Schlafspitzen sind neurophysiologische Phänomene, die mit der Bildung von Erinnerungen und anderen Funktionen des Zentralnervensystems in Verbindung gebracht werden und in elektroenzephalographischen Aufzeichnungen (EEG) während des Schlafs beobachtet werden können. Manuell identifizierte Spitzenaufzeichnungen in EEGs leiden unter erheblichen intra- und interrater-Variabilitäten, selbst wenn die Rater intensiv geschult wurden, was die Zuverlässigkeit von Spitzemaßen als Forschungs- und Diagnosewerkzeug verringert. Das Projekt Massive Online Data Annotation (MODA) hat dieses Problem kürzlich angegangen, indem es eine Konsensbildung aus mehreren solchen Expertenbewertungen durchgeführt hat, wodurch ein Korpus von Spitzenaufzeichnungen von höherer Qualität bereitgestellt wurde. Basierend auf diesem Datensatz präsentieren wir ein U-Net-artiges tiefes neuronales Netzmodell zur automatischen Detektion von Schlafspitzen. Die Leistung unseres Modells übertrifft die des besten bisher bekannten Detektors sowie die der meisten Experten im MODA-Datensatz. Wir beobachteten eine verbesserte Detektionsgenauigkeit bei Probanden aller Altersgruppen, einschließlich älterer Individuen, deren Spitzen besonders schwierig zuverlässig zu detektieren sind. Unsere Ergebnisse unterstreichen das Potenzial automatisierter Methoden, wiederholte und zeitaufwendige Aufgaben mit einer Leistungsfähigkeit über der menschlichen zu bewältigen.