نقترح نموذجًا توليديًا للكهروencephalography (EEG) الأحادي القناة يدمج القيود التي يفرضها الخبراء أثناء التسجيل البصري. يتكون الإطار من شبكة بيزية ديناميكية ذات عمق في كل من المتغيرات الكامنة واحتمالات الملاحظة-بينما تتحكم المتغيرات الخفية في المدد، والانتقالات بين الحالات، والمتانة، فإن هياكل الملاحظة تقوم بتوسيع توزيعات النورمال-غاما (Normal-Gamma). يسمح النموذج الناتج بتقسيم السلاسل الزمنية إلى أنظمة ديناميكية محلية متكررة من خلال الاستفادة من النماذج الاحتمالية والتعلم العميق. على عكس الكاشفات التقليدية، يستخدم نموذجنا البيانات الخام (حتى إعادة العينة) دون معالجة ما قبل (مثل الترشيح، تقسيم النافذة، تحديد الحدود) أو معالجة ما بعد (مثل دمج الأحداث). هذا ليس فقط يجعل النموذج جاذبًا للتطبيقات الفورية، بل إنه أيضًا ينتج معلمات فائقة قابلة للتفسير والتي تشبه المعايير السريرية المعروفة. نشتق خوارزميات للاستدلال الدقيق والممكن كحالة خاصة من Generalized Expectation Maximization عبر البرمجة الديناميكية والانتشار العكسي. نتحقق من صحة النموذج على ثلاثة مجموعات بيانات عامة ونقدم دعمًا بأن النماذج الأكثر تعقيدًا قادرة على تجاوز الكاشفات الرائدة في المجال بينما تكون شفافة وقابلة للمراجعة وقابلة للتعميم.