Se estima que a nivel mundial 425 millones de sujetos tienen apnea del sueño obstructiva (OSA) de moderada a grave. La predicción precisa de eventos de apnea del sueño puede ofrecer información sobre el desarrollo de terapias de tratamiento. Sin embargo, la investigación relacionada con esta predicción está actualmente limitada. Desarrollamos un marco encubierto para la predicción de eventos de apnea del sueño basado en vibraciones inducidas por la respiración de baja frecuencia obtenidas de sensores piezoeléctricos. Se utilizó una red CNN-transformer para extraer de manera eficiente características locales y globales de las señales de vibración respiratoria para una predicción precisa. Nuestro estudio involucró grabaciones nocturnas de 105 sujetos. En validación cruzada de cinco pliegues, logramos una precisión del 85.9% y una puntuación F1 del 85.8%, que son un 3.5% y un 5.3% más altos que el mejor modelo clásico realizado, respectivamente. Además, en validación cruzada de dejar uno fuera, se observan mejoras del 2.3% y 3.8%, respectivamente. Nuestro modelo CNN-transformer propuesto es efectivo en la predicción de eventos de apnea del sueño. Nuestro marco puede proporcionar así una nueva perspectiva para mejorar los modos de tratamiento de OSA y la gestión clínica.