La apnea del sueño, caracterizada por su alta prevalencia y graves consecuencias para la salud, enfrenta un cuello de botella crítico en el diagnóstico. La polisomnografía (PSG), el estándar de oro, es costosa y engorrosa, mientras que los dispositivos portátiles tienen problemas con el control de calidad y la adherencia del paciente, lo que los hace inadecuados tanto para el cribado a gran escala como para el monitoreo continuo. Para abordar estos desafíos, esta investigación presenta un método de detección de apnea del sueño a nivel de eventos, sin contacto, de bajo costo y preciso, que aprovecha la tecnología de radar de onda continua modulada en frecuencia (FMCW). El núcleo de nuestro enfoque es un modelo novedoso de aprendizaje profundo, construido sobre la arquitectura U-Net y aumentado con mecanismos de autoatención y módulos de "squeeze-and-excitation" (SE), diseñados meticulosamente para la segmentación precisa a nivel de eventos de la apnea del sueño a partir de las señales de radar FMCW. Esencialmente, integramos la predicción de la saturación de oxígeno en sangre (SpO) como una tarea auxiliar dentro de un marco de aprendizaje multitarea para mejorar las capacidades de extracción de características del modelo y su utilidad clínica al capturar correlaciones fisiológicas entre los eventos de apnea y los niveles de oxígeno. Una evaluación rigurosa en un conjunto de datos clínicos, que comprende datos de 35 participantes, con datos de PSG y radar sincronizados, demostró un rendimiento que supera el de los métodos de referencia (Base U-Net y CNN-MHA), logrando un alto nivel de precisión en la segmentación a nivel de eventos (con un puntaje F1 de 0.8019) y la clasificación de la gravedad de la OSA (91.43%). Estos hallazgos subrayan el potencial significativo de nuestro sistema de detección de eventos basado en radar como una solución no invasiva, de bajo costo y precisa para la evaluación de la OSA. Esta tecnología ofrece una vía prometedora para transformar el diagnóstico de la apnea del sueño, haciendo que el cribado a gran escala y el monitoreo continuo en el hogar sean una realidad práctica y, en última instancia, conduciendo a una mejora en los resultados de los pacientes y en los impactos en la salud pública.