La puntuación del sueño es el primer paso para diagnosticar trastornos del sueño. Una variedad de enfermedades crónicas relacionadas con los trastornos del sueño podrían ser identificadas utilizando la estimación del estado del sueño. Este documento presenta una arquitectura de aprendizaje profundo de extremo a extremo utilizando actigrafía de muñeca, llamada Deep-ACTINet, para la detección automática de sueño-vigilia utilizando solo señales de actividad cruda canceladas de ruido registradas durante el sueño y sin un método de ingeniería de características. Como prueba de referencia, el propuesto Deep-ACTINet se compara con dos algoritmos de puntuación de sueño-vigilia basados en modelos fijos convencionales y cuatro algoritmos de aprendizaje automático basados en ingeniería de características. Los conjuntos de datos fueron registrados en 10 sujetos utilizando sensores de pulsera de muñeca acelerómetros de tres ejes durante ocho horas en la cama. Las grabaciones de sueño fueron analizadas utilizando Deep-ACTINet y enfoques convencionales, y el modelo de aprendizaje profundo de extremo a extremo sugerido obtuvo la precisión más alta del 89.65%, una recuperación del 92.99%, y una precisión del 92.09% en promedio. Estos valores fueron aproximadamente un 4.74% y un 4.05% más altos que los de los algoritmos de aprendizaje automático basados en modelos tradicionales y basados en características, respectivamente. Además, las salidas de neuronas de Deep-ACTINet contenían la información más significativa para separar los estados de sueño y vigilia, lo cual fue demostrado por sus altas correlaciones con características significativas convencionales. Deep-ACTINet fue diseñado para ser un modelo general y, por lo tanto, tiene el potencial de reemplazar los algoritmos de actigrafía actuales equipados en dispositivos portátiles de pulsera.