수면 중 뇌의 전기 활동은 전두파 검사(Electroencephalogram, EEG)에서 구별되는 미세 구조로 관찰될 수 있는 여러 짧은 이벤트를 나타냅니다. 예를 들어, 수면 스피들(sleep spindles)과 K-복합체(K-complexes)가 있습니다. 이러한 이벤트는 생물학적 과정과 신경학적 장애와 관련이 있어 수면 의학 연구의 주제가 되어왔습니다. 그러나 수작업으로 이들을 감지하는 것은 시간이 많이 소요되고 전문가 간의 큰 차이로 인해 제한적이므로, 자동화된 접근 방식이 필요하게 되었습니다. 우리는 이를 위해 합성곱 신경망(convolutional neural networks)과 순환 신경망(recurrent neural networks)을 기반으로 한 깊은 학습 방법론인 순환 이벤트 감지기(Recurrent Event Detector, RED)를 제안합니다. RED는 두 가지 입력 표현 중 하나를 사용합니다: a) 시간 영역의 EEG 신호 또는 b) 연속 웨이블릿 변환(Continuous Wavelet Transform, CWT)을 통해 얻은 복소 스펙트로그램입니다. 이전 접근 방식들과 달리, 고정된 시간 창을 피하고 시간적 맥락을 통합하여 전문가들의 시각적인 기준을 더 잘 모방할 수 있습니다. MASS 데이터셋에서 평가한 결과, 우리의 감지기는 수면 스피들과 K-복합체 감지 모두에서 최신 기술보다 우수한 성능을 보였으며, 각각 평균 F1 점수가 최소 80.9%와 82.6%였습니다. CWT 영역 모델은 시간 영역 모델과 유사한 성능을 보였지만, 스펙트로그램의 사용으로 인해 원칙적으로 더 해석 가능한 입력 표현을 허용합니다. 제안된 접근 방식은 이벤트에 무관하며 다른 종류의 수면 이벤트 감지를 위해 직접 사용할 수 있습니다.