在睡眠过程中，脑电活动表现出若干短暂事件，这些事件可以在脑电图（EEG）中观察到，表现为独特的微结构，如睡眠纺锤波和K复合波。这些事件与生物过程和神经疾病有关，因此成为睡眠医学研究的重要课题。然而，手动检测限制了对这些事件的研究，因为这种方法耗时且受专家间显著变异的影响，这促使了自动检测方法的发展。我们提出了一种基于卷积神经网络和循环神经网络的深度学习方法用于睡眠EEG事件检测，称为循环事件检测器（Recurrent Event Detector, RED）。RED使用两种输入表示之一：a) 时域EEG信号；b) 通过连续小波变换（Continuous Wavelet Transform, CWT）获得的信号复频谱图。与以往的方法不同，RED避免了固定时间窗口的使用，并整合了时间上下文信息以更好地模拟专家的视觉判断标准。在MASS数据集上的评估结果显示，我们的检测器在睡眠纺锤波和K复合波检测方面均优于现有最佳方法，平均F1分数分别达到至少80.9%和82.6%。尽管CWT域模型的表现与其时域模型相当，但前者由于使用频谱图而原则上提供了更具可解释性的输入表示。所提出的这种方法具有事件无关性，可以直接用于检测其他类型的睡眠事件。