Este estudio informa sobre un método para la detección de anomalías en la señalización mecánica en el tejido cardíaco a través del uso de aprendizaje profundo y el diseño de dos detectores de anomalías. A diferencia de los clasificadores de anomalías, los detectores de anomalías permiten la identificación precisa de la posición temporal de la anomalía. El primer detector utilizó una red neuronal recurrente (RNN) del tipo memoria a corto y largo plazo (LSTM), mientras que el segundo utilizó un autoencoder. Los datos de contracción mecánica presentan varios desafíos, incluida la alta presencia de ruido debido a la variabilidad biológica en la respuesta de contracción, el ruido introducido por la cadena de adquisición de datos y una amplia variedad de anomalías. Por lo tanto, presentamos un marco de detección de anomalías robusto basado en aprendizaje profundo que aborda estos problemas principales, los cuales son difíciles de abordar con técnicas estándar de aprendizaje no supervisado. Para el registro de series temporales, se diseñó un modelo experimental en el que se pudieran adquirir señales de contracción mecánica cardíaca (aurículas derecha e izquierda) de un ratón CD-1 en un baño de órganos automático, reproduciendo las condiciones fisiológicas. Con el fin de entrenar los modelos de detección de anomalías y validar su rendimiento, se diseñó una base de datos de señales sintéticas ( = 800 señales), que incluía una amplia gama de eventos anómalos observados en los registros experimentales. El detector basado en la red neuronal LSTM fue el más preciso. El rendimiento de este detector fue evaluado mediante registros mecánicos experimentales del tejido cardíaco de las aurículas derecha e izquierda.