La fibrilación auricular (FA) es una de las arritmias cardíacas más conocidas en la práctica clínica, con una prevalencia del 1-2% en la comunidad, lo que puede aumentar el riesgo de accidente cerebrovascular e infarto de miocardio. La detección de la FA en el electrocardiograma (ECG) puede mejorar la detección temprana del diagnóstico. En este artículo, hemos desarrollado un marco para procesar la señal del ECG con el fin de determinar los episodios de FA. Hemos implementado algoritmos de aprendizaje automático y aprendizaje profundo para detectar la FA. Además, los resultados experimentales muestran que se puede lograr un mejor rendimiento con memoria a largo y corto plazo (LSTM) en comparación con otros algoritmos. Los resultados experimentales iniciales ilustran que los algoritmos de aprendizaje profundo, como LSTM y la red neuronal convolucional (CNN), lograron un mejor rendimiento (10%) en comparación con los clasificadores de aprendizaje automático, como los vectores de soporte, la regresión logística, etc. Este trabajo preliminar puede ayudar a los clínicos en la detección de FA con alta precisión y menor probabilidad de errores, lo que puede resultar en una reducción de la tasa de fatalidad.