El sueño es un proceso complejo dividido en diferentes etapas, y una disminución en la calidad del sueño puede llevar a efectos adversos relacionados con la salud. Por lo tanto, diagnosticar y tratar afecciones relacionadas con el sueño es crucial. El Patrón Alternante Cíclico (PAC) es un indicador de la inestabilidad del sueño y puede ayudar en la evaluación de trastornos relacionados con el sueño como la apnea del sueño. Sin embargo, detectar manualmente eventos relacionados con el PAC es una tarea que consume tiempo y desafiante. Por lo tanto, se necesita la detección automática. A pesar de su rendimiento generalmente superior, la utilización de soluciones de aprendizaje profundo puede resultar en modelos que carecen de interpretabilidad. Abordar este problema se puede lograr a través de la implementación de un análisis basado en características. Sin embargo, se vuelve necesario identificar qué características pueden resaltar mejor los patrones asociados con el PAC. Tal es el propósito de este trabajo, donde se calcularon 98 características a partir de las señales electroencefalográficas del paciente y se utilizaron para entrenar una red neuronal para identificar las fases de activación del PAC. La selección de características y la optimización del modelo con un algoritmo genético también se emplearon para mejorar los resultados de clasificación. Se encontró que el rendimiento del método propuesto está entre los mejores trabajos de vanguardia que utilizan modelos más complejos.