Un electrocardiograma (ECG) se utiliza para verificar la actividad eléctrica del corazón durante un período limitado a corto o largo plazo. Las observaciones a corto plazo se utilizan a menudo en hospitales o clínicas, mientras que las observaciones a largo plazo (a menudo llamadas observaciones de ECG continuas o en tiempo real) se utilizan para monitorear la actividad eléctrica del corazón diariamente y durante diferentes actividades diarias, como dormir, correr, comer, etc. El ECG puede reflejar el ritmo sinusal normal, así como diferentes problemas cardíacos, que pueden variar desde Contracciones Auriculares Prematuras (PAC) y Contracciones Ventriculares Prematuras (PVC), hasta Paro Sinusal y muchos otros problemas. Para realizar este monitoreo diario, es muy importante implementar soluciones automatizadas que realicen la mayor parte del trabajo del análisis diario del ECG y puedan alertar a los médicos en caso de algún problema, e incluso detectar el tipo de problema para que los médicos tengan un informe inmediato sobre el estado de salud del paciente. Este artículo tiene como objetivo proporcionar un flujo de trabajo para la detección de señales anormales de ECG a partir de diferentes fuentes de señales de ECG digitalizadas, incluidos dispositivos ambulatorios. Proponemos un algoritmo para la preanotación de ECG y la separación latido a latido para la clasificación de latidos utilizando Autoencoders. El algoritmo incluye el entrenamiento de diferentes modelos para diferentes tipos de señales anormales de ECG, y ha mostrado resultados prometedores para el ritmo sinusal normal y PVC en comparación con otras soluciones. Esta solución se propone tanto para señales sin ruido como ruidosas.