Nous proposons un modèle génératif pour l'EEG à canal unique qui intègre les contraintes que les experts appliquent activement lors du scorage visuel. Ce cadre prend la forme d'un réseau bayésien dynamique avec une profondeur tant dans les variables latentes que dans les vraisemblances d'observation. Les variables cachées contrôlent les durées, les transitions d'état et la robustesse, tandis que les architectures d'observation paramétrisent des distributions Normales-Gamma. Le modèle résultant permet de segmenter des séries temporelles en régimes dynamiques locaux et récurrents en exploitant des modèles probabilistes et l'apprentissage profond. Contrairement aux détecteurs classiques, notre modèle utilise les données brutes (jusqu'à leur rééchantillonnage) sans prétraitement (par exemple, filtrage, fenêtrage, seuillage) ni post-traitement (par exemple, fusion d'événements). Cela rend non seulement le modèle attractif pour les applications en temps réel, mais il fournit également des hyperparamètres interprétables qui sont analogues aux critères cliniques connus. Nous dérivons des algorithmes pour une inférence exacte et réalisable comme cas particulier de la Maximisation de l'Espérance Généralisée via la programmation dynamique et la rétropropagation. Nous validons le modèle sur trois jeux de données publics et fournissons des preuves que des modèles plus complexes sont capables de surpasser les détecteurs de pointe actuels tout en étant transparents, audibles et généralisables.