Wir schlagen ein generatives Modell für einkanalige EEG-Versuche vor, das die von Experten während der visuellen Bewertung aktiv eingehaltenen Einschränkungen berücksichtigt. Das Framework hat die Form eines dynamischen Bayes'schen Netzwerks mit Tiefe sowohl in den latente Variablen als auch in den Beobachtungslikelihoods – während die versteckten Variablen die Dauern, Zustandsübergänge und Robustheit steuern, parametrisieren die Beobachtungsarchitekturen Normal-Gamma-Verteilungen. Das resultierende Modell ermöglicht es durch die Nutzung von Wahrscheinlichkeitsmodellen und tiefem Lernen, Zeitreihen in lokale, wiederkehrende dynamische Regime zu segmentieren. Im Gegensatz zu typischen Detektoren verwendet unser Modell rohe Daten (bis hin zur Resampling), ohne sie vorzubereiten (z.B. Filterung, Fensterung, Schwellwertregelung) oder nachzubearbeiten (z.B. Ereignisverschmelzung). Dies macht das Modell nicht nur für Echtzeit-Anwendungen attraktiv, sondern führt auch zu interpretierbaren Hyperparametern, die den bekannten klinischen Kriterien entsprechen. Wir leiten Algorithmen für exakte und handhabbare Inferenz her, als Spezialfall der verallgemeinerten Erwartungswert-Maximierung mittels dynamischer Programmierung und Backpropagation. Wir validieren das Modell anhand dreier öffentlicher Datensätze und liefern Beweise dafür, dass komplexere Modelle imstande sind, den Stand der Technik bei Detektoren zu übertreffen, während sie gleichzeitig transparent, prüfbar und übertragbar sind.