Les données électroencéphalographiques (EEG) sont communément utilisées en médecine du sommeil. Il s'agit d'un ensemble de signaux électriques cérébraux issus de différents capteurs, subdivisés en segments devant être annotés manuellement pour quantifier les différents stades de sommeil. Ces dernières années, une littérature croissante s'est accumulée sur l'automatisation de ce processus d'annotation, offrant des résultats prometteurs, mais insuffisants pour une utilisation en milieu clinique. Nous proposons d'explorer une approche alternative afin d'améliorer la classification, basée sur l'étude de l'information portée par les covariations entre plusieurs signaux EEG représentatifs de différentes régions cérébrales. Ces covariations prennent la forme de séquences temporelles de matrices de covariance, exploitées au travers de mécanismes d'attention à l'échelle intra-époque et inter-époque. Nous validons nos résultats sur un jeu de données standard de l'État de l'Art. ENGLISH: Electroencephalographic data (EEG) is commonly used in sleep medecine. It consists of a number of cerebral electrical signals measured from various brain locations, subdivided into segments that must be manually scored to reflect their sleep stage. These past few years, multiple implementations of an automatization of this scoring process have been attempted, with promising results, although they are not yet accurate enough to see clinical use. We propose a novel approach, that relies on the information contained within the covariations between multiple EEG signals, each signal reresentative of a different cerebral region. This is done through temporal sequences of covariance matrices, analyzed through attention mechanisms at both the intra- and inter-epoch levels. Evaluation is performed on a standard dataset, for comparison with the State of the Art.