Die elektrische Hirnaktivität zeigt während des Schlafes mehrere kurze Ereignisse, die als charakteristische Mikrostrukturen im Elektroenzephalogramm (EEG) beobachtet werden können, wie zum Beispiel Schlafspindeln und K-Komplexe. Diese Ereignisse wurden mit biologischen Prozessen und neurologischen Störungen in Verbindung gebracht, was sie zu einem Forschungsthema in der Schlafmedizin macht. Manuelle Detektion begrenzt jedoch ihre Untersuchung, da sie zeitaufwendig ist und von erheblichen Unterschieden zwischen Experten beeinflusst wird, was automatisierte Ansätze motiviert. Wir schlagen einen tiefen Lernansatz vor, der auf konvolutionellen und rekurrenten Neuronalen Netzen basiert und zur Detektion von EEG-Ereignissen im Schlaf entwickelt wurde, den wir Rekurrenter Ereignisdetektor (RED) nennen. Der RED verwendet eine von zwei Eingabepräsentationen: a) das Zeitbereichssignal des EEG oder b) ein komplexes Spektrogramm des Signals, das durch die kontinuierliche Wavelet-Transformation (CWT) erhalten wird. Im Gegensatz zu früheren Ansätzen wird ein fester Zeitfenster vermieden und der zeitliche Kontext integriert, um die visuellen Kriterien der Experten besser nachzuahmen. Bei der Auswertung am MASS-Datensatz übertreffen unsere Detektoren den Stand der Technik sowohl bei der Detektion von Schlafspindeln als auch bei der Detektion von K-Komplexen mit einem mittleren F1-Wert von mindestens 80,9 % und 82,6 % respektive. Obwohl das Modell im CWT-Bereich eine ähnliche Leistung wie sein Pendant im Zeitbereich erzielte, ermöglicht letzteres prinzipiell eine interpretierbarere Eingabepräsentation aufgrund der Verwendung eines Spektrogramms. Der vorgeschlagene Ansatz ist ereignisagnostisch und kann direkt zur Detektion anderer Arten von Schlafereignissen eingesetzt werden.