Los electrocardiogramas (ECG) proporcionan información crucial para evaluar la salud cardiovascular de un paciente; sin embargo, no siempre son fácilmente accesibles. La fotopletismografía (PPG), una tecnología comúnmente utilizada en dispositivos portátiles como los relojes inteligentes, ha mostrado promesas para construir ECGs. Se han propuesto varios métodos para la reconstrucción de ECG utilizando señales de PPG, pero algunos requieren alineación de señales durante la fase de entrenamiento, lo cual no es factible en entornos de la vida real donde las señales de ECG no se recopilan al mismo tiempo que las señales de PPG. Para abordar este desafío, presentamos PPG2ECGps, una red neuronal de aprendizaje profundo específica del paciente de extremo a extremo que utiliza la arquitectura W-Net. Este enfoque novedoso permite la reconstrucción directa de la señal de ECG a partir de las señales de PPG, eliminando la necesidad de alineación de señales. Nuestros experimentos muestran que el modelo propuesto logra valores medios de 0,977 mV para el coeficiente de correlación de Pearson, 0,037 mV para el error cuadrático medio y 0,010 mV para la distancia dinámica temporal normalizada al comparar ECGs reconstruidos con ECGs de referencia de un conjunto de datos de 500 registros. Dado que las señales de PPG son más accesibles que las señales de ECG, nuestro modelo propuesto tiene un potencial significativo para mejorar la monitorización y el diagnóstico de pacientes en entornos de atención médica a través de dispositivos portátiles.