En este artículo, se propone un autoencoder basado en latidos para mapear la fotopletismografía (PPG) a una señal de electrocardiograma de un solo canal (ECG de un solo canal). Se consideran los principales factores limitantes representados en datos no limpiados, dependencia del sujeto y segmentación errónea de los latidos. El conjunto de datos se limpia mediante un enfoque de agrupamiento en dos etapas. En lugar de una reconstrucción completa de la señal de ECG de un solo canal, se introduce una conversión de PPG a ECG de un solo canal (PPG2ECG) para proporcionar un modelo ligero y simple que cumpla con las capacidades computacionales de los dispositivos portátiles. Además, se emplea la segmentación pico a pico para aliviar los errores en la detección del inicio de la PPG. Además, se destaca el entrenamiento dependiente del sujeto como un factor crítico en los procedimientos de entrenamiento, ya que la mayoría de los trabajos existentes incluyen diferentes latidos/señales del mismo registro del sujeto tanto en los conjuntos de entrenamiento como en los de prueba. Por lo tanto, proporcionamos un modelo completamente independiente del sujeto donde los registros de los sujetos de prueba están ocultos en la etapa de entrenamiento, es decir, un registro de sujeto aparece una vez ya sea en el conjunto de entrenamiento o en el de prueba, pero los latidos/señales de prueba pertenecen a registros que nunca aparecen en el conjunto de entrenamiento. El modelo de aprendizaje profundo propuesto está diseñado para proporcionar una extracción de características eficiente que alcanza una alta calidad de reconstrucción en escenarios independientes del sujeto. El rendimiento alcanzado es de aproximadamente 0.92 para el coeficiente de correlación y 0.0086 para el error cuadrático medio del conjunto de datos extraído/limpiado del conjunto de datos MIMIC II.