睡眠ステージの自動分類は、睡眠の質を評価する上で極めて重要である。本論文では、単一チャネルEEG信号を用いて睡眠ステージを分類するための新たなアテンションベースの深層学習アーキテクチャ「AttnSleep」を提案する。このアーキテクチャは、マルチリゾリューション畳み込みニューラルネットワーク（MRCNN）と適応的特徴再調整（AFR）に基づく特徴抽出モジュールから構成される。MRCNNは低周波および高周波の特徴を抽出可能であり、AFRは特徴間の相互依存関係をモデル化することで抽出された特徴の品質を向上させる。2番目のモジュールは、時系列的文脈エンコーダ（TCE）であり、マルチヘッドアテンション機構を活用して抽出された特徴間の時系列的依存関係を捉える。特に、マルチヘッドアテンションは因果畳み込み（causal convolutions）を用いて入力特徴内の時系列関係をモデル化する。本研究では、3つの公的データセットを用いて提案モデルAttnSleepの性能を評価した結果、さまざまな評価指標において最先端技術を上回ることが示された。本研究のソースコード、実験データおよび補足資料は、https://github.com/emadeldeen24/AttnSleep にて公開されている。