El electrocardiograma (ECG) se utiliza ampliamente en medicina porque puede proporcionar información básica sobre diferentes tipos de enfermedades cardíacas. Sin embargo, los datos del ECG suelen estar perturbados por varios tipos de ruido, lo que puede llevar a errores en el diagnóstico por parte de los médicos. Para abordar este problema, este estudio propone un método para el filtrado de ruido del ECG basado en autoencoders desentrañados. Un autoencoder desentrañado es un autoencoder mejorado adecuado para el filtrado de ruido de los datos del ECG. En nuestro método propuesto, utilizamos un modelo de autoencoder desentrañado basado en una red neuronal convolucional completamente convolucional para separar de manera efectiva los datos limpios del ECG del ruido. A diferencia de los autoencoders convencionales, desentrañamos las características de la capa oculta de codificación para separar las características de codificación de la señal del ruido. Realizamos experimentos de simulación en la Base de Datos de Arritmias MIT-BIH y encontramos que el algoritmo tuvo mejores resultados en la reducción de ruido al tratar con cuatro tipos diferentes de ruido. En particular, utilizando nuestro método, las mejoras promedio en la relación señal-ruido para los tres ruidos en la Base de Datos de Pruebas de Estrés de Ruido MIT-BIH fueron de 27.45 db para la deriva de línea base, 25.72 db para los artefactos musculares y 29.91 db para los artefactos de movimiento de electrodos. En comparación con un autoencoder de filtrado de ruido basado en una red neuronal convolucional completamente convolucional (FCN), la relación señal-ruido se mejoró en un promedio del 12.57%. Podemos concluir que el modelo tiene validez científica. Al mismo tiempo, nuestro método de reducción de ruido puede eliminar efectivamente el ruido mientras preserva la información importante transmitida por la señal original.