睡眠障害は深刻な健康問題を引き起こす可能性があります。患者の生理学的記録から睡眠ステージの系列をラベリングする自動睡眠ステージングが診断プロセスを簡素化する可能性があります。これまでの自動睡眠ステージングに関する研究では、主にEEG信号に依存して優れた結果が得られてきました。しかし、EEG以外にもしばしば複数の情報源が利用可能です。これは特に、EEG記録がノイジーであるか、または完全に欠落している場合に有益です。本論文では、CoRe-Sleep（Coordinated Representation multimodal fusion network）を提案します。このネットワークは、不完全なデータにおける信号解析の堅牢性向上に特に焦点を当てています。私たちは、適切に多様なモダリティ情報を処理することがこのような堅牢性を達成する鍵となることを示します。CoRe-Sleepはノイジーまたは欠落したモダリティセグメントを許容し、不完全なデータでの学習も可能とします。さらに、SHHS-1（最大規模の公開された睡眠ステージラベル付き研究）において、単一モデルで多様なモダリティデータと単一モダリティデータの両方でテストを行った際、最先端の性能を示しています。結果は、多様なモダリティデータでモデルを学習させることにより、単一モダリティデータでのテスト性能が肯定的に影響を受けていることを示唆しています。本研究は、自動解析ツールとその臨床的有用性との間にあるギャップを埋めることを目指しています。