La classification automatique des stades du sommeil joue un rôle fondamental dans l’évaluation de la qualité du sommeil. Dans cet article, nous proposons une nouvelle architecture d’apprentissage profond basée sur l’attention, appelée AttnSleep, destinée à classifier les stades du sommeil à partir de signaux EEG monocanal. Cette architecture commence par un module d’extraction de caractéristiques fondé sur un réseau de neurones convolutifs à multi-résolution (MRCNN) et une recalibration adaptative des caractéristiques (AFR). Le MRCNN permet d’extraire à la fois des caractéristiques de basse et de haute fréquence, tandis que l’AFR améliore la qualité des caractéristiques extraites en modélisant les dépendances inter-échantillonnées entre elles. Le second module est un encodeur de contexte temporel (TCE), qui exploite un mécanisme d’attention à plusieurs têtes afin de capturer les dépendances temporelles parmi les caractéristiques extraites. Plus particulièrement, l’attention à plusieurs têtes utilise des convolutions causales pour modéliser les relations temporelles présentes dans les caractéristiques d’entrée. Nous évaluons la performance de notre modèle AttnSleep sur trois jeux de données publics. Les résultats démontrent que notre modèle AttnSleep surpasse les techniques de pointe en termes de diverses métriques d’évaluation. Nos codes sources, les données expérimentales et les matériaux complémentaires sont disponibles à l’adresse suivante : https://github.com/emadeldeen24/AttnSleep.