El ECG ayuda en el diagnóstico de enfermedades cardíacas al registrar la actividad cardíaca. Durante las mediciones a largo plazo, se produce pérdida de datos debido al desprendimiento del sensor. Por lo tanto, la investigación sobre la reconstrucción de datos de ECG faltantes es esencial. Sin embargo, el ECG requiere la participación del usuario y no se puede utilizar para el monitoreo continuo del corazón. El monitoreo continuo de las señales de PPG, por otro lado, es de bajo costo y fácil de llevar a cabo. En este estudio, se propone un modelo de red neuronal profunda para la reconstrucción de señales de ECG faltantes utilizando datos de PPG. Este modelo es una red neuronal de aprendizaje profundo de extremo a extremo que utiliza la arquitectura WNet como base, sobre la cual se agrega una red neuronal de memoria a corto y largo plazo bidireccional para establecer un segundo modelo. El rendimiento de ambos modelos se verifica utilizando 146 registros del subconjunto coincidente de MIMIC III. En comparación con la referencia, el ECG reconstruido utilizando el modelo propuesto tiene un coeficiente de correlación de Pearson de 0.851, un error cuadrático medio (RMSE) de 0.075, un porcentaje de diferencia cuadrática media (PRD) de 5.452 y una distancia de Fréchet (FD) de 0.302. Los resultados experimentales demuestran que es factible reconstruir señales de ECG faltantes a partir de PPG.