep tolère les segments modaux bruyants ou manquants, permettant ainsi l'entraînement sur des données incomplètes. De plus, il montre des performances à la pointe de l'art lors des tests effectués sur des données multimodales et unimodales à l'aide d'un seul modèle sur SHHS-1 (Study of Heart and Sleep Health - Étude sur le cœur et le sommeil), la plus grande étude publiquement disponible incluant des labels de stades de sommeil. Les résultats indiquent que l'entraînement du modèle sur des données multimodales influence positivement les performances lors des tests sur des données unimodales. Ce travail vise à combler le fossé entre les outils d'analyse automatisée et leur utilité clinique.