La modelización es esencial para comprender mejor los mecanismos generativos responsables de las observaciones experimentales recopiladas de sistemas complejos. En este trabajo, estamos utilizando un enfoque de este tipo para analizar el electrocardiograma (ECG). Presentamos un marco sistemático para descomponer las señales de ECG en sumas de componentes lognormales superpuestos. Utilizamos el aprendizaje por refuerzo para entrenar una red neuronal profunda para estimar los parámetros de modelización de un ECG registrado en bebés de 1 a 24 meses de edad. Demostramos este enfoque basado en modelos mostrando cómo los parámetros extraídos varían con la edad. De los 751.510 complejos PQRST modelados, el 82,7% proporcionó una relación señal-ruido que fue suficiente para un análisis adicional (>5 dB). Después de la corrección por pruebas múltiples, 10 de los 24 parámetros de modelización exhibieron significancia estadística por debajo del umbral de 0,01, con coeficientes de correlación de rango de Kendall absolutos en el rango [0,27, 0,51]. Estos resultados confirman que este enfoque basado en modelos puede capturar parámetros sensibles de ECG. Debido a su interpretabilidad fisiológica, este enfoque puede proporcionar una ventana a variables latentes que son importantes para comprender el proceso de latido del corazón y su control por el sistema nervioso autónomo.