睡眠中の脳電活動は、電気生理学的微細構造として観察されるいくつかの短いイベントを呈します。これらのイベントにはスリープスピンドル（sleep spindles）とKコンプレックス（K-complexes）が含まれます。これらは生物学的プロセスや神経学的な障害と関連付けられており、睡眠医学における研究テーマとなっています。しかし、手動での検出は時間のかかる作業であり、専門家間の大きな変動性に影響を受けやすいことから、自動化されたアプローチへの需要が高まっています。本研究では、スリープEEGイベント検出のために畳み込みニューラルネットワークと再帰型ニューラルネットワークを基盤とする深層学習アプローチである再帰型イベント検出器（Recurrent Event Detector, RED）を提案します。REDは以下の2つの入力表現のいずれかを使用します：a) 時間領域のEEG信号、またはb) コンティニュアスウェーブレット変換（Continuous Wavelet Transform, CWT）によって得られる信号の複雑なスペクトログラムです。従来の手法とは異なり、固定時間ウィンドウを避けて時間的な文脈を統合することで、専門家の視覚的基準をよりよく模倣することが可能となります。MASSデータセットで評価した結果、提案した検出器はスリープスピンドルおよびKコンプレックスの検出において既存の最先端技術を上回り、それぞれ平均F1スコアが80.9%以上と82.6%以上でした。CWT領域モデルは時間領域モデルと同等の性能を示しましたが、スペクトログラムを使用することにより原理的に解釈可能な入力表現が可能となるという利点があります。提案されたアプローチはイベントに依存せず、他の種類の睡眠イベントの検出にも直接適用できます。