La apnea obstructiva del sueño (AOS) se caracteriza por episodios frecuentes de respiración desordenada durante el sueño (RDS), que a menudo van acompañados de movimientos de piernas (MP), especialmente movimientos periódicos de las extremidades durante el sueño (PLMS). Los métodos tradicionales de detección de eventos individuales a menudo pasan por alto las interacciones dinámicas entre RDS y MP, sin capturar su superposición temporal y las diferencias en duración. Para abordar esto, proponemos AttenCRF-U, un nuevo marco de detección conjunto que integra autoatención multi-cabeza (MHSA) en una arquitectura codificador-decodificador para modelar dependencias a larga distancia entre eventos superpuestos y emplea codificación convolucional a múltiples escalas para extraer características discriminativas en diferentes escalas temporales. El modelo además incorpora un campo aleatorio condicional (CRF) para refinar los límites de los eventos y mejorar la continuidad temporal. Evaluado en grabaciones clínicas de PSG de 125 pacientes con AOS, el modelo con CRF mejoró el puntaje F1 promedio de 0.782 a 0.788 y redujo los errores de alineación temporal en comparación con líneas de base sin CRF. La estrategia de detección conjunta distinguió los movimientos de piernas relacionados con la respiración (RRLMs) de los PLMS, aumentando el puntaje F1 de detección de PLMS de 0.756 a 0.778 y el puntaje F1 de detección de RDS de 0.709 a 0.728. Al integrar MHSA en un marco U-Net aumentado con CRF y permitir la detección conjunta de múltiples tipos de eventos, este estudio presenta un enfoque novedoso para modelar dependencias temporales y patrones de coocurrencia de eventos en el diagnóstico de trastornos del sueño.